ISPRS | 化繁为简:告别卫星图,无人机只靠“普通地图”就能实现精准定位
在城市楼宇间或峡谷等GNSS(全球导航卫星系统)信号拒止环境下,无人机如何实现自主定位是当前巡检与测绘领域的核心挑战。主流方案通常依赖高精度卫星影像或三维点云地图进行视觉地理定位,但这些数据存在制作成本高昂、存储占用大、更新滞后以及易受季节光照变化影响等痛点。受人类使用简洁电子地图导航的启发,研究团队提出了VecMapLocNet框架。该框架创新性地让无人机直接利用轻量级向量地图(如OpenStreetMap),通过跨模态特征匹配实现高效、鲁棒的三自由度定位。
01技术背景:现有定位方案的局限
| 地图类型 | 数据格式 | 外观依赖 | 存储与成本 |
|---|---|---|---|
| 三维点云/模型 | 三维坐标点 | 低(记录真实外观) | 采集成本高,存储开销巨大 |
| 高分辨率卫星影像 | 像素栅格 | 高(受季节、光照影响大) | 授权费用高,数据量大,更新慢 |
| 向量地图 (OSM) | 矢量符号(线条、色块) | 无(仅记录几何结构) | 数据量极小,免费开源,易获取 |
不同类型地图数据特性对比
传统机器定位多采用“像素对像素”的暴力匹配,将无人机图像与高精度卫星图或三维模型比对,这种方式计算负载重且鲁棒性差。相比之下,人类驾驶员仅凭由线条和色块构成的向量地图,通过比对道路和建筑轮廓即可确定位置。VecMapLocNet旨在填补这一策略鸿沟,构建连接真实视觉影像与抽象向量数据的桥梁。
02核心创新:VecMapLocNet系统架构
VecMapLocNet的工作流程分为三步:首先,无人机在GNSS信号丢失后捕获当前地面航拍图像;随后,核心算法将图像特征与机载存储的向量地图特征进行跨模态匹配,计算位姿偏移;最后,结合向量地图的地理坐标进行变换,输出精确的经纬度与朝向。其内部包含三大核心模块,共同支撑起从图像到地图的精准映射。
- 无人机图像编码模块
采用编码器-解码器结构,通过跳跃连接融合高层语义与低层细节,形成多尺度特征表达。该模块专为机载边缘设备优化,能适应飞行高度变化带来的尺度差异,确保低延迟运行。 - 加权向量地图编码模块
这是最具创新性的设计。它将离散的OSM数据栅格化并转换为特征向量,通过可学习的权重矩阵动态赋予不同地物重要性(如赋予固定建筑更高权重,而忽略易变植被),从而生成加权地图特征。 - 基于傅里叶变换的匹配模块
利用相位相关技术,在频率域通过互功率谱计算实现高效模板匹配。该模块无参数且计算速度极快,能够快速确定无人机特征图在地图特征图中的最佳平移位置与旋转角度。
03实验验证与性能表现
为验证模型有效性,研究团队构建了首个大规模无人机-向量地图定位数据集UAV2MAP,覆盖全球7个城市,包含数十万张带有精确位姿标签的无人机影像及对应的OSM数据。实验结果显示,VecMapLocNet在多项指标上均优于当前最先进(SOTA)方法。
| 性能指标 | VecMapLocNet | OrienterNet (基线) | 卫星图方法 |
|---|---|---|---|
| 定位精度 (R@5m) | 84.45% | 显著低于VecMapLocNet | 受季节影响大 |
| 偏航角精度 (R@5°) | 88.61% | 远低于VecMapLocNet | 表现不稳定 |
| 推理延迟 (Jetson Orin) | 25.23ms | 未明确/较慢 | 计算量大 |
核心定量性能对比
在定性分析中,VecMapLocNet展现出极强的环境适应力。在重复性建筑密集的城区,其凭借对整体空间布局的建模能力避免了混淆;在大片草地等可变地貌场景中,因不依赖外观纹理而保持稳定;即使在地图信息稀疏的区域,也能利用有限信息取得相对最优结果。
04真实场景验证与局限
在中国天津的真实城市场景中,研究团队使用搭载RTK的大疆M300无人机进行了实地测试。在未经微调的情况下,VecMapLocNet直接部署取得了16.7米的平均定位误差和3.1度的平均朝向误差,有力证明了其鲁棒性和实际应用潜力。尽管存在对OSM地图数据质量的依赖性,在偏远稀疏地图区域精度受限等局限,但该框架仍为GNSS拒止环境下的无人机导航提供了“化繁为简”的新范式。未来研究可探索结合视觉SLAM或IMU传感器以应对更极端的稀疏地图环境。
当前文章无评论,是时候发表评论了