一种基于图像匹配/惯导/里程计的车辆自主导航方法技术

本发明专利技术提供了一种基于图像匹配/惯导/里程计的车辆自主导航方法。在需要定位的地面车辆上配置一架装备了对地拍照相机的无人机；启动车载惯导/里程计组合导航系统，车辆在运动条件下由驾驶人员判断无人机是否具备起飞条件；如果具备起飞条件则UAV自主起飞并自主跟踪车辆，同时对地拍照并利用拍摄的实时图像和提前制作的基准图匹配，实现地面车辆的定位；得到定位结果后发送给车辆导航计算机进行数据融合；得到车辆定位结果后，无人机自主降落返回车辆。本发明专利技术提出了一种新的导航方案，利用无人机搭载航拍相机，将实时航拍图像与基准图库进行模板匹配，从而确定实时航拍图中车辆的地理坐标，将匹配定位结果修正惯导/里程计的组合导航误差。

【技术实现步骤摘要】
一种基于图像匹配/惯导/里程计的车辆自主导航方法
本专利技术涉及定位导航
，具体涉及一种基于图像匹配/惯导/里程计的车辆自主导航方法。
技术介绍
车辆定位常用的方法是基于卫星导航(GNSS)和惯性导航(INS)融合的导航方法。这种导航方法的缺陷是在GNSS信号受到干扰、遮挡或欺骗的情况下，组合导航系统的导航性能会显著下降，无法满足车辆导航需求。随着智能技术的发展，对不依赖外部信息的自主导航技术的需求不断增加，典型的应用包括无人车和军用特种车辆等。可以预计，未来无人车将广泛应用于物流、人员运输、巡逻和测绘等领域，在这些应用中，无人车的行驶区域复杂多变，由于GNSS信号的干扰、遮挡和惯性导航系统的误差累积等原因，如果采用传统的GNSS/INS组合导航则无法实现无人车在所有行驶区域的可靠导航，无人车与军用车辆的可靠导航有赖于自主导航系统的发展。自主导航系统，是指不依赖于系统外部的信号交互即可实现持续可靠导航的系统。车辆定位技术用于精确确定车辆所在位置的地理坐标，目前常用的车辆自主定位方法有惯性导航和里程计的组合导航，惯性导航、里程计和路标点的组合导航，以及惯导和视觉SLAM的组合导航等方法。下面分别讨论其在车辆自主导航中的应用情况。惯性导航和里程计的组合一般通过卡尔曼滤波实现，按照观测量的不同可分为以下三种方法。第一种方法通过里程计进行位置解算，并以里程计位置与惯性导航解算位置的差值作为卡尔曼滤波器的观测量。第二种方法以里程计解算得到的速度作为参考速度，并利用里程计速度和惯性导航解算的速度的差值作为卡尔曼滤波的观测量。第三种方法使用在特定的采样间隔内里程计解算的位置增量和惯导解算的位置增量的差值作为滤波观测量进行融合，避免了以速度误差作为观测量时可能存在随机误差放大的问题。通过里程计和惯性导航的融合，可以显著提升导航系统的性能，减缓导航误差的累积,但是由于里程计的测量信息中不包含绝对位置信息，组合导航系统的误差会由于里程计的测量误差和惯性传感器的漂移等问题随时间积累，同时考虑到车辆的打滑和运动耦合误差，系统的导航误差最终仍然会随时间发散。为了抑制惯性导航和里程计组合导航误差的发散，惯导、里程计和路标点的组合导航方案被提出，该方案通过车载相机、雷达等测距测角传感器测量点和线的几何关系建立角度和位置测量模型，并基于多状态约束卡尔曼滤波对惯导和里程计组合导航的积累误差进行修正。此方案的合理使用可以消除前面讨论的惯导和里程计组合导航的累积误差，但该方案的缺点是需要预先在特定位置设置路标点，路标点的建设和维护工作量巨大，并带来成本增加，难以推广应用。惯性导航和视觉SLAM组合导航系统通过视觉传感器对周边的环境进行感知来解算车辆的位置和姿态信息，并将解算的位置和姿态信息与惯导进行融合优化获得车辆最优的导航解。由车载相机获取周边物体的影像信息，通过多帧照片之间的匹配计算车辆相对于周边环境的位置和姿态，并与惯导系统通过滤波进行融合。基于滤波的数据融合方法鲁棒性高，计算复杂度低，但是无法用到全局信息对导航结果进行优化。基于此一种全局优化算法通过关键帧匹配技术，用一个统一的代价函数同时优化视觉和惯导的位姿信息，算法具有较高的精度和实时性。由于视觉SLAM导航是通过光学成像原理计算得到车辆与周围物体的相对位置，而非车辆的绝对地理坐标，所以视觉SLAM和惯导/里程计的融合导航会存在持续的误差累积。如果车辆的轨迹是闭合的，通过闭环检测可以消除这种累积误差，但是闭环检测的条件对车辆的运动轨迹进行了约束，对车辆行驶轨迹进行约束这在通常的车辆运动中是无法保证的。综上所述，急需一种基于图像匹配/惯导/里程计的车辆自主导航方法以解决现有技术中存在的问题。
技术实现思路
本专利技术目的在于提供一种基于图像匹配/惯导/里程计的车辆自主导航方法，旨在解决车辆自主导航常见方法精度较低，应用场景受限等问题。为实现上述目的，本专利技术提供了一种基于图像匹配/惯导/里程计的车辆自主导航方法，包括以下步骤：步骤一：在需要定位的地面车辆上配置一架装备了对地拍照相机的无人机；步骤二：启动车载惯导/里程计组合导航系统，车辆在运动条件下由驾驶人员判断无人机是否具备起飞条件；步骤三：如果具备起飞条件则UAV自主起飞并自主跟踪车辆，同时对地拍照并利用拍摄的实时图像和提前制作的基准图匹配，实现地面车辆的定位；步骤四：得到定位结果后发送给车辆导航计算机进行数据融合；步骤五：得到车辆定位结果后，无人机自主降落返回车辆。进一步地，步骤三中无人机对车辆自主跟踪控制的具体方法是：在UAV距离车辆大于10米时，采用基于UWB的技术对UAV进行控制；在UAV距离车辆距离小于10米时，采用基于嵌套二维码识别的技术对UAV进行控制。进一步地，基于嵌套二维码的UAV定位过程包括：A、在车顶部配置二维码图像，并标定出图像中特征点的位置坐标，B、通过UAV上的机载摄像机实时检测降落平台上的二维码标志获取UAV的相对位置和姿态信息；C、利用P3P算法进行定位解算，已知条件为二维码特征点A,B,C,D在二维码局部坐标系下的坐标，通过小孔成像原理和几何约束求解得到特征点A,B,C,D在相机坐标系XC,YC,ZC,下的坐标，构成了二维码坐标系与相机坐标系之间的转换，得到无人机相对车辆的位置和姿态。进一步地，无人机拍摄的实时图像与基准图像的匹配采用基于结构张量的异源图像快速匹配方法实现，包括张量提取、张量分析和张量匹配三个步骤。进一步地，所述张量提取的具体方法是：设原图像I大小为m×m像素，灰度矩阵为I(x,y),f是高斯滤波器，通过公式(2)计算得到图像水平x方向梯度gx和垂直y方向梯度gy；根据公式(2)计算图像结构张量T；对结构张量进行分解：λi和ei分别是二维矩阵T的特征值和特征向量，λ1-λ2代表张量的曲线显著性。进一步地，所述张量分析的具体方法是：将图像分为平坦区域Rf、平滑结构区域Rs和非平滑结构区域Rc；所述平坦区域对应图像中无纹理或纹理较弱的区域，计算过程如下：Rf＝{P|Trace(T)＜th,P∈I}(5)式中，th为设定阈值，I为图像所有像素；所述平滑结构区域对应图像的边缘部分，计算过程如下：Rs＝{P|λ1-λ2＞λ2,P∈I-Rf}(6)非平滑结构区域对应图像的角点或噪声严重的部分，计算过程如下：Rc＝{P|λ1-λ2≤λ2,P∈I-Rf}。(7)进一步地，所述张量匹配的具体方法是：用L1范数计算结构张量之间的差别来对基于结构张量的本征图像进行匹配；L1范数就是差的绝对值之和，计算公式如下：ti和ti′代表两幅图像上每个像素对应的结构张量的第i个元素，将实时图选出的模板在基准图中滑动，计算所有滑动匹配区域内所有像素点的L1并进行归一化，L1数值越小代表匹配程度越高，0代表区域最为相似，1代表最不相似区域。进一步地，数据融合采用卡本文档来自技高网...

【技术保护点】
1.一种基于图像匹配/惯导/里程计的车辆自主导航方法，其特征在于，包括以下步骤：/n步骤一：在需要定位的地面车辆上配置一架装备了对地拍照相机的无人机；/n步骤二：启动车载惯导/里程计组合导航系统，车辆在运动条件下由驾驶人员判断无人机是否具备起飞条件；/n步骤三：如果具备起飞条件则UAV自主起飞并自主跟踪车辆，同时对地拍照并利用拍摄的实时图像和提前制作的基准图匹配，实现地面车辆的定位；/n步骤四：得到定位结果后发送给车辆导航计算机进行数据融合；/n步骤五：得到车辆定位结果后，无人机自主降落返回车辆。/n

【技术特征摘要】
1.一种基于图像匹配/惯导/里程计的车辆自主导航方法，其特征在于，包括以下步骤：
步骤一：在需要定位的地面车辆上配置一架装备了对地拍照相机的无人机；
步骤二：启动车载惯导/里程计组合导航系统，车辆在运动条件下由驾驶人员判断无人机是否具备起飞条件；
步骤三：如果具备起飞条件则UAV自主起飞并自主跟踪车辆，同时对地拍照并利用拍摄的实时图像和提前制作的基准图匹配，实现地面车辆的定位；
步骤四：得到定位结果后发送给车辆导航计算机进行数据融合；
步骤五：得到车辆定位结果后，无人机自主降落返回车辆。


2.根据权利要求1所述的一种基于图像匹配/惯导/里程计的车辆自主导航方法，其特征在于，步骤三中无人机对车辆自主跟踪控制的具体方法是：在UAV距离车辆大于10米时，采用基于UWB的技术对UAV进行控制；在UAV距离车辆距离小于10米时，采用基于嵌套二维码识别的技术对UAV进行控制。


3.根据权利要求2所述的一种基于图像匹配/惯导/里程计的车辆自主导航方法，其特征在于，基于嵌套二维码的UAV定位过程包括：
A、在车顶部配置二维码图像，并标定出图像中特征点的位置坐标，
B、通过UAV上的机载摄像机实时检测降落平台上的二维码标志获取UAV的相对位置和姿态信息；
C、利用P3P算法进行定位解算，已知条件为二维码特征点A,B,C,D在二维码局部坐标系下的坐标，通过小孔成像原理和几何约束求解得到特征点A,B,C,D在相机坐标系XC,YC,ZC,下的坐标，构成了二维码坐标系与相机坐标系之间的转换，得到无人机相对车辆的位置和姿态。


4.根据权利要求1所述的一种基于图像匹配/惯导/里程计的车辆自主导航方法，其特征在于，无人机拍摄的实时图像与基准图像的匹配采用基于结构张量的异源图像快速匹配方法实现，包括张量提取、张量分析和张量匹配三个步骤。


5.根据权利要求4所述的一种基于图像匹配/惯导/里程计的车辆自主导航方法，其特征在于，所述张量提取的具体方法是：设原图像I大小为m×m像素，灰度矩阵为I(x,y),f是高斯滤波器，通过公式(2)计算得到图像水平x方向梯度gx和垂直y方向梯度gy；



根据公式(2)计算图像结构张量T；



对结构张量进行分解：



λi和ei分别是二维矩阵T的特征值和特征向量，λ1-λ2代表张量的曲线显著性。


6.根据权利要求4所述的一种基于图像匹配/惯导/里程计的车辆自主导航方法，其特征在于，所述张量分析的具体方法是：将图像分为平坦区域Rf、平滑结构区域Rs和非平滑结构区域Rc；
所述平坦区域对应图像中无纹理或纹理较弱的区域，计算过程如下：
Rf＝{P|Trace(T)＜th,P∈I}(5)
式中，th为设定阈值，I为图像所有像素；
所述平滑结构区域对应图像的边缘部分，计算过程如下：
Rs＝{P|λ...

【专利技术属性】
技术研发人员：韩松来，罗世林，芦佳振，罗世彬，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43