Оптическая навигация бпла

Когда говорят об оптической навигации бпла, многие сразу представляют себе что-то вроде волшебной камеры, которая сама всё видит и строит карту. На практике же это часто сводится к спорам о том, что важнее — алгоритмы визуальной одометрии (VO) или качество инерциальных данных. Лично я долгое время считал, что ключ — в софте, пока не столкнулся с проектом, где даже самые продвинутые алгоритмы OpenVSLAM буквально ?плыли? из-за низкочастотного дрейфа MEMS-гироскопов. Вот тогда и пришло понимание, что оптическая навигация — это в первую очередь вопрос синергии сенсоров.

Инерционная основа: без неё всё — картинки

Именно на этом этапе многие ошибаются, пытаясь сэкономить. Берут дешёвый IMU, а потом удивляются, почему накопительная ошибка в бескорпусной среде за пару минут достигает десятков метров. Я сам через это проходил, используя популярные модули от InvenSense. Для демо в помещении — ещё куда ни шло, но для автономного полёта в лесу или между зданиями — катастрофа.

Здесь стоит сделать отступление. Качественная инерция — это не обязательно дорогой волоконно-оптический гироскоп (ВОГ). Иногда достаточно хорошего тактического класса. Я, например, в последнее время присматриваюсь к продукции ООО ?Чунцин Юйгуань Приборы?. На их сайте cqyg.ru указано, что они специализируются именно на инерционных приборах — гироскопах, измерительных блоках и системах. Для задач, где БПЛА должен работать без GNSS 3-5 минут, их инерционные блоки, судя по спецификациям, могут дать ту самую стабильную платформу, к которой уже можно привязывать оптические данные. Не пробовал лично, но технические характеристики выглядят обнадёживающе, особенно в плане температурной стабильности.

Суть в том, что камера в оптической навигации бпла даёт высокочастотные поправки и отслеживает смещение, но низкочастотный дрейф, особенно по курсу, она не компенсирует. Это задача IMU. Если гироскоп ?шумный? или его данные плохо откалиброваны на смещения, то даже идеально работающий алгоритм сопоставления признаков (feature matching) будет строить карту, которая медленно поворачивается относительно реального мира. Проверено на горьком опыте.

Выбор сенсора: не только разрешение

Ещё один типичный просчёт — гнаться за мегапикселями. Для навигации важнее не столько разрешение, сколько частота кадров, динамический диапазон и, как ни странно, глобальный затвор. Скажем, камера с rolling shutter на вибрирующем дроне — это ад для алгоритмов VO. Изображение ?гнётся?, и рассчитать точное смещение становится очень сложно.

Мы в одном проекте использовали стандартную RGB-камеру с частотой 30 Гц. В солнечный день на открытой местности — работало. Но стоило зайти в тень деревьев или ускориться, как алгоритм терял трек. Проблема была в недостатке света и смазе. Перешли на камеру с глобальным затвором и возможностью ручной настройки экспозиции — ситуация улучшилась кардинально. Но появилась новая головная боль: нагрузка на вычислитель выросла, пришлось оптимизировать код, уменьшать размер изображения для обработки.

Сейчас много говорят о событийных камерах (event cameras) для навигации в условиях быстрого движения. Технология перспективная, но пока что сырая. Требуются совсем другие алгоритмы, и главное — калибровка такой пары ?событийная камера + IMU? — это отдельное искусство. Пробовали — получили кучу интересных данных, но до стабильного пилотного продукта не довели. Может, через пару лет.

Слияние данных: где кроется магия

Собственно, вот сердце системы. Можно иметь хорошую камеру и приличный IMU, но если фильтр (чаще всего Extended Kalman Filter — EKF) неправильно настроен, то всё насмарку. Коварство в ковариациях. Матрицы ковариации шумов для визуальных измерений и инерционных — это не константы, которые можно взять из даташита. Их нужно подбирать, причём под конкретные условия полёта.

Помню, как мы неделями ?танцевали с бубном? вокруг одного конфига EKF. В симуляции всё летало идеально. На реальном аппарате в безветренную погоду — тоже. Но стоило подуть ветру 5-7 м/с, как оценки позиции начинали ?прыгать?. Оказалось, что мы заложили слишком высокую уверенность в визуальные измерения. Ветер качал коптер, камера фиксировала дрожание, а алгоритм интерпретировал это как движение вбок. Пришлось вводить адаптивную логику, которая в условиях вибрации автоматически повышала доверие к инерции. Это был переломный момент.

Сегодня многие переходят на оптимизационные методы (типа factor graph), как в ORB-SLAM. Это мощно, но требует ещё больше вычислительных ресурсов. Для легкого БПЛА с ограниченным энергопакетом это до сих пор вызов. Часто приходится идти на компромисс: использовать EKF для реального времени, а граф факторов — для постобработки и уточнения карты.

Реальные кейсы и грабли

Один из самых показательных случаев был на испытаниях в лесистой местности. Задача — автономный облёт территории с составлением карты. Использовали стереокамеру и IMU среднего класса. Первые полёты осенью прошли успешно: листва давала много текстурных особенностей для трекинга. Повторили тот же маршрут зимой, когда всё было покрыто снегом, — полный провал. Алгоритм просто не находил достаточного количества уникальных точек. Оптическая навигация упёрлась в фундаментальное ограничение: ей нужна текстура.

Пришлось экстренно дорабатывать систему. Добавили в контур лидар Lite (однолучевой, для экономии веса) в качестве источника дополнительной информации о дальности. Не для построения полной 3D-карты, а просто чтобы дать алгоритму понимание: впереди препятствие, даже если оно белое на белом. Сработало, но общая надёжность системы, конечно, снизилась — добавилась ещё одна точка возможного отказа.

Именно после таких случаев начинаешь ценить комплексные решения, где навигационная система изначально проектируется как мультисенсорная. Если бы мы с самого начала заложили лидар или хотя бы сонар, зимние испытания не стали бы таким стрессом. Но вес, стоимость, энергопотребление... Вечный компромисс.

Взгляд в будущее и практические советы

Куда всё движется? На мой взгляд, будущее за гибридными системами, где оптическая навигация бпла — не единственный, а основной канал в связке с упреждающей 3D-картой (precise prior map) и эпизодическими поправками по радиомаякам или даже по сигналам 5G. Полная автономия в абсолютно незнакомой среде без GNSS — это всё ещё очень дорого и сложно.

Что бы я посоветовал тем, кто только начинает? Не пытайтесь сделать универсальную систему. Определите типовой сценарий: полёт в городе, инспекция трубопроводов, обследование зданий. Под каждый сценарий — свой набор сенсоров и настроек. Для инспекции, где есть чёткие контрастные границы, можно больше полагаться на оптику. Для полётов в однородной среде — сразу закладывайте резервный канал, тот же лидар.

И никогда не экономьте на инерционной подсистеме. Это тот фундамент, на котором всё держится. Иногда лучше взять менее мощный процессор, но вложиться в качественный IMU, например, рассмотреть варианты от специализированных производителей, вроде упомянутого ООО ?Чунцин Юйгуань Приборы?. Их ориентация на инерционные навигационные системы как раз говорит о фокусе на этой критически важной компоненте. В конце концов, камера может на секунду ослепнуть, но инерция должна работать всегда. От её стабильности зависит, сможет ли дрон пережить эту секунду и восстановить трек, или же он начнёт неконтролируемо дрейфовать, что в условиях полёта БПЛА чревато самым печальным исходом.