论无人机高精度定位与视觉自动跟踪融合技术 电力传输是电力网络中的一个关键环节，它对人们的工作与生活有着直接的影响。 由于中国地域广阔，各区域的地形地貌差异也很大，一些输电线路的地形地貌十分复杂，如果它被损坏，整个电网将会停止运转，因此，公司需要安排专门的工作人员，对输电线路进行及时有效的巡检，以确保电力传输系统的稳定。 过去，巡检人员人工操作的方法，要花费大量的人力、物力，而且耗时很久，外部的环境情况一有改变，就会对其造成不良的影响，所以，无人机电力巡检技术就应运而生了。 要想手动操纵，对巡逻人员的要求很高，需要对各种类型的无人机都有一定的了解，但这在实践中却很难做到。 所以，在电网系统的实际运行中，推荐使用全自动式的无人机巡检技术，这种技术可以全面、精确地对相应的采集数据进行收集，并确保了巡检工作的实际效率和质量。 在其发展历程中，还需要相关的配套技术来支撑和保障，比如高精度定位技术、计算机视觉跟踪技术等。通过 RTK定位技术，可以对信号传递过程中容易出现的定位偏差进行有效的改进，通过照相机可以对线路的巡检进行实时的了解，并且通过先进的图像处理软件可以对精确的位置信息进行自主的拍摄和导航。 此外， SLAM技术也有着很大的应用前景，它可以在不确定的情况下，根据传感装置的位置和位置，实现对目标的精确定位和快速导航。 当然，当前的无人驾驶自动巡检技术还没有完全发展起来，当出现了一些建筑太多，或者视野不好的时候，单纯地使用摄像头之类的设备来进行定位和导航，明显是不足够的，因为它往往会很困难地躲避障碍，而且准确率也不能保证，所以，在户外的环境下，不推荐使用这一方法。 因此，应该合理地运用基于多传感器融合的 SLAM定位技术，来确保无人机运行的稳定性，并提高其导航能力。 相关研究 SLAM 跟踪理论 在 SLAM的整体中，目标是其工作流程的核心，通过摄像机等装置，对影像中的真实特征进行快速的识别，并对摄像机拍摄到的每个画面进行实时的跟踪，并对无人驾驶机器人在工作过程中的位置和状态进行科学的估算，从而对存在的问题进行及时的调节和优化。 与 SIFT和 SURF等图像特征的运算工作相比， ORB的实际特征运算量是最小的，通过 CPU进行计算，就可以获得最接近于真实值的特征效果。 此外， ORB特征还具备旋转恒定性和规模恒定性等明显的特性，因此，在 SLAM系统计算过程中，如果需要实时的数据信息，那么推荐将 ORB作为一种图像特征。 其具体的抽取方式是：首先，建立具有几层的特征金字塔，然后根据金字塔的层数的变化来决定影像特征的数目，并且二者之间存在着某种逆比例关系，也就是，金字塔的层数越多，影像特征的数目就会减少。我们可以通过如下方式来实现对金字塔中各个层次的影像特征的高效分布： 将金字塔的真实高度设为 H，将最底层的影像像素宽度设为 W，将比例系数设为 s，通过一个简易的公式来推算出金字塔第 n个层次的面积以及整个金字塔的总面积，若要抽取的特征点数量为 N，则 N个层次与金字塔总面积的比例就是每个层次所抽取的特征点数量，这个比例再加上这一层次的金字塔面积，就可以得出每个层次所需要的特征点数量。 局部地图的科学构建 建立本地图的基本原则就是在对无人机进行追踪时，不停地加入新的关键性画面，从而对本地图进行修正和改进。 首先要判断目前的帧是否为一个重要帧，若为一个重要帧，那么就应该将它嵌入到本地图中，要根据三个原则来判断关键帧：首先，关键帧间的间隔数应该超过20帧；第二，在该框架中，至少要有50个与其它关键性框架相对应的点；第三，重点画面和现在画面的共同视角应该大于90%。 本图中，当关键帧被插入完毕之后，不应该马上开始下一阶段的工作，应该先将地图中的某些点位删除掉，通过使用邻近的关键帧多视角几何计算的方法，就可以得到对应的地图点。 在决定要不要将地图点删除时，也应该遵守如下两个原则：第一，如果有超过3个的关键帧可以检测到这一地图点，那么就不应将其删除。其次，当图像中仅有1/4与此地图点相符合时，则不应排除此地图点。 在此基础上，论文主要从三个部分进行了深入的研究与讨论：基于 RTK技术的多传感器数据融合，本项目拟采用基于 EKF技术的 SLAM与 SLAM相结合的方法，通过对 SLAM与 RTK测量结果进行有效的融合，提高 UAV的精确定位与自主视觉追踪能力，并通过 UAV与 SLAM测量结果进行准确的融合，进而准确的预报 UAV在不同环境下的运动状况。