【技术实现步骤摘要】
本专利技术涉及单目视觉测量，特别是涉及一种未知环境下基于单目视觉测量的飞行器自主着陆引导方法。
技术介绍
1、“低空经济”的繁荣发展丰富了飞行器产业和应用前景的同时，对飞行器智能化水平提出了更高的要求。面对机械故障、恶劣天气或强干扰等紧急情况时，飞行器需要及时进行着陆处置，最大程度地降低对周边环境和人员的影响的同时保证飞行器和机载设备的安全，有效降低经济损失。
2、目前，大多数飞行器自主着陆引导方法依赖全球定位系统、惯性导航传感器、光电传感器、雷达等，在具备飞行器自主着陆引导先验信息的已知场景下，这些方法均可以完成准确可靠的飞行器自主着陆引导测量任务。紧急情况下的飞行器着陆多是在未知场景下，与已知场景相比，未知场景无法提供任何先验信息，传统手段不再满足任务要求。
3、未知场景下应急自主着陆任务中，基于机载单目视觉的自主着陆引导方法是可行的解决方案。当前已有极少该领域的研究主要利用单张图像特征和多视图几何特征，获取着陆所需的信息。基于图像特征的方法是一种直接检测策略，该方法注重目标区域的纹理信息、几何信息等语义特征，以寻找适合着陆的不同区域。然而，这些方法难以判断三维地形的地貌结构，并且实时性差，在实践中很难选择出平坦的适降区域。多视图几何中运用运动结构重建等方法对目标区域进行三维重建，这类方法可以通过连续图像重建稀疏特征点集，但受到帧间视差约束的影响，在紧急情况下很难获得视角足够大的图像对和准确的三维重建结果。此外，目前基于这两类方法的飞行器视觉引导自主着陆方法均针对小型旋翼无人机，很少关于对着陆区域要求
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种未知环境下基于单目视觉测量的飞行器自主着陆引导方法。
2、一种未知环境下基于单目视觉测量的飞行器自主着陆引导方法，所述方法包括：
3、获取飞行器单目相机采集的当前场景下的rgb图像；
4、将所述rgb图像输入预先训练的多任务神经网络，所述多任务神经网络包括主干网络、内核生成模块、特征编码模块和回归模块，通过所述主干网络对所述输入的rgb图像进行特征提取，得到单级特征和高分辨率特征，通过所述内核生成模块根据所述单级特征生成适应于不同任务的内核，得到分类内核、分割内核、深度内核和坡度内核，通过所述特征编码模块对所述高分辨率特征进行编码，得到分割编码图、深度编码图和坡度编码图，通过所述回归模块分别根据分割内核、深度内核和坡度内核对分割编码图、深度编码图和坡度编码图进行卷积，得到分割结果、深度结果和坡度结果；
5、根据所述分割结果进行自适应搜索，得到当前场景下的适降区域；
6、根据预先设计的三维信息综合度量准则获取适降区域的三维信息，根据适降区域综合评定指标和每一适降区域的三维信息进行综合评定，根据综合评定结果得到最佳着陆区域信息；所述三维信息是根据所述分割结果、深度结果和坡度结果计算得到的；所述适降区域综合评定指标是根据当前飞行器在当前场景下的自主着陆需求得到的；
7、根据所述最佳着陆区域信息进行最佳着陆区域局部坐标系与相机坐标系之间的相对位姿解算，根据解算结果引导飞行器自主着陆。
8、在其中一个实施例中，还包括：根据损失函数和训练样本对预先构建的多任务神经网络进行训练，得到训练好的多任务神经网络；所述损失函数包括类别损失函数、分割损失函数、深度估计损失函数和坡度估计损失函数。
9、在其中一个实施例中，还包括：获取所述分割结果的二值图像，提取所述二值图像中的边缘信息，得到边缘图像；对所述边缘图像进行直线检测，根据直线检测结果进行自适应搜索，得到当前场景下的适降区域。
10、在其中一个实施例中，还包括：根据所述分割结果得到适降区域的长度和跨度；根据所述深度估计结果得到相对深度变化幅度，根据所述相对深度变化幅度得到适降区域的平整度；根据所述坡度估计结果得到坡度变化幅度，根据所述坡度变化幅度得到适降区域的坡度；根据适降区域的长度、跨度、平整度以及坡度得到适降区域的三维信息。
11、在其中一个实施例中，还包括：所述适降区域综合评定指标为：
12、
13、其中，η为适降区域综合评定指标，h为适降区域的长度，w为适降区域的跨度，fregion为适降区域的平整度，sregion为适降区域的坡度，h*为着陆最低长度，w*为着陆最低跨度，ωh、ωw、ωf和ωs为分别长度、跨度、平整度和坡度的变化系数。
14、在其中一个实施例中，还包括：根据所述最佳着陆区域信息，得到最佳着陆区域的长度、跨度和深度，根据长度和跨度确定最佳着陆区域的边界；在最佳着陆区域的边界上建立二维关键点集合；所述二维关键点集合包括多个间隔固定距离的二维边界点，根据每一二维边界点及其对应的深度得到相机坐标系下的三维关键点集合；将所述三维关键点集合的重心设置为最佳着陆区域局部坐标系的原点，将三维关键点集合转换到最佳着陆区域局部坐标系中，得到二维关键点集合与三维关键点集合之间的对应关系；所述最佳着陆区域局部坐标系是通过主成分分析法拟合得到的；根据所述对应关系计算最佳着陆区域局部坐标系与相机坐标系之间的相对位姿。
15、在其中一个实施例中，还包括：所述分类内核表示为c∈uα×β，所述分割内核表示为所述深度内核表示为所述坡度内核表示为其中，u表示对象得分最高位置以及分类得分最高位置，α为分类内核数量，β为分割内核、深度内核和坡度内核的数量，em为分割编码图像，ed为深度编码图像，es为坡度编码图像。
16、在其中一个实施例中，还包括：所述内核生成模块包括内核生成器。
17、在其中一个实施例中，还包括：所述主干网络包括特征金字塔。
18、一种未知环境下基于单目视觉测量的飞行器自主着陆引导装置，所述装置包括：
19、图像获取模块，用于获取飞行器单目相机采集的当前场景下的rgb图像；
20、参数预测模块，用于将所述rgb图像输入预先训练的多任务神经网络，所述多任务神经网络包括主干网络、内核生成模块、特征编码模块和回归模块，通过所述主干网络对所述输入的rgb图像进行特征提取，得到单级特征和高分辨率特征，通过所述内核生成模块根据所述单级特征生成适应于不同任务的内核，得到分类内核、分割内核、深度内核和坡度内核，通过所述特征编码模块对所述高分辨率特征进行编码，得到分割编码图、深度编码图和坡度编码图，通过所述回归模块分别根据分割内核、深度内核和坡度内核对分割编码图、深度编码图和坡度编码图进行卷积，得到分割结果、深度结果和坡度结果；
21、区域搜索模块，用于根据所述分割结果进行自适应搜索，得到当前场景下的适降区域；
22、区域评定模块，用于根据预先设计的三维信息综合度量准则获取适降区域的三维信息，根据适降区域综合评定指标和每一适降本文档来自技高网...
【技术保护点】
1.一种未知环境下基于单目视觉测量的飞行器自主着陆引导方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在将所述RGB图像输入预先训练的多任务神经网络之前，还包括：
3.根据权利要求1所述的方法，其特征在于，根据所述分割结果进行自适应搜索，得到当前场景下的适降区域包括：
4.根据权利要求1所述的方法，其特征在于，根据预先设计的三维信息综合度量准则获取适降区域的三维信息包括：
5.根据权利要求4所述的方法，其特征在于，所述适降区域综合评定指标为：
6.根据权利要求1所述的方法，其特征在于，根据所述最佳着陆区域信息进行最佳着陆区域局部坐标系与相机坐标系之间的相对位姿解算包括：
7.根据权利要求1所述的方法，其特征在于，所述分类内核表示为C∈Uα×β，所述分割内核表示为所述深度内核表示为所述坡度内核表示为其中，U表示对象得分最高位置以及分类得分最高位置，α为分类内核数量，β为分割内核、深度内核和坡度内核的数量，em为分割编码图像，ed为深度编码图像，es为坡度编码图像。
8.根
9.根据权利要求1所述的方法，其特征在于，所述主干网络包括特征金字塔。
10.一种未知环境下基于单目视觉测量的飞行器自主着陆引导装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种未知环境下基于单目视觉测量的飞行器自主着陆引导方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在将所述rgb图像输入预先训练的多任务神经网络之前，还包括：
3.根据权利要求1所述的方法，其特征在于，根据所述分割结果进行自适应搜索，得到当前场景下的适降区域包括：
4.根据权利要求1所述的方法，其特征在于，根据预先设计的三维信息综合度量准则获取适降区域的三维信息包括：
5.根据权利要求4所述的方法，其特征在于，所述适降区域综合评定指标为：
6.根据权利要求1所述的方法，其特征在于，根据所述最佳着陆区域信息进行最佳着陆区域局部坐...
【专利技术属性】
技术研发人员：孙晓亮，张倬，王秋富，郭良超，陈霖，陈泉瑞，陈知颖，于起峰，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。