视觉SLAM技术是现代智能装备环境感知的核心技术之一,是驱动测绘向智能化方向发展的重要因素。本文围绕视觉SLAM环境感知技术,从特征点法、直接法、视觉指纹库、语义和类脑SLAM 5个方面,梳理了30多年来典型视觉SLAM环境感知技术框架、重要算法基础和测绘应用方式;总结分析了智能化时代视觉SLAM环境感知技术在智能化环境交互感知、即时众包化信息处理和多样化感知数据服务3个方面的发展趋势;探讨了视觉SLAM环境感知技术在交互式导航定位、数字孪生城市建设、实时地表监测解译、众包地图POI生产、无人值守地质灾害监测和自主交互能力支持的深度空间探测应用模式。当前,测绘行业正处于重大发展变革时期,视觉SLAM环境感知技术与人工智能技术的结合,将会进一步赋能测绘生产方式的转变,提升智能化测绘生产和服务水平。

利用低轨微纳卫星编队测定地面无线电发射源位置是全球范围内监视非合作无线电信号源的高效手段。采用星基TDOA测量实现无源定位是其中关键技术。本文分析了影响星基TDOA定位误差的主要因素。针对三星编队监测卫星,给出了基于高程约束的单历元定位方法及多历元距离差定位方法,利用仿真数据对上述定位方法精度进行了试验分析。结果表明,采用等边三角形编队卫星,对海面非合作信号源,TDOA单历元定位精度约为510 m,多历元定位精度可提高到110 m,高低配置三角形编队卫星在星下点轨迹附近定位误差较大。

GNSS/SINS组合导航中因姿态失准角等误差较大会引起状态误差坐标定义不一致和线性化误差较大问题,导致传统滤波和定位性能有所降低,尤其在面临较复杂的GNSS观测环境时更为显著。本文通过将姿态、速度及位置状态构造为特殊SE₂(3)-EKF群元素,考虑陀螺及加速度计零偏误差,形成群-矢量混合误差模型,在此基础上设计了一种基于量测左不变的GNSS/SINS抗差滤波方法(RLIEKF),通过市区环境下存在大失准角误差和GNSS异常的车载组合导航试验,验证本文方法的优越性。试验结果表明:相对于传统EKF方法,RLIEKF方法由于在时间更新及GNSS量测更新中顾及了姿态角误差,在不同大失准角情况下仍具有较快的收敛速度,无须复杂且长时间的姿态对准步骤,较好地弥补了GNSS信号短时间缺失无法定位问题,可显著提升滤波新息精度,具备更好的抗差性能,对于复杂观测环境表现更为稳健,且计算效率相当,具备较好的工程实用价值。

解析延拓算法是一种重要的位场延拓方法。与Poisson延拓算法相比,解析延拓算法具有算法简单、运算速度快等特点,在基于第二或第三大地边值理论构建(似)大地水准面或垂线偏差模型的实践中具有重要的应用价值。径向导数的计算是解析延拓算法的关键,而传统解析延拓算法中径向导数的计算存在一定程度的近似误差。本文提出了一种径向导数的改进方法,在此基础上实现了解析延拓算法的优化。本文利用球谐方法从理论上证明了改进径向导数比传统径向导数更接近理论严密的径向导数,并通过绘制经度剖面和纬度剖面图直观地印证了这一结论。在我国中部地形起伏较大的区域进行的试验表明,改进径向导数精度较传统径向导数精度提高了32.45%。在1、2、3、4 mGal的误差条件下,改进径向导数的解析延拓算法较传统解析延拓算法向下延拓精度分别提高了29.04%、19.48%、10.12%、2.65%。本文通过理论分析和算法试验证明了基于改进径向导数的解析向下延拓优化算法的有效性,该方法在大地边值解算中具有一定的应用价值。

PWV是对流层中的重要参数之一,长时序连续的PWV对长期气候变化研究具有重要影响。但受外界因素影响,目前GNSS获取的PWV长时序数据缺失严重或分辨率较差,无法满足长时序分析的应用需求。针对该问题,本文提出了一种顾及时空加权的PWV长时序填补方法(STW)。该方法引入再分析资料,同时顾及GNSS站点上空水汽在空间和时间上的变化特征,并根据测站位置给予PWV时空变化不同的权值,选取中国地壳运动观测网络的实测数据和欧洲中尺度天气预报中心第五代全球大气再分析数据集进行试验。结果表明,本文提出的STW方法在不同时间分辨率的数据缺失和PWV长时序重采样方面均优于经典的线性插值和模型替换方法,可以得到更加可靠、精确和完整的PWV长时序集。

本文在复现CUBE滤波算法的基础上,借鉴其网格节点可吸收水深点选取模型,提出了一种结合不确定度与密度聚类算法的多波束异常值自动滤波算法。本文使用DBSCAN密度聚类算法对水深值加以聚类,使用卡尔曼滤波推估节点水深值,选取具有最小不确定的水深假设作为节点水深值,实现对多波束测深数据异常值的有效清理。实测数据和仿真试验结果表明:CUBE滤波算法不能将连续异常值完全剔除,而本文算法能够较好地去除连续异常值。本文算法流程明晰、参数简单、性能可靠,对数据质量较差的情况下较多异常值也能够进行清理,具有实际的工程应用价值。

光学卫星视频能够进行动目标连续监视,已成为当前研究热点。但目前多数研究仅针对基于视频像方的目标检测、跟踪及轨迹提取等方面,没有充分利用卫星载荷成像几何模型进行物方运动状态定量估计和精度验证。因此,本文提出一种基于光学卫星视频的舰船目标运动状态定量估计方法,首先对卫星视频首帧进行精确定向;然后通过帧间稳像方法得到背景稳定的视频帧序列,在此基础上,针对正框目标跟踪方法定位精度低的问题,提出一种顾及旋转和尺度变化的舰船稳健跟踪方法进行目标跟踪;最后进行物方映射并估计目标运动轨迹、速度和方向。利用吉林一号光学视频卫星开展星海同步观测试验。实测结果表明,稀疏控制条件下的舰船目标几何定位精度为1.60 m,速度估计精度为0.18 m/s,方向估计精度为4.05°,相比同类方法具有显著提升,证明了本文方法的有效性和可行性。

传统场景分类模型不能轻量高效地完成遥感图像中多尺度的关键特征提取,深度学习方法普遍存在计算量大、收敛速度慢等缺点。针对以上问题,本文充分利用CNN结构和Transformer结构对不同尺度特征的提取能力,提出了一种全局-局部特征提取模块(global and local features fused block,GLFF),并基于此模块设计了一个轻量级遥感图像场景分类模型(GLFFNet),该模型具有较好的局部信息和全局信息提取能力。为了验证GLFFNet的有效性,本文使用开源遥感图像数据集RSSCN7与SIRI-WHU测试GLFFNet与其他深度学习网络的复杂度和识别能力。最终,GLFFNet在RSSCN7与SIRI-WHU数据集上分别取得了高达94.82%和95.83%的识别准确率,优于其他先进的模型。

在摄影测量与遥感领域,三维网格数据是最终用户产品之一,已广泛应用于城市规划、导航等任务中。但针对以三维网格表示的复杂城市场景的智能化语义分割的研究较少。为此,本文提出复杂城市动态图卷积网络三维场景语义分割方法(3Dcity-net)。利用三维网格固有的三维空间坐标信息和纹理信息构建的复合特征向量来表示三维网格中的三角面片。为降低纹理信息中噪声和冗余信息对语义分割结果的影响,提出在3Dcity-net网络结构中嵌入主成分分析模块。为缓解样本数据不平衡引起的语义分割精度下降的问题,采用焦点损失函数替代交叉熵损失函数。利用Hessigheim三维网格数据进行了语义分割试验。试验结果表明,3Dcity-net能够获得具有竞争力的三维网格语义分割结果,其中总体精度OA、Kappa系数、平均准确率mP、平均召回率mR、平均F₁值(F₁ score)和平均交并比mIoU分别为81.5%、0.776、73.0%、58.4%、62.6%和49.8%。与先进方法相比,本文方法总体精度OA分别提高了0.9%和8.3%。

随着遥感技术的发展,遥感数据日益增加。然而,受传感器限制及云雨天气影响,单一传感器难以获取高时空分辨率的遥感影像,从而在一定程度上影响全球及区域环境变化研究。遥感影像时空融合理论与技术的发展为解决这一问题提供了有效途径。近年来,国内外学者提出了大量的时空融合算法,但对于复杂地表景观区域空间细节的融合仍存在挑战,地表非均质区域时空融合的精度有待提高。为此,本文提出了一种面向非均质区域的空间增强型时空融合模型。首先,基于混合像元分解原理与遥感数据空间特征尺度不变性假设,将低分辨率光谱变化降尺度为高分辨率光谱变化值;然后,基于不同分辨率遥感数据光谱关系的时间不变性假设,获得最终融合影像。试验结果表明,相对于常用融合模型STARFM、FSDAF,本文模型既能有效反映不同地物物候变化信息,同时能更好地保留地表的空间细节,增强了非均质地表覆盖区域融合影像的空间特征与效果;本文模型的均方根误差RMSE、相关系数r及结构相似性指标SSIM平均值分别达到0.024、0.898、0.897,相对于常用融合模型STARFM、FSDAF,RMSE平均值分别降低了6.71%和4.33%,r平均值分别提高了1.95%和1.74%,SSIM平均值分别提高了2.33%和2.08%。本文模型精度高,模型简单、易于操作,尤其在非均质地表覆盖区域能够取得良好的融合精度与效果,具有良好的应用前景。

机载激光雷达(LiDAR)点云滤波是点云数据处理的关键步骤,决定着后续派生品应用的精细程度。针对复杂场景区各种地物的交错性和多态性、地形的突变(断裂)性、相邻地物和地面点高程的相似性等导致的难以区分地物点和地面点瓶颈,本文提出了一种基于多特征聚类的点云层次滤波方法。本文方法首先耦合点云几何和物理信息进行多特征点云聚类,然后发展一种顾及地形断裂的地面点簇识别方法捕捉各类地面点,最后利用捕捉到的地面点构建初始地面参考面,并借助多尺度层次点云滤波方法进一步查找原始点云中的地面点。以4组地形复杂且建筑物和植被混杂区点云数据为试验数据,将本文方法与6种代表性滤波算法对比表明,本文方法的平均总误差最小、滤波性能最优、稳定性最高。

利用遥感影像检测地表变化对了解地表动态至关重要。近年来,基于深度学习的变化检测方法因其优异的特征提取和表达能力而成为研究的热点。在全卷积网络结构方法中,融合多尺度特征信息是提高变化检测性能的关键,以往方法大多采用跳跃连接或密集连接结构,一定程度上提高了变化检测方法的精度。然而,此类方法只对相同尺度上的特征进行融合,无法从多尺度上融合足够的信息而导致达不到令人满意结果。本文提出了一种全尺度特征聚合网络(FSANet),用于解决遥感影像变化检测问题。首先,使用孪生网络提取双时相影像的特征;然后,利用全尺度特征连接结构将提取的特征有效地连接起来,为了防止特征冗余,使用特征细化模块将特征细化;最后,为了优化模型训练,采用多尺度监督策略,在解码器中额外输出多个检测结果,共同计算最终的损失值。为了验证方法的可行性,本文使用LEVIR-CD数据集和SVCD数据集来评估模型。试验结果表明,本文方法优于其他主流的变化检测方法,同时在精度和复杂度之间有着较好的平衡。

针对传统基于图的谱聚类算法底层计算复杂度高、聚类精度低,难以应用于大规模数据聚类,本文利用锚点与数据点之间的相似性度量,提出了一种基于图的聚类算法来处理高光谱图像分类问题,称为全Bregman散度和二部图相结合的高光谱图像稳健聚类算法(RTBBG)。首先,在构造二部图的过程中添加了高光谱图像的空间信息,使得高光谱图像丰富的空间信息得以充分利用;然后,利用全Bregman散度来优化传统的欧氏距离作为数据点与锚点之间新的相似性度量,使得构建的二部图更加稳定,增强了算法稳健性;最后,利用K-means算法直接进行光谱聚类得到最终聚类结果。通过在3个大规模高光谱数据集上进行测试,验证了本文算法的有效性。

时空数据插值是时空数据分析的一项基础性任务,其核心问题在于建模时空自相关结构。当时空数据非平稳、分布稀疏时,现有方法难以准确建模时空自相关结构,直接影响了插值的精度与可靠性。本文基于空间域复合变量理论,采用几何学与统计学相结合的策略对时空自相关结构进行建模,提出了一种基于杨赤中滤波的时空数据插值方法。该方法首先耦合杨赤中滤波与时空积和模型,建立定量描述时空自相关结构的时空基本变化函数;然后,基于时空基本变化函数,构建满足最优线性无偏估计准则的时空数据插值模型。采用模拟数据、2000—2009年我国大陆区域年平均气温与2014年5月—2015年4月北京市日均PM_2.5浓度时空数据集进行试验验证,结果表明:本文方法的时空插值精度明显优于当前的3种代表性时空插值方法,且不需要时空平稳性假设,可以更好地适应分布稀疏的时空数据集。

在推进新型城镇化和实施新时代国土空间规划的战略背景下,城市扩展研究逐渐成为热点问题。当前基于元胞自动机(CA)的城市扩展模拟对城市空间多尺度邻域效应解析不足,且在转换规则中对城市长时间演变过程的时间依赖性影响表达不够完善,简化了城市扩展的时空依赖性,无法真实模拟推演未来规划实施情景以服务于国土空间规划。针对上述问题,本文构建一种兼顾空间多尺度邻域效应(3DCNN)和时间依赖性(ConvLSTM)的城市扩展深度学习CA模型(下文称“Deep-CA”)。首先通过组合普通卷积和空洞卷积的3DCNN来提取城市空间多尺度邻域效应,再利用ConvLSTM神经网络将历史信息同化,考虑长时间序列的时间依赖性,从而得到城市扩展的适宜性概率。北京市1995—2015年的土地利用数据及其驱动因素数据用于验证所提CA模型的科学性与适用性,1995—2010年数据用于模型训练,模拟2015年的城市范围。同时将模拟结果精度与ANN-CA、LR-CA和ME-CA 3种传统方法进行对比。与传统CA模型相比,Deep-CA的北京市2015年模拟FoM指数提高了4%左右,且对于城市全局和局部形态模拟效果较好,斑块破碎度低。试验结果表明,Deep-CA可以准确获取长期时空依赖关系,从而进一步提高城市扩展CA模型的模拟真实性。

高精地图可以为自动驾驶车辆提供精确可靠的全局感知、定位信息,对车辆的决策规划有重要意义,但目前已被提出的高精地图模型普遍对交叉口的可连通区域缺乏合理、有效的几何约束和表达。针对车辆在交叉口的转弯驾驶任务,本文基于交叉口的安全驾驶规则,在保证车辆在交叉口安全通行的前提下,提出一种交叉口安全驾驶区域高精地图的生成方法。本文方法旨在弥补当前高精地图在城市结构化道路场景下交叉口范围内的信息空缺,生成的安全驾驶区域可服务于不同自动化级别的车辆决策规划,提高车辆在交叉口通行的安全性和规范性。最后,利用武汉市真实交叉口数据对本文方法进行了试验验证。试验结果表明,在90%的情况下,本文方法在试验交叉口均能生成交叉口安全驾驶区域,证明了本文方法的合理性和有效性。