设计合作目标
合作目标优化设计研究路线
基于机器学习的合作目标优化设计路线
存在的问题
- 尚无具体的数学模型和训练模型
- 尚无具体的训练数据集
- 尚无相关的文献和工作出现
可行性方案设计
- 待补充。。。。。
基于编码与多尺寸方案的合作目标路线
- 依靠距离范围和精度需求进行尺寸设计（有具体的数学模型）
在编码的需求进行合作目标编码（有多种方案可以参考，可在此方向上进行优化，即寻找复杂度与识别效率的平衡点）
- 考虑提取圆的效率和提取矩形的效率
- 考虑编码的抗干扰性和提取难易度
- 考虑进行高精度提取的难度和编码的设计关系
依靠经验进行特征点或线数量的选取
- 尚未建立点数量和位姿求解精度与效率的平衡方式
- 每种算法所需的特征点数也各不相同，难以找到一个统一的标准
具体实验实施方案
- 1.将空间划分成区域，并添加足够的约束条件，加速迭代收敛性
- 2.确定迭代规则，先点特征，对应采用点的3～4中算法；线特征，对应线的2～3中算法（实际工程中线的算法虽然精度高但实时性差，提取困难）；点线结合特征；对应采用点线结合或者点的算法
- 3.总结步骤2的数据，找出优化方向，建立最优化模型，即找出何种算法在何种构型的分布状态下在视角空间中存在最优解空间
- 4.总结步骤3的数据，反推位姿估计方法，即构型具体是影响了位姿估计方法的哪一步骤导致位姿估计方法的失效
- 5.综合步骤3和步骤4，总结出现有的优秀位姿算法稳定的视角空间和尺度空间，指导研发在视觉着陆各状态下的鲁棒位姿估计算法
6D姿态估计与三维重构领域
主流的方法
- 基于模板匹配的方法
- 基于点云构建描述子的方法
- 霍夫森林（vote based）
- Object Coordiantes 回归法
- end to end（基于端到端的神经网络）
不需要目标的先验知识，依靠视觉和激光雷达
- 大量方案从机器学习模型出发，通过SIFT提取特征点，将RGB数据的特征和点云的特征以一种合适的方式进行了整合
视觉目标跟踪
硬件设备
英伟达TX2
- GPU处理平台
- 方便跑深度学习算法
- 体积小，易安装在飞行平台上
大疆妙算
- 与大疆兼容性好，无缝连接云台和飞控
- 定制的linux难用
微型PC
- 容易进行开发
- 开发成本小
能够利用现有技术进行对合作目标进行识别、提取、定位，并且算法具有一定对稳定性和鲁棒性
- 背景前景分割
- 目标识别提取
- 合作目标提取
- 合作目标匹配
具体实施方案
合作目标提取识别进展情况
对比主流的开源检测方案
- YOLO
- SSD
- mm-detection
对比主流的开源目标跟踪方案
- TLD
- Siammask
控制任务
1.熟悉飞机的控制方案，能够利用大疆sdk对飞机进行控制;
2.建立合理的控制任务调度方案，能够实现跟踪与着陆的稳定切换;
自主着陆策略的划分
- 远距离搜索跟踪
- 中远距离位姿估计
- 着陆阶段高精度位姿估计
传感器的数据融合
- 视觉测量系统
- IMU
3.掌握一定的控制算法，对视觉系统输出的坐标能够进行精确跟踪;
轨迹控制
- TLD控制
姿态控制
- 串级控制
- 大疆OnbordSDK
着陆控制
- 位置环PID控制
实验设备
具体需要采购的设备
- 大疆m210 RTK系列无人机
- 大疆高分辨率可见光云台相机（Z30）
- 大疆妙算2-C
- 可控高精度三轴运动平台
- 高精度合作目标加工
实验设备具体任务
- 掌握大疆云台相机的各项参数和最大使用范围
- 掌握大疆无人机整个系统的使用和飞机的调试
- 制作能够模拟舰船的运动的三轴移动平台
- 开发pc端的上位机系统能够监控实时的视觉处理结果和位姿解算结果，能够显示跟踪的轨迹等信息