无人机飞控必看:ECI、ECEF和NED坐标系转换实战(附Python代码)

无人机坐标系定义与转换 介绍无人机/机器人/导弹等导航制导控制中所用到的各个坐标系及其转换关系 阅读详情

无人机飞控必看:ECI、ECEF和NED坐标系转换实战(附Python代码)

刚接触无人机飞控或者组合导航系统时,面对各种坐标系缩写——ECI、ECEF、NED、ENU——是不是感觉头都大了?你可能会想,不就是描述一个位置吗,为什么需要这么多套“语言”?更让人头疼的是,从IMU(惯性测量单元)读取的原始数据,到最终控制无人机平稳飞行的指令,中间必须经过一系列精确的坐标系转换。任何一个环节的疏忽,都可能导致定位漂移、姿态解算错误,甚至让无人机“找不着北”。

这篇文章就是为你准备的实战指南。我们不打算深究艰涩的理论推导,而是直接切入核心:如何用代码实现这些关键坐标系之间的转换。无论你是正在调试飞控的无人机开发者,还是处理传感器融合的自动驾驶工程师,亦或是想深入理解导航原理的爱好者,这里提供的思路和可直接运行的Python代码,都能帮你把抽象的概念落地为具体的工具。我们会从最基础的概念辨析开始,一步步构建转换链条,并讨论在实际飞控编程中可能遇到的“坑”和最佳实践。

1. 坐标系核心概念:不只是名字不同

在开始写代码之前,我们必须清晰地理解每个坐标系的定义、用途以及它们之间的根本区别。混淆坐标系是导航算法中最常见的错误源头之一。

1.1 ECI:宇宙中的静止标尺

地心惯性坐标系,简称ECI。你可以把它想象成一把固定在遥远恒星背景下的尺子,它的原点在地球质心,但坐标轴方向在太空中是固定不动的,不参与地球的自转。

  • Z轴:指向北极星方向(与地球自转轴对齐)。
  • X轴:指向春分点方向(天球赤道与黄道的一个交点)。
  • Y轴:与X、Z轴构成右手直角坐标系。

ECI的核心价值在于它是惯性传感器(如陀螺仪、加速度计)的“母语”。陀螺仪测量的角速度,是相对于惯性空间的转动;加速度计测量的比力,也包含了地球自转带来的牵连加速度。因此,在惯性导航解算的核心——姿态更新和速度/位置积分——通常先在ECI框架下进行,因为这里的牛顿力学公式形式最简单。

注意:ECI坐标系虽然“固定”,但由于岁差、章动等天文现象,其坐标轴指向有精确定义(如J2000历元)。在大多数无人机和近地应用场景中,我们可以忽略这些微小变化,使用一个固定的ECI框架。

1.2 ECEF:跟着地球一起转动的网格

地心地固坐标系,简称ECEF。这个坐标系牢牢“粘”在地球上,随着地球一起自转。它的原点同样在地球质心。

  • Z轴:指向协议地球北极(与ECI的Z轴大致相同,但存在极移微小差异)。
  • X轴:指向本初子午线(0度经度)与赤道的交点。
  • Y轴:与X、Z轴构成右手直角坐标系,指向东经90度方向。

ECEF是我们表达绝对地理位置最常用的坐标系。例如,GPS接收机输出的经纬高(LLA)可以很方便地转换为ECEF直角坐标 (X, Y, Z)。所有基于地图的定位、路径规划,其底层数据通常都以ECEF或与之等效的投影坐标形式存储。

ECI与ECEF的关键区别就在于那个“转动”。假设一颗静止在ECI空间中的卫星,在ECEF坐标系看来,它正在以地球自转的角速度向西运动。这个相对运动,正是我们进行坐标转换时需要精确补偿的。

1.3 NED:我们脚下的“前后左右”

北-东-地坐标系,简称NED,是一种当地导航坐标系。它的原点位于载体(无人机)当前所在点,坐标轴方向由当地的地理方向决定:

  • X轴 (North):指向地理北向。
  • Y轴 (East):指向地理东向。
  • Z轴 (Down):指向地心(即当地重力方向)。

NED坐标系是动坐标系,它的原点和轴向随着载体的运动而时刻变化。它极其直观,因为我们人类习惯用“朝北偏东30度飞行”、“下降速率2米/秒”来描述运动,这些描述本质上就是NED坐标系下的向量。飞控中的期望航向角、风速矢量、位置误差等,大多在NED系下表达和计算。

另一种常见的当地坐标系是ENU(东-北-天),其Z轴向上。在航空和无人机领域,NED更为普遍,因为高度通常定义为“负的向下距离”,这与许多气压计和高度传感器的输出习惯一致。

为了更清晰地对比,我们用一个表格来总结:

特性ECI (地心惯性系)ECEF (地心地固系)NED (当地导航系)
原点地球质心地球质心载体当前位置
轴向固定于惯性空间固联于地球,随地球自转由当地地理北、东、地垂线定义
是否转动否是 (角速度=地球自转角速度)是 (随载体平动和转动)
主要用途惯性导航解算、描述卫星轨道表达绝对地理坐标、GPS数据描述载体相对地面的速度、姿态、控制指令
直观性低中高

2. 构建转换链条:从理论到公式

理解了每个坐标系的含义后,我们需要用数学语言描述它们之间的关系。转换的核心是旋转矩阵和平移向量。我们将构建一个从ECI到NED的完整转换路径:ECI -> ECEF -> NED。

2.1 第一步:ECI 到 ECEF

这个转换纯粹是一个旋转,旋转轴是Z轴,旋转角度是地球自转的角度。假设地球自转角速度为 ω_e(约 7.292115e-5 rad/s),从某一参考时刻 t0 到当前时刻 t 的旋转角度为:

[ \theta = \omega_e \cdot (t - t_0) ]

那么,从ECI系到ECEF系的旋转矩阵 R_eci_to_ecef 为:

import numpy as np

def rotation_matrix_eci_to_ecef(t: float, t0: float = 0.0) -> np.ndarray:
    """
    计算从ECI到ECEF的旋转矩阵。
    
    参数:
        t: 当前时间 (秒)
        t0: 参考时间 (秒),通常为UTC时间的某个历元,简化时可为0
    
    返回:
        R_eci_to_ecef: 3x3 旋转矩阵
    """
    omega_e = 7.292115146706979e-5  # 地球自转角速度 (rad/s)
    theta = omega_e * (t - t0)
    
    cos_t = np.cos(theta)
    sin_t = np.sin(theta)
    
    R = np.array([
        [cos_t,  sin_t, 0],
        [-sin_t, cos_t, 0],
        [0,      0,     1]
    ])
    return R

有了旋转矩阵,一个在ECI系中的向量 v_eci 转换到ECEF系就是: v_ecef = R_eci_to_ecef @ v_eci 对于位置矢量 p,转换公式相同,因为ECI和ECEF原点重合。

2.2 第二步:ECEF 到 经纬高 (LLA)

在转到NED之前,我们通常需要知道载体在ECEF中的位置 (X, Y, Z) 对应的经纬高 (lat, lon, alt)。这是一个大地测量学问题,涉及地球椭球模型(如WGS-84)。下面是一个常用的迭代算法:

# WGS-84 椭球参数
WGS84_A = 6378137.0          # 长半轴 (米)
WGS84_E2 = 6.6943799901377997e-3  # 第一偏心率平方

def ecef_to_lla(x: float, y: float, z: float) -> tuple:
    """
    将ECEF直角坐标 (X, Y, Z) 转换为经纬高 (lat, lon, alt)。
    使用WGS-84椭球模型。
    
    返回:
        (latitude, longitude, altitude) 单位: 弧度, 弧度, 米
    """
    # 计算经度
    lon = np.arctan2(y, x)
    
    # 迭代计算纬度和海拔
    p = np.sqrt(x*x + y*y)
    lat = np.arctan2(z, p * (1 - WGS84_E2))  # 初始估计
    alt = 0.0
    for _ in range(10):  # 通常迭代5-10次即可收敛
        N = WGS84_A / np.sqrt(1 - WGS84_E2 * np.sin(lat)**2)
        alt_old = alt
        alt = p / np.cos(lat) - N
        lat = np.arctan2(z, p * (1 - WGS84_E2 * (N / (N + alt))))
        if np.abs(alt - alt_old) < 1e-6:
            break
    return lat, lon, alt

2.3 第三步:ECEF 到 NED

这是最关键的一步。我们需要构建一个旋转矩阵,将ECEF系下的向量,转换到以当前位置为原点的NED系。这个矩阵依赖于当地的经纬度 (lat, lon)。

从ECEF到NED的转换可以分解为:

  1. 将向量平移到当地原点(即减去载体ECEF位置)。
  2. 进行旋转:先绕Z轴旋转 (lon + π/2),再绕新的Y轴旋转 (π/2 - lat)。

其旋转矩阵 R_ecef_to_ned 的推导结果如下:

def rotation_matrix_ecef_to_ned(lat: float, lon: float) -> np.ndarray:
    """
    计算从ECEF到当地NED坐标系的旋转矩阵。
    
    参数:
        lat: 纬度 (弧度)
        lon: 经度 (弧度)
    
    返回:
        R_ecef_to_ned: 3x3 旋转矩阵
    """
    sin_lat = np.sin(lat)
    cos_lat = np.cos(lat)
    sin_lon = np.sin(lon)
    cos_lon = np.cos(lon)
    
    R = np.array([
        [-sin_lat*cos_lon, -sin_lat*sin_lon,  cos_lat],
        [        -sin_lon,          cos_lon,        0],
        [-cos_lat*cos_lon, -cos_lat*sin_lon, -sin_lat]
    ])
    return R

因此,将一个ECEF系中的位置或速度向量 v_ecef 转换到以 p_ecef 为原点的NED系,公式为: v_ned = R_ecef_to_ned(lat, lon) @ (v_ecef - p_ecef)

3. 实战代码:一个完整的坐标转换类

现在,我们把所有步骤整合到一个Python类中,并增加反向转换(NED到ECEF,ECEF到ECI)的功能,使其成为一个实用的工具。

import numpy as np
from dataclasses import dataclass
from typing import Tuple, Optional

@dataclass
class LLACoordinate:
    """经纬高坐标容器"""
    lat: float  # 纬度,弧度
    lon: float  # 经度,弧度
    alt: float  # 海拔高度,米

class CoordinateTransformer:
    """
    坐标系转换工具类 (ECI <-> ECEF <-> LLA <-> NED)。
    默认使用WGS-84椭球参数。
    """
    
    # WGS-84 常量
    A = 6378137.0
    E2 = 6.6943799901377997e-3
    OMEGA_E = 7.292115146706979e-5  # rad/s
    
    def __init__(self, ref_time: float = 0.0):
        """
        初始化转换器。
        
        参数:
            ref_time: ECI与ECEF对齐的参考时间(秒)。通常取UTC时间的某个历元,
                      简化应用中可以设为0,此时t表示自对齐时刻起的秒数。
        """
        self.ref_time = ref_time
    
    def eci_to_ecef(self, p_eci: np.ndarray, t: float) -> np.ndarray:
        """将ECI位置/向量转换到ECEF系。"""
        R = self._get_eci_to_ecef_rotation(t)
        return R @ p_eci
    
    def ecef_to_eci(self, p_ecef: np.ndarray, t: float) -> np.ndarray:
        """将ECEF位置/向量转换到ECI系。"""
        R = self._get_eci_to_ecef_rotation(t).T  # 逆旋转即转置
        return R @ p_ecef
    
    def ecef_to_lla(self, p_ecef: np.ndarray) -> LLACoordinate:
        """ECEF直角坐标转经纬高。"""
        x, y, z = p_ecef
        lon = np.arctan2(y, x)
        p = np.sqrt(x*x + y*y)
        lat = np.arctan2(z, p * (1 - self.E2))
        alt = 0.0
        for _ in range(10):
            N = self.A / np.sqrt(1 - self.E2 * np.sin(lat)**2)
            alt_old = alt
            alt = p / np.cos(lat) - N
            if p == 0:
                lat = np.pi/2 if z > 0 else -np.pi/2
                break
            lat = np.arctan2(z, p * (1 - self.E2 * (N / (N + alt))))
            if np.abs(alt - alt_old) < 1e-9:
                break
        return LLACoordinate(lat, lon, alt)
    
    def lla_to_ecef(self, lla: LLACoordinate) -> np.ndarray:
        """经纬高转ECEF直角坐标。"""
        sin_lat = np.sin(lla.lat)
        cos_lat = np.cos(lla.lat)
        sin_lon = np.sin(lla.lon)
        cos_lon = np.cos(lla.lon)
        
        N = self.A / np.sqrt(1 - self.E2 * sin_lat**2)
        x = (N + lla.alt) * cos_lat * cos_lon
        y = (N + lla.alt) * cos_lat * sin_lon
        z = (N * (1 - self.E2) + lla.alt) * sin_lat
        return np.array([x, y, z])
    
    def ecef_to_ned(self, 
                    target_ecef: np.ndarray, 
                    origin_lla: LLACoordinate) -> np.ndarray:
        """
        将目标点在ECEF系的坐标,转换到以原点经纬高定义的NED系。
        
        参数:
            target_ecef: 目标点的ECEF坐标 (3,)
            origin_lla:  NED坐标系原点的经纬高
        
        返回:
            ned_vector: 目标点相对于原点的NED坐标 [North, East, Down]
        """
        origin_ecef = self.lla_to_ecef(origin_lla)
        delta_ecef = target_ecef - origin_ecef
        R = self._get_ecef_to_ned_rotation(origin_lla.lat, origin_lla.lon)
        return R @ delta_ecef
    
    def ned_to_ecef(self, 
                    ned_vector: np.ndarray, 
                    origin_lla: LLACoordinate) -> np.ndarray:
        """
        将NED系中的向量,转换到ECEF直角坐标。
        
        参数:
            ned_vector: NED系中的向量 [North, East, Down]
            origin_lla: NED坐标系原点的经纬高
        
        返回:
            target_ecef: 目标点在ECEF系的绝对坐标
        """
        origin_ecef = self.lla_to_ecef(origin_lla)
        R = self._get_ecef_to_ned_rotation(origin_lla.lat, origin_lla.lon).T
        delta_ecef = R @ ned_vector
        return origin_ecef + delta_ecef
    
    def _get_eci_to_ecef_rotation(self, t: float) -> np.ndarray:
        """计算ECI到ECEF的旋转矩阵。"""
        theta = self.OMEGA_E * (t - self.ref_time)
        cos_t, sin_t = np.cos(theta), np.sin(theta)
        return np.array([[cos_t, sin_t, 0],
                         [-sin_t, cos_t, 0],
                         [0, 0, 1]])
    
    @staticmethod
    def _get_ecef_to_ned_rotation(lat: float, lon: float) -> np.ndarray:
        """计算ECEF到当地NED的旋转矩阵。"""
        slat, clat = np.sin(lat), np.cos(lat)
        slon, clon = np.sin(lon), np.cos(lon)
        return np.array([
            [-slat*clon, -slat*slon,  clat],
            [    -slon,       clon,      0],
            [-clat*clon, -clat*slon, -slat]
        ])


# 使用示例
if __name__ == "__main__":
    transformer = CoordinateTransformer(ref_time=0.0)
    
    # 示例1: 已知无人机当前ECEF位置和速度,求NED系下的速度
    drone_ecef = np.array([-2697666.0, -4292602.0, 3855276.0])  # 近似北京附近
    drone_lla = transformer.ecef_to_lla(drone_ecef)
    print(f"无人机位置: 纬度={np.degrees(drone_lla.lat):.6f}°, "
          f"经度={np.degrees(drone_lla.lon):.6f}°, 海拔={drone_lla.alt:.2f}m")
    
    # 假设无人机在ECEF系中的速度向量 (米/秒)
    v_ecef = np.array([25.0, -15.0, 0.5])
    v_ned = transformer.ecef_to_ned(drone_ecef + v_ecef, drone_lla)  # 计算目标点再转换
    # 更直接的方法:速度是位置的时间导数,旋转矩阵对速度向量同样适用
    v_ned_direct = transformer._get_ecef_to_ned_rotation(drone_lla.lat, drone_lla.lon) @ v_ecef
    print(f"NED系速度 (直接法): North={v_ned_direct[0]:.2f}, "
          f"East={v_ned_direct[1]:.2f}, Down={v_ned_direct[2]:.2f} m/s")
    
    # 示例2: 给定一个NED系下的相对位移,计算目标点的ECEF坐标
    relative_ned = np.array([1000.0, 500.0, -50.0])  # 北1km, 东500m, 上升50m
    target_ecef = transformer.ned_to_ecef(relative_ned, drone_lla)
    print(f"目标点ECEF坐标: {target_ecef}")

这个 CoordinateTransformer 类封装了所有核心转换,并使用了 dataclass 来清晰管理经纬高数据。在实际飞控系统中,你可以将其集成到导航解算模块中。

4. 飞控开发中的关键考量与避坑指南

有了转换代码,并不代表就能在工程中高枕无忧。在实际的飞控开发中,以下几个问题必须仔细处理,否则会导致难以调试的错误。

4.1 时间同步与历元处理

时间戳是转换的基石。ECI到ECEF的转换严重依赖于精确的时间 t。这个 t 必须是协调世界时,并且与你的传感器数据(如IMU采样、GPS时间戳)严格同步。

  • 时间源:通常使用GPS接收机提供的UTC时间。确保你的系统有一个可靠、单调递增的时间基准。
  • ref_time 的选择:代码中的 ref_time 是ECI与ECEF坐标轴对齐的时刻。在简化模型中,我们可以设 ref_time = 0,并将 t 理解为从启动或某个任务开始经过的秒数。但对于需要与外部标准数据(如星历)对齐的高精度应用,ref_time 必须设置为一个明确的历元(如UTC时间的某个整秒)。
  • 处理闰秒:UTC存在闰秒,而大多数导航系统使用不包含闰秒的GPS时间或TAI时间。对于消费级无人机,忽略闰秒影响不大;但对于高精度或长航时应用,需要建立正确的时间转换表。

4.2 地球模型与精度权衡

我们一直使用WGS-84椭球模型。这是一个很好的平衡,但对于不同应用,需要考虑:

  • 球形近似:在精度要求不高或计算资源极其有限的场合(如某些嵌入式飞控),有时会使用地球半径固定的球形模型。这会简化 ecef_to_lla 和 lla_to_ecef 的计算,但会引入位置误差(可达几十公里)。
  • 更高精度模型:对于专业测绘或航天应用,可能需要使用更复杂的椭球模型(如GRS80)甚至大地水准面模型(EGM96)来将椭球高转换为正高(海拔高)。这需要额外的数据文件和计算。

在飞控中,强烈建议始终使用WGS-84模型,除非有极其特殊的限制。它的精度对于所有无人机应用都绰绰有余。

4.3 姿态表示的连锁转换

本文主要讨论了位置和速度向量的坐标系转换。但在飞控中,姿态(方向)的转换同样重要,且更为复杂。

姿态通常用四元数、旋转矩阵或欧拉角表示。当无人机从一点飞到另一点,其机体系(b系)到NED系的姿态矩阵 R_b_to_ned 需要更新。这个更新依赖于:

  1. 地理位置变化:从旧的 (lat, lon) 到新的 (lat, lon),NED系本身的指向发生了变化(因为北向和东向的定义线是曲线)。这个变化体现在 R_ecef_to_ned 矩阵的不同。
  2. 机体自身旋转:由陀螺仪测量的角速度积分得到。

因此,完整的姿态更新流程往往是:

  • 在ECI或ECEF系下进行基于陀螺仪的姿态积分(避免科氏力等复杂项)。
  • 将积分后的姿态,结合当前最新的位置,转换到NED系下表达,供控制律使用。

这是一个更高级的话题,涉及到导航力学方程,但核心离不开本文所述的坐标系转换原理。

4.4 性能优化与代码集成

在实时飞控循环中,频繁调用三角函数 sin, cos 和 arctan2 进行坐标转换可能成为性能瓶颈。

  • 查表法:对于固定经纬度基站的转换,可以预先计算好 R_ecef_to_ned 矩阵并存储。
  • 增量更新:如果无人机移动缓慢,可以每隔多个导航周期(如1秒)才重新计算一次旋转矩阵,期间假设NED系方向不变。
  • 使用高效数学库:在Python中可以使用NumPy的向量化运算。在C/C++嵌入式环境中,可以考虑使用优化过的数学函数库,或利用处理器自带的浮点运算单元和三角函数指令。

将坐标转换模块设计为状态机是一个好习惯。它内部维护当前的最佳估计位置(ECEF和LLA),对外提供接口如 update_position_lla(lat, lon, alt) 和 get_ned_vector_from_ecef(target_ecef)。当位置更新时,类内部自动重新计算相关的旋转矩阵和参数,避免重复计算。

调试时,一个非常有效的技巧是进行闭环验证:将一个已知的LLA坐标转换为ECEF,再转换回LLA,检查误差是否在可接受范围内(通常应远小于1毫米)。同样,对NED和ECEF的转换也应做往返测试。这能快速定位是公式错误、编码错误还是数值精度问题。

最后,记得坐标系转换是导航的“基础设施”,它的正确性高于一切。在飞控代码中,为这些转换函数编写完善的单元测试,用已知的参考点(如机场坐标、标准测试向量)进行验证,是保证系统可靠性的必要步骤。当你看到无人机准确地沿着预定航线飞行时,背后正是这些精确而优雅的数学公式在默默支撑。

四旋翼无人机姿态控制及坐标系转换和GPS数据解析 四旋翼无人机姿态控制及坐标系转换和GPS数据解析引言四旋翼无人机在农业、测绘、影视拍摄等领域发挥着重要作用。其控制精度直接关系到任务的执行效果。本文主要介绍四旋翼无人机的姿态控制,坐标系转换以及GPS数据的解析。1.1 姿态控制算法常见的姿态控制算法有PID控制、LQR控制等。这里以PID控制为例介绍。假设我们希望无人机达到一定的目标滚转角、目标俯仰角和目标航向角,我们可以通过PID控制器计算出四个电机应该提供的推力。这里,K_p 是比例增益,error 是目标值和实际值之间的差。 阅读详情

相关推荐

无人机实验平台(七) 实验平台的坐标转换(上)

为什么要做坐标转换?

feilongzzz的博客 2634

无人机——像素坐标系转世界坐标系(NED)

在无人机下,将某个点从像素坐标系转换到世界坐标系,详细推导

qq_45088942的博客 1万+

无人机导航必看:ECI、ECEF和NED坐标系转换实战(附Python代码)

本文详细解析了无人机导航中ECI、ECEF和NED坐标系的核心原理及转换方法,并提供了实用的Python代码实现。通过深入理解这些坐标系的特点和应用场景,开发者可以解决GPS数据对接、姿态解算偏差等常见问题,提升无人机导航系统的精度和可靠性。文章还涵盖了坐标系转换的数学基础、实战优化技巧及多传感器数据融合的高级应用。

weixin_30352645的博客 471

无人机常用坐标系、旋转矩阵、欧拉角、四元数以及相互转换关系

这里写目录标题一、坐标系1. 地心惯性坐标系OXiYiZiOX_iY_iZ_iOXi​Yi​Zi​(i(i(i系)2. 地球坐标系OXeYeZeOX_eY_eZ_eOXe​Ye​Ze​(eee系)3. 地理坐标系OXgYgZgOX_gY_gZ_gOXg​Yg​Zg​(ggg系)4. 载体坐标系OXbYbZbOX_bY_bZ_bOXb​Yb​Zb​(bbb系)5. 平台坐标系OXpYpZpOX_pY_pZ_pOXp​Yp​Zp​(ppp系)6. 导航坐标系OXnYnZnOX_nY_nZ_nOXn​Yn​Zn​

曾记否@ 1万+

无人机导航必备:5分钟搞懂ECI、ECEF和NED坐标系转换(附Python代码)

本文详细解析了无人机导航中ECI、ECEF和NED三大坐标系的核心区别与转换方法,并提供了实用的Python代码实现。通过清晰的数学原理和实际应用案例,帮助开发者快速掌握坐标系转换技巧,优化无人机航迹规划和飞控系统开发。

weixin_29275257的博客 293

无人机避障——4DMmvRadar三维点云坐标转换到无人机坐标系(三)

无人机避障——4DMmvRadar三维点云坐标转换到无人机坐标系(三)

weixin_45390670的博客 1870

无人机运动学控制中的坐标系,及惯性坐标系与机体坐标系之间的矩阵转换 欧拉角

一、无人机控制中的坐标系 无人机运动学中,有三种需要了解的坐标系 1.1、地球中心坐标系(ECEF) 地球中心坐标系,即坐标系原点位于地心。X轴通过格林尼治线和赤道线的交点,正方向为原点指向交点方向。 Z轴通过原点指向北极。 Y轴与X,Z轴构成右手坐标系。 而将该坐标系下的点,用GPS坐标表示出来即为WGS-84坐标系,其中在WGS-84坐标系中,X轴指向BIH(国际时间服务机构)19...

国庆的博客 3万+

PX4无人机控制坐标系基本概念

PX4无人机控制坐标系基本概念

qq_37410522的博客 4867

博客摘录「 地心地固坐标系(ECEF)与站心坐标系(ENU)的转换」2024年4月24日

weixin_47370798的博客 179

ENU坐标系实战:5分钟搞定无人机导航中的站心坐标转换

本文详细介绍了ENU(东北天)坐标系在无人机导航中的站心坐标转换实战应用。通过简化复杂的数学推导,提供轻量化的坐标转换方案,帮助开发者快速实现GPS经纬度到本地相对位置的转换,提升无人机导航精度和计算效率。

weixin_30772105的博客 66

深度学习赋能胶囊内镜:AI如何实现胃肠道出血的自动检测与分割

在计算机视觉领域,图像分类与目标检测是处理医学影像分析的核心技术。其原理在于通过卷积神经网络(CNN)自动学习图像中的多层次特征表示,实现对特定目标的识别与定位。这项技术的价值在于能够将医生从海量、重复的阅片工作中解放出来,提升诊断效率与一致性,尤其在处理如胶囊内镜产生的数万张连续图像时优势显著。其应用场景广泛覆盖了医学影像的辅助诊断,例如在消化内科,对胃肠道出血的早期发现与精准定位具有重要临床意义。本文聚焦于利用深度学习模型,如U-Net和EfficientNet,构建一个能够从复杂多变的胶囊内镜图像中,

weixin_42533910的博客 397

实时即未来,车联网项目之电子围栏分析【六】

电子围栏简介和意义地理围栏是一个虚拟的空间围栏,可以帮助开发者检测人或物何时进入或离开预定义区域,并支持实时报警功能。电子围栏的应用场景签到打卡类场景共享单车类场景线下门店促销场景创建电子围栏在此项目中,使用的电子围栏是规则的圆形,判断是否在圆形电子围栏区域内,可以使用车辆位置和中心点球面距离小于等于半径,在电子围栏的区域内。还有一些不规则的电子围栏,这些可以使用射线取点的个数来判断是否在电子围栏内,如果是偶数在电子围栏外,否则是电子围栏内。

Maynor的博客 3879

无线充电效率从75%到90%+:深入拆解LCC补偿网络如何成为电动汽车和智能车竞赛的‘稳压器’

本文深入探讨了LCC补偿网络如何显著提升无线充电效率至90%以上,成为电动汽车和智能车竞赛中的关键技术。通过分析LCC的三元件结构和双模式切换特性,揭示了其在负载突变和线圈错位情况下的稳定性优势,并展示了实际应用中的效率提升和产业化挑战。

weixin_42528191的博客 400

【无人驾驶】坐标变换和点云配准

坐标变换通常用于将点云从一个传感器坐标系转换到另一个坐标系,比如从激光雷达坐标系到车辆坐标系。 点云配准则是在同一坐标系内对齐多个点云,以构建更完整的环境模型。

仿生实验室:从0到1,制作人脸表情交互机器人,记录过程,软硬件全部开源,与君共襄盛举! 1304

SCCM部署教程:(3)SCCM安装

这两则摘要介绍了WSUS和SCCM的安装步骤: WSUS安装:通过服务器管理器添加"Windows服务器更新服务"角色,选择SQL数据库并指定安装路径,验证数据库连接后完成安装。 SCCM安装:先运行预检工具Prereqchk.exe,选择主站点安装类型,配置语言、站点代码和名称,设置SQL数据库连接参数(保留默认端口4022),选择通信方法和系统角色(管理点和分发点),最后完成约1小时的安装过程。 两则安装指南都强调要确保数据库配置与前期准备一致,并提供了关键配置选项的说明。

小V锅的专栏 920

ZLMediaKit在Windows下启用WebRtc编译(64位)

准备软件 cmake-gui vs2017 已经编译好的windows版本openssl(下载地址) 当然,你完全可以自己按照openssl的官网教程自己编译windows版本的openssl libsrtp编译安装 首先,需要将下载好的openssl解压并添加到环境变量。如下图,将下图路径添加到环境变量 其次,下载libsrtp(下载地址) 下载后解压并新建build文件夹,如下图: 在合适位置新建文件夹放置install后的srtp文件,如"D:\develop20..

byna11sina11的博客 1万+

selenium在爬虫领域的初涉(自动打开网站爬取信息)

selenium简介 Selenium 是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中,就像真正的用户在操作一样。这个工具的主要功能包括:测试与浏览器的兼容性——测试你的应用程序看是否能够很好得工作在不同浏览器和操作系统之上。测试系统功能——创建回归测试检验软件功能和用户需求。支持自动录制动作和自动生成 .Net、Java、Perl等不同语言的测试脚本。 githu...

weixin_34292287的博客 846

【Envi遥感图像处理】022:envi时空分析工具的使用

本文介绍了ENVI软件中的时空分析工具应用,以美国拉斯维加斯1975-2014年的9期Landsat数据为例。主要内容包括:1)时空分析概念,即对空间相关时间序列数据的建模分析;2)构建时序数据流程,通过添加栅格、时间排序等步骤生成.series格式时序文件;3)时序数据查看方法,包括动画播放、添加注记及保存视频;4)多源数据统一处理工具,解决坐标系、空间范围不一致问题。该工具可用于冰川变化、植被覆盖等时空变化研究。

智慧空间实验室 272

ENU坐标系实战:5分钟搞定无人机导航中的站心坐标转换(附Python代码)

本文针对无人机导航等场景,详细讲解了如何利用ENU(东北天)站心坐标系进行直观的局部坐标转换。通过对比地心地固坐标系(ECEF)与经纬度高程(LLA)坐标,阐述了ENU坐标系的优势,并提供了完整的Python代码实现,帮助开发者快速集成到项目中,简化局部路径规划与传感器数据融合。

leaf8的博客 489

高级电机控制场景实例:基于Simulink的永磁同步电机基于Luenberger观测器的弱磁控制仿真

本文基于Simulink实现表贴式永磁同步电机(SPMSM)的Luenberger观测器弱磁控制仿真,通过构建“观测-弱磁-控制”协同逻辑,突破传统矢量控制的基速限制。利用线性化模型设计观测器实时估计电流与磁链,结合电压极限约束动态注入负d轴电流,实现转速扩展至12000rpm(4倍基速),弱磁区电流THD低于3%,动态响应时间小于5ms,验证了高速运行下系统稳定性与鲁棒性。附完整建模步骤、MATLAB函数代码及性能分析,适用于电动汽车、机床等高速驱动场景,为高级电机控制提供可复现的技术范式。

amy_mhd的博客 33

【数据集】未来不同情景下预测数据:如人口、土地利用等

未来不同情景下预测数据:如人口、土地利用等

WW、forever的博客 2997

浅谈 vins 、mavros 和 px4 之间的坐标变换

vins 、mavros 和 px4 之间的坐标变换

Pulsar 7169

【脑电信号】脑电信号EEG形态学滤波处理【含Matlab源码 4023期】

脑电信号EEG形态学滤波处理 完整的代码,包运行;运行操作视频见优快云资源!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 825

DJI无人机影像地理坐标系校正

代码的主要功能是将无人机拍摄的图像中的每个像素位置转换为地理坐标(经纬度),并计算图像的实际物理尺寸。坐标转换从图像的像素坐标开始,转换为归一化的图像平面坐标。将这些坐标转换为相机坐标系中的坐标,考虑到焦距的影响。坐标系转换利用无人机的姿态(俯仰角、滚转角、偏航角)将相机坐标系的坐标转换到无人机的世界坐标系。地理坐标计算将世界坐标系中的坐标转换为地理坐标(经纬度)。这里采用简单的地球模型来近似计算地理位置。物理尺寸计算基于图像的分辨率、传感器尺寸和焦距,计算图像的实际物理宽度和高度(以米为单位)

weixin_42448643的博客 3374

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: FreeRTOS互斥锁实战:从优先级翻转到递归锁的5个常见坑点解析
下一篇: R200系列超高频读写器在智慧仓储中的实战开发与性能调优
sql99
博客等级 码龄19年 168粉丝 1905原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值