一种低光照条件下图像增强的视觉SLAM方法和系统

一种低光照条件下图像增强的视觉slam方法和系统
技术领域
1.本发明涉及无人机技术领域，具体涉及一种低光照条件下图像增强的视觉slam方法和系统。


背景技术：

2.低光照图像增强旨在提高光照不足场景下捕获数据的视觉感知质量以获取更多信息，逐渐成为图像处理领域中的研究热点，在自动驾驶、安防等人工智能相关行业中具有十分广阔的应用前景。传统的低光照图像增强技术往往需要高深的数学技巧以及严格的数学推导，且导出的迭代过程普遍流程复杂，不利于实际应用。随着大规模数据集的相继诞生，基于深度学习的低光照图像增强已经成为当前的主流技术，然而此类技术受限于数据分布，存在性能不稳定、应用场景单一等问题。
3.低光照图像增强作为图像处理中的经典任务，在学术界与工业界均受到了广泛关注。传统视觉slam使用的多为rgb图像配合imu等进行多传感器融合，在低光照条件下存在定位精度低、轨迹偏移大等问题，这很大程度影响了视觉里程计的定位效果。
4.因此，如何解决现有技术中存在是定位精度低、轨迹偏移大等问题，是本领域技术人员亟待解决的技术问题。


技术实现要素：

5.为实现本发明目的提供的一种低光照条件下图像增强的视觉slam方法，包括：
6.步骤s101：根据光照强度判断算法，对每一帧图像进行亮度判断；
7.步骤s102：根据所述图像亮度的灰度直方图判断当前无人机所处环境是否达到需要开启图像增强算法的阈值p；
8.其中，所述图像增强算法是基于retinex理论的卷积网络学习模型，为减轻计算量，增加自校准模块；
9.步骤s103：当达到阈值p后，通过图像增强算法对双目相机所获得的图像进行处理；
10.步骤s104：将所述图像增强算法处理后的图像传输给视觉里程计作建图避障处理。
11.在其中一些具体实施例中，所述步骤s101还包括：
12.设定亮度阈值v，当某一像素的亮度低于该阈值时记为偏暗像素，将偏暗像素的个数除以图片像素总数，得到百分比l，通过对比l值来判断当前环境的昏暗程度。
13.在其中一些具体实施例中，所述图像增强算法包括：
14.通过权重共享的光照学习、自校准模块和无监督损失函数，渐进式地对图像光照度、对比度进行优化，尽可能地得到清晰度较高且不会过度曝光的图像，并且不改变图像原有格式。
15.在其中一些具体实施例中，在所述自校准模块引入一个全新的前馈矫正网络结
构，所述结构包含三个卷积核，分别为k1、k2、k3，三个滤波器f1、f2、f3，用于平滑输入以及步长为r的池化层，所述自校准模块公式表达如下所示：
[0016][0017]
其中，x
t
是当前阶段的光照，z
t
是通过滤波器f2后得到的光照，s
t
是x
t
与z
t
叠加得到的光照，p
t
是s
t
经过sigmoid激活函数对k3卷积提取后的特征进行校准得到自校正后的得到的光照，w
t
是通过滤波器f3后得到的光照，r
t
是校准后的用于下一阶段的输入。
[0018]
在其中一些具体实施例中，所述无监督损失函数以约束每一阶段的光度损失，公式表示如下：
[0019][0020]
式中，m
t
是遮挡mask，m1是非遮挡mask，ψ是鲁棒惩罚函数，i
t
、i
t+1
即表示光度差异，vf(p)指的是前向光流。
[0021]
为实现上述发明目的，本技术还提供了一种低光照条件下图像增强的视觉slam系统，包括：
[0022]
亮度判断模块：用于根据光照强度判断算法，对每一帧图像进行亮度判断；
[0023]
算法开启模块：用于根据所述图像亮度的灰度直方图判断当前无人机所处环境是否达到需要开启图像增强算法的阈值p；
[0024]
其中，所述图像增强算法是基于retinex理论的卷积网络学习模型，为减轻计算量，增加自校准模块；
[0025]
图像处理模块：用于当达到阈值p后，通过图像增强算法对双目相机所获得的图像进行处理；
[0026]
图像传输模块：用于将所述图像增强算法处理后的图像传输给视觉里程计作建图避障处理。
[0027]
在其中一些具体实施例中，所述亮度判断模块还用于：
[0028]
设定亮度阈值v，当某一像素的亮度低于该阈值时记为偏暗像素，将偏暗像素的个数除以图片像素总数，得到百分比l，通过对比l值来判断当前环境的昏暗程度。
[0029]
在其中一些具体实施例中，所述图像增强算法包括：
[0030]
通过权重共享的光照学习、自校准模块和无监督损失函数，渐进式地对图像光照度、对比度进行优化，尽可能地得到清晰度较高且不会过度曝光的图像，并且不改变图像原有格式。
[0031]
在其中一些具体实施例中，在所述自校准模块引入一个全新的前馈矫正网络结构，所述结构包含三个卷积核，分别为k1、k2、k3，三个滤波器f1、f2、f3，用于平滑输入以及步长为r的池化层，所述自校准模块公式表达如下所示：
[0032][0033]
其中，x
t
是当前阶段的光照，z
t
是通过滤波器f2后得到的光照，s
t
是x
t
与z
t
叠加得到的光照，p
t
是s
t
经过sigmoid激活函数对k3卷积提取后的特征进行校准得到自校正后的得到的光照，w
t
是通过滤波器f3后得到的光照，r
t
是校准后的用于下一阶段的输入。
[0034]
在其中一些具体实施例中，所述无监督损失函数以约束每一阶段的光度损失，公式表示如下：
[0035][0036]
式中，m
t
是遮挡mask，m1是非遮挡mask，ψ是鲁棒惩罚函数，i
t
、i
t+1
即表示光度差异，vf(p)指的是前向光流。
[0037]
上述技术方案的有益效果：
[0038]
(1)本技术能够实现无人机在昏暗、未知的复杂环境中自主避障飞行，提高了无人机在低光照环境下自主避障的安全性和稳定性。
[0039]
(2)本技术所使用的低光照图像增强算法模型不仅能够应用于该无人机设备中，更可以广泛应用于各种昏暗场景下用来提高视觉slam的精度和鲁棒性。
附图说明
[0040]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]
图1为本发明的一个实施例提供的一种低光照条件下图像增强的视觉slam方法的流程示意图；
[0042]
图2为本发明一个实施例提供的一种低光照条件下图像增强的视觉slam系统的结构示意图；
[0043]
图3为本发明一个实施例提供的一个实施例提供的一种低光照条件下图像增强的视觉slam方法和系统的自校准模块的结构示意图。
具体实施方式
[0044]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0045]
所述实施例的示例在附图中示出，其中自始至终相同或类似的符号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0046]
实施例一
[0047]
本发明的一个实施例提供了一种低光照条件下图像增强的视觉slam方法，参照图1所示，包括：
[0048]
步骤s101：根据光照强度判断算法，对每一帧图像进行亮度判断；
[0049]
在本发明的一个具体实施例中，所述步骤s101还包括：
[0050]
设定亮度阈值v，当某一像素的亮度低于该阈值时记为偏暗像素，将偏暗像素的个数除以图片像素总数，得到百分比l，通过对比l值来判断当前环境的昏暗程度。
[0051]
步骤s102：根据所述图像亮度的灰度直方图判断当前无人机所处环境是否达到需要开启图像增强算法的阈值p，其中，所述图像增强算法是基于retinex理论的卷积网络学习模型，为减轻计算量，增加自校准模块。
[0052]
在本发明的一个具体实施例中，所述图像增强算法包括：：
[0053]
通过权重共享的光照学习、自校准模块和无监督损失函数，渐进式地对图像光照度、对比度进行优化，尽可能地得到清晰度较高且不会过度曝光的图像，并且不改变图像原有格式。
[0054]
具体地，低光照图像增强算法基于retinex理论的轻量级光照学习模型，含有权重共享的光照学习、自校准模块和无监督损失函数，能够渐进式地对图像光照度、对比度进行优化，尽可能地得到清晰度较高且不会过度曝光的图像，并且不改变图像原有格式。
[0055]
具体地，retinex理论的轻量级光照学习模型对图像照度的优化是基于retinex理论。retinex理论实际上属于图像分解的一种，它将图像分解为照度分量和反射分量相乘，构造了数学模型：
[0056]
s(x,y)＝r(x,y)
·
l(x,y)
[0057]
retinex理论认为图像s(x,y)等于照度分量r(x,y)乘上反射分量l(x,y)。照度分量包含了图像中景物的大致轮廓和亮度的分布，反射分量代表了图像的本质属性，包含图像的所有边缘细节颜色等。
[0058]
具体地，根据retinex理论，即s(x,y)＝r(x,y)
·
l(x,y)。在基于该模型设计的方法中，光照的估计通常被视为主要的优化目标，得到精确的光照后，清晰图像能够上述关系直接得到。本模型采用渐进式的光照优化过程，基本实现如下：
[0059][0060]
其中u
t
与x
t
分别表示第t阶段的残差与光照。x0代表初值。h
θ
表示光照估计网络，即学习照明过程，θ代表训练权重。需要注意的是这里h
θ
与阶段数无关，即在每一阶段光照估计网络均保持结构与参数共享状态，即在每一次的迭代中都使用相同的h
θ
。
[0061]
在本发明的一个具体实施例中，参照图3所示，在所述自校准模块引入一个全新的前馈矫正网络结构，所述结构包含三个卷积核，分别为k1、k2、k3，三个滤波器f1、f2、f3，用于平滑输入以及步长为r的池化层，所述自校准模块公式表达如下所示：
[0062][0063]
其中，x
t
是当前阶段的光照，z
t
是通过滤波器f2后得到的光照，s
t
是x
t
与z
t
叠加得到的光照，p
t
是s
t
经过sigmoid激活函数对k3卷积提取后的特征进行校准得到自校正后的得到的光照，w
t
是通过滤波器f3后得到的光照，r
t
是校准后的用于下一阶段的输入。
[0064]
在本发明的一个具体实施例中，所述无监督损失函数以约束每一阶段的光度损失，公式表示如下：
[0065][0066]
式中，m
t
是遮挡mask，m1是非遮挡mask，ψ是鲁棒惩罚函数，i
t
、i
t+1
即表示光度差异，vf(p)指的是前向光流。
[0067]
步骤s103：当达到阈值p后，通过图像增强算法对双目相机所获得的图像进行处理。
[0068]
在本发明的一个具体实施例中，视觉slam避障组件包括双目相机，所述双目相机用于获取无人机前进方向的视觉影像，并传输至所述机载处理器，所述机载处理器实时完成视觉slam和避障功能；无人机前端的视觉里程计采用orb-slam3，通过低光照增强模型增强后的双目影像和imu的信息融合，估计无人机的当前位姿及输出稀疏点云信息为后端自主规划器使用。通过视觉里程计输出的点云信息，采用a*算法进行实时的路径规划。
[0069]
步骤s104：将所述图像增强算法处理后的图像传输给视觉里程计作建图避障处理。
[0070]
在本发明的一个具体实施例中，实际操作时，打开无人机地面站，启动电源开关、数传开关、图传开关、机载处理器开关，图传接收机接入电脑，通过地面站连接无人机。这时可以通过地面站检查无人机的姿态，图片传输等状态是否正常，检查激光雷达显示高度是否正常。
[0071]
具体地，通过ssh连接机载处理器，通过ros启动slam建图，左右摇晃飞机看vins-function显示是否正常，检查各个话题通讯是否正常。启动图像亮度判断算法，如果环境昏暗的情况下，则亮度判断算法会自动启动图像增强算法用以提高图像亮度及对比度。
[0072]
在地面站设置飞行的轨迹航点，通过ros输入指令使飞机进入offboard模式并起飞。此时无人机会向着初始航点飞去，并在图中通过a*算法和vins-function视觉惯导里程计实时避障。
[0073]
具体地，当无人机飞行到达侦察区域后，切换飞行模式为定点飞行模式，通过激光雷达辅助定高实现稳定悬停。等待无人机姿态平稳，调节云台角度，准备进行航拍影像采集。
[0074]
本技术能够实现无人机在昏暗、未知的复杂环境中自主避障飞行，提高了无人机在低光照环境下自主避障的安全性和稳定性。本技术所使用的低光照图像增强算法模型不
仅能够应用于该无人机设备中，更可以广泛应用于各种昏暗场景下用来提高视觉slam的精度和鲁棒性。
[0075]
实施例二
[0076]
本发明的一个实施例提供了一种低光照条件下图像增强的视觉slam系统，参照图2所示，包括：
[0077]
亮度判断模块：用于根据光照强度判断算法，对每一帧图像进行亮度判断。
[0078]
在本发明的一个具体实施例中，所述亮度判断模块还用于：
[0079]
设定亮度阈值v，当某一像素的亮度低于该阈值时记为偏暗像素，将偏暗像素的个数除以图片像素总数，得到百分比l，通过对比l值来判断当前环境的昏暗程度。
[0080]
算法开启模块：用于根据所述图像亮度的灰度直方图判断当前无人机所处环境是否达到需要开启图像增强算法的阈值p；
[0081]
其中，所述图像增强算法是基于retinex理论的卷积网络学习模型，为减轻计算量，增加自校准模块。
[0082]
在本发明的一个具体实施例中，所述图像增强算法包括：：
[0083]
通过权重共享的光照学习、自校准模块和无监督损失函数，渐进式地对图像光照度、对比度进行优化，尽可能地得到清晰度较高且不会过度曝光的图像，并且不改变图像原有格式。
[0084]
具体地，低光照图像增强算法基于retinex理论的轻量级光照学习模型，含有权重共享的光照学习、自校准模块和无监督损失函数，能够渐进式地对图像光照度、对比度进行优化，尽可能地得到清晰度较高且不会过度曝光的图像，并且不改变图像原有格式。
[0085]
具体地，retinex理论的轻量级光照学习模型对图像照度的优化是基于retinex理论。retinex理论实际上属于图像分解的一种，它将图像分解为照度分量和反射分量相乘，构造了数学模型：
[0086]
s(x,y)＝r(x,y)
·
l(x,y)
[0087]
retinex理论认为图像s(x,y)等于照度分量r(x,y)乘上反射分量l(x,y)。照度分量包含了图像中景物的大致轮廓和亮度的分布，反射分量代表了图像的本质属性，包含图像的所有边缘细节颜色等。
[0088]
具体地，根据retinex理论，即s(x,y)＝r(x,y)
·
l(x,y)。在基于该模型设计的方法中，光照的估计通常被视为主要的优化目标，得到精确的光照后，清晰图像能够上述关系直接得到。本模型采用渐进式的光照优化过程，基本实现如下：
[0089][0090]
其中u
t
与x
t
分别表示第t阶段的残差与光照。x0代表初值。h
θ
表示光照估计网络，即学习照明过程，θ代表训练权重。需要注意的是这里h
θ
与阶段数无关，即在每一阶段光照估计网络均保持结构与参数共享状态，即在每一次的迭代中都使用相同的h
θ
。
[0091]
在本发明的一个具体实施例中，参照图3所示，在所述自校准模块引入一个全新的前馈矫正网络结构，所述结构包含三个卷积核，分别为k1、k2、k3，三个滤波器f1、f2、f3，用于平滑输入以及步长为r的池化层，所述自校准模块公式表达如下所示：
[0092][0093]
其中，x
t
是当前阶段的光照，z
t
是通过滤波器f2后得到的光照，s
t
是x
t
与z
t
叠加得到的光照，p
t
是s
t
经过sigmoid激活函数对k3卷积提取后的特征进行校准得到自校正后的得到的光照，w
t
是通过滤波器f3后得到的光照，r
t
是校准后的用于下一阶段的输入。
[0094]
在本发明的一个具体实施例中，所述无监督损失函数以约束每一阶段的光度损失，公式表示如下：
[0095][0096]
式中，m
t
是遮挡mask，m1是非遮挡mask，ψ是鲁棒惩罚函数，i
t
、i
t+1
即表示光度差异，vf(p)指的是前向光流。
[0097]
图像处理模块：用于当达到阈值p后，通过图像增强算法对双目相机所获得的图像进行处理。
[0098]
在本发明的一个具体实施例中，视觉slam避障组件包括双目相机，所述双目相机用于获取无人机前进方向的视觉影像，并传输至所述机载处理器，所述机载处理器实时完成视觉slam和避障功能；无人机前端的视觉里程计采用orb-slam3，通过低光照增强模型增强后的双目影像和imu的信息融合，估计无人机的当前位姿及输出稀疏点云信息为后端自主规划器使用。通过视觉里程计输出的点云信息，采用a*算法进行实时的路径规划。
[0099]
图像传输模块：用于将所述图像增强算法处理后的图像传输给视觉里程计作建图避障处理。
[0100]
在本发明的一个具体实施例中，实际操作时，打开无人机地面站，启动电源开关、数传开关、图传开关、机载处理器开关，图传接收机接入电脑，通过地面站连接无人机。这时可以通过地面站检查无人机的姿态，图片传输等状态是否正常，检查激光雷达显示高度是否正常。
[0101]
具体地，通过ssh连接机载处理器，通过ros启动slam建图，左右摇晃飞机看vins-function显示是否正常，检查各个话题通讯是否正常。启动图像亮度判断算法，如果环境昏暗的情况下，则亮度判断算法会自动启动图像增强算法用以提高图像亮度及对比度。
[0102]
在地面站设置飞行的轨迹航点，通过ros输入指令使飞机进入offboard模式并起飞。此时无人机会向着初始航点飞去，并在图中通过a*算法和vins-function视觉惯导里程计实时避障。
[0103]
具体地，当无人机飞行到达侦察区域后，切换飞行模式为定点飞行模式，通过激光雷达辅助定高实现稳定悬停。等待无人机姿态平稳，调节云台角度，准备进行航拍影像采集。
[0104]
本技术能够实现无人机在昏暗、未知的复杂环境中自主避障飞行，提高了无人机在低光照环境下自主避障的安全性和稳定性。本技术所使用的低光照图像增强算法模型不
仅能够应用于该无人机设备中，更可以广泛应用于各种昏暗场景下用来提高视觉slam的精度和鲁棒性。
[0105]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、“一个具体实施例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0106]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种低光照条件下图像增强的视觉slam方法，其特征在于，包括：步骤s101：根据光照强度判断算法，对每一帧图像进行亮度判断；步骤s102：根据所述图像亮度的灰度直方图判断当前无人机所处环境是否达到需要开启图像增强算法的阈值p；其中，所述图像增强算法是基于retinex理论的卷积网络学习模型，为减轻计算量，增加自校准模块；步骤s103：当达到阈值p后，通过图像增强算法对双目相机所获得的图像进行处理；步骤s104：将所述图像增强算法处理后的图像传输给视觉里程计作建图避障处理。2.根据权利要求1所述的低光照条件下图像增强的视觉slam方法，其特征在于，所述步骤s101还包括：设定亮度阈值v，当某一像素的亮度低于所述阈值v时记为偏暗像素，将偏暗像素的个数除以图片像素总数，得到百分比l，通过对比l值来判断当前环境的昏暗程度。3.根据权利要求1所述的低光照条件下图像增强的视觉slam方法，其特征在于，所述图像增强算法包括：通过权重共享的光照学习、自校准模块和无监督损失函数，渐进式地对图像光照度、对比度进行优化，尽可能地得到清晰度较高且不会过度曝光的图像，并且不改变图像原有格式。4.根据权利要求3所述的低光照条件下图像增强的视觉slam方法，其特征在于，在所述自校准模块引入一个全新的前馈矫正网络结构，所述结构包含三个卷积核，分别为k1、k2、k3，三个滤波器f1、f2、f3，用于平滑输入以及步长为r的池化层，所述自校准模块公式表达如下所示：其中，x
t
是当前阶段的光照，z
t
是通过滤波器f2后得到的光照，s
t
是x
t
与z
t
叠加得到的光照，p
t
是s
t
经过sigmoid激活函数对k3卷积提取后的特征进行校准得到自校正后的得到的光照，w
t
是通过滤波器f3后得到的光照，r
t
是校准后的用于下一阶段的输入。5.根据权利要求3所述的低光照条件下图像增强的视觉slam方法，其特征在于，所述无监督损失函数以约束每一阶段的光度损失，，公式表示如下：式中，m
t
是遮挡mask，m1是非遮挡mask，ψ是鲁棒惩罚函数，i
t
、i
t+1
即表示光度差异，v
f
(p)指的是前向光流。6.一种低光照条件下图像增强的视觉slam系统，其特征在于，包括：亮度判断模块：用于根据光照强度判断算法，对每一帧图像进行亮度判断；算法开启模块：用于根据所述图像亮度的灰度直方图判断当前无人机所处环境是否达
到需要开启图像增强算法的阈值p；其中，所述图像增强算法是基于retinex理论的卷积网络学习模型，为减轻计算量，增加自校准模块；图像处理模块：用于当达到阈值p后，通过图像增强算法对双目相机所获得的图像进行处理；图像传输模块：用于将所述图像增强算法处理后的图像传输给视觉里程计作建图避障处理。7.根据权利要求6所述的低光照条件下图像增强的视觉slam系统，其特征在于，所述亮度判断模块还用于：设定亮度阈值v，当某一像素的亮度低于该阈值时记为偏暗像素，将偏暗像素的个数除以图片像素总数，得到百分比l，通过对比l值来判断当前环境的昏暗程度。8.根据权利要求6所述的低光照条件下图像增强的视觉slam系统，其特征在于，所述图像增强算法包括：通过权重共享的光照学习、自校准模块和无监督损失函数，渐进式地对图像光照度、对比度进行优化，尽可能地得到清晰度较高且不会过度曝光的图像，并且不改变图像原有格式。9.根据权利要求8所述的低光照条件下图像增强的视觉slam系统，其特征在于，在所述自校准模块引入一个全新的前馈矫正网络结构，所述结构包含三个卷积核，分别为k1、k2、k3，三个滤波器f1、f2、f3，用于平滑输入以及步长为r的池化层，所述自校准模块公式表达如下所示：其中，x
t
是当前阶段的光照，z
t
是通过滤波器f2后得到的光照，s
t
是x
t
与z
t
叠加得到的光照，p
t
是s
t
经过sigmoid激活函数对k3卷积提取后的特征进行校准得到自校正后的得到的光照，w
t
是通过滤波器f3后得到的光照，r
t
是校准后的用于下一阶段的输入。10.根据权利要求8所述的低光照条件下图像增强的视觉slam系统，其特征在于，所述无监督损失函数以约束每一阶段的光度损失，公式表示如下：式中，m
t
是遮挡mask，m1是非遮挡mask，ψ是鲁棒惩罚函数，i
t
、i
t+1
即表示光度差异，v
f
(p)指的是前向光流。

技术总结
本发明涉及无人机技术领域，具体公开了一种低光照条件下图像增强的视觉SLAM方法和系统，其中，该方法包括：根据光照强度判断算法，对每一帧图像进行亮度判断；根据所述图像亮度的灰度直方图判断当前无人机所处环境是否达到需要开启图像增强算法的阈值；其中，所述图像增强算法是基于Retinex理论的卷积网络学习模型，为减轻计算量，增加自校准模块；当达到阈值后，通过图像增强算法对双目相机所获得的图像进行处理；将所述图像增强算法处理后的图像传输给视觉里程计作建图避障处理。本申请能够实现无人机在昏暗、未知的复杂环境中自主避障飞行，提高了无人机在低光照环境下自主避障的安全性和稳定性。安全性和稳定性。安全性和稳定性。


技术研发人员：胡敏 林鹏 杨雅君 黄刚 杨学颖 黄飞耀 徐启丞 郭雯
受保护的技术使用者：中国人民解放军战略支援部队航天工程大学
技术研发日：2023.08.01
技术公布日：2023/10/19