CN113485441B 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 (国网江苏省电力有限公司泰州供电分公司)_第1页
CN113485441B 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 (国网江苏省电力有限公司泰州供电分公司)_第2页
CN113485441B 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 (国网江苏省电力有限公司泰州供电分公司)_第3页
CN113485441B 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 (国网江苏省电力有限公司泰州供电分公司)_第4页
CN113485441B 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 (国网江苏省电力有限公司泰州供电分公司)_第5页
已阅读5页,还剩55页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

NavigationApproachforUAVAutono结合无人机高精度定位和视觉跟踪技术的本发明公开了结合无人机高精度定位和视2S11、利用载波相位差分定位提高GPS观测值精度,S13、利用扩展卡尔曼滤波器实现即时定位与地图构建算法与无人机自主导航系统的其中,所述载波相位差分定位由基准站与流动站组成,所2.根据权利要求1所述的结合无人机高精度定位和视觉跟踪技术的配网巡检方法,其特征在于,所述基于视觉信息的即时定位与地图构建算法采用特征提取与检测-即时定位与地图构建算法作为核心,所述特征提取与检测-即时定位与地图构建算法的实现包括以3.根据权利要求2所述的结合无人机高精度定位和视觉跟踪技术的配网巡检方法,其S133、根据简单模型的测试结果对扩展4.根据权利要求3所述的结合无人机高精度定位和视觉跟踪技术的配网巡检方法,其k-1k-1k-1)+Wk-1;k;3;k-15.根据权利要求4所述的结合无人机高精度定位和视觉跟踪技术的配网巡检方法,其6.根据权利要求5所述的结合无人机高精度定位和视觉跟踪技术的配网巡检方法,其特征在于,所述基于改进区域建议网络和透视模型实现无人机载前端目标跟踪与智能识7.根据权利要求6所述的结合无人机高精度定位和视觉跟踪技术的配网巡检方法,其;别为建议框和真实框,score(i,j,c)是特征图在(i,8.根据权利要求7所述的结合无人机高精度定位和视觉跟踪技术的配网巡检方法,其4定位技术GPS或可靠的输电线路跟踪识别技术。基于GPS自主导航的必要条件是在地面站、[0003]尽管GPS导航技术具有优良的性能,但巡检过程中无人机与输电线路之间的碰撞机巡检方式不能应用在高压电网的日常维护高分辨率SAR影像,采用CNN-YOLOv2和VGG级联的方式能从恶劣天气里准确识别出被大雪5[0019]S13、利用扩展卡尔曼滤波器实现即时定位与地图构建算法与无人机自主导航系[0025]进一步的,所述基于视觉信息的即时定位与地图构建算法采用特征提取即时定位与地图构建算法作为核心,所述特征提取与检测-即时定位与地图构建算法的实6网络(R-CNN)目标检测算法的基础上根据交并比注意力机制进行改进实现,所述透视模型gt分别为建议框和真实框,score(i,j,c)是特征图在(i,j,c7滤波器输出的位姿信息反馈到无人机飞行控制终端,以此调整飞行控制方式与飞行机制,[0053]图1是根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0054]图2根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方法[0055]图3根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方法[0056]图4根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方法[0057]图5根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方法[0058]图6根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方法[0059]图7根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方法[0060]图8根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方法[0061]图9根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方法[0062]图10根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0063]图11根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0064]图12根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0065]图13根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方8[0066]图14根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0067]图15根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0068]图16根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0069]图17根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0070]图18根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0071]图19根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0072]图20根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0073]图21根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0074]图22根据本发明实施例的结合无人机高精度定位和视觉跟踪技术的配网巡检方[0083]S13、利用扩展卡尔曼滤波器实现即时定位与地图构建算法与无人机自主导航系9[0091][(x1-x)2+(y1[0100]D=E(t)+E(t-t0)+6p⃞;[0101]E(t,)是系统初始模糊度,E(L在相邻历元之间的变化量小[0118]视觉SLAM常用的算法有ORB(OrientedFastandBrief)-SLAM,ORB-SLAM是基于[0131]设提取特征点数为N,则单位面积提取的特征点数为每一层分配的特征点数为pp地图做匹配则计算量会非常庞大,所以需要局部地图(其仅包含了距离当前拍摄图像较近个原则:[0175]本发明主要构建与无人机对应的EKF运动学模型,以及其传感器获取数据应用于无人机的运动学模型决定滤波器的性能。本发明采用的无人机模型状态数量主要参考ROS据构成状态向量的初始值和滤波器协方差矩阵[0226]本发明利用扩展卡尔曼滤波器算法将传统的无人机自主导航系统与SLAM相融[0238]本发明采用即来即算的扩展卡尔曼滤波器思路。标准卡尔曼滤波器框架中的H矩调整H矩阵时,只计算传感器输出的状态变量相关量,若在某一时刻更新m(非0)个状态向[0262]在改进的扩展卡尔曼滤波器方法的更新阶段,卡尔曼增益等变量都降维到6维矩矩阵Q和状态向量初值X0数据按照一定规定坐标系相对于相机坐标系的姿态旋转矩阵计[0278]上式中的是VPν的齐次坐标,式(57)中的xb是固定坐标系中与X轴平行的单位空输电线路位于塔中心偏上方处,因此可以在图像的右上角清晰地看到它们且其背景是蓝之间,这能保留更多的建议框,提高算法的精度。改进前的RPN架构,其分类任务采用[0300]另外为弥补速度慢的缺点,本方案采取输电塔实时跟踪和鲁棒检测相结合的方换避免复杂的矩阵求逆运算,KCF的优良特性使得网络对输电塔的跟踪精度高且计算成本残差的成熟网络结构,但考虑到精确像素级分割巨大的计算成本和繁重的人工标记工作,[0304]FCN由卷积网络和反褶积网络组成,在前向卷积部分采用VGG-16层网络进行多维[0305]VP检测方法是在FCNs生成的深灰色传输线区域内用线段检测器LSD识别输电线,航向投影到塔中心的水平距离是边界框宽度的2倍,无人机可以按照经验方向在输电线走廊中沿z型轨迹飞行。在正常巡检阶段无人机沿预期航向飞行,当探测跟踪视觉策略启用[0311]从表1EKF与RTK航迹坐标与设定航迹坐标测量误差中可以看出,表示使用融合数据的EKF得到航迹的坐标与设定轨迹的最大误差值和平均误差值均小于仅使用RTK导航的[0314]从图17的斜面轨迹运行的距离误差图像和表2斜面轨迹测量误差(与RTK对比)中所示的轨迹相似,所有的实际轨迹都符合预期结果。图22(b)显示了轨迹在高度方面的变

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论