论文阅读：Image-Aided Position Estimation Based on Line Correspondences during Automatic Landing Approach

Image-Aided Position Estimation Based on Line Correspondences during Automatic Landing Approach

引言

文章分为4部分

• 已有的视觉降落手段综述
• 2D-3D状态估计的数学推导，基于文献Development 2015
• 误差传播推导
• 模拟和实际飞行实验

概述

IBVS Image Based Visual Servoing和PBVS Pose Based Visual Servping有所不同。前者直接从图像信息计算控制的指令，但是要求图像处理和控制系统强耦合。后者先构建自身和物体的位姿，再进行控制指令的计算。本文属于后者。

文章接着列举了许多基于点，线的位姿估计论文。由于年代太过古早就不细看了。

位姿估计

前面是一些基础内容，比如内外参，坐标系转换

然后是线特征的投影公式
$$[l_s{]}_{\times }=KRT{L}_{r}TRK$$
其中$RT\in SE(3)$是投影矩阵。这个公式在Development of a navigation 2013那篇文章里出现过。参考MVG教材和Plucker坐标的博客。

特征提取方法参考Development of a navigation 2013，还有Detection of Airport Runway 2011（跑道线综述博客里提到了）。

在2013年那篇文章里，只用了2条边线，没办法估计x方向。这篇文章增加2条线，如图

然后文章还提出加入点特征的对应，但是下面这个公式是不是推错了。r到o的变换$t_i$前面应该没有系数吧。

误差传播

这里讨论的是方差沿着表达式从一个变量传播到另一个变量，由于文章都是线性方程，所以遵守随机变量的线性组合的方差公式。有点像完好性里的误差传播讨论。

那最初的变量的方差如何获得呢？文章举了个例子，由IMU输出的姿态角有一个置信区间$\Delta$，设置一个置信度，根据z检验，就可以反解方差$\sigma =\Delta /z$

实验与讨论

文章用了3个平台，matlab，MS飞行模拟FS9，真实飞行。先用matlab生成理想的跑道数据，再用MS飞行模拟生成数据，最后是真实飞行。

Figure 9是matlab的模拟结果，红色是预测的误差方差。

Figure 10是FS9的实验误差，在touchdown时出现了较大影响。

Figure 12是真实飞行的实验误差

Figure 13是由于超定方程求解，还存在的系统误差，即使用完全精确的前端也存在的误差。