论文部分内容阅读
近年来,随着计算机控制技术、计算机视觉技术以及人工智能技术的飞速发展,不仅使得无人机从传统的军事领域逐步融入到民用领域的各个方面,而且在无人机的工作方式上也发生了巨大的变化,从以前传统的手动遥控方式到现在的完全自主化控制方式逐渐过渡。无人机的智能化与自主化发展离不开导航定位技术,传统的导航系统主要采用GPS的方式来实现;当无人机进入某些特殊环境作业时,易受到环境的干扰使得GPS信号变弱或者完全失效。为了弥补无人机基于GPS导航系统的不足,本文采用SLAM技术作为无人机的辅助导航方式。通过该技术无人机可以在没有外界信号提供的基础之上,实现周围环境地图的建立并且根据建立的环境地图来进行自身的定位。本文研究的内容是基于小型无人机单目视觉的SLAM技术。由于无人机在实际的飞行过程中是一种非平滑的运动方式,故不能采用输入控制命令的方式来预测下一时刻无人机的位姿,为此本文采用的方法是通过视觉里程计来估计下一时刻无人机的位姿。在视觉里程计的特征点提取过程中计算量非常大,本文采用实时性高的ORB算法作为图像特征点提取算法,加快图像特征点的提取速度。对于SLAM系统的算法优化部分选择了时间复杂度和空间复杂度均优于扩展卡尔曼滤波的稀疏扩展信息滤波算法;在基于无人机的SLAM系统中,系统对算法的实时性、无人机姿态估计精度及一致性方面都有更高的要求;为此在标准的稀疏扩展信息滤波SLAM技术的基础上提出了两种改进算法,首先是从稀疏化操作角度出发利用熵性质、综合当前以及下一观测时刻来选择与位姿关联性最弱的环境特征作为稀疏特征点,来提高算法的精度和一致性;然后是根据信息矩阵元素的稀疏性分布特点,利用三对角矩阵来快速求解在状态均值恢复过程中的求逆操作,来提高算法的计算效率。最后建立仿真三维环境模型,在三维环境当中预先设定好无人机的航行轨迹以及环境特征点,将改进的SEIF SLAM技术与标准的SEIF SLAM技术应用于仿真环境当中进行对比验证。仿真实验结果表明,基于熵性质的改进算法在位姿估计精度及一致性上相比标准算法有了明显的提高;基于三对角矩阵求逆的改进算法随着信息矩阵阶数逐渐增加,改进算法计算效率远快于标准算法。