摘要
以无人机为典型代表的无人系统由于其机动性强的特点目前已被广泛应用于航拍和侦测等任务。然而，目前主流无人机的定位精度及鲁棒性极大受到全球导航卫星系统和惯性传感器的影响，而城市环境中高楼林立的客观现实导致无人机导航系统显著受到卫星信号拒止情况的影响。因此，无人机在城市环境中的导航定位和路径规划问题是本文研究的重点。为解决单纯惯性传感器积分误差累积问题，本文研究引入基于光学测量的视觉传感器获得局部位姿，与惯性设备融合来估计无人机状态。同时，部分应用场景，如夜晚和强光环境中，视觉传感器测量的鲁棒性也将受到极大的挑战。针对上述问题，本文基于主流的定位框架，提出了视觉-惯性-超宽带（Visual-Inertial-UWB，VIU）定位系统，提高定位的准确性和鲁棒性。此外，本文根据城市环境中路径规划的需求，在基于采样的路径规划算法基础上进行了改进。本文主要研究内容如下： 针对视觉、惯性和UWB传感器分别建立数据处理模型。首先，基于视觉信息进行图像处理，检测图像的Harris角点，使用LK金字塔光流法进行特征跟踪，使用随机抽样一致（RANdom SAmple Consensus，RANSAC）算法去除误匹配点对，构建基于视觉信息的图像处理模型。然后，建立惯性测量的预积分模型，推导预积分量的误差状态函数，避免积分量的重复计算，提高算法效率。最后，选择双向测距的定位方法，建立超宽带（Ultra Wide Band, UWB）的测量模型。 基于数据处理模型，在VINS-Mono算法的基础上，改进非线性优化算法，融合多传感器进行定位。首先给出了非线性优化的状态向量、目标函数、视觉约束和惯性约束，推导了初始化流程和滑动窗口算法步骤，接着提出了双层滑动窗口算法，通过长短窗口融合UWB约束，给出了新的状态向量。然后推导了UWB残差公式，一方面在长滑动窗口中加入测距残差，另一方面在短滑动窗口和长滑动窗口之间加入相对变换残差。最后使用EUROC数据集对算法有效性进行检验，以测试滑动窗口长度对轨迹误差的影响。 基于采样的路径规划算法，改进了Informed-RRT*（Informed-Rapidlyexploring random tree star）算法。针对路径搜索前期搜索范围过大的问题，采用扩张椭圆的策略，加入可变因子，提出了Rapid-Informed-RRT*算法，通过软件仿真实验和ROS环境的实验检验了改进算法的快速性和有效性。 在多传感器融合定位算法的基础上，建立无人机定位仿真平台。介绍基于ROS环境的多线程定位仿真程序的各个节点与功能。介绍实验使用的传感器和预处理方法,为定位仿真程序提供输入,然后,模拟城市环境中含视觉噪声、夜晚和强光场景,分组实验验证VIU定位算法的的抗干扰能力与定位鲁棒性。
NETL