Алгоритм автономной коррекции навигационной системы беспилотного летательного аппарата на основе распознавания дорожной и речной сети
https://doi.org/10.17285/0869-7035.0038
Аннотация
Рассматривается оригинальный алгоритм автономной коррекции навигационной системы БПЛА, основанный на сопоставлении изображений местности, снятых с борта системой технического зрения и представляемых векторной топографической картой. Сопоставление осуществляется путем вычисления гомографии изображений системы технического зрения, сегментированных с применением сверточной нейронной сети, и векторной карты. Приводятся результаты математического и летного экспериментов, подтверждающие эффективность использования предложенного алгоритма для навигационных приложений.
Об авторах
А. П. ТанченкоРоссия
Танченко Александр Петрович. Кандидат физико-математических наук, ведущий инженер-программист
А. М. Федулин
Россия
Федулин Андрей Михайлович. Директор центра разработки
Р. Р. Бикмаев
Россия
Бикмаев Рамиль Равильевич. Начальник отдела специального программного обеспечения Управления навигационно-геодезических систем
Р. Н. Садеков
Россия
Садеков Ринат Наилевич. Доктор технических наук, начальник научно-исследовательского отдела, Военный инновационный технополис «ЭРА» (Анапа); профессор, доцент, НИТУ «МИСиС» (Москва).
Список литературы
1. Шмидт Дж.Т. Эксплуатация навигационных систем на основе GPS в сложных условиях окружающей среды // Гироскопия и навигация. 2019. Т. 27. № 1 (104). С. 3–21. DOI: 10.17285/08697035.2019.27.1.003-021.
2. Емельянцев Г.И., Степанов А.П., Блажнов Б.А. О решении навигационной задачи для летательных аппаратов с использованием инерциального модуля на микромеханических датчиках и наземных радиоориентиров // Гироскопия и навигация. 2017. Т. 25. № 1 (96). С. 3–17. DOI: 10.17285/0869-7035.2017.25.1.003-017.
3. Chigin, G.P., Use of a field of linear reference points in problems of extremal navigation, Journal of computer and systems sciences international, 1998, vol. 37, no. 2, pp. 318–328.
4. Джанджгава Г.И., Августов Л.И. Навигация по геополям. М.: Научтехлитиздат, 2018. 296 с.
5. Пешехонов В.Г., Степанов О.А. и др. Современные методы и средства измерения параметров гравитационного поля земли / Под общей ред. В.Г. Пешехонова; науч. редактор О.А. Степанов. СПб., 2017.
6. Доер К., Шольц Г., Троммер Г.Ф. SLAM-алгоритм на основе лазерных измерений при использовании микролетательных аппаратов в помещении // Гироскопия и навигация. 2017. Т. 25. № 1 (96). С. 18–32. DOI: 10.17285/0869-7035.2017.25.1.018-032.
7. Conte, G. and Doherty, P., Vision-based unmanned aerial vehicle navigation using geo-referenced information, EURASIP Journal on Advances in Signal Processing, 2009:10, 2009.
8. Yol, A., Delabarre, B., Dame, A., Dartois, J.-E., and Marchand, E., Vision-based absolute localization for unmanned aerial vehicles, Intelligent Robots and Systems (IROS 2014), 2014 IEEE/RSJ International Conference on, 2014, pp. 3429–3434.
9. Fan, B., Du, Y., Zhu, L., and Tang, Y., The registration of UAV down-looking aerial images to satellite images with image entropy and edges, Intelligent Robotics and Applications, 2010, pp. 609–617.
10. Sim, D.-G., Park, R.-H., Kim, R.-C., Lee, S.U., and Kim, I.-C., Integrated position estimation using aerial image sequences, IEEE transactions on pattern analysis and machine intelligence, 2002, 24(1):1–18.
11. Majdik, A.L., Verda, D., Albers-Schoenberg, Y., and Scaramuzza, D., Air-ground matching: Appearance-based GPS-denied urban localization of micro aerial vehicles, Journal of Field Robotics, 2015, 32(7):1015–1039.
12. Majdik, A.L., Albers-Schoenberg, Y., and Scaramuzza, D., MAV urban localization from google street view data. In Intelligent Robots and Systems (IROS), 2013 IEEE/RSJ International Conference on, 2013, pp. 3979–3986.
13. Ghouaiel, N. and Lefevre, S., Coupling ground-level panoramas and aerial imagery for change detection, Geo-spatial Information Science, 2016, 19(3):222–232.
14. Viswanathan, A., Pires, B.R., and Huber, D., Vision based robot localization by ground to satellite matching in gps-denied situations. In Intelligent Robots and Systems (IROS 2014), 2014 IEEE/RSJ International Conference on, 2014, pp. 192–198.
15. Workman, S., Souvenir, R., and Jacobs, N., Wide-area image geolocalization with aerial reference imagery, Proceedings of the IEEE International Conference on Computer Vision, 2015, pp. 3961–3969.
16. Zhai, M., Bessinger, Z., Workman, S., and Jacobs, N., Predicting ground-level scene layout from aerial imagery, 2016, arXiv preprint arXiv:1612.02709.
17. Lefevre, S., Tuia, D., Wegner, J.D., Produit, T., and Nassar, A.S., Toward seamless multiview scene analysis from satellite to street level, Proceedings of the IEEE, 2017.
18. Saurer, O., Baatz, G., Koser, K., Pollefeys, M. et al., Image based geo-localization in the alps, International Journal of Computer Vision, 2016, 116(3):213–225. 19. Tian, Y., Chen, C., and Shah, M., Cross-view image matching for geo-localization in urban environments, arXiv preprint arXiv:1703.07815, 2017.
19. Lowe, D.G., Distinctive image features from scale invariant keypoints, International journal of computer vision, 2004, 60(2): 91–110.
20. Bay, H., Ess, A., Tuytelaars, T., and Van Gool, L., Speeded-up robust features (SURF), Computer vision and image under-standing, 2008, 110(3):346–359.
21. Shukla, P., Goel, S., Singh, P., and Lohani, B., Automatic geolocation of targets tracked by aerial imaging platforms using satellite imagery, The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2014, 40(1):381.
22. Muller, M., Urban, S., and Jutzi, B., Squeezeposenet: Image based pose regression with small convolutional neural networks for real time UAS navigation, ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2017, 4:49.
23. Buslaev, A., Seferbekov, S., Iglovikov, V., and Shvets, A., Fully Convolutional Network for Automatic Road Extraction from Satellite Imagery, IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2018, pp. 207–210.
24. Ronneberger, O., Fischer, P., Brox, T., U-Net: Convolutional Networks for Biomedical Image Segmentation, MICCAI 2015. Lecture Notes in Computer Science, vol. 9351, Springer, Cham. 26. Ciresan, D.C., Gambardella, L.M., Giusti, A., Schmidhuber, J., Deep neural networks segment neuronal membranes in electron microscopy images, NIPS, 2012, pp. 2852–2860.
25. Lowe, D.G., Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 2004, vol. 60, issue 2, pp. 91–110. DOI:10.1023/B:VISI.0000029664.99615.94.
26. Fischler, M.A., and Bolles, R.C., Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography, Comm. ACM, 1981, 24 (6): 381–395. DOI:10.1145/358669.358692.
27. Data Grand Lyon. [Электронный ресурс]. URL: https://rdata-grandlyon.readthedocs.io/en/latest/ index.html (дата обращения: 01.01.2020). 30. Рекламный паспорт №14317ЭП на Комплекс воздушной разведки с беспилотными летательными аппаратами большой продолжительности полета «Орион-Э».
Рецензия
Для цитирования:
Танченко А.П., Федулин А.М., Бикмаев Р.Р., Садеков Р.Н. Алгоритм автономной коррекции навигационной системы беспилотного летательного аппарата на основе распознавания дорожной и речной сети. Гироскопия и навигация. 2020;28(3):32-42. https://doi.org/10.17285/0869-7035.0038
For citation:
Tanchenko A.P., Fedulin A.M., Bikmaev R.R., Sadekov R.N. UAV Navigation System Autonomous Correction Algorithm Based on Road and River Network Recognition. Giroskopiya i Navigatsiya. 2020;28(3):32-42. https://doi.org/10.17285/0869-7035.0038
Послать статью по эл. почте 