论文阅读：Development of a Navigation Solution for an Image Aided Automatic Landing System

本文链接：https://blog.csdn.net/yjy420/article/details/138455111

本文探讨了一种基于视觉量测的导航解决方案，用于无人机的自动着陆。研究了线特征在估计相机位姿中的应用，以及分辨率、像素误差、HAT高度等因素对导航性能的影响。通过误差卡尔曼滤波改善了定位精度，展示了不同条件下的位置误差和优化结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Development of a Navigation Solution for an Image Aided Automatic Landing System

2013年

根据运行飞行阶段、监视控制器跟踪性能和给定的相关测量或已知环境数据，必须为导航系统误差置信区间定义最低性能水平。全自动着陆操纵的位置准确性要求适用于载人飞机的低能见度操作。然而，这些要求不考虑总系统误差，并将控制系统和导航系统视为不相互交换信息的黑匣子。此外，假定在机场安装了基于地面的着陆引导系统。因此，必须单独评估所需的导航准确性水平，特别是对于无人机自主着陆操纵的情况。

为了评估系统总体性能，假设只有机载传感器使用，没有陆地设施安装，例如ILS等。为了进近时保持在着陆区域内，广域增强的卫星导航系统如WAAS或者EGNOS性能是不够的。

在导航性能中，侧向和垂直方向的精度非常重要。

文章分为五部分

视觉量测方程
数据融合算法
仿真实验
参数影响

这里只重点讨论视觉量测方程的推导

视觉量测方程

文章的思路是先检测飞机降落时，图像中的跑道线，由于跑道线是直线，而且3维坐标已知，所以可以当成线特征，来估计相机位姿。

5.3 更新
这几天恶补了线特征基础，终于看明白了。

首先一般线特征位姿估计用的都是下面这个式子

$\begin{align} \begin{aligned} \begin{bmatrix} n_c \\ d_c \end{bmatrix} &=\begin{bmatrix} R_{cw} & [t_{cw}]_\times R_{cw} \\ 0 & R_{cw} \end{bmatrix} \begin{bmatrix} n_w \\ d_w \end{bmatrix} \end{aligned}\\ \Rightarrow n_c =R_{cw}n_w+[t_{cw}]_\times R_{cw}d_w \end{align}$

然而作者用的却是这个式子
$\begin{equation} [\mathbf{l}]_\times=PLP \end{equation}$
其中 $P = [R, c]$ （这里的 $c$ 就是之前的 $t$ ），
$L=\begin{bmatrix} [\mathbf{m}]_\times & \mathbf{l} \\ -\mathbf{l}^T & 0 \end{bmatrix}$