题目：小型无人直升机视觉导航及SLAM研究

由于具备垂直起降、定点悬停等功能，近些年小型无人直升机在军事和民用领域都得到了广泛的关注。作为制导和自主控制的前提，导航是小型无人直升机的技术基础。由于体积小、载重轻及计算能力有限，小型无人直升机常采用低精度的微机电系统 (MEMS, Micro Electro Mechanical System)惯性传感器和全球定位系统(GPS, Global Positioning System)接收机作为主要传感器，通过数据融合获得可靠的状态估计。但因为GPS信号在实际飞行过程中容易受到外界干扰，单独的GPS/INS (INS，Inertial Navigation System, 惯性导航系统)组合导航系统难以为小型无人机在复杂环境下的自主飞行提供有效可靠的导航信息。此外，目前越来越多的任务要求小型无人直升机能够在未知环境下自主飞行、建立环境地图并在其中进行自我定位。这些问题也都不能仅依靠例如GPS等卫星定位系统来解决。

随着摄像头质量的提高、嵌入式硬件计算速度和图像处理技术的发展，机器视觉已越来越多地应用到小型无人直升机中。视觉导航也成为小型无人直升机由自动化到自主化发展的的重要环节之一。本论文以小型无人直升机视觉导航及同时定位和地图建立(SLAM, Simultaneously Localization and Mapping)等关键问题为背景，围绕小型无人直升机单目视觉特征点提取和匹配、视觉自运动估计、视觉导航及视觉SLAM等方面开展了相关理论研究和综合实验，期望能够为实现小型无人直升机自主飞行提供导航方面的基础理论与实验支撑。基于此，本文从以下几方面进行研究工作并获得相应结果：

本论文的基础工作在于小型无人直升机视觉导航模型的建立。采用尺度不变特征变换(SIFT, scale invariant feature transform)算法对连续图像进行特征点提取和匹配，计算单应性矩阵。建立摄像头自运动模型，通过单应性矩阵的奇异值分解，结合摄像头内参数矩阵，对连续图像间摄像头的位姿变化进行估计。由于SIFT算法在尺度空间上寻找特征点，小尺寸图片便能提取到数千个特征点。这些过多的特征点不仅大大增加算法计算量而且不会显著提高系统的估计精度。因此本文设计了基于模糊控制的SIFT参数自适应控制器，能够自动调节参数阈值，稳定特征点数量。同时，在视觉导航模型的建立过程中，本文设计了基于延时的视觉观测模型，通过机载惯导数据融合，对小型无人直升机姿态和速度等状态信息进行估计。在数据融合过程中，通过引入对视觉速度估计的延时测量更新方法，避免了常规视觉和惯性组合导航算法中的状态模型增广问题，在保证估计精度的同时，使系统的计算量降低了约20%。

针对小型无人直升机视觉SLAM问题，本文首先建立了基于扩展卡尔曼滤波(EKF, Extended Kalman filter)的内外环分层式单目视觉SLAM模型：视觉自运动估计和惯导数据融合所得的载体姿态和速度作为内环，无人机的位置和地图地标估计作为外环。在EKF模型的建立过程中，内环作为控制量输入到外环，外环通过对地图中地标的连续观测对载体位置进行估计并建立地标地图。仿真实验表明，和现有整体结构的小型无人机EKF-SLAM模型相比，由于采用分层结构，在出现错误数据关联时，本文的算法能够保证系统稳定运行，鲁棒性显著提高。

EKF-SLAM结构简单、便于实现，但计算量偏大，主要适用于监控等小范围内重复飞行的任务或人工地标的应用。基于粒子滤波(PF, Particle filter)的SLAM算法计算量仅随地标数量线性增长，因此适用于野外大尺度范围内的地图建立。常规的基于Rao-Blackwellized Particle Filter (RBPF)的SLAM主要用在地面自主移动机器人等低自由度平台上。由于粒子滤波所需粒子数随状态量的维数指数增长，因此常规方法对于小型无人直升机这类六自由度、高维状态模型并不适合。本文在RBPF-SLAM的基础上，对高维状态量进行模型分割，同样把无人机整体状态量分为内环和外环两部分。内环部分采用EKF进行估计，外环部分中三维位置信息采用PF进行估计，地标更新采用多个EKF。仿真实验表明，与现有的基于边缘粒子滤波器(MPF, Marginal Particle Filter)的PF-SLAM方法相比，本文方法在估计精度和稳定性方面均有显著提高。

基于前述关于小型无人直升机视觉导航及视觉SLAM的理论方法，本文最终在KS AirCrane 和ALIGN700两种小型电动无人直升机平台上集成了iFLY自动驾驶仪、单目摄像头、视觉处理计算机及其他设备，在飞行过程中同步记录惯性导航数据及图像数据，构建视觉导航和视觉SLAM系统。在实际飞行实验中，通过和现有的GPS/INS组合导航系统相对比，验证了本文所述方法的有效性。