Third Post

漫读

全文摘要

“Autonomous localization methods for Unmanned Aerial Vehicles (UAVs) have significant application potential in complex environments. This paper presents a comprehensive survey of UAV localization techniques, focusing on both pure vision-based and sensor-assisted approaches. For pure vision-based localization, the survey emphasizes key technologies for feature descriptor generation, advancements in similarity measurement criteria, and optimized computational strategies. The impactof these technologies on improving computational efficiency and localization accuracy. In the context of sensor-assisted multi-source UAV localization, the applications of filtering-based fusion, optimization-based fusion, and deep learning-based fusion methods are discussed. A detailed analysis demonstrates the advantages of multi-modal data fusion in improving robustness andaccuracy. Despite significant progress in localization accuracy and adaptability to complex environments, challenges remain in adapting to low-texture environments, optimizing fusion strategies, and addressing computational resource limitations.Finally, the paper discusses future directions for the research and implementation of UAV autonomous localization methods.” (Liu 等, 2025, p. 1)

🔤无人机( Unmanned Aerial Vehicle，UAV )自主定位方法在复杂环境中具有重要的应用潜力。本文对无人机定位技术进行了全面的综述，重点介绍了基于纯视觉和传感器辅助的定位方法。对于基于纯视觉的定位，该综述强调了特征描述子生成的关键技术，相似性度量标准的改进和优化的计算策略。这些技术对提高计算效率和定位精度的影响。在传感器辅助多源无人机定位的背景下，讨论了基于滤波的融合、基于优化的融合和基于深度学习的融合方法的应用。 详细分析了多模态数据融合在提高鲁棒性和准确性方面的优势。尽管在定位精度和对复杂环境的适应性方面取得了重大进展，但在适应低纹理环境、优化融合策略和解决计算资源限制等方面仍然存在挑战。最后，讨论了无人机自主定位方法研究与实现的未来发展方向。🔤

“Keywords UAV · Autonomous localization · Feature descriptor · Filtering fusion · Deep learning” (Liu 等, 2025, p. 1)

🔤关键词无人机·自主定位·特征描述子·滤波融合·深度学习。🔤

根据摘要问问题

  1. 什么是“自主定位方法”？

  2. 什么是纯视觉定位方法？

    1. 什么是SLAM？

  3. 什么是传感器辅助定位方法？

  4. 什么是特征描述子？特征描述子生成的原理？

  5. 相似性度量是什么？相似性度量标准的改进的原理？

  6. 优化哪些计算策略，优化的计算策略的原理是什么？

  7. “这些技术”对计算效率和定位精度有哪些影响？

  8. 滤波是指什么？基于滤波的融合的原理是什么？

  9. 基于优化的融合的原理？

  10. 基于深度学习的融合方法的原理

  11. 低纹理环境是指什么？复杂环境又是指什么？

  12. 未来的发展方向

问题

什么是“自主定位方法”？

“Autonomous localization technologies, especially sensor-based visual localization methods, leverage environmentalvisual information captured by onboard cameras to computeposition and orientation without reliance on external satellite signals [2].” (Liu 等, 2025, p. 1)

🔤自主定位技术，特别是基于传感器的视觉定位方法，利用机载相机捕获的环境视觉信息，在不依赖外部卫星信号的情况下计算位置和方向[ 2 ]。🔤

简化理解

输入：基于传感器的各种信息，比如机载相机拍摄的图片，激光雷达，惯性测量单元（IMU）、红外传感器和传统RGB图像的集成

处理：不依赖外部卫星信号的算法处理

输出：计算位置和方向

什么是纯视觉定位方法？

“Pure visual localization relies on image sequences cap-tured by UAVs, where feature points are extracted, matched,and geometrically reconstructed to estimate the UAV’s pose.” (Liu 等, 2025, p. 1)

🔤纯视觉定位依赖于无人机拍摄的图像序列，通过特征点提取、匹配和几何重建来估计无人机的位姿。🔤

简化理解

纯视觉定位方法 = 纯视觉 + 定位方法

纯视觉 = 只用机载相机的图像

定位方法 被包含于 SLAM（视觉同步定位与地图构建）

位姿 = 位置(Position) + 姿态(Orientation)

1. “位”（位置 - Position）

  • 含义：指物体在某个特定坐标系中的空间坐标。
  • 表示：通常用一个三维向量来表示，例如 (x, y, z)，代表物体原点（或某个参考点）距离坐标系原点在X、Y、Z轴上的距离。

2. “姿”（姿态 - Orientation）

  • 含义：指物体相对于某个参考坐标系的旋转或倾斜角度，也就是它在空间中的朝向。

  • 表示：有多种表示方法，最常见的包括：

    • 欧拉角（Euler Angles）：用三个角度（通常是绕X、Y、Z轴的旋转角）来表示，如（俯仰角Pitch, 滚转角Roll, 偏航角Yaw）。
    • 旋转矩阵（Rotation Matrix）：一个3x3的矩阵，能描述从一个坐标系到另一个坐标系的旋转关系。
    • 四元数（Quaternion）：一个四维向量，在数学上更严谨，能有效避免欧拉角可能出现的“万向锁”问题。

视觉定位的步骤

“UAV through steps such as feature extraction, feature matching, and optimization. As shown in Fig. 2, the pro-cess typically includes the generation of feature descriptors,the design and application of similarity measurement cri-teria, and optimization calculations based on geometricconstraints.” (Liu 等, 2025, p. 3)

🔤无人机通过特征提取、特征匹配、优化等步骤。如图2所示，该过程通常包括特征描述子的生成，相似性度量准则的设计和应用，以及基于几何约束的优化计算。🔤

[image]
(Liu 等, 2025, p. 4)

视觉定位的步骤：首先生成稳定、可区分的特征描述子，再用相似性度量实现精确匹配以保证特征点可靠性；最后融合多视角并在几何约束下优化，精确估计目标的空间位姿。

什么是SLAM？

“Visual simultaneous localization and mapping (SLAM) methods, such as ORB-SLAM [5] and SVO [6] have been widely applied in UAV localization.” (Liu 等, 2025, p. 2)

🔤视觉同步定位与地图构建( Simultaneous Localization and Mapping，SLAM )方法，如ORB - SLAM [ 5 ]和SVO [ 6 ]在无人机定位中得到了广泛的应用。🔤

什么是传感器辅助定位方法？

“To improve the accuracyand robustness of localization, multi-sensor fusion-basedUAV autonomous localization methods have gained increas-ing attention in recent years. The integration of LiDAR,Inertial Measurement Units (IMU), infrared sensors, andtraditional RGB images within these methods ensures theprovision of more reliable localization data for UAVsunder various environmental conditions [11].” (Liu 等, 2025, p. 2)

🔤为了提高定位的精度和鲁棒性，基于多传感器融合的无人机自主定位方法近年来得到了越来越多的关注。在这些方法中，激光雷达、惯性测量单元( IMU )、红外传感器和传统的RGB图像的集成确保了在各种环境条件下为无人机提供更可靠的定位数据[ 11 ]。🔤

简化理解

传感器辅助定位方法 = 多传感器信息 + 定位方法

什么是特征描述子？特征描述子生成的原理？

传统特征描述子：SIFT，SURF，ORB

基于深度学习的特征描述子：SuperPoint，LOFTR

举例解释特征描述子：ORB，SuperPoint，LOFTR

举例解释如何将特征描述子用于定位：

“Shan et al. [23] further developed a framework for UAV navigation assisted by Google Maps in GPSdenied environments, using optical flow [24] and HOG features [25] for localization on georeferenced images, with a particle filter employed for coarse-to-fine search.” (Liu 等, 2025, p. 3)

🔤Shan等人[ 23 ]进一步开发了一个在GPS拒止环境下由Google Maps辅助的无人机导航框架，使用光流[ 24 ]和HOG特征[ 25 ]在地理参考图像上进行定位，并使用粒子滤波器进行由粗到精的搜索。🔤

← Back to home