基于时空图卷积的无人机航拍定位纠偏方法与流程

本发明涉及无人机导航定位，更具体的说是涉及一种基于时空图卷积的无人机航拍定位纠偏方法。

背景技术：

1、随着无人机技术的快速发展，航拍定位纠偏技术已成为支撑其在测绘、巡检、应急救援等领域实现自主作业的核心关键，直接决定航拍数据质量与后续应用可靠性。现有算法历经传统手工特征方法到深度学习方法的演进，在理想环境下可实现一定定位效果，但在实际复杂场景中仍存在诸多亟待解决的技术难题。在城市峡谷、植被山区、弱纹理水域等环境中，卫星信号易受遮挡与多径效应干扰，图像特征提取匹配受光照、视角等因素影响，导致定位精度大幅降低。同时，现有算法鲁棒性不足，难以应对离群点干扰与突发环境变化，易出现定位漂移甚至丢失。为追求精度采用的复杂网络与迭代策略，又造成计算量激增、推理延迟过高，实时性难以保障。更为关键的是，多数高精度算法依赖高性能计算资源，无法适配无人机机载平台算力、内存、功耗的严格约束，严重制约了无人机自主作业能力的提升与大规模商业化应用。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种基于时空图卷积的无人机航拍定位纠偏方法，通过多源数据融合与改进型时空图卷积网络实现高精度、高鲁棒性的定位纠偏，并通过模型轻量化优化满足无人机端侧实时运行要求。

2、为实现上述目的，本发明提供了如下技术方案：一种基于时空图卷积的无人机航拍定位纠偏方法，包括如下步骤：

3、步骤一，多源数据采集与预处理:采集无人机航拍过程中的卫星导航定位数据、imu数据、航拍图像特征数据、环境感知数据；通过3σ准则异常值剔除、min-max归一化、时间戳对齐同步、线性插值补全的协同策略，完成数据预处理，确保数据质量与完整性；

4、步骤二，动态时空图模型构建:以预处理后的多源数据为基础，定义定位状态节点、空间边与时间边，构建时空图模型；结合无人机飞行姿态与环境变化，实现时空图的自适应动态更新，实时反映定位状态；

5、步骤三，改进型时空图卷积网络设计:设计融合空间图卷积层、时间卷积层、双重视角注意力模块与残差连接的改进型stgcn，通过gat改进空间图卷积、tcn捕捉时序特征，注意力模块强化关键特征，残差连接缓解梯度消失，实现深层时空特征精准提取；

6、步骤四，定位偏差预测与纠偏计算:将提取的时空深层特征输入全连接层偏差预测模块，输出定位偏差修正量；通过定位坐标融合算法，将原始定位坐标与修正量融合，得到纠偏后坐标；采用闭环反馈控制，将纠偏结果实时反馈至无人机导航系统，调整飞行姿态与航线；

7、步骤五，模型训练与轻量化优化:收集不同航拍场景下的多源数据，构建训练与测试数据集；采用mse损失函数与adam优化器进行模型联合训练；通过逆向cuthill-mckee图重排与自适应剪枝算法，降低模型计算复杂度与存储需求，确保适配无人机端侧实时运行。

8、作为本发明的进一步改进，步骤一中多源数据采集与预处理的具体方式如下：采用“3σ异常值剔除+min-max归一化+时间同步+线性插值补全”的协同预处理策略，核心公式如下：

9、min-max归一化公式：

10、其中：:原始数据；、:该维度数据的最小值、最大值；:归一化后的数据。

11、作为本发明的进一步改进，步骤二中动态时空图模型构建的具体方式如下：构建“定位状态节点+空间关联边+时间关联边”的三维时空图模型，实现定位数据时空关联特征的动态建模，具体如下：

12、节点特征向量：

13、时间边权重公式：

14、其中，:第i时刻的节点特征向量；:时间边权重；:相邻时刻的定位偏差；:时间间隔。

15、作为本发明的进一步改进，所述步骤三中改进型时空图卷积网络具体如下：在传统stgcn基础上优化，融合gat与tcn，引入双重视角注意力模块与残差连接，具体如下：

16、空间图卷积层公式：

17、其中：:第i个节点的空间特征输出；:第i个节点的邻居节点集合；:注意力权重；:权重矩阵，:偏置；:relu激活函数。

18、作为本发明的进一步改进，步骤四中定位偏差预测与纠偏计算具体如下：结合逆向cuthill-mckee图重排与自适应剪枝优化，将模型轻量化，同时设计“偏差预测-纠偏计算-实时反馈”的闭环机制，核心公式如下：

19、纠偏计算公式：，，

20、其中：:原始定位坐标；:定位偏差修正量；:纠偏后定位坐标。

21、本发明的有益效果：通过多源数据融合充分利用卫星导航、imu、图像及环境感知信息的互补性，有效克服单一数据源在复杂场景下的局限性；动态时空图模型能够自适应捕捉定位状态的时空关联特征，提升算法对环境变化和飞行姿态调整的适应性；改进型时空图卷积网络通过gat增强空间特征提取能力、tcn捕捉长时序依赖，双重视角注意力模块强化关键特征贡献，残差连接支持深层网络训练，显著提高定位偏差预测的精度与鲁棒性；闭环反馈机制实现定位纠偏结果的实时应用，及时调整飞行姿态与航线；模型轻量化优化大幅降低计算复杂度与存储需求，使高精度算法能够在无人机机载平台上实时运行，全面提升无人机在复杂场景下自主作业的可靠性与效率，本发明的纠偏精度显著提升，相较于传统卡尔曼滤波算法提升64%-72%，相较于普通cnn算法提升55%-58%，可将定位误差控制在厘米级（rtk场景）或亚米级（普通航拍场景）；鲁棒性强，在风速15m/s、高楼遮挡等干扰场景下，纠偏精度波动≤0.02m，避免滤波发散；实时性优异，推理时间为0.03s/帧，满足10hz实时采集需求，适配无人机端侧资源约束；通用性广，无需参数调整即可适配多种航拍场景与无人机类型；自适应能力强，动态更新时空图，无需人工干预，自动化水平高，可广泛应用于农业测绘、城市巡检、灾害救援等多个领域，推广前景广阔。

1.一种基于时空图卷积的无人机航拍定位纠偏方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于时空图卷积的无人机航拍定位纠偏方法，其特征在于：所述步骤一中多源数据采集与预处理的具体方式如下：采用“3σ异常值剔除+min-max归一化+时间同步+线性插值补全”的协同预处理策略，核心公式如下：

3.根据权利要求2所述的基于时空图卷积的无人机航拍定位纠偏方法，其特征在于：所述步骤二中动态时空图模型构建的具体方式如下：构建“定位状态节点+空间关联边+时间关联边”的三维时空图模型，实现定位数据时空关联特征的动态建模，具体如下：

4.根据权利要求3所述的基于时空图卷积的无人机航拍定位纠偏方法，其特征在于：所述步骤三中改进型时空图卷积网络具体如下：在传统stgcn基础上优化，融合gat与tcn，引入双重视角注意力模块与残差连接，具体如下：

5.根据权利要求4所述的基于时空图卷积的无人机航拍定位纠偏方法，其特征在于：所述步骤四中定位偏差预测与纠偏计算具体如下：结合逆向cuthill-mckee图重排与自适应剪枝优化，将模型轻量化，同时设计“偏差预测-纠偏计算-实时反馈”的闭环机制，核心公式如下：