MULTIPURPOSE APPROACH TO VISUAL NAVIGATION BASED ON LANDSCAPES FOR UAVS OPERATING IN GNSS-UNAVAILABLE CONDITIONS
Abstract
The aim of the study is to provide the possibility of UAV navigation when it is impossible to use satellite global positioning systems using GNSS in electronic warfare conditions. To achieve this goal, a comprehensive approach to ensuring UAV navigation by visual landmarks using machine vision systems is proposed. It is proposed to synthesize images of the underlying surface by combining sensor data, which improves the quality of UAV positioning in the absence of satellite navigation systems. It is shown that when combining remote sensing images of different origin and changing external operating conditions (day-night, winter-summer, etc.), it is important to most fully localize the objects of the underlying surface. In the machine vision system for visual navigation of UAVs by natural landmarks, a method of electromechanical image scanning is proposed, which allows increasing the field of view of a camera of an arbitrary range. Modeling of the characteristics of the machine vision system with electromechanical scanning is carried out to determine the limits of applicability to the problem of visual navigation. It is shown that the most significant parameter of positioning accuracy is the shooting height of the underlying surface, which is quasi-linear under the condition of a fixed camera tilt angle, and for high-quality positioning, the best option is the frontal position of the camera at the nadir point. The proposed approach allows creating virtual 3D models of the underlying surface, thereby increasing the capabilities for more accurate recognition of objects based on the scale and size of the segmented areas. Measuring the camera elevation angle can be used to detect and recognize natural landmarks that can be predetermined (road intersections buildings or structures, utility facilities, etc.). On the other hand, the frontal position of the camera with a zero elevation angle is advantageous for verifying the flight route, positioning the UAV relative to the reference landmark. This is due to the fact that with the widespread use of software based on mathematical models, the photogrammetric ruler technology has become appropriate for quantitative measurement of terrain plans and maps
References
1. Jafarnia-Jahromi, Ali & Broumandan, Ali & Nielsen, J. & Lachapelle, Gérard. GPS Vulnerability to
Spoofing Threats and a Review of Antispoofing Techniques // International Journal of Navigation and
Observation. – 2012. – 10.1155/2012/127072.
2. Пантенков Д.Г., Литвиненко В.П., Глушков А.Н. Основные проблемные вопросы и современ-
ные подходы к противодействию малоразмерным разведывательно-ударным беспилотным ле-
тательным аппаратам // Вестник Воронежского государственного технического университета.
– 2023. – Т. 19, № 4. – С. 77-88. – DOI: 10.36622/VSTU.2023.19.4.010.
3. Савин И.В. GPS-спуфинг как актуальная угроза системе позиционирования GPS // Наука сего-
дня: история и современность: Матер. международной научно-практической конференции, Во-
логда, 25 октября 2017 года. Т. 1. – Вологда: ООО «Маркер», 2017. – С. 68-70.
4. Кривенков Д.В. GPS - спуфинг принцип работы, его воздействие и слабые места // Технические и
математические науки. Студенческий научный форум: Электронный сборник статей по материалам
V студенческой международной научно-практической конференции. Т. 5 (5): Общество с ограни-
ченной ответственностью "Международный центр науки и образования", 2018. – С. 37-43. – EDN
LXMAXZ.
5. Басан Е.С., Абрамов Е.С., Басюк А.Г., Сушкин Н.А. Метод обнаружения атак на систему нави-
гации БПЛА // Информатика и автоматизация. – 2021. – Т. 20, № 6. – С. 1368-1394. – DOI:
10.15622/ia.20.6.7.
6. Nobody’s Fool. Spoofing Detection in a High-Precision Receiver // Inside GNSS. – July/August 2020.
– Свободный режим доступа: https://insidegnss.com/nobodys-fool-spoofing-detection-in-a-highprecision-
receiver (дата обращения: 15.02.2025).
7. Труфанов М.И., Панищев В.С., Фролов М.М. Система технического зрения с множественными
источниками изображений // Информационные технологии и математическое моделирование
систем 2020: Труды международной научно-технической конференции, Одинцово, Московская
область, 16–19 ноября 2020 года. – Одинцово, Московская область: ЦИТП РАН, 2020.
– С. 124-126. – DOI: 10.36581/CITP.2020.11.84.027.
8. Замыслов М.А., Мальцев А.М., Михайленко С.Б., Штанькова Н.В. Способ вывода летательного
аппарата в точку начала посадки при отказе (отсутствии) бортового или наземного оборудова-
ния радиотехнической системы ближней навигации // Проблемы безопасности полетов. – 2019.
– № 11. – С. 14-21. – DOI: 10.36535/0235-5000-2019-11-2.
9. Ma X., Liu X., Li C.-L., Che S. Multi-source information fusion based on factor graph in autonomous
underwater vehicles navigation systems // Assembly Automation. – 2021. – Vol. 41, No. 5. – P. 536-545.
– DOI: 10.1108/AA-10-2020-0155.
10. Неусыпин К.А., Пролетарский А.В., Селезнева М.С. Алгоритмы комплексирования инерциаль-
ной навигационной системы с датчиками угловых ускорений // Мехатроника, автоматизация,
управление. – 2023. – 24 (2). – P. 107-112. – DOI: 10.17587/mau.24.107-112.
11. Yingbing Liu, Yingcheng Zhou, Yongsheng Zhou, Lixiang Ma , Bingnan Wang, Fan Zhang. Accelerating
SAR Image Registration Using Swarm-Intelligent GPU Parallelization // IEEE Journal of selected
topics in applied earth observations and remote sensing. – 2020. – Vol. 13. – P. 5694-5703.
12. Haigang Sui, Chuan Xu, Junyi Liu, and Feng Hua. Automatic Optical-to-SAR Image Registration by
Iterative Line Extraction and Voronoi Integrated Spectral Point Matching // IEEE Transactions on geoscience
and remote sensing. – November 2015. – Vol. 53, No. 11. – P. 6058-6072.
13. Guoping Zhang, Haigang Sui, Zhina Song, Feng Hua, Li Hua. Automatic Registration Method of SAR
and Optical Image Based on Line Features and Spectral Graph Theory // 2nd International Conference
on Multimedia and Image Processing. – 2017. – P. 64-67.
14. Bin Fan, Chunlei Huo, Chunhong Pan, Qingqun Kong. Registration of Optical and SAR Satellite Images
by Exploring the Spatial Relationship of the Improved SIFT // IEEE Geoscience and Remote
Sensing Letters. – July 2013. – Vol. 10, No. 4. – P. 657-661.
15. Qiuze Yu, Dawen Ni, Yuxuan Jiang, Yuxuan Yan, Jiachun An, Tao Sun. Universal SAR and optical image
registration via a novel SIFT framework based on nonlinear diffusion and a polar spatial-frequency descriptor
// ISPRS Journal of Photogrammetry and Remote Sensing. – 2021. – Vol. 171. – P. 1-17.
16. Sourabh Paul, Umesh C. Pati. Automatic optical-to-SAR image registration using a structural descriptor
// IET Image Processing. – November 2019. – Vol. 14, No. 1. – P. 62-73.
17. Zhaoxiang Zhang, Yuelei Xu, Qi Cui, Qing Zhou, Linhua Ma. Unsupervised SAR and Optical Image
Matching Using Siamese Domain Adaptation // IEEE Transaction on geoscience and remote sensing.
– May 2022. – Vol. 60.
18. Skolnik M. I. Radar handbook. – 3rd ed. – New-York: The McGraw-Hill Companies, 1327 p.
19. El-Darymli K., Gill E.W., Mcguire P., Power D. and Moloney C. Automatic Target Recognition in
Synthetic Aperture Radar Imagery: A State-of-the-Art Review // IEEE Access. – 2016. – Vol. 4.
– P. 6014-6058.
20. Костров В.В., Толстов Е.Ф. Проблемы дистанционного зондирования Земли с использованием
космических РСА высокого разрешения // VII Всеросийские Армандовские чтения: молодая
школа. Муром 27–29 июня 2017 года. – С. 76-113.
21. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference,
and Prediction. – 2nd ed. – Springer Series in Statistics, 2009. – 739 p.
