无人机视觉特征提取及同步定位与地图构建方法研究

发布时间：2017-09-23 07:29

  本文关键词：无人机视觉特征提取及同步定位与地图构建方法研究

  更多相关文章： 无人机 图像特征提取 EKF-SLAM 粒子滤波 FastSLAM 粒子群优化

【摘要】：近年来由于科技水平的提高,无人机在各方面的配置都有了大幅提升,在军事和民用领域发挥了越来越重要的作用。在未来发展中,无人机将在全自主飞行方面进一步发展,其需要解决的关键问题之一便是自主导航。传统的自主导航方法是利用惯性导航系统(INS)、全球定位系统(GPS)等途径获取无人机的位姿信息。但是GPS和INS存在使用局限性,如GPS在室内及山谷等情况下会由于信号弱而失去作用,INS会随着时间推移,引起较大的累积误差。近年来,图像视觉传感器由于其重量轻、信息量大等优点逐渐被引入无人机视觉导航领域内。因此本文对无人机SLAM自主导航算法进行研究,主要做了如下工作:首先,本文研究了基于视觉特征提取的SIFT算法和SURF算法的差异。由于SURF算法利用了积分图像及Hessian概念,大大减少了特征提取过程的时间,并通过实验验证了该结论。其次,以扩展卡尔曼滤波算法为基础,研究了EKF-SLAM算法。仿真实验表明该算法能够实现在一定精度要求范围内的无人机定位与地图构建,但该算法对于运行环境有着较高的限制,并且计算复杂,鲁棒性较差,并不适合应用于噪声较大的大范围环境中。然后,为提高EKF-SLAM算法的精度及鲁棒性,研究了FastSLAM算法,该算法采用N个粒子估计无人机的飞行路径,对每个粒子采用M个EKF算法对环境特征点进行估计。由于粒子滤波在非线性模型中独特的优点使得该算法的鲁棒性较高,并提高了算法的精度。最后,针对因过度重采样造成的算法实时性低、粒子样本枯竭等问题,提出了基于自适应重采样的FastSLAM算法。并引入两种多样性启发因子作为粒子群优化算法的指导因子,对重采样后的粒子群进行优化,保证粒子群的多样性及算法精度。仿真实验表明该改进算法的精确度和鲁棒性得到了提高。
【关键词】：无人机 图像特征提取 EKF-SLAM 粒子滤波 FastSLAM 粒子群优化
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V279
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 注释表10-11
• 缩略词11-12
• 第一章 绪论12-23
• 1.1 研究背景和意义12-13
• 1.2 无人机导航研究现状13-17
• 1.2.1 无人机概述13-15
• 1.2.2 无人机导航问题15-17
• 1.3 SLAM方法研究现状17-21
• 1.3.1 SLAM算法的发展17-18
• 1.3.2 典型SLAM算法18-19
• 1.3.3 SLAM算法研究现状19-20
• 1.3.4 SLAM算法难点20-21
• 1.4 本文研究的内容和论文安排21-23
• 第二章 基于视觉的特征提取及匹配算法研究23-37
• 2.1 引言23
• 2.2 图像特征23-24
• 2.3 基于无人机视觉的特征提取与匹配24-32
• 2.3.1 SIFT算法24-28
• 2.3.2 SURF算法28-32
• 2.4 特征点匹配算法32-33
• 2.5 基于视觉的特征提取与匹配仿真实验33-36
• 2.6 本章小结36-37
• 第三章 基于扩展卡尔曼滤波的无人机SLAM算法研究37-53
• 3.1 引言37
• 3.2 滤波算法37-40
• 3.2.1 卡尔曼滤波算法37-39
• 3.2.2 扩展卡尔曼滤波算法39-40
• 3.3 无人机EKF-SLAM算法40-52
• 3.3.1 无人机SLAM问题40-41
• 3.3.2 无人机系统方程建立41-44
• 3.3.3 SLAM问题的贝叶斯公式分解44-45
• 3.3.4 无人机EKF-SLAM算法45-48
• 3.3.5 仿真实验结果及分析48-52
• 3.4 本章小结52-53
• 第四章 基于粒子滤波的无人机SLAM算法研究53-70
• 4.1 引言53-54
• 4.2 粒子滤波算法54-56
• 4.3 基于自适应重采样的FastSLAM算法56-61
• 4.3.1 FastSLAM算法描述56-57
• 4.3.2 FastSLAM算法分解57-58
• 4.3.3 FastSLAM算法具体实现58-61
• 4.3.4 自适应重采样61
• 4.4 粒子群优化FastSLAM算法61-63
• 4.4.1 粒子群优化算法61-62
• 4.4.2 基于多样性启发因子的粒子群优化算法62-63
• 4.4.3 基于改进的粒子群优化FastSLAM算法流程63
• 4.5 仿真实验结果及分析63-68
• 4.6 本章小结68-70
• 第五章 总结与展望70-72
• 5.1 本文的主要研究工作总结70
• 5.2 进一步研究工作的展望70-72
• 参考文献72-78
• 致谢78-79
• 在校期间的研究成果及发表的学术论文79

【参考文献】

中国期刊全文数据库 前10条

1 王伟;陈华庆;韩卫;;无人机自主导航控制的FastSLAM算法研究[J];计算机仿真;2015年08期

2 曹美会;鲜斌;张旭;文曦;;基于视觉的四旋翼无人机自主定位与控制系统[J];信息与控制;2015年02期

3 武俊;郭捷;邱卫东;徐鹏;郭曼;张菡;;基于SIFT特征的特定目标识别管控算法[J];信息安全与通信保密;2015年02期

4 王闯;卢健;黄杰;;AUV同时定位与跟踪算法研究[J];西安工程大学学报;2014年05期

5 陶于金;李沛峰;;无人机系统发展与关键技术综述[J];航空制造技术;2014年20期

6 刘卫华;王希彬;周强;;基于容积粒子滤波的无人机FastSLAM算法研究[J];系统仿真技术;2014年03期

7 王超磊;王田苗;梁建宏;张以成;周易;;小型无人直升机单目视觉FastSLAM研究[J];高技术通讯;2013年10期

8 王希彬;赵国荣;寇昆湖;;无人机视觉SLAM算法及仿真[J];红外与激光工程;2012年06期

9 杜航原;郝燕玲;高忠强;赵巍华;;基于鲁棒非线性卡尔曼滤波的自适应SLAM算法[J];宇航学报;2012年05期

10 傅卫平;秦川;刘佳;杨世强;王雯;;基于SIFT算法的图像目标匹配与定位[J];仪器仪表学报;2011年01期

中国博士学位论文全文数据库 前2条

1 曲丽萍;移动机器人同步定位与地图构建关键技术的研究[D];哈尔滨工程大学;2013年

2 林睿;基于图像特征点的移动机器人立体视觉SLAM研究[D];哈尔滨工业大学;2011年

中国硕士学位论文全文数据库 前6条

1 何梦超;利用单目摄像头进行并行跟踪及地图建立算法的研究[D];浙江大学;2014年

2 周旭;基于改进粒子滤波的SLAM算法研究[D];南京理工大学;2014年

3 许金金;复杂背景下的运动目标检测与跟踪技术研究[D];华中科技大学;2013年

4 邵妍;基于粒子滤波器的多机器人同时定位与地图创建问题研究[D];华南理工大学;2011年

5 郭金鑫;基于改进SIFT算法的移动机器人视觉定位研究[D];燕山大学;2011年

6 郑宏;移动机器人导航和SLAM系统研究[D];上海交通大学;2007年

，

本文编号：903986