YoloTag:基于视觉的可靠无人机导航与可识别标记
本文提出了一种利用方形平面标记同时解决定位和建图问题的新方法,通过创建相对标记姿态的箭头以及在所有观察帧中最小化平面标记再投影误差的方式进行全局定位优化,实验表明该方法优于运动结构和视觉SLAM技术。
Jun, 2016
文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题,提出了一种实时的对象定位和跟踪策略,将对象检测和跟踪有效地集成到动态卡尔曼模型中,并使用卡尔曼滤波提供对象状态的粗略预测,而无需对其进行手动初始化,具有比同类技术更快的运行速度和竞争性的跟踪性能。
Mar, 2017
本文提出一种利用对比颜色来减少误检测、采用灰度来精确定位的标记检测算法ChromaTag。通过实验发现ChromaTag比现有标记算法更快、准确度相似或更高,对实时应用具有重要意义。
Aug, 2017
TagSLAM为使用AprilTag基准标记进行同时定位和制图提供了方便,灵活和稳健的方法,是一种基于ROS的开源软件包,使用GTSAM factor graph优化器作为前端,通过使用多个简单的抽象(bodies、tags、cameras)以基于标记的方式快速设计一系列实验。
Oct, 2019
本研究通过使用具有黑白方格图案的方形人工地标的视觉SLAM,对三种移动机器人定位模式进行了比较研究:SLAM、带先验地图的SLAM和带先验地图的定位。通过使用手持相机拍摄的室内图像序列来评估它们的性能,并通过扰乱先验地图的质量来研究每种模式对扰乱的容忍程度。硬件实验表明这三种模式在轨迹误差方面表现一致,其中定位模式的运行时间最短。然而,在地图扰动下,带先验地图的SLAM保持了性能,而定位模式在两个方面都有所降低。
Sep, 2023
该研究通过采集安装在四旋翼飞行器上的摄像头捕捉户外图像序列,定量分析了逆境环境条件对标记物探测的影响,并研究了其在精准起降以及城市场景飞行器飞行中提高可靠性的潜力。研究基于温度、光照、风速、湿度、能见度和降水等逆境条件下的半自主起降操作,评估了标记物的探测性能,包括准确性、召回率、连续性、可用性、鲁棒性、弹性和覆盖范围,并将数据集和分析代码作为开源资源发布给公众。
Sep, 2023
该论文提出了一种新的方法,用于在缺乏全球导航卫星系统(GNSS)的环境中对无人机进行地理定位。通过预处理图像以提取边缘信息,可以显著提高UAV地理定位方法的性能,并增强对方向和高度不准确性的鲁棒性。此外,引入了一种用于本地化的置信度标准,并通过合成实验验证了相关发现。
Apr, 2024
为解决无人机视觉定位问题,本文提出了一个大规模数据集UAV-VisLoc,其中包含了来自中国11个地点的多种类型无人机图像和卫星地图,以支持模型的训练和测试。
May, 2024
本研究解决了无人水面载体(USVs)在GNSS受限的海洋环境中定位的问题,提出了一种创新的方法,利用无人机(UAV)和深度学习技术进行跟踪和检测。实验结果表明,结合三角测量与扩展卡尔曼滤波技术,该方法能够有效提升USV的定位精度,展示了其作为GPS补充的潜力。
Aug, 2024
本研究针对现有无人机地理定位技术缺乏大规模实用数据集的问题,提出GTA-UAV数据集,涵盖多个飞行高度、姿态、场景和目标。通过引入基于权重的对比学习方法,研究扩展了图像检索到实际的地理定位,有效提升了无人机在GPS受限环境下的定位能力。
Sep, 2024