Язык статьи - русский
Ссылка для цитирования: Шведенко В.Н., Викторов А.С. Совершенствование алгоритма визуальной одометрии для решения задачи одновременной навигации беспилотного летательного аппарата и построения карты земной поверхности // Научно-технический вестник информационных технологий, механики и оптики. 2017. Т. 17. № 3. С. 475–482. doi: 10.17586/2226-1494-2017-17-3-475-482
Аннотация
Рассмотрена возможность применения алгоритма визуальной одометрии для разреженной трехмерной реконструкции и построения карты земной поверхности. Съемка производится камерой, установленной на беспилотном летательном аппарате, во время перемещения его по заданной траектории. Разреженная реконструкция и построение карты осуществляются с применением алгоритма визуальной одометрии, который производит извлечение информации о геометрии специальным образом отобранных точек земной поверхности (точек-ориентиров) на основании данных, поступающих от инерциальной навигационной системы, и информации, извлеченной из фотоснимков земной поверхности. Одновременно с реконструкцией геометрии земной поверхности производится уточнение пространственного положения и ориентации летательного аппарата, что важно для получения качественной реконструкции земной поверхности в высоком разрешении при помощи методов стереофотограмметрии или в случае использования лазерного сканера при помощи методов points clouds alignment (совмещение облаков точек). Предложен способ улучшения качества работы алгоритма визуальной одометрии для повышения точности оценки пространственного положения и ориентации аппарата, а также качества реконструкции земной поверхности. Для повышения качества работы алгоритма визуальной одометрии предложен оригинальный алгоритм обнаружения и отбора точек-ориентиров земной поверхности. Предлагаемый модифицированный алгоритм визуальной одометрии может найти широкое применение для навигации автономных транспортных средств, а также в информационных системах, предназначенных для обработки данных дистанционного зондирования Земли.
Ключевые слова: метод визуальной одометрии, метод одновременной навигации и построения карты, расширенный фильтр Калмана, бинарный классификатор, обучение с подкреплением, нейронная сеть, скорость сходимости
Список литературы
1. Ramirez-Torres J.G., Larranaga-Cepeda A. Real-time reconstruction of heightmaps from images taken with an UAV // Robotics and Mechatronics. 2015. V. 37. P. 221–231. doi:
10.1007/978-3-319-22368-1_22
2. Holz D., Behnke S. Registration of non-uniform density 3D laser scans for mapping with micro aerial vehicles // Robotics and Autonomous Systems. 2015. V. 74. P. 318–330. doi:
10.1016/j.robot.2015.07.021
3. Haala N., Cavegn S. High density aerial image matching: state-of-the-art and future prospects // Proc. 23
rd Int. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Prague, Czech,2016. V. 41. P. 625–630. doi:
10.5194/isprsarchives-XLI-B4-625-2016
4. Fuentes-Pacheco J., Ruiz-Ascencio J., Rendon-Mancha J.M. Visual simultaneous localization and mapping: a survey // Artificial Intelligence Review. 2015. V. 43. N 1. P. 55–81. doi:
10.1007/s10462-012-9365-8
5. Caballero F., Merino L., Ferruz J., Ollero A. Vision-based odometry and SLAM for medium and high altitude flying UAVs // Journal of Intelligent and Robotic Systems. 2009. V. 54. N 1-3. P. 137–161. doi:
10.1007/s10846-008-9257-y
6. Mourikis A.I., Trawny N., Roumeliotis S.I., Johnson A.E., Ansar A., Matthies L. Vision-aided inertial navigation for spacecraft entry, descent, and landing // Journal of Intelligent and Robotic Systems. 2009. V. 25. N 2. P. 264–280. doi:
10.1109/TRO.2009.2012342
7. Teuliere C., Eck L., Marchand E., Guenard N. 3D model-based tracking for UAV position control // IEEE/RSJ Int. Conf. on Intelligent Robots and Systems. Taipei, Taiwan, 2010. N 1. P. 1084–1089. doi:
10.1109/IROS.2010.5649700
8. Huang Y., Song T.L. Iterated modified gain extended Kalman filter with applications to bearings only tracking // Journal of Automation and Control Engineering. 2015. V. 3. N 6. P. 475–479. doi:
10.12720/joace.3.6.475-479
9. Civera J., Davison A.J., Montiel J.M.M. Inverse depth parametrization for monocular SLAM // IEEE Transactions on Robotics. 2008. V. 24. N 5. P. 932–945. doi:
10.1109/TRO.2008.2003276
10. Marzorati D., Matteucci M., Migliore D., Sorrenti D.G. Monocular SLAM with inverse scaling parametrization // Proc. 19
th British Machine Vision Conference. Leeds, UK, 2008. V. 24. P. 22–94. doi:
10.5244/C.22.94
11. Khan R., Sottile F., Spirito M.A. Hybrid positioning through extended Kalman filter with inertial data fusion // International Journal of Information and Electronics Engineering. 2013. V. 3. N 1. P. 127–131. doi:
10.7763/ijiee.2013.v3.281
12. Steffen R. A robust iterative Kalman filter based on implicit measurement equations // Photogrammetrie, Fernerkundung, Geoinformation. 2013. N 4. P. 323–332. doi:
10.1127/1432-8364/2013/0180
13. Vedaldi A., Jin H., Favaro P., Soatto S. KALMANSAC: robust filtering by consensus // Pros. 10
th IEEE Int. Conf. on Computer Vision. Los Angeles, USA, 2005. V. 1. P. 633–640. doi:
10.1109/ICCV.2005.130
14. Gers F.A., Schraudolph N.N., Schmidhuber J. Learning precise timing with LSTM pecurrent networks // The Journal of Machine Learning Research. 2003. V. 3. N 1. P. 115–143. doi:
10.1162/153244303768966139
15. Mnih V., Kavukcuoglu K., Silver D., Graves A., Antonoglou I., Wierstra D., Riedmiller M. Playing Atari with deep reinforcement learning // NIPS Deep Learning Workshop. 2013. arXiv:1312.5602
