按照飞行高度分别300米和100米的AIBrainBox-GNSS拒止环境下的视觉-结构融合导航解决方案分析-二趣网

按照飞行高度分别300米和100米的AIBrainBox-GNSS拒止环境下的视觉-结构融合导航解决方案分析

任务约束

高度：
- 方案A：300 m
- 方案B：100 m
速度：≤15 m/s
GNSS状态：
- GNSS OK → GNSS拒止 → GNSS恢复
拒止时长：10–20分钟
飞行器：
- 机型：DJI Matrice 350 RTK

总体技术方案

1️⃣ GNSS拒止导航能力设计

模块	技术路线
主定位	VIO（视觉惯性里程计）
辅助定位	LiDAR SLAM（可选）
惯导	工业级IMU（闭环）
高度	激光测距/气压融合
地图匹配	预建图 + 重定位
任务恢复	GNSS重捕获融合

核心能力：

GNSS丢失后误差 < 1–3%（航程）
支撑 10–20 min 连续飞行
支持闭环回归（Loop Closure）

300米GNSS拒止

在300米GNSS拒止场景，通过“视觉惯导+下视测距”即可实现稳定飞行，引入面阵LiDAR可进一步提升在复杂环境和长时间任务中的鲁棒性。

在300m GNSS拒止 10–20min场景：

Z轴不能依赖单一传感器（不管是激光测距还是气压计）
必须走：
“弱观测 + 约束 + 低频校正”的融合路线

模块	频率
IMU积分	100–200 Hz
VIO输出	20–50 Hz
Z约束（激光/视觉）	1–5 Hz（关键）

高频：IMU + VIO（主）
低频：Z约束（纠偏）

300米高度 Z轴漂移问题（核心难点）

在300m高度，Z轴（高度）漂移是第一风险项，原因是：

视觉深度尺度不稳定（远距离纹理稀疏）
IMU在Z方向误差累积更快
无GNSS时高度缺乏绝对参考

✔️ 倾斜前向 LiDAR（核心）

看前方 + 看地面结构

👉 提供：

3D结构
相对高度变化
回环约束

Z = IMU（高频）
+ VIO（主）
+ 视觉几何约束（地面/结构）
+ LiDAR结构（可选）
+ 低频校正（激光/气压）

三目全局快门相机（参数 + 布局）

✅ 推荐布局（非常关键）

前视
↑
左视 ← ● → 右视
↓
下视（可选增强）

🎯 标准三目配置（推荐）

位置	作用
前视	主VIO
左/右	提供视差 + 抗旋转
下视（建议增加）	增强Z轴稳定（关键）

👉结论：三目 + 下视 = 最优解

📷 相机参数建议（工业级）

参数	要求
快门	全局快门（必须）
分辨率	1–2MP（最佳）
帧率	≥30fps（推荐60fps）
像素尺寸	≥3μm（低光更好）
动态范围	≥70dB
同步	硬件同步（必须）

🎯 推荐Sensor组合

前视：SC130（全局，高帧率）
下视：SC850（低照+稳定）
侧视：SC635（补充纹理）

地图匹配 / 预存地图要求

场景	是否需要
普通巡检	❌ 不必须
长时间拒止	✅ 建议
高精度任务	✅ 必须

🗺️ 地图类型

1️⃣ 稀疏地图（推荐）

特征点地图（ORB / FAST）
存储小（MB级）

2️⃣ 稠密地图（高端）

点云地图
精度高但算力要求大

📦 地图要求

项目	要求
精度	<10cm
覆盖范围	飞行区域
更新周期	可离线更新
存储	1–10GB

🎯 核心能力

GNSS恢复前 → 视觉定位
GNSS恢复后 → 地图对齐（消漂移）

🎯 标准客户（90%场景）

👉 用：

VIO + IMU
稀疏地图（可选）

👉 不用LiDAR

100m高度GNSS拒止

100m高度GNSS拒止飞行完全可以不依赖LiDAR实现
推荐采用VIO+IMU方案，性价比最高

100m高度 → 完全可以用「VIO + IMU」作为主方案，无需强依赖LiDAR

这会显著降低成本 + 提升稳定性 + 简化系统

100m场景关键技术指标

🎯 定位能力

GNSS拒止漂移：≤1–2%（航程）
20分钟飞行：误差可控在10–30m

🎯 稳定性

连续飞行：≥20分钟
视觉丢失恢复：≤2秒

🎯 切换能力

GNSS → VIO：无缝切换
GNSS恢复：自动对齐

配置方案

🎯 标准版

三目 + IMU + VIO
无LiDAR
👉 成本最低、稳定性够用

🎯 增强版

三目 + 下视 + IMU
👉 抗漂移能力更强

🎯 高端版

多目 + IMU + LiDAR（轻量）
👉 用于：
城市场景
纹理差环境
夜间

GNSS拒止飞行系统（300m / 20min）完整技术包

1. 系统总体架构图

┌──────────────────────────────┐

│ Mission Layer │

│ Path Planning / Task Logic │

└────────────┬─────────────────┘

┌────────────▼────────────┐

│ State Estimation │

│ (Fusion Core - VIO) │

└──────┬───────┬──────────┘

┌────────────────▼──┐ ┌──▼────────────────┐

│ Visual Odometry │ │ IMU Preintegration │

│ (Front + Side) │ │ 100-200Hz │

└───────────────────┘ └────────────────────┘

┌────────────────▼──────────────┐

│ Constraint Layer │

│ - Ground Plane (Vision) │

│ - LiDAR Structure (Optional) │

│ - Low-rate Height Constraint │

└────────────┬─────────────────┘

┌──────────▼──────────┐

│ Control Layer │

│ Position/Velocity PID│

└──────────┬──────────┘

┌──────────▼──────────┐

│ Flight Controller │

│ (PX4 / DJI PSDK) │

└──────────────────────┘

2. 融合框架图（Factor Graph / EKF）

State X = {Position, Velocity, Orientation, Bias}

Sensors:

IMU → High-frequency propagation

Camera → Relative pose constraint

LiDAR → Structural constraint

Height (optional) → weak constraint

Σ IMU residual

+ Σ Visual reprojection error

+ Σ LiDAR geometry error

+ Σ Height constraint error

3. 三目 + LiDAR 融合架构图

Front Camera│

Left Camera ──┼── Right Camera│

Down Camera (optional)│

┌───▼────────────┐

│ VIO Module │

└───┬────────────┘│

┌────────▼────────┐

│ LiDAR SLAM │

│ (Structure Only)│

└────────┬────────┘│

┌────────▼────────┐

│ Fusion Backend │

│ (EKF/FactorGraph)

└────────┬────────┘│

┌────────▼────────┐

│ Flight Control │

└──────────────────┘

4. Z轴误差仿真模型

模型假设：

飞行高度：300m
速度：10 m/s
时间：20 min

误差来源：

Z_error(t) = IMU_bias * t + Visual_scale_drift + Noise

加入约束：

Z_error_corrected(t) = Z_error(t) - λ1 * PlaneConstraint - λ2 * LiDARConstraint

结论：

无约束：指数漂移
VIO+IMU：线性漂移
加约束：收敛

6. GNSS拒止20分钟误差模型

位置误差：

E_xy(t) ≈ v * drift_ratio * t

其中：

drift_ratio ≈ 0.5% – 2%

Z误差：

E_z(t) ≈ k1 * t + k2 * constraint_correction

典型结果：

时间	XY误差	Z误差
5 min	5–10m	3–5m
10 min	10–20m	5–10m
20 min	20–40m	10–20m

加入LiDAR：

Z误差 ↓ 30–60%

7. 核心工程结论

Z轴必须靠“约束”而不是“测量”
LiDAR用于结构，不是测距
低频校正是关键（1–5Hz）
20分钟GNSS拒止完全可控

Q&A

1️⃣ 为什么不用激光测距？

👉 回答：

300m高度测距本身不可靠
采用“结构约束 + 视觉几何”
稳定性更高

2️⃣ 为什么比传统VIO更稳？

👉 回答：

我们不是纯VIO
是：
- 多目VIO（主）
- IMU（高频）
- 结构约束（核心差异）
- 低频校正（防漂移）

3️⃣ 20分钟误差为什么可控？

👉 回答：

漂移不是发散的，而是被约束“拉回”
系统本质是：
漂移 + 约束 = 收敛

👉 技术名称

GNSS-Denied Navigation System (GDN System)
或：
Vision-Structure Fusion Navigation (VSFN)

👉 中文卖点

“视觉-结构融合导航”
“无GNSS环境稳定飞行系统”

✅ 结构约束是什么（本质）

利用环境几何结构，对位姿（尤其Z轴）施加约束

来源	是否属于结构约束
视觉几何（地面/建筑）	✅
LiDAR点云结构	✅
地图匹配	✅
纯IMU	❌
激光测距（单点）	❌（太弱）

结构约束（Concept）
├── 视觉结构约束（VIO增强）
├── LiDAR结构约束
│ ├── 简化版（只约束）
│ └── LiDAR SLAM（完整系统）
└── 地图匹配约束

标准版

视觉结构约束导航（无LiDAR）

增强版

视觉 + LiDAR结构约束融合导航

核心不是依赖SLAM，而是通过多源结构约束实现稳定定位。
LiDAR在系统中主要用于提供环境结构信息，增强高度和姿态的稳定性，而不是单独依赖SLAM进行导航。

企业官网建设流程全解析