摘要
多旋翼无人机凭借其灵活性和易操作性等优势，一经问世便被人们广泛用于军、民多个领域。在无人机自主导航应用中，光照挑战环境下的室内高精度定位仍是一个亟待解决的重要问题。针对这一问题，本文重点从改善光照鲁棒性与图像优化两方面，开展无人机常用的视觉里程计室内定位方法优化研究，并完成了仿真下的多航点飞行应用。 首先，本文介绍了相关的基础理论知识，包括三维空间运动表示、相机成像模型、畸变模型、非线性优化和位姿估计，为后续视觉里程计的优化研究提供了理论基础。 接着，本文设计了一种结合点线特征的双目视觉里程计。为了提高视觉里程计的光照鲁棒性，本文对比了传统基于梯度和基于深度学习的视觉特征点提取算法，并通过实验验证了基于深度学习的方法在光照变化情况下具有更强的泛化能力和鲁棒性。因此本文的视觉里程计采用深度学习的特征点提取方法。本文的视觉里程计包括包括特征关联匹配、特征三角化和后端光束平差优化等关键步骤。本文关联点特征和线特征，利用深度学习点特征匹配的光照鲁棒性辅助线特征进行匹配，实现了一种快速鲁棒的线特征匹配方法。本文的里程计利用普通帧与精确的关键帧之间进行位姿估计，来获得动态光照下定位的鲁棒性，并通过局部光束平差优化方法优化关键帧位姿。 此外，本文还设计了一种视觉前端优化算法，结合局部和全局的亮度分布信息来对照度分量进行伽马校正，并利用并行化等工程手段提高亮度校正算法的运行速度。在对低照度图片亮度校正实验中，本文的亮度校正算法较传统算法表现更优。为验证视觉前端优化算法的有效性，本文将视觉前端优化算法与双目视觉里程计结合，实验结果显示视觉前端优化算法有效提升了视觉里程计的精度和鲁棒性。 最后，为了全面评估和应用定位算法，本文通过使用AirSim和UE4平台，设计了一个视觉逼真的无人机仿真环境，其中包含多种光照情况。通过仿真实验验证了本文定位算法的光照鲁棒性和精度较主流的视觉里程计更优。并在仿真环境中结合飞控算法和轨迹优化算法，实现了定位算法在无人机多航点自主飞行中的应用。
NETL