The present invention relates to a visual-inertial tightly coupled integrated navigation method, in particular to a visual-inertial tightly coupled integrated navigation method based on firefly swarm optimization PF. The invention improves the real-time performance and navigation accuracy of the visual-inertial tightly coupled integrated navigation method. The method of visual-inertial tightly coupled integrated navigation based on firefly swarm optimization PF is realized by the following steps: installing strapdown inertial navigation system and binocular visual odometer on the carrier; establishing linear state equation; establishing non-linear measurement equation; and utilizing PF based on firefly swarm optimization for visual-inertial tightly coupled integrated navigation system Nonlinear filtering is used to realize data fusion of the visual-inertial tightly coupled integrated navigation system. Firstly, the results of strapdown inertial navigation system are corrected according to the results of nonlinear filtering. The present invention is applicable to the visual and inertial tightly coupled integrated navigation.
【技术实现步骤摘要】
基于萤火虫群优化PF的视觉-惯性紧耦合组合导航方法
本专利技术涉及视觉-惯性紧耦合组合导航方法,具体是一种基于萤火虫群优化PF的视觉-惯性紧耦合组合导航方法。
技术介绍
近年来,基于各种原理的单独导航系统不断发展,其性能日趋完善。但是,任何一种单独的导航子设备或者子系统不可能完全满足日益提高的导航要求,因此可以实现优势互补的组合导航技术的应用正在不断扩展,并受到了越来越广泛的重视。捷联惯导系统具有低成本、小体积、全自主、隐蔽性好、采样频率高等优势,但是,其误差随时间发散。基于视觉传感器的视觉里程计是目前新兴的一种导航设备,具有价格低、耗能少、信息量丰富等优势,因此视觉里程计迅速得到了广泛的关注与应用。由于将捷联惯导系统与基于视觉传感器的视觉里程计进行组合可以实现优势互补,有效克服捷联惯导系统的长时发散,从而提高整个导航系统的精度,因此,基于捷联惯导系统/视觉里程计的组合导航技术是组合导航领域的一个十分重要的发展方向。捷联惯导系统/视觉里程计的组合导航分为松耦合和紧耦合,松耦合是捷联惯导系统和视觉里程计在各自完成运动解算的基础上进行耦合的方式,组合导航滤波器计算量较小,但是没有利用视觉里程计的原始图像信息;紧耦合利用视觉里程计图像匹配的原始坐标信息和捷联惯导系统进行耦合,能够取得比松耦合更高精度的组合导航结果。本专利技术属于视觉-惯性紧耦合组合导航。由于视觉-惯性紧耦合组合导航的观测方程为强非线性,因此,高效地实现高精度的非线性组合滤波成为视觉-惯性紧耦合组合导航中的关键技术之一。粒子滤波(PF)可以通过迭代容积卡尔曼滤波对重要密度函数进行优化,从而取得较高 ...
【技术保护点】
1.一种基于萤火虫群优化PF的视觉‑惯性紧耦合组合导航方法,其特征在于:该方法是采用如下步骤实现的:步骤S1:在运载体上安装捷联惯导系统和双目视觉里程计,捷联惯导系统和双目视觉里程计共同组成视觉‑惯性紧耦合组合导航系统;捷联惯导系统根据自身采集到的数据解算出运载体的名义运动信息;采用SURF算法对双目视觉里程计采集到的图像序列进行特征匹配,并解算出连续两帧图像匹配点的像素坐标信息;步骤S2:根据捷联惯导系统的误差特性,建立视觉‑惯性紧耦合组合导航系统的线性状态方程;以连续两帧图像匹配点的像素坐标信息为视觉‑惯性紧耦合组合导航系统的量测值,建立视觉‑惯性紧耦合组合导航系统的非线性量测方程;步骤S3:利用基于萤火虫群优化的PF对视觉‑惯性紧耦合组合导航系统进行非线性滤波,实现视觉‑惯性紧耦合组合导航系统的数据融合;步骤S4:根据步骤S3的非线性滤波结果对捷联惯导系统的解算结果进行校正,由此得到视觉‑惯性紧耦合组合导航系统的导航结果。
【技术特征摘要】
1.一种基于萤火虫群优化PF的视觉-惯性紧耦合组合导航方法,其特征在于:该方法是采用如下步骤实现的:步骤S1:在运载体上安装捷联惯导系统和双目视觉里程计,捷联惯导系统和双目视觉里程计共同组成视觉-惯性紧耦合组合导航系统;捷联惯导系统根据自身采集到的数据解算出运载体的名义运动信息;采用SURF算法对双目视觉里程计采集到的图像序列进行特征匹配,并解算出连续两帧图像匹配点的像素坐标信息;步骤S2:根据捷联惯导系统的误差特性,建立视觉-惯性紧耦合组合导航系统的线性状态方程;以连续两帧图像匹配点的像素坐标信息为视觉-惯性紧耦合组合导航系统的量测值,建立视觉-惯性紧耦合组合导航系统的非线性量测方程;步骤S3:利用基于萤火虫群优化的PF对视觉-惯性紧耦合组合导航系统进行非线性滤波,实现视觉-惯性紧耦合组合导航系统的数据融合;步骤S4:根据步骤S3的非线性滤波结果对捷联惯导系统的解算结果进行校正,由此得到视觉-惯性紧耦合组合导航系统的导航结果。2.根据权利要求1所述的一种基于萤火虫群优化PF的视觉-惯性紧耦合组合导航方法,其特征在于:所述步骤S3包括如下步骤:步骤S3.1:从先验分布p(x0)中抽取M个初始化状态粒子并设定第j个粒子的权值的初值wj,0;设定公式如下:wj,0=1/M;步骤S3.2:对每个粒子j进行迭代容积卡尔曼滤波,从而获得优化的重要密度函数:步骤S3.2.1:对第j个粒子,计算出时间更新后的组合导航滤波器状态量均值和时间更新后的组合导航滤波器状态量方差Pj,k/k-1;计算公式如下:式中:Φk/k-1表示视觉-惯性紧耦合组合导航系统的状态转移矩阵的离散矩阵;Qk表示视觉-惯性紧耦合组合导航系统的过程噪声的协方差矩阵;步骤S3.2.2:对第j个粒子,设定基于LM算法的迭代策略的组合导航滤波器状态量均值迭代初值和组合导航滤波器状态量方差迭代初值设定公式如下:式中:I表示单位矩阵;μ表示可调参数;步骤S3.2.3:对第j个粒子,计算出基于LM算法的迭代策略第i次迭代时滤波增益第i次迭代时组合导航滤波器状态量均值计算公式如下:式中:f(·)表示由视觉-惯性紧耦合组合导航系统的非线性量测方程产生的非线性映射关系;Rk表示视觉-惯性紧耦合组合导航系统的量测噪声的协方差矩阵;zk表示视觉-惯性紧耦合组合导航系统的量测值;步骤S3.2.4:对第j个粒子,当基于LM算法的迭代策略的迭代次数达到N时,基于LM算法的迭代策略迭代终止,由此设定基于LM算法的迭代策略的组合导航滤波器状态量均值迭代终值和组合导航滤波器状态量方差迭代终值从而得到优化的正态分布设定公式如下:式中:表示基于LM算法的迭代策略第N次迭代时组合导航滤波器状态量均值;步骤S3.3:对每个粒子j,利用优化的正态分布进行重要性采样:式中:Aj,k表示第j个粒子的位置;步骤S3.4:计算出每个粒子j的权值计算公式如下:式中:p(zk|Aj,k)表示似然函数;p(Aj,k|Aj,k-1)表示先验概率密度;q(Aj,k|Aj,k-1,zk)表示重要性密度函数;步骤S3.5:将各个粒子视作萤火虫群优化算法中的萤火虫,将各个粒子的权值视作萤火虫群优化算法中的萤火虫亮度;通过对萤火虫亮度进行排序,得到萤火虫亮度的最优值,由此得到全局最优值粒子;然后,计算出萤火虫群优化算法第κ次迭代时每个粒子j和全局最优值粒子之间的吸引度βj,k(κ)、第κ次迭代时第j个粒子和全局最优值粒子之间的笛卡尔距离rj,k(κ);计算公式如下:式中:β0表示最大吸引度,其值取常数1;γ表示空气对光的吸收率,其值取γ∈[0.110];τ(κ)表示萤火虫群优化算法第κ次迭代时的衰减因子;ψ表示设定的常数;Aj,k(κ)表示萤火虫群优化算法第κ次迭代时第j个粒子的位置;Amax,k(κ)表示萤火虫群优化算法第κ次迭代时全局最优值粒子的位置;Aj,k,(p)(κ)表示萤火虫群优化算法第κ次迭代时第j个粒子的空间坐标的第p个分量;Amax,k,(p)(κ)表示萤火虫群优化算法第κ次迭代时全局最优值粒子的空间坐标的第p个分量;d表示视觉-惯性紧耦合组合导航系统的状态维数;步骤S3.6:更新每个粒子j的位置,更新公式如下:Aj,k(κ+1)=e-u(κ)/u(κ-1)Aj,k(κ)+βj,k(κ)(Aj,k(κ)-Amax,k(κ))+α(rand-0.5);式中:α表示随机步长,且α∈[0,1];rand表示0至1的随机数;w(Aj,k(κ))表示萤火虫群优化算法第κ次迭代时第j个粒子的权值;w(Amax,k(κ))表示萤火虫群优化算法第κ次迭代时全局最优值粒子的权值;步骤S3.7:判断是否达到萤火虫群优化算法的迭代终止条件:当萤火虫群优化算法第κ次迭代时全局最优值粒子的权值w(Amax,k(κ))达到设定阈值或萤火虫...
【专利技术属性】
技术研发人员:李秀源,高文学,张加书,
申请(专利权)人:中北大学,
类型:发明
国别省市:山西,14
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。