(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211053468.8 (22)申请日 2022.08.31 (71)申请人 云南电网有限责任公司电力科 学研 究院 地址 650000 云南省昆明市经济技 术开发 区云大西路10 5号 (72)发明人 周仿荣　马仪　王国芳　马御棠　 文刚　耿浩　杨明昆　彭兆裕　 (74)专利代理 机构 深圳中细软知识产权代理有 限公司 4 4528 专利代理师 袁文英 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/77(2022.01) G06V 10/44(2022.01)G06T 7/73(2017.01) G06T 7/66(2017.01) G06F 17/16(2006.01) G06F 17/10(2006.01) (54)发明名称 无人机群的航迹追踪方法、 装置、 设备和介 质 (57)摘要 本发明公开了一种无人机群的航迹追踪方 法、 装置、 设备和介质， 包括： 首先数据预处理及 主成分分析， 得到源点云内关键特征点的第一主 成分和目标点云内关键特征点的第二主成分。 接 着进行粗配准， 并进一步地进行精配准， 包括基 于源点云和目标点云之间的粗配准结果， 根据源 点云的坐标在目标点云中确定所有的最邻近点， 根据所有最邻近点计算配准损失值， 并基于配准 损失值迭代调整粗配准结果， 直至满足预设的终 止条件， 获取得到的源点云和目标点云之间的精 配准结果。 最后在基于精配准结果确定的相同坐 标系内， 连接第一质心坐标和第二质 心坐标， 以 得到源点云和目标点云之间的连线， 获取多个时 刻的点云 之间的连线以作为无 人机群的航迹 。 权利要求书3页 说明书12页 附图8页 CN 115424046 A 2022.12.02 CN 115424046 A 1.一种无 人机群的航迹追踪方法， 其特 征在于， 所述方法包括： 获取无人机群在多个时刻的点云， 并在每 个时刻的点云内提取关键特 征点； 通过主成分分析， 获取源点云内关键特征点的第 一主成分和目标点云内关键特征点的 第二主成分； 其中， 目标点云为多个时刻的点云中， 除第一个时刻外任意一个时刻的点云， 源点云为目标点云上一个时刻的点云； 根据所述第一主成分和所述第二主成分之间的变换关系对源点云和目标点云进行粗 配准， 以得到源点云和目标点云之 间的粗配准结果； 其中， 配准结果用于将源点云和目标点 云转换至相同的坐标系； 基于源点云和目标点云之间的粗配准结果， 根据源点云的坐标在目标点云中确定所有 的最邻近点， 根据所有最邻近点计算配准损失值， 并基于所述配准损失值迭代调整粗配准 结果， 直至满足预设的终止条件， 获取 得到的源点云和目标点云之间的精配准结果； 在基于精配准结果确定的相同坐标系内， 确定源点云的第一质心坐标， 和目标点云的 第二质心坐标， 连接所述第一质心坐标和所述第二质心坐标， 以得到源点云和目标点云之 间的连线， 获取多个时刻的点云之间的连线以作为无 人机群的航迹 。 2.根据权利要求1所述的方法， 其特征在于， 所述在每个时刻的点云内提取关键特征 点， 包括： 在待提取点云中， 构建第 一待确认点的邻域； 其中， 所述第 一待确认点为所述待提取点 云中未被确认为是否特征点的点， 所述待提取点云为多个时刻的点云中任意一个时刻的点 云， 待确认点的邻域指示以待确认点 为中心点， 延伸预设 半径的球 体空间； 获取在第一待确认点的邻域内的所有邻域点的领域点数量； 其中， 邻域点指示邻域内 除中心点之外的所有点； 若所述领域点数量大于预设的领域点数量阈值， 则确定第 一待确认点的邻域内的所有 点为所述待提取点云内的特 征点； 基于曲率判据从所述待提取点云内的所有特征点中提取关键特征点， 以得到每个时刻 的点云内的关键特 征点。 3.根据权利要求2所述的方法， 其特征在于， 所述基于曲率判据从所述待提取点云内的 所有特征点中提取关键特 征点， 包括： 基于第二待确认点构建二次曲面函数； 其中， 所述第二待确认点为所述待提取点云内 所有特征点中的任意 一个点； 将目标领域内所有邻域点的坐标代入所述二 次曲面函数进行拟合， 并基于拟合后的二 次曲面函数计算目标领域内所有特征点的曲率值； 其中， 所述 目标领域为第二待确认点的 邻域； 根据目标领域内所有特征点的曲率计算局部平均曲率， 将待提取点云内曲率大于局部 平均曲率的特 征点作为关键特 征点。 4.根据权利要求1所述的方法， 其特征在于， 所述通过主成分分析， 获取源点云内关键 特征点的第一主成分和目标点云内关键特 征点的第二主成分， 包括： 根据待分析点云内所有关键特征点的坐标计算待分析点云的重心点坐标； 其中， 所述 待分析点云包括源点云和目标点云； 根据待分析点云的重心点坐标和所有关键特征点的坐标计算协方差矩阵， 对所述协方权　利　要　求　书 1/3 页 2 CN 115424046 A 2差矩阵进行奇异值分解， 以得到多个特征值， 在所述多个特征值中取方差最大 的预设数量 个特征值组成待分析点云的特 征向量； 将源点云的重心点坐标和特征向量作为所述第 一主成分， 及将目标点云的重心点坐标 和特征向量作为所述第二主成分。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述第 一主成分和所述第 二主成 分之间的变换关系对源点云和目标点云进 行粗配准， 以得到源点云和目标点云之 间的粗配 准结果， 包括： 根据源点云的特 征向量和目标点云的特 征向量之间的变换关系建立初始旋转矩阵； 根据源点云的重心坐标和目标点云的重心坐标之间的变换关系建立初始 平移矩阵； 根据所述初始旋转矩阵和所述初始平移矩阵将源点云内所有点的坐标系转换至目标 点云的坐标系， 以得到源点云和目标点云之间的粗配准结果。 6.根据权利要求5所述的方法， 其特征在于， 所述基于源点云和目标点云之间的粗配准 结果， 根据源点云的坐标在目标点云中确定所有的最邻近点， 根据所有最邻近点计算配准 损失值， 并基于所述配准损失值迭代调整粗配准结果， 直至满足预设的终止条件， 获取得到 的源点云和目标点云之间的精配准结果， 包括： 根据所述初始旋转矩阵和所述初始平移矩阵将源点云内所有点的坐标系转换至目标 点云的坐标系， 以得到变换点云， 在目标点云内确定变换点的最邻近点， 以得到变换点云的 所有最邻近点； 其中， 所述变换点为变换点云中的任意一个点， 最邻近点为目标点云中距离 变换点的距离最近的点； 计算变换点云的所有最邻 近点与变换点云之间的当前平均距离， 将当前平均距离作为 配准损失值并基于最小二乘法进行调整， 以更新所述初始旋转矩阵和所述初始平移矩阵， 获取更新后的更新旋转矩阵和更新平 移矩阵； 根据所述更新旋转矩阵和所述更新平移矩阵将源点云内所有点的坐标系转换至目标 点云的坐标系， 以得到更新后的变换点云， 在目标点云内确定变换点的最邻近点， 以得到更 新后的变换点云的所有最邻近点； 计算更新后的变换点云的所有最邻 近点与更新后的变换点云之间的更新平均距离， 判 断所述更新平均 距离是否小于或等于预设的距离阈值， 若 所述更新平均 距离大于预设的距 离阈值， 则将所述更新平均距离作为当前平均距离， 返回执行所述将当前平均距离作为配 准损失值并基于最小二乘法进行调整的步骤及后续 步骤； 若所述更新平均距离小于或等于预设的距离阈值， 则确定满足预设的终止条件， 获取 当前更新后的更新旋转矩阵和更新平移矩阵， 根据当前更新后的更新旋转矩阵和更新平移 矩阵将源点云内所有点的坐标系转换至目标点云的坐标系， 以得到源点云和目标点云之间 的精配准结果。 7.根据权利要求6所述的方法， 其特征在于， 所述在目标点云内确定变换点的最邻近 点， 包括： 将变换点和目标点云输入三维决策树， 在所述三维决策树的第i个根节点内， 在目标维 度基于设定的划分基准将目标点云和所述变换点划分至两个第i子节点； 其中， i的初始值 为1， 在第i次划分时， 变换点和目标点云的所有坐标在目标维度上的中值为第i个根节 点的 划分基准， 所述目标维度为x维、 y维和z维中的任意 一个维度；权　利　要　求　书 2/3 页 3 CN 115424046 A 3