基于人工標(biāo)志的單目視覺(jué)下無(wú)人機(jī)位姿估計(jì)

吳 妍，吳 芬，戚國(guó)慶

（南京理工大學(xué) 江蘇 南京 210094）

基于人工標(biāo)志的單目視覺(jué)下無(wú)人機(jī)位姿估計(jì)

吳 妍，吳 芬，戚國(guó)慶

（南京理工大學(xué) 江蘇 南京 210094）

就無(wú)人機(jī)的自定位問(wèn)題，文中提出一種數(shù)字圖像處理結(jié)合2D-3D場(chǎng)景重建的位姿估計(jì)算法。在已知人工標(biāo)志世界坐標(biāo)的前提下，對(duì)于單目視覺(jué)下機(jī)載非線性相機(jī)拍攝的單幀圖像，利用圖像處理技術(shù)為位姿解算提供特征點(diǎn)數(shù)據(jù)。位姿解算提供了一種改進(jìn)的N點(diǎn)透視算法，該算法結(jié)合正交迭代算法，以N點(diǎn)透視算法計(jì)算的旋轉(zhuǎn)矩陣值作為迭代算法初值，迭代得到最終估計(jì)結(jié)果。通過(guò)仿真實(shí)驗(yàn)和實(shí)物實(shí)驗(yàn)驗(yàn)證了算法的可行性。文中提出的算法，較N點(diǎn)透視算法，提高了位姿估計(jì)的精度且收斂速度快，給無(wú)人機(jī)室內(nèi)位姿估計(jì)提供了的一種新的解決思路。

自定位；非線性；人工標(biāo)志；N點(diǎn)透視；正交迭代

無(wú)人機(jī)憑借結(jié)構(gòu)穩(wěn)定、可操作性高、無(wú)人駕駛等特點(diǎn)，在航拍勘測(cè)、目標(biāo)定位跟蹤等領(lǐng)域獲得了廣泛應(yīng)用。在利用無(wú)人機(jī)對(duì)地面/海上等目標(biāo)的定位與跟蹤、無(wú)人機(jī)自身位姿控制、無(wú)人機(jī)測(cè)量、無(wú)人機(jī)自主降落等問(wèn)題中，無(wú)人機(jī)自身位姿的確定，成為研究的前提，是不可回避的一大難題。

目前，無(wú)人機(jī)自身的位姿信息主要依靠GPS[1]和IMU[2]獲取。GPS受環(huán)境與氣候的干擾嚴(yán)重，尤其在室內(nèi)，無(wú)人機(jī)無(wú)法接收到GPS信號(hào)，因此無(wú)法獲取自身的位置信息[3]。而IMU是根據(jù)加速度計(jì)和陀螺儀的姿態(tài)變化積分獲取位姿信息的。實(shí)際應(yīng)用中會(huì)產(chǎn)生累積誤差從而降低位姿估計(jì)的精度。隨著CCD器材等視覺(jué)傳感器的制作工藝日趨精良，利用視覺(jué)傳感器獲取的信息進(jìn)行位姿估計(jì)成為一種有利的替代手段[4]。

基于視覺(jué)的無(wú)人機(jī)位姿估計(jì)[5-7]，減少了攜帶的設(shè)備且價(jià)格低；同時(shí)，視覺(jué)信號(hào)穩(wěn)定，魯棒性強(qiáng)，不存在累積誤差。利用視覺(jué)信息實(shí)現(xiàn)無(wú)人機(jī)的位姿估計(jì)，無(wú)疑是實(shí)現(xiàn)無(wú)人機(jī)自主位姿估計(jì)的又一有力技術(shù)手段，尤其是在室內(nèi)無(wú)法獲取GPS信號(hào)的區(qū)域[8-9]。

針對(duì)室內(nèi)無(wú)人機(jī)的位姿估計(jì)，文中提出了一種基于數(shù)字圖像處理技術(shù)和2D-3D場(chǎng)景重建的位姿解算方法。事先在實(shí)驗(yàn)室內(nèi)鋪設(shè)信息已知的人工標(biāo)志，利用圖像處理技術(shù)檢測(cè)并提取人工標(biāo)志的特征點(diǎn)信息，在此基礎(chǔ)上，借助坐標(biāo)系轉(zhuǎn)換以及攝像機(jī)成像模型，建立圖像坐標(biāo)系2維平面到3維世界坐標(biāo)下的轉(zhuǎn)換模型，即位姿解算模型，從而解算出無(wú)人機(jī)自身位姿信息。

1 系統(tǒng)結(jié)構(gòu)

文中以常見(jiàn)的四旋翼無(wú)人機(jī)作為研究對(duì)象，考慮系統(tǒng)的實(shí)時(shí)性與低復(fù)雜性，選用藍(lán)色雙三角平面標(biāo)志物作為人工標(biāo)志，在無(wú)人機(jī)上固定相機(jī)，對(duì)機(jī)載相機(jī)拍攝的圖片進(jìn)行圖像處理，將處理結(jié)果和已知世界坐標(biāo)系下的圖像坐標(biāo)作為位姿解算模型的輸入，解算無(wú)人機(jī)位姿。假設(shè)室內(nèi)無(wú)人機(jī)飛行區(qū)域中都能通過(guò)機(jī)載相機(jī)觀測(cè)到架設(shè)的人工標(biāo)志。位姿估計(jì)示意圖如圖1所示。

圖1 位姿估計(jì)的示意圖

視覺(jué)位姿估計(jì)系統(tǒng)由兩個(gè)模塊構(gòu)成：圖像處理以及位姿解算。圖像處理模塊完成人工標(biāo)志的檢測(cè)與提取。利用顏色特征完成人工標(biāo)志的檢測(cè)，借助Harris角點(diǎn)檢測(cè)、Hough直線擬合獲取特征點(diǎn)的提取。圖像處理的流程如圖2所示。

圖2 圖像處理流程圖

位姿解算，實(shí)際就是對(duì)于機(jī)載相機(jī)的外參數(shù)的估計(jì)。在完成攝像機(jī)內(nèi)參數(shù)標(biāo)定的前提下，利用點(diǎn)透視算法求解一個(gè)粗精度的位姿將其作為正交迭代算法[10]的初始值，經(jīng)迭代求解位姿。下文對(duì)位姿解算原理進(jìn)行詳細(xì)介紹。

2 位姿估計(jì)原理

位姿解算，是對(duì)世界坐標(biāo)系下信息已知的人工標(biāo)志進(jìn)行成像信息進(jìn)行特征分析處理求解。這里對(duì)坐標(biāo)系轉(zhuǎn)換以及攝像機(jī)成像原理進(jìn)行如下說(shuō)明。

2.1 攝像機(jī)模型

攝像機(jī)模型，是對(duì)攝像機(jī)成像過(guò)程的數(shù)學(xué)表達(dá)。物體在圖像坐標(biāo)上的像點(diǎn)與攝像機(jī)內(nèi)部參數(shù)以及物體的空間相對(duì)位置有關(guān)。理想的攝像機(jī)模型為針孔模型，但實(shí)際中，相機(jī)一般由于鏡頭畸變呈非線性。非線性相機(jī)模型為：

式（1）中 f為焦距，xc，yc，zc為攝像機(jī)坐標(biāo)系下坐標(biāo)，xI，yI為圖像坐標(biāo)系下坐標(biāo)。 k1，k2為畸變系數(shù)，取二階徑向模型。攝像機(jī)的焦距，像元尺寸，光心，偏移量，不垂直度，畸變系數(shù)等內(nèi)部參數(shù)都是未知的，要實(shí)現(xiàn)位姿估計(jì)還需對(duì)其標(biāo)定。

2.2 坐標(biāo)系轉(zhuǎn)換

位姿解算本質(zhì)上是2D-3D的場(chǎng)景重建，在此過(guò)程中，涉及到世界坐標(biāo)系、機(jī)體坐標(biāo)系、攝像機(jī)坐標(biāo)系及圖像坐標(biāo)系的相互轉(zhuǎn)換。

系統(tǒng)將無(wú)人機(jī)與攝像機(jī)固連，只需解算出攝像機(jī)在世界坐標(biāo)系下的位姿，即認(rèn)為獲取無(wú)人機(jī)的位姿。下文的機(jī)體坐標(biāo)系，均以攝像機(jī)坐標(biāo)系取代。就研究涉及的三個(gè)坐標(biāo)系間的轉(zhuǎn)換關(guān)系介紹如下：

1）世界坐標(biāo)系-攝像機(jī)坐標(biāo)系

世界坐標(biāo)系到攝像機(jī)坐標(biāo)系的轉(zhuǎn)換如圖3所示。

圖3 世界坐標(biāo)系-攝像機(jī)坐標(biāo)系

兩不同的右手坐標(biāo)系可通過(guò)旋轉(zhuǎn)平移轉(zhuǎn)換重合。旋轉(zhuǎn)變換可視為三軸以一定順序分別旋轉(zhuǎn)的合運(yùn)動(dòng)。取繞各軸逆時(shí)針旋轉(zhuǎn)的角度為正，按照X-YZ旋轉(zhuǎn)順序，得到符合系統(tǒng)的旋轉(zhuǎn)矩陣：

式（3）中 準(zhǔn)，θ，ψ 對(duì)應(yīng)橫滾角、俯仰角、偏航角。下文用r11-r33代替R矩陣的各個(gè)元素。

2）攝像機(jī)坐標(biāo)系-圖像坐標(biāo)系

攝像機(jī)坐標(biāo)系到圖像坐標(biāo)系的轉(zhuǎn)換是基于攝像機(jī)模型的。上一章節(jié)已給出詳細(xì)的闡述

其中 u，v 是圖像坐標(biāo)，xc，yc，zc是攝像機(jī)的坐標(biāo)，u0，v0為圖像中心，fx，fy為像素單位下的焦距，k1，k2為畸變系數(shù)。

2.3 位姿估計(jì)算法

1）N點(diǎn)透視算法

考慮到無(wú)人機(jī)系統(tǒng)機(jī)動(dòng)性較大，位姿估計(jì)需兼顧實(shí)時(shí)性，不宜取過(guò)多特征點(diǎn)。本系統(tǒng)擬采用平面標(biāo)志物的6個(gè)特征點(diǎn)分析解算。理論上，對(duì)于平面目標(biāo)，只需要4個(gè)共面且任意三點(diǎn)不在一條直線上的點(diǎn)集即可確定出無(wú)人機(jī)的位姿[11]。

對(duì)于圖像處理后獲取的點(diǎn)坐標(biāo)進(jìn)行畸變校正。將校正后的坐標(biāo)ui，vi代入模型。從攝像機(jī)坐標(biāo)系到圖像坐標(biāo)系，是一個(gè)3D-2D的轉(zhuǎn)換過(guò)程。轉(zhuǎn)換中，深度信息丟失，但是可以在求解過(guò)程中消去該變量。求解的方程組如下：為歸一化的攝像機(jī)坐標(biāo)。 假設(shè) tz=1，有 8個(gè)未知量，根據(jù)PnP理論和線性代數(shù)知識(shí)，需要任意三點(diǎn)不共線的4個(gè)點(diǎn)才能求解。對(duì)于式（5）可記為：Am=b。通過(guò)最小二乘法可以解出 m=（ATA）-1ATb。結(jié)合旋轉(zhuǎn)矩陣的單位性和正交性可以求解出tz、RJS、TJS。

至此，位姿估計(jì)的初始值求解完成。

2）正交迭代算法

對(duì)于N點(diǎn)透視算法，各個(gè)特征點(diǎn)提取都存在著量測(cè)誤差，估計(jì)精度隨之降低。基于此，本文參考了一種正交迭代思想[12-13]來(lái)對(duì)N點(diǎn)透視算法的估計(jì)值進(jìn)行進(jìn)一步優(yōu)化。

已知任意空間點(diǎn)與其成像在同一條過(guò)光心的直線上[14]。利用這個(gè)性質(zhì)，以量測(cè)像點(diǎn)到實(shí)際像點(diǎn)的距離構(gòu)造誤差方程。假設(shè)人工標(biāo)志的特征點(diǎn)在世界坐標(biāo)系下的坐標(biāo)為wi，根據(jù)提取的圖像坐標(biāo)解算出投影在歸一化平面上的像點(diǎn)vi?；谖墨I(xiàn)[13]的物空間誤差模型建立目標(biāo)函數(shù)如下：

令E（R，T）值最小的R，T為最優(yōu)估計(jì)。對(duì)于這兩個(gè)參數(shù)的最小平方的估計(jì)，文獻(xiàn)[11]給出利用奇異值分解法的求解方案。旋轉(zhuǎn)矩陣的精度與平移向量精度息息相關(guān)，利用迭代算法計(jì)算得到旋轉(zhuǎn)矩陣R*。在此基礎(chǔ)，計(jì)算關(guān)于R*的T的最優(yōu)解作為平移變量T的初始值：

根據(jù)vi=R*wi+T，更新vi，迭代若干次，計(jì)算使E最小的R和T。其中最優(yōu)R*的求解。采用SVD分解法[11，13-15]進(jìn)行求解。

3）位姿求解

在旋轉(zhuǎn)矩陣和平移向量求解完成后，位姿估計(jì)就十分直觀了。對(duì)于位置的求解，根據(jù)世界坐標(biāo)-攝像機(jī)坐標(biāo)系的轉(zhuǎn)換關(guān)系以及旋轉(zhuǎn)矩陣的定義，可以得到位置t和姿態(tài)角為：

3 實(shí)驗(yàn)驗(yàn)證

3.1 仿真實(shí)驗(yàn)

在Matlab2012b平臺(tái)上，對(duì)位姿估計(jì)算法進(jìn)行仿真實(shí)驗(yàn)。通過(guò)給定姿態(tài)角位置和攝像機(jī)模型求解出對(duì)應(yīng)的圖上坐標(biāo)，對(duì)求解的圖上坐標(biāo)加不同強(qiáng)度（單位為像素）的隨機(jī)噪聲 q×（rand（1）-0.5），通過(guò)位姿估計(jì)算法，將結(jié)果與參考值對(duì)比。仿真實(shí)驗(yàn)中影響位姿估計(jì)精度的因素，可以歸納為：量測(cè)噪聲強(qiáng)度、人工標(biāo)志距離光軸的遠(yuǎn)近、人工標(biāo)志的大小/距攝像機(jī)距離以及人工標(biāo)志的特征點(diǎn)數(shù)。下文就以上因素給出仿真結(jié)果。

1）量測(cè)噪聲強(qiáng)度——取6個(gè)特征點(diǎn)作為人工標(biāo)志的輸入，保持位置一定，對(duì)于噪聲強(qiáng)度從0-10，以0.5為間隔，每個(gè)強(qiáng)度取1 000次估計(jì)結(jié)果的平均值。在不同強(qiáng)度的噪聲下，解算出來(lái)的位姿誤差如如圖4所示，隨著噪聲的增強(qiáng)，姿態(tài)角和位置估計(jì)的誤差逐漸增大。在噪聲強(qiáng)度為10像素之內(nèi)，角度偏差最大為2°。當(dāng)無(wú)人機(jī)距人工標(biāo)志物的距離在1 600 mm左右，對(duì)于強(qiáng)度為10像素的隨機(jī)噪聲會(huì)造成最大x方向2cm的偏差，y方向6 cm的偏差，z方向4 cm的偏差。

圖4 不同噪聲強(qiáng)度下位姿估計(jì)誤差

圖5 距光軸遠(yuǎn)近不同對(duì)位姿估計(jì)的影響

2）人工標(biāo)志距離光軸的遠(yuǎn)近——仿真取相同噪聲條件下，初始狀態(tài)為[-pi，0，0]時(shí)，可視為距光軸為0，橫滾角以0.1 rad遞增，距離逐漸變大，位姿解算的誤差如圖5所示。人工標(biāo)志距光軸的距離隨著roll角的減小而增大，位姿估計(jì)誤差隨著光軸的距離的增大而減小。

圖6 人工標(biāo)志大小/相機(jī)距離對(duì)位姿估計(jì)的影響

圖7 特征點(diǎn)個(gè)數(shù)對(duì)位姿估計(jì)的影響

3）人工標(biāo)志的大小/距攝像機(jī)距離——簡(jiǎn)單地，取相機(jī)位于目標(biāo)的正上方，在相同的噪聲強(qiáng)度下，同樣大小的人工標(biāo)志，取不同的高度，即對(duì)應(yīng)不同的得到的仿真結(jié)果如圖6所示。結(jié)果表明，距離越大位姿估計(jì)精度越低。

4）平面特征點(diǎn)的個(gè)數(shù)——平面特征點(diǎn)至少要4個(gè)，考慮到這里要保證其他因素不變，取標(biāo)志物上的4/5/6個(gè)特征點(diǎn)觀察一下趨勢(shì)，仿真結(jié)果如圖7所示。特征點(diǎn)給的個(gè)數(shù)越多，位姿估計(jì)精度越高，但實(shí)際系統(tǒng)中太多的特征點(diǎn)在圖像處理中會(huì)耗時(shí)多，無(wú)法滿足實(shí)時(shí)性的要求。

5）除此以外，仿真實(shí)驗(yàn)比較了本文算法和單獨(dú)的

N點(diǎn)透視算法的估計(jì)精度。對(duì)于不同噪聲強(qiáng)度下，?。?/p>

作為衡量位置和角度與標(biāo)準(zhǔn)值的平均偏差，仿真結(jié)果如圖8。

實(shí)驗(yàn)結(jié)果表明，加入正交迭代，對(duì)于位姿估計(jì)的精度有明顯提升，尤其是在噪聲強(qiáng)度大的時(shí)候，效果更明顯。

圖8 兩種算法的位姿誤差

3.2 實(shí)物實(shí)驗(yàn)

由于無(wú)人機(jī)在室內(nèi)無(wú)法獲取GPS信號(hào)，因此利用VICON紅外三維運(yùn)動(dòng)捕捉系統(tǒng)，來(lái)獲取無(wú)人機(jī)的位置姿態(tài)信息，以此作為無(wú)人機(jī)位姿的標(biāo)準(zhǔn)值。實(shí)物實(shí)驗(yàn)選取的機(jī)載相機(jī)型號(hào)為Gopro hero4 silver。采用加州理工大學(xué)開(kāi)發(fā)的camera calibration toolbox在MATLAB2012b下進(jìn)行棋盤(pán)標(biāo)定，標(biāo)定結(jié)果如表1所示。

圖9 圖像處理過(guò)程

表1 攝像機(jī)參數(shù)標(biāo)定結(jié)果

實(shí)物實(shí)驗(yàn)使用的人工標(biāo)志物為藍(lán)色的挖空的三角形圖像，對(duì)機(jī)載相機(jī)拍攝的圖像做離線的圖像處理，由于篇幅限制，截取的部分圖像處理的過(guò)程如圖9所示。

人工標(biāo)志固定，選取無(wú)人機(jī)任意位置拍攝的兩組圖片進(jìn)行位姿解算驗(yàn)證算法。相機(jī)拍攝的兩組位姿圖像如圖10所示。解算結(jié)果如表2所示。

圖10 兩組位姿圖像

表2 位姿解算結(jié)果

實(shí)驗(yàn)表明，該位姿估計(jì)算法能實(shí)現(xiàn)無(wú)人機(jī)的位姿估計(jì)，并達(dá)到一定的精度。在實(shí)物實(shí)驗(yàn)中，出現(xiàn)了上文例子2中，偏航角的解算出復(fù)數(shù)形式，即死鎖問(wèn)題，這是由于歐拉角表示的旋轉(zhuǎn)矩陣的局限，這一問(wèn)題可通過(guò)四元數(shù)法表示的旋轉(zhuǎn)矩陣進(jìn)行修正。

4 結(jié) 論

文中對(duì)無(wú)人機(jī)室內(nèi)飛行時(shí)的位姿實(shí)時(shí)獲取提供了一種由粗到精的位姿估計(jì)方法。根據(jù)不同位姿下機(jī)載相機(jī)下的人工標(biāo)志不同的成像信息，在世界坐標(biāo)系和圖像坐標(biāo)系下建立轉(zhuǎn)換關(guān)系，利用點(diǎn)透視算法解位姿初值代入正交迭代算法，最終實(shí)現(xiàn)位姿的精確解算。經(jīng)實(shí)驗(yàn)驗(yàn)證，在噪聲影響較小的情況下，本算法能實(shí)現(xiàn)室內(nèi)無(wú)人機(jī)位姿的實(shí)時(shí)高精度估計(jì)。但該算法是基于點(diǎn)特征，受噪聲影響較大，一旦噪聲過(guò)大，則估計(jì)不準(zhǔn)確，下一步人工目標(biāo)的特征設(shè)計(jì)可朝著曲線特征[16]以及與IMU信息融合的方向改進(jìn)。

[1]孫罡.低成本微小型無(wú)人機(jī)慣性組合導(dǎo)航技術(shù)研究[D].南京：南京理工大學(xué)，2014.

[2]沈浩.無(wú)人機(jī)MIMU/GPS組合導(dǎo)航系統(tǒng)研究[D].哈爾濱：哈爾濱工程大學(xué)，2012.

[3]張勇.基于合作目標(biāo)的無(wú)人機(jī)位姿估計(jì)算法研究[D].南京：南京航空航天大學(xué)，2010.

[4]竇川川.基于慣性傳感和視覺(jué)方法的無(wú)人直升機(jī)位姿估計(jì)比較研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

[5]Li J H，Xie X Z.Study of Monocular Measuring Technique Based on Homography Matrix[M].Berlin Heidelberg:Springer 2011:316-324.

[6]Jayatilleke L，Zhang N.Landmark-based localization for Unmanned Aerial Vehicles[C].//Systems Conference （SysCon）， 2013 IEEE International IEEE，2013:448-451.

[7]Zhu L， Fan B，Du Y， et al.A tracking and locating method for UAVs Vision System[C].//Information and Automation （ICIA）， 2010 IEEE International Conference onIEEE，2010:1953-1957.

[8]Wang T，Zhang Y，Wang C，et al.Indoor visual navigation system based on paired-landmark for smallUAVs [C].Robotics and Biomimetics（ROBIO）， 2014 IEEE International Conference onIEEE，2014:1703-1708.

[9]楊世保.無(wú)人機(jī)著陸位姿參數(shù)視覺(jué)估計(jì)研究[D].南京：南京航空航天大學(xué)，2012.

[10]李鑫，龍古燦，劉進(jìn)博，等.相機(jī)位姿估計(jì)的加速正交迭代算法[J].光學(xué)學(xué)報(bào)，2015（1）:266-273.

[11]王鵬，孫長(zhǎng)庫(kù)，張子淼.單目視覺(jué)位姿測(cè)量的線性求解[J].儀器儀表學(xué)報(bào)， 2011，32（5）:1126-1131.

[12]Morbidi F，Mariottini G L.Active Target Tracking and Cooperative Localization for Teams of Aerial Vehicles[J].IEEE Transactions on Control Systems Technology， 2013，21（5）:1694-1707.

[13]Mirota D J， Ishii M， Hager G D.Vision-based navigation in image-guided interventions.[J].Annual Review of Biomedical Engineering，2011，13（13）:297-319.

[14]李飛，唐大全，畢波，等.基于點(diǎn)線對(duì)應(yīng)的無(wú)人機(jī)位姿估計(jì)算法 [J].計(jì)算機(jī)測(cè)量與控制，2011，19(12):3108-3110.

[15]許允喜，蔣云良，陳方，等.基于點(diǎn)線對(duì)應(yīng)的多攝像機(jī)全局位姿估計(jì)迭代算法[J].光子學(xué)報(bào)，2010，39（10）:1881-1888.

[16]尚曉紅.一種基于圓或平行線特征的位姿估計(jì)方法[D].昆明：云南大學(xué)，2012.

Pose estimation of UAV based on artificial marks with monocular vision

WU Yan， WU Fen， QI Guo-qing
（Nanjing University of Science and Technology， Nanjing 210094， China）

This article proposes a pose estimation algorithm with a combination of digital image processing and 2D-3D scene reconstruction to deal with UAV self localization.Under the premise of the known world coordinates of the artificial mark，we obtain the information from the images taken by a nonlinear onboard camera and take some methods of digital image processing to provide feature point datas for subsequent calculation.Pose estimation provides a improved N-point perspective algorithm which combines orthogonal iteration.N-point perspective calculates attitude angles matrix as the initial values of orthogonal iteration.The feasibility of the algorithm is verified by simulation experiments and real experiments.Compared with N-point perspective algorithm，this method improves the pose estimation accuracy and fast convergence and provide a new idea for the UAV indoor pose estimation.

self localization； nonlinear； artificial marks； PnP； orthogonal iteration

TN29

A

1674－6236（2017）12-0143-06

2016-08-04稿件編號(hào)：201608037

國(guó)家自然科學(xué)基金項(xiàng)目（61104186；61273076）

吳妍（1992—），女，江蘇南通人，碩士研究生。研究方向：四旋翼無(wú)人機(jī)的定位與導(dǎo)航、圖像處理等。