论文速读 -- Monocular Vision SLAM-Based UAV Autonomous Landing in Emergencies and Unknown Environments

论文速读 – Monocular Vision SLAM-Based UAV Autonomous Landing in Emergencies and Unknown Environments

参考：UAV_AutoLanding_Demo.mp4

一. 摘要

无人机的着陆和回收的安全性研究势在必行，本文实现一种非结构化环境中无人机单目视觉自动着陆系统。本文提出一种融合3D特征与中通滤波结合的噪声剔除方法，并构建带有高度的栅格地图。为了提高着陆选择的速度和精度，提出了使用区域分割方式检测不同高度网格区域的边缘。作为一种视觉着陆技术，本文在两个任务中评估所提出的算法：场景重建完整性和着陆位置安全性。
首先，无人机扫描场景并获取单目关键帧进行视觉SLAM，以便估计无人机位姿，并创建三维点云地图。然后，过滤后的三维点云地图被转换为栅格地图。栅格地图被进一步划分为不同的区域选择适当的着陆区。因此，它可以进行自主路线规划。最后，当它在着陆场上停止，它将在着陆区附近启动下降模式。

二. 方法

1. 稀疏深度估计

ORB_SLAM2
PNP

2. 创建栅格地图

将三维点云转化为二维栅格地图，将多帧叠加的点云投影到格网内，每个格网内存在一组带有高度信息的二维点。
每个格网高度计算：

计算格网邻域内的高度差的平方和：

3. 位姿和图优化

最小二乘图优化
g2o

4. 基于区域分割的着陆检测

4.1 基于图像分割的栅格地图分割算法，伪代码如下：

输入：栅格地图
1. 使用图像中mean-shift算法对栅格地图进行平滑。
2. while 格网内点都聚类完毕 do
3.      计算和判断每个格网的邻域是否满足聚类条件
4.      加入该格网到聚类结果，存储为zi
5. end while
6. for i=0...N zi do
7.     if 格网空间距离 < hs 且高度距离 < hr
8.        将聚类结果拆分成不同类别的小块（推测目的是为了将大块区域切分成小块的可降落区域）
9.     endif
10. end for
输出：每一个格网的类别，以及聚类后的结果Li

4.2 选择最佳着陆区域算法

输入：不同类别格网的高度Ci，适当的着陆高度H，适当着陆面积S
for i=0...N Ci do
    if Ci == H 且面积s == S
        将其加入到可降落的备选集合ai
    else
        将其加入到障碍物集合bi
    end if
end for
for i=0...N ai do
    for j=0...N bj do
        计算每一个ai到每一个临近bi的距离，且做累加求和得到di
    end for
end for
输出：带有最大di距离的着陆面积ai，代表距离其余障碍物最远

三. 实验结果

详细参考原文，这里列举其中一幅图。