基于深度学习的视觉_惯性组合导航方法研究.pdf

哈尔滨理工大学工学硕士学位论文

基于深度学习的视觉/惯性组合导航方法研究

摘要

基于深度学习的视觉/惯性组合导航技术，在当前复杂多变的导航需求背景

下，展现出强大的潜力。传统的视觉导航在应对光照变化、遮挡等复杂环境时，

面临精度下降的挑战，而深度学习能够从大量数据中提取关键特征，减少对传

统数学模型的依赖，使导航方法更加灵活通用。本研究提出一种将深度学习应

用于视觉/惯性组合导航的方法。首先使用改进的深度学习算法对相机图像预处

理，然后求解目标载体的位置和姿态信息，设计改进的扩展卡尔曼滤波对惯性

导航部分和视觉导航部分的输出信息融合估计，进而得到更加准确的位姿估计

信息。本文研究的主要内容包括：

建立视觉/惯性导航系统的数学模型，在导航常用坐标系下结合空间中的位

置转换规则，对三维空间中无人机的姿态与位置进行数学描述，并使用姿态更

新算法对运载体位姿实时更新。使用动力学方程与欧拉方程分别对视觉里程计、

加速度计等传感器件建立观测方程与状态方程，实现对系统行为的理解与控制。

设计一种基于MaskR-CNN深度学习神经网络的视觉导航算法。使用

ResNet101与ResNet50的融合网络作为MaskR-CNN模型的主干网络，并采用

可变形卷积，提高不规则缺陷图像检测效率，实现物体检测和目标实例的像素

级分割。并加入算法损失函数分析，调整其内部参数，最小化预测函数误差。

利用深度学习神经网络对每帧图片预先进行处理，捕捉图像中每个特征的具体

位置和边界，提高图像特征算法的识别效率，进而提升视觉导航部分的位姿解

算精度。

针对传统的扩展卡尔曼滤波对非线性的拟合效果较差，需要多次线性化处

理与矩阵运算，计算过程复杂的问题，提出改进的扩展卡尔曼滤波算法。本算

法在传统扩展卡尔曼滤波的基础上，加入计算误差与比例积分误差进行角速度

补偿，同时采用动态梯度解算和互补滤波来抑制加速度的发散，最后求解雅可

比矩阵时使用加权平均自适应权重调节的方式近似观测函数真实值，进一步提

高滤波算法的多信息融合估计能力。

关键词组合导航系统；视觉导航；惯性导航；深度学习；扩展卡尔曼滤波

-I-

哈尔滨理工大学工学硕士学位论文

ResearchonIntegratedVision/InertialNavigation

BasedonDeepLearning

Abstract

Amidstthecurrentbackdropofintricateandvariablenavigationdemands,

visual/inertialintegratednavigationtechnology,rootedindeeplearning,has

demonstratedimmensepotential.Traditionalvisualnavigationencounterschallenges

inmaintainingprecisionwhenconfrontedwithcomplexenvironments,suchas

changesinlightingconditionsorocclusions.Deeplearning,however,excelsat

extractingcrucialfeaturesfromvastdatasets,minimizingtherelianceontraditional

mathematicalmodels,andenhancingtheflexibilityanduniversalityofnavigation

methods.Thisst