随着无人机工业检测技术的发展,许多风力发电场逐渐开始采用搭载数码相机设备的多旋翼无人机来拍摄大型风力发电机表面的损伤情况。然而,现行的无人机巡检主要通过事先规划航点,并结合地面操作人员的操控来实现,使得巡检效率十分低下。同时,风电场强烈的电磁干扰常常会使靠近风机执行巡检任务的无人机全球定位系统(Global Positioning System,GPS)工作失效,严重影响无人机的精确定位。为了提高巡检无人机的工作效率,并提升定位系统的鲁棒性,本文研究并开发了综合点线特征的叶片巡检无人机视觉惯性定位系统。具体来说进行了如下研究:(1)考虑到室外环境光照对无人机视觉的影响,采用基于双目视觉的同时定位与建图技术(Simultaneous Localization and Mapping,SLAM)方法实现定位。针对无人机飞行过程中采集到的风力发电机图像的弱纹理特点,采用点特征和线特征结合的方法实现图像数据关联和跟踪定位任务。为了进一步提高特征匹配过程的精度和效率,对线特征提取算法采取一系列的过滤、合并和提速优化。(2)针对纯视觉系统在巡检无人机发生快速运动和纯旋转运动时的跟踪失败问题,将易于检测快速运动的惯性测量模块(Inertial Measurement Unit,IMU)信息引入视觉定位系统。建立IMU运动学模型,依据流形上的IMU预积分理论计算图像关键帧之间的IMU约束。(3)为了通过紧耦合的方式实现视觉、惯性传感器的信息融合,构建了基于图优化的非线性优化后端。选择系统有待求解的旋转、平移、路标点位置、路标线位置等作为状态变量。将点特征、线特征的重投影误差和IMU测量误差共同纳入图优化框架当中。选择对光照变化不敏感的空间直线进行线特征参数化。在重投影过程中采用直线的普吕克表达,在后端优化中采用Cayley表达,并推导了用于后端优化中的雅可比矩阵。(4)设计了室外定位实验。首先搭建了六旋翼无人机硬件平台,对传感器进行了标定和同步操作。进而规划出了软件系统整体框架。在定量实验部分,通过较易获得定位真值的移动机器人平台模拟无人机运动。在风电场中,采集包含各种情况的数据集,对算法的定位精度进行定量评估。实验结果验证了本文算法在风场环境下的精确性与适应性。进一步针对无人机进行飞行定位实验,定性地验证了算法在无人机风电巡检过程中的连续性与稳定性。说明本文系统有效地提升了风场巡检无人机的定位鲁棒性。本文实验中的地图构建结果表明,线特征的加入使系统获得了更加稠密、更加结构化的环境地图,这对于后续巡检的自主导航研究具有重要意义。