用于室内设施无人机定位的自校正传感器融合

在工业设施的质量控制应用中，无人机可能比固定摄像头更具优势，因为它们可以动态重新部署并根据生产计划进行调整。促使本文研究的实际场景——汽车制造厂中使用无人机进行图像采集——要求无人机的定位精度达到 5 cm 量级。在重复性制造过程中，假设质量控制成像无人机将遵循高度确定性的周期性路径，在预定义点停留以拍摄图像并将其发送至图像识别服务器。因此，依靠关于生产链调度的先验知识，可以优化定位技术，使无人机始终保持在由停留点和点间路径组成的飞行计划边界内。这涉及缓解诸如无人机与任何现有无线电信标之间视线的暂时遮挡、传感器数据噪声以及视觉参考丢失等问题。为此，我们提出了一种自校正解决方案。作为直接 Kalman 融合的替代方案，它基于经过滤波和聚类的超宽带 (UWB) 数据来校正视觉里程计读数。该方法结合了这些技术的优势，只要在任意测量点至少有一种技术正常工作即可。它包含三个方法组件：独立的 Kalman 滤波、通过流聚类进行的数据关联以及基于累积校正向量生成的传感器读数相互校正。该方法的启发源于以下观察：UWB 定位在静态点表现相当良好，而视觉里程计测量能正确反映直线位移，但可能低估其长度。我们的实验结果证明了该方法在应用场景中相对于 Kalman 融合的优势。