本文详细探讨了无人机的视觉定位技术，包括相对视觉定位（RVL）和绝对视觉定位（AVL）。RVL主要关注帧到帧的匹配，如光流法和SLAM，而AVL侧重于在全局地图中定位无人机。模板匹配、特征点匹配和深度学习匹配是常见的图像匹配方法。尽管面临漂移问题、光照变化和模型复杂性等挑战，但特征点匹配（如ORB）和深度学习方法（如CNN）在提高定位精度方面显示出潜力。此外，集成AVL的视觉里程计（VO）也被提出以减少漂移。文章还提到了未来研究方向，如专用航空影像特征、嵌入式实现和超光谱AVL。
RVL（relative visual localization）
即帧到帧的匹配。包括VO和slam.
- VO、VIO: 光流法
- slam: 相比VO，增加了闭环检测和全局BA的特性，没有闭环的情况下就退化成了VO
RVL的主要问题是累计漂移，长距离航行需要漂移误差有界，而RVL解决不了这个问题。
AVL（absolute visual localization）
AVL的主要目标是根据无人机当前的观测，在地图中进行匹配，从而在地图中对自身位置进行定位。
现有的地图有两种：包括卫星地图和自行采集的地图
AVL的主要难点有两个：
- 如何减少在全局地图中匹配时的搜索空间
- 如何克服相机型号变化、四季变化导致的外观不一致问题
图象配准：
四种，包括：
- template matching（PC， NCC，MI）
- feature points matching（SURF ，SIFT，HOG， ORB， BRIEF）
- deep learning matching（DEEP-LK， VGG， UNET，cGAN，MSMT）
- visual odometry matching
template matching：
较早的工作，即密集匹配或者直接匹配，将无人机的观测作为模板在地图中进行匹配。
-
《Absolute localization usingimage alignment and particle filtering 2016》
NCC： normalized cross-correlation， 需要已知RGB相机的高度信息来指导模板尺寸
雅马哈直升机上测试，90 m×100 m， 误差 average 3.6 m ，maximum 12.5 m.
-
《Vision-basedabsolute localization for unmanned aerial vehicles, 2014》
相似性度量使用mutual information (MI)， 误差RMSE： 经纬度：6.56 m / 8.02 m ,高度 7.44
-
《Illumination-invariant imagematching for autonomous UAV localisation based on optical sensing 2016》
基于光度不变的相位相关（illumination invariant Phase Correlation）的定位方案。
PC: Phase Correlation 是一种基于傅立叶变换特性的模板匹配或图像对齐方法
两幅相似图像之间的变换变换会在频域内产生线性相位差, 该算法对太阳位置引起的光照变化基本不敏感。基于此，作者提出了一个基于卫星图像模板匹配的AVL方案。
关于PC，NCC，MI的性能对比：1.31 m for PC, 2.19 m for NCC and 3.08 m for MI.
-
《Visual Localization for UAVs in
最低0.47元/天 解锁文章
扫一扫
1212
到【灌水乐园】发言
