一种大型无人机实时定位的误差补偿方法与流程

1.本发明涉及无人机定位技术领域，具体而言，涉及一种大型无人机实时定位的误差补偿方法。


背景技术：

2.无人机实时定位常采用机载pos系统直接传感器定向。一般情况下需要对机载gnss的偏心分量、惯导与相机的偏心角、相机内方位元素作出校正改正。虽然上述改正能大幅度提高定位精度，但是惯导的量测误差、gnss\imu的工作状态以及定位误差仍然制约着直接传感器定向的精度。这些系统误差在无人机执行远视距、小俯仰角的定位任务时影响尤为巨大。


技术实现要素：

3.本发明旨在提供一种大型无人机实时定位的误差补偿方法，以解决系统误差在无人机执行远视距、小俯仰角的定位任务时影响巨大的问题。
4.本发明提供的一种大型无人机实时定位的误差补偿方法，包括如下步骤：s1，获取无人机实时定位的误差数据集；s2，基于误差数据集构建误差模型；s3，应用所述误差模型；s4，更新所述误差模型。
5.进一步的，步骤s1包括如下子步骤：s11，设置检校场范围，获取检校场范围内基于卫星或无人机平台的高分辨率影像；s12，规划无人机飞行任务；s13，无人机飞行过程中使光电吊舱姿态周期性变化；s14，以固定间隔从光电吊舱相机拍摄的视频中取视频帧以及该视频帧时刻的遥测信息和该视频帧时刻前1s的遥测信息，取出视频帧集合i；s15，对于视频帧集合i中的每帧图像，根据pos数据解算图像中像元的地理位置并执行地理校正，获得新图像集合j；s16，使用高分辨率影像分别与新图像集合j中图像进行特征匹配并根据匹配结果给视频帧集合i中像元赋予精确的地理坐标，得到点集和点集；s17，对于视频帧集合i中第i幅图像，基于点集和点集提供的像元坐标和三维空间坐标，采用单像空间后方交会方法计算外方位元素，其线元素记为，其角元素转化为四元数后记为；重复上述过程，计算视频帧集合i中每幅图像的外方位元素；s18，建立位置误差数据集和姿态误差数据集：对于视频帧集合i中第i幅图像，根据其拍摄时刻和前1s时刻遥测信息计算经过偏心分量和偏心角修正的投影中心和四元数：
、、和；将、偏航角、gnss工作状态和相对于视频帧前1s的遥测信息解算的、偏航角、gnss工作状态作为自变量，作为因变量建立位置误差数据集；同理，将、各个姿态角、惯导工作状态和视频帧前1s的遥测信息解算的、各个姿态角、惯导工作状态作为自变量，作为因变量建立姿态误差数据集；重复上述过程，直到完成视频帧集合i中所有图像的计算，得到误差数据集。
6.进一步的，步骤s12中，无人机在检校场内围绕检校场中心o采用花瓣状飞行路线飞行。
7.进一步的，步骤s13中，无人机飞行过程中使光电吊舱姿态周期性变化是指光电吊舱方位角和俯仰角随时间t变化，表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，t为光电吊舱姿态变化的周期；t的取值不大于规划航线的预估飞行时间的；表示t除以t的余数；和分别表示光电吊舱的俯仰角的最小值和最大值；s为正整数，表示在t周期内，俯仰角以的周期变化。
8.进一步的，步骤s15包括：对于视频帧集合i中第i幅图像，根据pos数据采用直接传感器定向计算像点点集的地理坐标，得到点集；其中，像点点集，w为图像的宽度，h为图像的高度；由点集和点集建立二次多项式模型表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，x、y为点集的坐标；x、y为的坐标；a0、a1、a2、a3、a4、a5、b0、b1、b2、b3、b4、b5为待定系数，由最小二乘法求得；并利用二次多项式模型计算视频帧集合i中第i幅图像每一个像元的地理坐标，再进行灰度重采样得到新图像；重复上述步骤，将视频帧集合i中所有图像处理完，得到新图像集合j。
9.进一步的，步骤s16包括：对于新图像集合j中第i幅图像，根据其地理位置匹配到高分辨率影像的局部区域；以局部高分辨率影像和新图像集合j中第i幅图像为数据源执行特征匹配并使用ransac算法筛选出正确的匹配关系，将高分辨率影像和新图像集合j中的影像特征点点集分别记为、；
通过式(3)将点集、中点的像元坐标转换为地理坐标，记为点集和点集：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，a为高分辨率影像或新图像集合j中第i幅影像的仿射变换矩阵的齐次形式，x、y表示或的像元坐标，x、y表示地理坐标；将点集中每个点代入到二次多项式模型中计算每个点在视频帧集合i中第i幅图像的像元坐标，结果记为点集；对于点集中每一个点，将其地理坐标代入到高精度的dem中求取高程；将点集中每一个点的地理坐标和求取的高程组合形成三维空间坐标，结果记为点集；重复上述步骤，直到新图像集合j中所有图像处理完毕。
10.进一步的，步骤s2包括如下子步骤：s21，以基于遗传算法优化初始权重和阈值的bp神经网络作为误差模型；s22，将误差数据集标准化并打乱顺序按一定比例分为训练集和测试集；s23，利用遗传算法查找bp神经网络的初始权重和阈值；s24，根据步骤s23的初始权重和阈值初始化bp神经网络，将bp神经网络输出和因变量的平方和作为损失函数，通过输入训练集不断更新bp神经网络的权重值和阈值，得到误差模型；s25，根据误差模型在训练集和测试集上的表现，确定误差模型的预测精度、鲁棒性和收敛性；若误差模型表现欠佳，回到步骤s21调整bp神经网络的超参数。
11.进一步的，步骤s3包括如下子步骤：s31，计算当前时刻和前1s时刻遥测信息经过偏心分量和偏心角修正的投影中心、四元数：、、和；s32，将、偏航角、gnss工作状态和相对于视频帧前1s的遥测信息解算的、偏航角、gnss工作状态输入到位置误差模型中得到投影中心补偿值；同理，将、各个姿态角、惯导工作状态和视频帧前1s的遥测信息解算的、各个姿态角、惯导工作状态输入到姿态误差模型中得到四元数补偿值；s33，计算补偿后的投影中心s和四元数q：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，为补偿前的投影中心，为补偿前的四元数，为四元数加法；s34，根据投影中心s和四元数q确定任意像点的摄影光线方程，该摄影光线方程与地表的交点即为像点的地理坐标。
12.进一步的，步骤s4包括如下子步骤：s41，检校任务按照步骤s1获取误差数据集；日常飞行中按一定频率判断像主点坐
标是否落在高分辨率影像覆盖区域内，若是，通过执行步骤s14~s18获取误差数据集；s42，新的误差数据集数量累计达到预设数据量后，从原误差数据集中随机抽取与新的误差数据集相同数据量的数据，然后将抽取的数据与新的误差数据集共同组成新的训练集，通过将新的训练集输入原有误差模型进行训练的方式对原有误差模型进行更新。
13.综上所述，由于采用了上述技术方案，本发明的有益效果是：1. 本发明利用高分辨率影像解决了控制点问题，使得前期只需布设少量控制点，节省了工作量。由于后方交会时的像点的位置由特征匹配得到，整个过程实现了自动化。
14.2. 本发明的误差模型中充分考虑各个传感器的工作方式、工作状态和数据传输延时问题，对大型无人机实时定位的系统误差进行了准确的描述，通过机器学习的方式，结合具体无人机本身样本获取和训练，避免了传统通用模型和无人机系统匹配的误差问题，显著地提升了无人机的实时定位精度。
15.3. 本发明的定位技术在应急搜救和战场侦察中具有巨大优势，操作灵活多变，对地观测时飞机和载荷姿态不受限制，能够实现实时高精度定位。
16.4. 本发明升级维护简单。除检校任务外，飞机在执行日常飞行任务时便可积累数据，实时地自主学习提升模型的精度。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
18.图1为本发明实施例中大型无人机实时定位的误差补偿方法的流程图。
19.图2为本发明实施例中规划无人机飞行任务时以花瓣状飞行路线飞行的路线示意图。
具体实施方式
20.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
21.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.实施例如图1所示，本实施例提出一种大型无人机实时定位的误差补偿方法，包括如下步骤：s1，获取无人机实时定位的误差数据集：s11，设置检校场范围，获取检校场范围内基于卫星或无人机平台的高分辨率影
像；s12，规划无人机飞行任务：分别取集合中元素作为航高h，使无人机在检校场内围绕检校场中心o采用花瓣状飞行路线飞行。
23.如图2所示，无人机从检校场中心o出发，飞行到点a后按设定转弯半径转弯飞行到点b再回到点o完成oabo的半
‘8’
字飞行。然后沿bo方向飞行完成ofgo的半
‘8’
字飞行。以此类推，直到以方向飞行回到点o。完整的飞行路径为oabofgocdohaoefobcoghodeo。
24.s13，无人机飞行过程中使光电吊舱姿态周期性变化。
25.具体地，无人机飞行过程中使光电吊舱姿态周期性变化是指光电吊舱方位角和俯仰角随时间t变化，表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，t为光电吊舱姿态变化的周期；t的取值不大于规划航线的预估飞行时间的；表示t除以t的余数；和分别表示光电吊舱的俯仰角的最小值和最大值；s为正整数，表示在t周期内，俯仰角以的周期变化。
26.s14，以固定间隔从光电吊舱相机拍摄的视频中取视频帧以及该视频帧时刻的遥测信息和该视频帧时刻前1s的遥测信息，取出视频帧集合i。
27.具体地，遥测信息应包含飞机的位置、姿态角、光电吊舱姿态角、焦距信息等。
28.s15，对于视频帧集合i中的每帧图像，根据pos数据解算图像中像元的地理位置并执行地理校正，获得新图像集合j。
29.具体地，对于视频帧集合i中第i幅图像，根据pos数据采用直接传感器定向计算像点点集的地理坐标，得到点集。其中，，w为图像的宽度，h为图像的高度。
30.由点集和建立二次多项式模型：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，x、y为点集的坐标，x、y为的坐标，a0、a1、a2、a3、a4、a5、b0、b1、b2、b3、b4、b5为待定系数，由最小二乘法求得。
31.根据式(2)计算视频帧集合i中第i幅图像每一个像元的地理坐标，再进行灰度重采样得到新图像。
32.重复上述步骤，将视频帧集合i中所有图像处理完，得到新图像集合j。
33.s16，使用高分辨率影像分别与新图像集合j中图像进行特征匹配并根据匹配结果给视频帧集合i中像元赋予精确的地理坐标，得到点集和点集。
34.具体地，对于新图像集合j中第i幅图像，根据其地理位置匹配到高分辨率影像的局部区域。以局部高分辨率影像和新图像集合j中第i幅图像为数据源执行特征匹配并使用ransac(random sample consensus)算法筛选出正确的匹配关系，将高分辨率影像和新图像集合j中的影像特征点点集分别记为、。
35.通过以下公式将点集、中点的像元坐标转换为地理坐标，记为点集和点集：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，a为高分辨率影像或新图像集合j中第i幅影像的仿射变换矩阵的齐次形式，x、y表示或的像元坐标，x、y表示地理坐标。
36.将点集中每个点代入到式(2)中计算每个点在视频帧集合i中第i幅图像的像元坐标，结果记为点集。
37.对于点集中每一个点，将其地理坐标代入到高精度的dem(digital elevation model)中求取高程。将点集中每一个点的地理坐标和求取的高程组合形成三维空间坐标，结果记为点集。
38.重复上述步骤，直到新图像集合j中所有图像处理完毕。
39.s17，对于视频帧集合i中第i幅图像，基于点集和点集提供的像元坐标和三维空间坐标，采用单像空间后方交会方法计算外方位元素，其线元素记为，其角元素转化为四元数后记为。重复上述过程，计算视频帧集合i中每幅图像的外方位元素。
40.s18，建立位置误差数据集和姿态误差数据集。
41.具体地，对于视频帧集合i中第i幅图像，根据其拍摄时刻和前1s时刻遥测信息计算经过偏心分量和偏心角修正的投影中心和四元数：、、和。
42.将、偏航角、gnss工作状态和相对于视频帧前1s的遥测信息解算的、偏航角、gnss工作状态作为自变量，作为因变量建立位置误差数据集；同理，将、各个姿态角、惯导工作状态和视频帧前1s的遥测信息解算的、各个姿态角、惯导工作状态作为自变量，作为因变量建立姿态误差数据集。
43.重复上述过程，直到完成视频帧集合i中所有图像的计算，得到误差数据集。
44.s2，基于误差数据集构建误差模型：分别位置误差数据集和姿态误差数据集采用步骤s21~s25构建位置误差模型和姿态误差模型：s21，以基于遗传算法优化初始权重和阈值的bp神经网络作为误差模型。
45.bp神经网络超参数设置如下：隐藏层层数为一层，隐藏层初始数量通过经验公式确定，后续根据结果迭代调整。激活函数为sigmoid，优化方法为adam，学习率为0.01。输入层节点数根据误差数据集确定，输出层节点为3（位置误差模型）和4（姿态误差模型）。
46.s22，将误差数据集标准化并打乱顺序按一定比例(如7:3)分为训练集和测试集。
47.s23，利用遗传算法查找bp神经网络的初始权重和阈值。
48.s24，根据步骤s23的初始权重和阈值初始化bp神经网络，将bp神经网络输出和因变量的平方和作为损失函数，通过输入训练集不断更新bp神经网络的权重值和阈值，得到误差模型。
49.s25，根据误差模型在训练集和测试集上的表现，确定误差模型的预测精度、鲁棒性和收敛性。若误差模型表现欠佳，回到步骤s21调整bp神经网络的超参数。
50.s3，应用所述误差模型：s31，计算当前时刻和前1s时刻遥测信息经过偏心分量和偏心角修正的投影中心、四元数：、、和。
51.s32，将、偏航角、gnss工作状态和相对于视频帧前1s的遥测信息解算的、偏航角、gnss工作状态输入到位置误差模型中得到投影中心补偿值；同理，将、各个姿态角、惯导工作状态和视频帧前1s的遥测信息解算的、各个姿态角、惯导工作状态输入到姿态误差模型中得到四元数补偿值。
52.s33，计算补偿后的投影中心s和四元数q：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，为补偿前的投影中心，为补偿前的四元数，为四元数加法。
53.s34，根据投影中心s和四元数q确定任意像点的摄影光线方程，该摄影光线方程与地表的交点即为像点的地理坐标。
54.s4，更新所述误差模型：s41，检校任务按照步骤s1获取误差数据集；日常飞行中按一定频率判断像主点坐标是否落在高分辨率影像覆盖区域内，若是，通过执行步骤s14~s18获取误差数据集；s42，新的误差数据集数量累计达到预设数据量（如1000条误差数据集）后，从原误差数据集中随机抽取与新的误差数据集相同数据量的数据，然后将抽取的数据与新的误差数据集共同组成新的训练集，通过将新的训练集输入原有误差模型进行训练的方式对原有误差模型进行更新。模型训练方法与步骤s21相同，学习率调整为0.001。
55.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。