[发明专利]基于视觉飞行自稳定的方法、计算机可读介质和系统

说明书

本发明公开了一种基于视觉飞行自稳定的方法、计算机可读介质和系统，所述方法包括接收由安装在无人机上的相机拍摄的一个以上的原始图像，接收用于稳定的初始参考图像并从所述初始参考图像获得初始相机位姿，提取连续图像之间的基本矩阵并估计相对于所述初始相机位姿的当前相机位姿，其中所述相机位姿包括所述相机的取向和位置，基于已估计的所述当前相机位姿，预测基于深度门控循环Q网络来抵消所述无人机的横向干扰的动作，和基于预测的所述动作来抵消所述无人机的横向干扰，驱动所述无人机回到所述初始相机位姿。

技术领域

本发明涉及计算机技术，特别涉及一种基于视觉飞行自稳定的方法、计算机可读介质和系统。

背景技术

飞行动力学(动态飞行稳定性和控制)在诸如无人驾驶飞行器(UAV)或无人机之类的移动平台的研究中是非常重要的。无人机通常需要一个高度稳定的定位系统，因为位置估计中的随机误差将产生不相干的控制动作，导致UAV的崩溃和贵重硬件的损失。目前，大多数无人机使用GPS获取位置。然而，GPS精度直接取决于估计位置的卫星数量多少。在城市环境，特别是室内环境中数量可以显然是不足的。

此外，用于横向稳定控制的常规方法是通过反馈状态变量来回应计算流体动力学(即横向平移速度，横摆率，滚动速度和滚动角度)，其中，状态变量可以由无人机的感觉系统测量。然而，测量精度仍然低于室内环境应用的要求。

本发明公开的方法及其系统用于解决现有技术中的一个或者多个问题。

发明内容

一方面本发明公开了一种深度门控循环Q网络(DGRQN)用于无人驾驶飞行器(UAV)基于视觉飞行自稳的方法，其特征在于，所述方法包括接收由安装在无人机上的相机拍摄的一个以上的原始图像，接收用于稳定的初始参考图像并从所述初始参考图像获得初始相机位姿，提取连续图像之间的基本矩阵并估计相对于所述初始相机位姿的当前相机位姿，其中相机位姿包括所述相机的取向和位置，基于已估计的所述当前相机位姿，预测基于深度门控循环Q网络来抵消所述无人机的横向干扰的动作，和基于预测的所述动作来抵消所述无人机的横向干扰，驱动所述无人机回到所述初始相机位姿。

另一方面本发明还包括一种具有计算机程序的非暂时性计算机可读介质，当由处理器执行时，实现一种深度门控循环Q网络(DGRQN)用于无人驾驶飞行器(UAV)基于视觉飞行自稳的方法，所述方法包括接收由安装在无人机上的相机拍摄的一个以上的原始图像，接收用于稳定的初始参考图像并从所述初始参考图像获得初始相机位姿，提取连续图像之间的基本矩阵并估计相对于所述初始相机位姿的当前相机位姿，其中相机位姿包括所述相机的取向和位置，基于已估计的所述当前相机位姿，预测基于深度门控循环Q网络来抵消所述无人机的横向干扰的动作，和基于预测的所述动作来抵消所述无人机的横向干扰，驱动所述无人机回到所述初始相机位姿。

另一方面本发明还包括一种深度门控循环Q网络(DGRQN)用于无人驾驶飞行器(UAV)基于视觉飞行自稳的系统，所述系统包括相机位姿估计模块(CPE)和深度门控循环Q网络引擎模块，其中所述相机位姿估计模块用于接收由安装在无人机上的相机拍摄的一个以上的原始图像，提取连续图像之间的基本矩阵并估计相对于所述初始相机位姿的当前相机位姿，其中相机位姿包括所述相机的取向和位置；所述深度门控循环Q网络引擎模块用于基于已估计的所述当前相机位姿，预测基于深度门控循环Q网络来抵消所述无人机的横向干扰的动作，和基于预测的所述动作来抵消所述无人机的横向干扰，驱动所述无人机回到所述初始相机位姿。

本发明的其他方面，所属技术领域的技术人员能够依据本发明的权利要求书，说明书，以及附图有效实施并充分公开。

以下附图仅仅是用于解释本发明的具体实施例，并不限制本发明的范围。

附图说明

图1为本发明具体实施方式的工作环境示意图；

图2为本发明具体实施方式的计算机系统的结构框图；