法律状态公告日
法律状态信息
法律状态
2020-05-22
授权
授权
2018-03-20
实质审查的生效 IPC(主分类):G01C11/04 申请日:20171130
实质审查的生效
2018-02-23
公开
公开
技术领域
本发明属于飞行器导航、制导和控制技术领域,更具体地,涉及一种微小型无人机全捷联下视相机的目标定位方法。
背景技术
微小型无人机作为信息化特征显著的新型作战装备,已经成为局部战争和军事行动不可或缺的重要作战力量,在执行火力打击、侦察监视、干扰欺骗、战场评估等作战任务中均得到了成功应用,为低空或近距离侦察与监视提供了良好的平台,具有广阔的军用和民用前景。
侦察监视、攻击干扰等是军用微小型无人机的主要功能,这些都离不开无人机对地面目标的定位。目前无人机定位导航主要使用以下三种定位技术:1.惯性导航系统(INS),通过加速计来确定无人机的加速度,通过陀螺仪来确定角速度;2.全球卫星定位导航系统(GPS),系统由近地轨道的卫星组成,定位的精度由三角测量的几何关系确定;3.图像辅助定位导航系统,这类系统需要实现在无人机的系统内存中存储地形资料图,通过无人机实时拍摄的三维地形图与存储的地形资料图做相关操作,从而实现无人机的定位。
视觉导航定位技术在此基础上发展而来,视觉导航定位借助光学传感器能够探测周围环境,通过机载光学成像传感器采集周围的图像,将摄像信息传递给飞行器进行信息分析处理,根据目标图像的特征,得到每个特征点在图像中的对应点,经过数字图像处理后得到无人机自身相对目标信息。视觉导航定位技术可以使无人机具有目标相对定位和自主导航能力。但是,传统的机载平台式随动摄像相机视觉导航定位方式中,相机的体积和质量较大,成本较高;并且平台式随动相机无法满足弹射、炮射或高空抛撒等方式发射时发射过载的要求;同时,GPS和机载惯性导航装置测量存在噪声,导致定位存在误差。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供一种微小型无人机全捷联下视相机的目标定位方法,利用导航系统测量无人机自身的飞行姿态、相对地面的高度、速度和地理三维地标,在根据全捷联下视相机获取目标的特征信息,通过数据坐标变换等处理技术确定目标在惯性坐标系中的位置。
为了实现上述目的,本发明提供一种微小型无人机全捷联下视相机的目标定位方法,包括如下步骤:
S1根据相机视场角和相机方形像素阵列的宽度计算相机焦距;
S2根据相机焦距和目标在像素阵列上的位置获取相机坐标系中像素位置到坐标原点的距离长度;
S3由像素位置到坐标原点的距离长度和目标在像素阵列的上的位置得到目标在相机坐标系中的单位坐标向量;
S4根据目标在相机坐标系中的单位坐标向量,并结合和卡尔曼滤波算法估算目标到飞行器的相对距离;
S5通过坐标转换得到目标的地理位置信息与目标到飞行器的相对距离之间的关系,并由目标到飞行器之间的距离、卫星导航系统测量得到的飞行器位置信息量以及目标在相机坐标系中的单位坐标向量,计算目标的地理位置信息。
进一步地,相机的焦距Pf根据
进一步地,取像素位置到坐标原点的距离长度PL根据
进一步地,目标在相机坐标系中的单位坐标向量
进一步地,目标在惯性坐标系中的位置为
进一步地,小型飞行器相对地面的速度在地面惯性坐标系中的投影为vg,航线角χ为地速向量
进一步地,目标地理位置扩展卡尔曼滤波器(EKF)算法的状态量为
状态预估方程如下:
测量状态方程如下
状态预估方程的雅克比矩阵Aτ如下:
测量方程的雅克比矩阵Hτ如下:
进一步地,将所述
进一步地,所述扩展卡尔曼滤波算法流程为
状态预测值xτ/τ-1:
xτ/τ-1=Aτxτ-1
协方差预测值Pτ/τ-1:
计算卡尔曼滤波增益Kτ:
更新协方差值Pτ:
Pτ=(I-KτHτ)Pτ/τ-1
更新状态估计值xτ:
xτ=xτ/τ-1+Kτ(yτ-Hτxτ/τ-1)。
进一步地,相机坐标系到机体坐标系的转移矩阵为
进一步地,所述
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明微小型无人机全捷联下视相机的目标定位方法,利用导航系统测量无人机自身的飞行姿态、相对地面的高度、速度和地理三维地标,在根据全捷联下视相机获取目标的特征信息,通过数据坐标变换等处理技术确定目标在惯性坐标系中的位置。
(2)本发明微小型无人机全捷联下视相机的目标定位方法,采用机载全捷联下视相机,避免了传统平台式相机的万向支架和伺服系统的机械运动,提高了机体的抗过载冲击能力,增加系统可靠性。
(3)本发明微小型无人机全捷联下视相机的目标定位方法,利用扩展卡尔曼滤波器算法的原理,将非线性的针对地面目标定位转化成线形问题,再经过卡尔曼滤波器的处理,降低机载传感器测量的噪声,提高系统的抗干扰能力。
(4)本发明微小型无人机全捷联下视相机的目标定位方法,降低噪声的算法过程中获得了微小无人机和目标的相对距离及相对距离变化的估计值,为无人机针对目标攻击干扰提供了必要的制导数据信息,提高了系统的扩展性。
附图说明
图1为本发明机体坐标系、相机坐标系及目标关系的系统框图;
图2为本发明相机坐标系及目标坐标系在图像平面位置的示意图;
图3为本发明机体坐标系及导航惯性坐标系的俯视关系示意图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种微小型无人机全捷联下视相机的目标定位方法,结合附图1、2和3,具体步骤如下:
S1获取相机焦距,设相机的视场角为设相机的视场角为η,相机的方形像素阵列的宽度M已知,则可以计算相机的焦距Pf如下式:
S2获取像素位置到相机坐标原点的距离长度。相机坐标系Oc(oicjckc)的几何图如图2所示,相机坐标系中的拍摄目标向量由
S3获取目标对象在相机坐标系中的单位坐标向量。设像素点(Px,Py)到拍摄目标的距离长度为L,可得到如下三角相似关系式:
可知目标对象在相机坐标系中的坐标向量表示如下:
综合可知目标对象在相机坐标系中的单位坐标向量
S4获取目标到记载相机的距离。由于GPS和机载惯性导航装置测量存在噪声,为了有效减小测量误差对目标位置估计的影响,提出一种基于扩展卡尔曼滤波器算法(EKF)估计相对距离L的方法。
令在惯性坐标系中目标位置矢量为
其中
相机坐标系到机体坐标系的转移矩阵为
只要知道相对距离L的值就可以测量出目标的地理位置向量
飞行器自身的位置信息向量
针对地面固定目标位置导数
当飞行器在恒定高度巡航飞行时,飞行器的位置导数
其中如图3所示,地速vg为飞行器相对地面的速度在地面惯性坐标系中的投影,航线角χ为地速向量
扩展卡尔曼滤波器(EKF)算法的原理是将非线性问题进行线性化处理,然后进行卡尔曼滤波处理
对于如下非线性系统:
状态方程:
测量方程:
y=h(x)+V(12)
其中W是以Q为协方差的高斯白噪声,V是以R为协方差的高斯白噪声。将系统方程进行泰勒展开线性化:
其中Aτ为状态预估方程的雅克比矩阵,Hτ为测量方程的雅克比矩阵,τ为离散迭代次数。
将进行线性化处理后的系统方程带入到标准卡尔曼滤波的流程中,本发明优选以下标准卡尔曼滤波算法方程:
状态预测值xτ/τ-1:
xτ/τ-1=Aτxτ-1(15)
协方差预测值Pτ/τ-1:
计算卡尔曼滤波增益Kτ:
更新协方差值Pτ:
Pτ=(I-KτHτ)Pτ/τ-1(18)
更新状态估计值xτ:
xτ=xτ/τ-1+Kτ(yτ-Hτxτ/τ-1)(19)
目标对象地理定位扩展卡尔曼滤波器(EKF)算法的状态量为
状态预估方程如下:
测量状态方程如下
状态预估方程的雅克比矩阵Aτ如下:
测量方程的雅克比矩阵Hτ如下:
将上述公式(20)、(21)、(22)和(23)带入卡尔曼滤波算法流程中,可以估计出飞行器到目标相对距离L。通过将上述公式(20)、(21)、(22)和(23)带入到卡尔曼滤波算法流程中计算得出L的方式是业内所熟知的技术,不是本发明的重点。
S5获取目标的地理位置信息。根据公式计算得到目标的地理位置信息。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
机译: 一种具有一个通用辐射源的基于三轴光纤陀螺仪的捷联惯性定向系统的精度提高方法
机译: 一种使用捷联陀螺仪快速测量方位角的方法和装置
机译: 一种评估无人机水平速度的方法,尤其是能够在自动驾驶下悬停飞行的无人机