基于视觉和UWB融合的无人机相对导航方法及系统技术方案

本发明专利技术提供一种基于视觉和UWB融合的无人机相对导航方法及系统，涉及无人机技术领域，包括：首先通过目标无人机的图像得到目标无人机的中心坐标预测值，进一步得到目标无人机的方位角和高低角；然后获取相对距离信息，并进行计算得到实际相对距离；再根据方位角、高低角和实际相对距离进行计算，得到目标无人机的相对坐标；最后根据目标无人机的相对坐标对跟随无人机进行导航。本发明专利技术在无人机通信链路收到干扰情况下，能实现连续、高精度的无人机相对定位，继而实现导航。继而实现导航。继而实现导航。

【技术实现步骤摘要】
基于视觉和UWB融合的无人机相对导航方法及系统


[0001]本专利技术涉及无人机
，特别是涉及一种基于视觉和UWB融合的无人机相对导航方法及系统。

技术介绍

[0002]无人机蜂群执行任务需要根据任务协同、环境、性能等要求，实现编队队形的维持、变换、重构等控制，高精度的位置信息包含了无人机的三维空间分布，是实现队形控制的要素。通过稳定的通信链路获取高精度、高可靠、自主相对时空信息的能力，成为制约无人蜂群技术发展和应用的关键。
[0003]超宽带(UltraWide Band，简称UWB)、视觉等相对测量传感器，可实现完全自主的相对信息测量，UWB可测的节点间标量距离信息并可进行弱通信，通过阵列布局可测的相对方位，但对于机间距离大于100米的小型无人机集群编队，阵列式布局的UWB测得方位角误差较大，单目相机可以获得相对方位角，结合UWB和单目视觉的优点，是实现无人机蜂群相对定位优选技术算法。
[0004]专利CN114111645B所述的一种基于视觉检测的角度测量方法及系统，通过视觉检测的方法，对不垂直于视觉检测方向的待测量角进行距离检测，以得到实测角度。这种方法需要提前测得不垂直方向的距离，且距离测量对精度有较大影响。专利CN114993299B所述的一种基于超宽带的无人机辅助定位方法及系统,通过对测距和定位两个阶段的UWB进行优化，从而提升超宽带定位精度。这种方法需设置多个UWB传感器锚点，同时设置地面UWB基站，容易受到环境的限制，难以在未知环境中部署。

技术实现思路

[0005]本专利技术的目的在于提供一种基于视觉和UWB融合的无人机相对导航方法及系统，在无人机通信链路收到干扰情况下，能实现连续、高精度的无人机相对定位，继而实现导航。
[0006]一种基于视觉和UWB融合的无人机相对导航方法，其包括：
[0007]获取t时刻目标无人机的图像，根据t时刻目标无人机的中心坐标预测值进行特征匹配，得到匹配特征；
[0008]基于所述匹配特征，结合训练好的目标识别模型，在t时刻目标无人机的图像中进行目标识别，得到t时刻目标无人机的中心坐标实际值；
[0009]基于t时刻目标无人机的中心坐标实际值进行预测，得到t+1时刻目标无人机的中心坐标预测值；
[0010]基于t时刻目标无人机的中心坐标实际值，得到t时刻目标无人机在相机视线的方位角和高低角，公式如下：
[0011][0012]式中：[u0,v0]是物理坐标系原点在图像坐标系中的坐标，[u,v]为t时刻目标无人机在像素坐标系下的中心坐标实际值，q
β
为t时刻目标无人机在相机视线的方位角，q
α
为t时刻目标无人机在相机视线的高低角，dx为像面上每一个像素在x轴的物理尺寸，dy为像面上每一个像素在y轴的物理尺寸；
[0013]获取t时刻跟随无人机与目标无人机之间的相对距离信息，并进行计算，得到t时刻跟随无人机与目标无人机之间的实际相对距离；计算公式如下：
[0014][0015]式中：d
t
为t时刻跟随无人机与目标无人机之间的相对距离信息，d为t时刻跟随无人机与目标无人机之间的实际相对距离，d
e
为测距误差，error为标签信息传输的时间误差，c为光速；
[0016]基于t时刻目标无人机在相机视线的方位角、t时刻目标无人机在相机视线的高低角和t时刻跟随无人机与目标无人机之间的实际相对距离进行计算，得到t时刻目标无人机的相对坐标[x,y,z]；计算公式如下：
[0017][0018]式中：[x,y,z]为相机坐标系下，t时刻目标无人机的三轴坐标，即t时刻目标无人机的相对坐标；
[0019]基于t时刻目标无人机的相对坐标对跟随无人机进行导航。
[0020]优选地，基于设置在跟随无人机上的UWB相对距离检测模块获取t时刻跟随无人机与目标无人机之间的相对距离信息；
[0021]根据标签A发送消息的时间与标签B接收消息的时间之间的时间差得到第一延时T
reply
；
[0022]根据标签B发送消息的时间与标签A接收消息的时间之间的时间差得到第二延时T
round
；
[0023]根据第一延时和第二延时进行计算得到标签A与标签B之间的飞行时间，计算公式如下：
[0024][0025]式中：表示标签A与标签B之间的飞行时间；
[0026]根据标签A与标签B之间的飞行时间进行计算，得到标签信息传输的时间误差，计算公式如下：
[0027][0028]式中：e
A
表示标签A的时钟偏移，e
B
表示标签B的时钟偏移，T
prop
为消息在标签之间的飞行时间。
[0029]优选地，目标识别模型选用YOLOv3
‑
Darknet
‑
53网络模型。
[0030]优选地，定义多维状态向量x表征目标无人机的状态，如下式所示：
[0031][0032]式中：w为检测矩形框的宽度，h为检测矩形框的高度，为(u，v，w，h)的导数，表示检测矩形框的速度信息，初始值为0；
[0033]t时刻目标无人机的中心坐标预测值如下式：
[0034][0035]式中：X
t
为t时刻目标无人机的状态预测值，F为状态转移矩阵，X
t
‑1为t
‑
1时刻无人机的状态实际值，P
t
为t时刻的无人机的状态预测值与t时刻的无人机的状态实际值的误差协方差矩阵，P
t
‑1为t
‑
1时刻的无人机的状态预测值与t
‑
1时刻的无人机的状态实际值的误差协方差矩阵，T为转置，Q为过程噪声，Q
t
‑1为t
‑
1时刻的过程噪声。
[0036]优选地，基于卡尔曼滤波器，对t时刻目标无人机的中心坐标实际值进行预测，得到t+1时刻目标无人机的中心坐标预测值。
[0037]本专利技术还提供了一种基于视觉和UWB融合的无人机相对导航系统，其包括：
[0038]数据获取匹配模块，用于获取t时刻目标无人机的图像，并根据t时刻目标无人机的中心坐标预测值进行特征匹配，得到匹配特征；
[0039]目标识别模块，用于基于所述匹配特征，结合训练好的目标识别模型，在t时刻目标无人机的图像中进行目标识别，得到t时刻目标无人机的中心坐标实际值；
[0040]目标预测模块，用于基于t时刻目标无人机的中心坐标实际值进行预测，得到t+1时刻目标无人机的中心坐标预测值；
[0041]角度模块，用于基于t时刻目标无人机的中心坐标实际值，得到t时刻目标无人机在相机视线的方位角和高低角，公式如下：
[0042][0043]式中：[u0,v0]是物理坐标系原点在图像坐标系中的坐标，[u,v]为t时刻目标无人机在像素坐标系下的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉和UWB融合的无人机相对导航方法，其特征在于，其包括：获取t时刻目标无人机的图像，根据t时刻目标无人机的中心坐标预测值进行特征匹配，得到匹配特征；基于所述匹配特征，结合训练好的目标识别模型，在t时刻目标无人机的图像中进行目标识别，得到t时刻目标无人机的中心坐标实际值；基于t时刻目标无人机的中心坐标实际值进行预测，得到t+1时刻目标无人机的中心坐标预测值；基于t时刻目标无人机的中心坐标实际值，得到t时刻目标无人机在相机视线的方位角和高低角，公式如下：式中：[u0,v0]是物理坐标系原点在图像坐标系中的坐标，[u,v]为t时刻目标无人机在像素坐标系下的中心坐标实际值，q
β
为t时刻目标无人机在相机视线的方位角，q
α
为t时刻目标无人机在相机视线的高低角，dx为像面上每一个像素在x轴的物理尺寸，dy为像面上每一个像素在y轴的物理尺寸；获取t时刻跟随无人机与目标无人机之间的相对距离信息，并进行计算，得到t时刻跟随无人机与目标无人机之间的实际相对距离；计算公式如下：式中：d
t
为t时刻跟随无人机与目标无人机之间的相对距离信息，d为t时刻跟随无人机与目标无人机之间的实际相对距离，d
e
为测距误差，error为标签信息传输的时间误差，c为光速；基于t时刻目标无人机在相机视线的方位角、t时刻目标无人机在相机视线的高低角和t时刻跟随无人机与目标无人机之间的实际相对距离进行计算，得到t时刻目标无人机的相对坐标[x,y,z]；计算公式如下：式中：[x,y,z]为相机坐标系下，t时刻目标无人机的三轴坐标，即t时刻目标无人机的相对坐标；基于t时刻目标无人机的相对坐标对跟随无人机进行导航。2.根据权利要求1所述的基于视觉和UWB融合的无人机相对导航方法，其特征在于，基于设置在跟随无人机上的UWB相对距离检测模块获取t时刻跟随无人机与目标无人机之间的相对距离信息；根据标签A发送消息的时间与标签B接收消息的时间之间的时间差得到第一延时T
reply
；
根据标签B发送消息的时间与标签A接收消息的时间之间的时间差得到第二延时T
round
；根据第一延时和第二延时进行计算得到标签A与标签B之间的飞行时间，计算公式如下：式中：表示标签A与标签B之间的飞行时间；根据标签A与标签B之间的飞行时间进行计算，得到标签信息传输的时间误差，计算公式如下：式中：e
A
表示标签A的时钟偏移，e
B
表示标签B的时钟偏移，T
prop
为消息在标签之间的飞行时间。3.根据权利要求1所述的基于视觉和UWB融合的无人机相对导航方法，其特征在于，目标识别模型选用YOLOv3
‑
Darknet
‑
53网络模型。4.根据权利要求1所述的基于视觉和UWB融合的无人机相对导航方法，其特征在于，定义多维状态向量x表征目标无人机的状态，如下式所示：式中：w为检测矩形框的宽度，h为检测矩形框的高度，为(u，v，w，h)的导数，表示检测矩形框的速度信息，初始值为0；t时刻目标无人机的中心坐标预测值如下式：式中：X
t
为t时刻目标无人机的状态预测值，F为状态转移矩阵，X
t
‑1为t
‑
1时刻无人机的状态实际值，P
t
为t时刻的无人机的状态预测值与t时刻的无人机的状态实际值的误差协方差矩阵，P
t
‑1为t
‑
1时刻的无人机的状态预测值与t
‑
1时刻的无人机的状态实际值的误差协方差矩阵，T为转置，Q为过程噪声，Q
t
‑1为t
‑
1时刻的过程噪声。5.根据权利要求1所述的基于视觉和UWB融合的无人机相对导航方法，其特征在于，基于卡尔曼滤波器，对t时刻目标无人机的中心坐标实际值进行预测，得到t+1时刻目标无人机的中心坐标预测值。6.一种基于视觉和UWB融合的无人机相对导航系统，其特征在于，其包括：数据获取匹配模...

【专利技术属性】
技术研发人员：缪存孝，张贺，张云朋，叶文，张凌浩，李玉峰，郭彦腾，郑云海，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：