Drone kamera görüntülerini uydu görüntüleri ile karşılaştırmaya dayalı navigasyon modülü

Drone kamera görüntülerini uydu görüntüleri ile karşılaştırmaya dayalı bir gezinme modülü nedir?

Depolanan uydu görüntülerine göre karşılaştırmak için aşağıya bakan drone kamera görüntülerini kullanan bir navigasyon modülü sağlayabilir misiniz?? Müşterinin talebinin, GPS konumlandırılması veya GPS konumlandırmasının yalnızca yedek çözümüne dayandığı tahmin edilmektedir..

Gerçek zamanlı aşağıya bakan kamera görüntülerini önceden depolanmış uydu görüntüleri ile karşılaştıran bir drone için bir navigasyon modülü geliştirmek, Bu yapılandırılmış yaklaşımı takip edin:

1. Sistem mimarisi

• Bileşenler:
  • Gerçek Zamanlı Görüntü Yakalama: Ayarlanabilir çözünürlük/FOV ile aşağıya bakan kamera, yükseklik sensörleri ile senkronize (örneğin, barometre, Lidar).
  • Uydu görüntü veritabanı: Birden fazla çözünürlükte depolanan coğrafi etiketli fayans, Hızlı alım için GPS koordinatları tarafından endekslendi.
  • İşleme birimi: Hızlandırılmış görüntü işleme için yerleşik GPU/FPGA.
  • Sensör füzyonu: GPS'i entegre eder, IMU, ve sağlam konumlandırma için görsel veriler.

2. İş akışı

1. Başlatma:
   • Veritabanından ilgili uydu karolarını almak için kaba GPS kullanın.
   • Drone görüntülerini uydu çözünürlüğüne ölçeklendirmek için yükseklik verilerini kullanarak kalibre edin.
2. Görüntü önişleme:
   • Görüntüleri gri tonlamaya dönüştürün, histogram eşitleme uygulayın, ve kenar tespiti (örneğin, Küstah).
   • Drone Pitch/Roll verilerini kullanarak doğru perspektif bozulması.
3. Özellik eşleşmesi:
   • Dedektörler: Hız ve doğruluk arasında denge için küre veya sörf kullanın.
   • Meseleler: Aykırı değerleri filtrelemek ve homografiyi hesaplamak için ransac ile flann.
4. Pozisyon Tahmini:
   • GPS ofsetini homografi matrisinden türetin.
   • Pürüzsüz yörünge güncellemeleri için Kalman Filtresi aracılığıyla IMU verileri ile sigorta.
5. Yedek Mekanizması:
   • Uydu eşleşmeleri başarısız olursa görsel odometri veya GPS'e geçin (örneğin, Konulmamış alanlar).

3. Teknik Düşünceler

• Yükseklik ölçeklendirme: Görüntü ölçeklemesini gerçek zamanlı yükseklik kullanarak dinamik olarak ayarlayın.
• Veritabanı optimizasyonu:
  • Birden fazla zoom seviyesine sahip 100x100m parçalara fayans uydu görüntüleri.
  • Gecikmeyi azaltmak için önbellek sık erişilen karoları.
• Gerçek Zamanlı Performans:
  • İşlemeyi çerçeve başına 500 mm ile sınırlayın; Gerekirse aşağı örnek görüntüler.
  • Anahtar çerçevelerini önceliklendirin (örneğin, Her 5. çerçeveyi işleyin) Yüksek hızlı uçuş sırasında.

4. Test yapmak & kalibrasyon

• Doğruluk metrikleri: Görsel tahminleri RTK-GPS Ground gerçeğiyle karşılaştırın.
• Çevresel sağlamlık:
  • Mevsimler/Aydınlatma arasında test edin; Aydınlatma değişikliklerini azaltmak için histogram normalizasyonu kullanın.
  • Geçici özellikleri hariç tut (arabalar, gölgeler) semantik segmentasyon yoluyla (isteğe bağlı).

5. Örnek senaryo

• 50m yükseklikte drone:
  • 640 yakalar×480 resim (0.5m/piksel çözünürlüğü).
  • Uydu karo ile eşleşir “Xyz123” kullanma 200 Orb Anahip Noktaları.
  • Homografi, Tile’nin Geotag'ından 2m ofset verir (34.0522° N, 118.2437° W).
  • Kalman filtresi bunu imu ile kaynaştırıyor, Çıkış Düzeltilmiş Konum 34.05219 ° N, 118.2436° W.

6. Zorluklar & Çözümler

• Dinamik ortamlar: ML modellerini kullanarak hareketli nesneleri maske (Yolo).
• Sınırları hesaplama: Jetson TX2'de Donanım Accevrifered Orb'ı kullanın.
• Depolama: WebP kullanarak uydu karolarını sıkıştırın (Kayıpsız Mod).

7. Araçlar & Kütüphaneler

• Opencv: Özellik algılama/eşleştirme için.
• Ros: Modüler boru hattı entegrasyonu (örneğin, ros_navigation düğüm).
• PostgreSQL/Postgis: Verimli coğrafi karo sorguları.

8. Beklenen performans

• Pozisyon doğruluğu: 1-3m optimum koşullarda.
• Güncelleme oranı: 2 Hz (640 ile×480 Orta katmanlı GPU'da girdi).

Bu tasarım doğruluğu ve hesaplama verimliliğini dengeler, Güvenilir navigasyon için sensör füzyonu ve uyarlanabilir görüntü işlemesinden yararlanma.