⚡ electrical engineering

Relative State Estimation using Event-Based Propeller Sensing

该论文提出了一种基于事件相机的四旋翼无人机相对状态估计框架，通过检测事件流中的螺旋桨并提取其频率及几何特征，实现了在复杂视觉条件下的高精度、低延迟相对定位。

原作者： Ravi Kumar Thakur, Luis Granados Segura, Jan Klivan, Radim Špetlík, Tobiáš Vinklárek, Matouš Vrba, Martin Saska

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Ravi Kumar Thakur, Luis Granados Segura, Jan Klivan, Radim Špetlík, Tobiáš Vinklárek, Matouš Vrba, Martin Saska

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在指挥一群无人机（就像一群勤劳的蜜蜂）在空中进行复杂的编队飞行。为了让它们不撞车、保持队形，每只“蜜蜂”都必须时刻知道旁边那只“蜜蜂”在哪里、飞得有多快、以及身体是倾斜还是平直的。

这篇论文就是为了解决这个“谁在哪里”的问题，但它用了一种非常独特且聪明的方法：不看无人机拍的照片，而是听它“转”出来的声音（通过视觉听声音）。

下面我用几个生活中的比喻来拆解这项技术：

1. 为什么不用普通的摄像头？（老式相机 vs. 智能传感器）

普通摄像头（帧式相机）： 就像我们在看一部电影，每秒拍 30 张或 60 张静止照片。如果无人机飞得太快，或者阳光忽明忽暗，照片就会模糊、看不清，甚至因为处理照片太慢而“反应迟钝”。
事件相机（Event Camera）： 这就像是一个超级灵敏的“运动感应器”。它不拍完整的照片，只记录“哪里变了”。比如，当无人机的螺旋桨转动时，只有螺旋桨边缘在变动的地方会发出信号。
- 比喻： 普通相机像是在黑暗房间里用闪光灯拍照，每次都要等快门；事件相机则像是在黑暗中，只要有一点点动静（比如有人挥手），它就能在微秒级（百万分之一秒）内立刻感知到。它反应极快，而且不怕强光或黑暗。

2. 核心魔法：通过“听”螺旋桨来猜状态

这篇论文最厉害的地方在于，它不需要无人机互相说话（通信），而是通过观察螺旋桨的旋转来推算状态。

测转速（RPM）：
- 原理： 就像你听风扇转得有多快。事件相机捕捉到螺旋桨叶片划过时的“事件流”，通过计算这些事件出现的频率，就能算出螺旋桨转得有多快（每分钟多少转）。
- 作用： 螺旋桨转得越快，推力越大。知道了转速，就能算出无人机此刻正在用多大的力气往上飞。这就像通过听引擎声就知道汽车是加速还是减速。
测姿态（倾斜度）：
- 原理： 当无人机倾斜时，圆形的螺旋桨在相机眼里会变成椭圆形。
- 比喻： 想象你手里拿着一个硬币。当你正对着它看，它是圆的；当你把它斜过来，它看起来就像个鸡蛋（椭圆）。论文里的算法就是盯着这个“鸡蛋”的形状，反推出无人机是向左歪了还是向右歪了。

3. 大脑如何工作？（两个“小助手”在合作）

为了让无人机知道自己在哪，系统里有两个“小助手”（卡尔曼滤波器）在不停地工作：

位置小助手： 它负责算“我在哪”。它结合“螺旋桨推力”（告诉它飞得多高）和“相机看到的距离”（告诉它离别人多远）。
- 难点： 单靠眼睛看距离有时候不准（就像单眼判断距离容易出错），但加上推力数据，就能修正这个误差。
姿态小助手： 它负责算“我歪没歪”。它通过比较左右螺旋桨转得是否一样快（如果左边转得快，无人机就会向右滚），再结合那个“椭圆”的形状，就能精准算出无人机是向左倾还是向右倾。

4. 实验结果怎么样？

研究人员在户外真的飞了无人机，让一只无人机（观察者）盯着另一只（目标）。

结果： 即使在户外光线复杂、无人机飞得很快的情况下，他们算出的螺旋桨转速误差只有 3% 左右。
意义： 这意味着这群无人机可以在没有信号干扰、甚至通信中断的恶劣环境下，依然像一群默契的蜜蜂一样，靠“看”和“听”彼此的动作，自动保持队形，不会撞在一起。

总结

简单来说，这项技术就是给无人机装上了一双**“超级快眼”（事件相机），让它们不再依赖慢吞吞的“拍照”和容易出错的“无线电通话”，而是通过观察螺旋桨转动的频率和形状**，像老练的飞行员一样，瞬间就能感知到邻居的位置和姿态。

这对于未来在灾难现场（信号不好）、森林深处或城市高楼间进行大规模无人机编队作业，具有非常重要的意义。

这是一份关于论文《Relative State Estimation using Event-Based Propeller Sensing》（基于事件相机螺旋桨感知的相对状态估计）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：
多无人机（UAV）集群的自主编队飞行需要机器人之间能够准确、快速地估计彼此的相对状态（位置、速度、姿态）。传统的基于帧（Frame-based）的单目视觉方法存在以下局限性：

高延迟与低时间分辨率： 难以应对高速运动。
尺度模糊： 单目相机难以直接获取深度信息。
环境适应性差： 在运动模糊、极端光照变化或背景杂乱等视觉挑战性条件下性能下降。
通信依赖： 现有的编队飞行通常依赖显式通信交换状态，但在通信延迟或丢包时，编队稳定性会受损。

研究目标：
提出一种去中心化的相对定位方法，利用事件相机（Event Camera）的特性（低延迟、高动态范围、微秒级时间分辨率），通过感知目标无人机的螺旋桨运动来估计其相对状态，从而在通信受限或环境恶劣的条件下实现鲁棒的集群飞行。

2. 方法论 (Methodology)

该论文提出了一套完整的基于事件相机的相对状态估计框架，主要包含以下模块：

A. 数据表示与预处理

事件相机原理： 相机仅在像素亮度变化超过阈值时输出异步事件流 $(x, y, t, p)$ ，具有微秒级时间分辨率。
时空分块处理： 将事件流按时间切片（ $\Delta t = 10$ ms）处理，利用时空对比度滤波去除背景噪声。

B. 螺旋桨检测与跟踪 (Propeller Detection & Tracking)

为了提取螺旋桨区域（ROI），论文对比并实现了两种检测方法：

连通分量（Connected Components, CC）： 对事件帧进行形态学腐蚀和连通分量分析，计算效率较高。
HDBSCAN 聚类： 基于密度的空间聚类，无需假设圆形几何，对非圆形视角的螺旋桨适应性更好，但计算成本较高。

跟踪： 使用 Norfair 框架对检测到的螺旋桨区域进行跨帧跟踪，分配稳定的 ID，确保频率估计的连续性。

C. 螺旋桨频率估计 (Frequency Estimation)

信号提取： 在检测到的螺旋桨 ROI 内，对事件进行时间分箱（Time Binning），生成事件计数信号。
频域分析： 对信号应用快速傅里叶变换（FFT）以检测主导频率峰值（对应螺旋桨叶片通过频率）。
平滑处理： 使用卡尔曼滤波（KF）平滑原始频率估计，剔除异常值。
精度： 在真实世界测试中，频率估计误差控制在 3% 以内。

D. 耦合状态估计架构 (Coupled State Estimation)

系统包含两个耦合的卡尔曼滤波器（KF）：

姿态估计滤波器 (Orientation KF)：
- 输入： 螺旋桨频率差异（左右/前后电机转速差）推导出的角速度，以及基于椭圆拟合的几何信息。
- 几何约束： 利用Perspective-1-Ellipse (P1E) 方法，将事件流中螺旋桨盘形成的椭圆投影回反投影，恢复机体坐标系的 $z$ 轴方向（即推力方向）。
- 输出： 滚转（Roll）和俯仰（Pitch）角。注意：由于螺旋桨旋转对称性，偏航（Yaw）不可观测。
位置估计滤波器 (Position KF)：
- 动力学模型： 将估计的螺旋桨频率转换为电机角速度 $\Omega$ ，进而计算总推力 $T \propto \sum \Omega^2$ 。
- 状态预测： 利用姿态滤波器提供的推力方向 $\hat{b}_z$ 和推力大小，结合重力，计算世界坐标系下的加速度，预测位置和速度。
- 状态更新： 利用单目深度估计（基于螺旋桨间距的像素长度和已知物理尺寸）提供位置观测值进行修正。

3. 关键贡献 (Key Contributions)

基于事件相机的螺旋桨感知框架： 首次提出利用事件相机直接感知真实世界飞行中无人机的螺旋桨频率，并将其作为状态估计的推力输入，而非仅用于仿真。
去中心化相对定位： 提出了一种不依赖显式通信的相对状态估计方法，通过视觉感知（螺旋桨）推断目标动力学状态，增强了集群在通信受限环境下的鲁棒性。
多模态融合策略： 创新性地结合了动力学信息（螺旋桨频率推导的推力）和几何信息（椭圆拟合推导的姿态），通过耦合卡尔曼滤波实现了高精度的位置和姿态估计。
真实世界验证： 在五个真实的户外飞行序列中进行了验证，证明了该方法在存在运动模糊、光照变化和背景噪声情况下的有效性。

4. 实验结果 (Results)

数据集： 使用两个四旋翼无人机（Leader-Follower 模式）在户外进行了 6 次飞行测试，包含 RTK-GNSS 和 IMU 作为真值。
频率估计精度：
- 在 5 个测试序列中，螺旋桨频率估计的平均绝对百分比误差（MAPE）约为 2.73% - 2.75%。
- 连通分量（CC）和 HDBSCAN 两种检测方法的频率估计精度几乎一致，表明检测算法对最终频率估计影响较小。
状态估计精度（RMSE）：
- 位置： 水平方向（x, y）误差较小（约 0.12m - 0.30m），垂直方向（z）误差较大（约 0.90m），主要受限于单目深度估计的不确定性。
- 速度： 所有轴的速度均方根误差（RMSE）均低于 0.5 m/s。
- 姿态： 滚转（Roll）和俯仰（Pitch）的估计误差分别为 5.72° 和 9.18°。由于测试数据中左右运动较多，滚转角的观测性优于俯仰角。
鲁棒性： 即使在目标进行剧烈机动或部分遮挡的情况下，系统仍能保持跟踪和估计。

5. 意义与未来展望 (Significance & Future Work)

意义：

突破传统视觉限制： 证明了事件相机在处理高速运动、高动态范围场景下的巨大潜力，解决了传统帧相机在编队飞行中的延迟和模糊问题。
提升集群智能： 提供了一种无需依赖昂贵通信链路或外部基础设施（如 GPS 基站）的相对定位方案，对于灾难救援、峡谷探索等通信困难场景具有重要意义。
物理与几何融合： 展示了将物理动力学模型（推力与转速关系）与几何约束（椭圆投影）结合在状态估计中的有效性。

未来工作：

探索多机（Multi-quadrotor）场景下的扩展。
进一步利用事件相机的周期性事件特征和几何基元，提取更多维度的相对状态信息。
优化深度估计精度以改善垂直方向的定位误差。

总结：
该论文成功构建并验证了一套基于事件相机的无人机相对状态估计系统。通过从事件流中提取螺旋桨频率，系统能够推断目标的推力和姿态，实现了在复杂户外环境下的去中心化、低延迟、高精度的相对定位，为自主无人机集群的协同作业提供了新的技术路径。