RTK 免像控验证：无人机摄影测量精度对比与代码实现

2. 光束法平差模拟

在平差过程中，我们将 RTK 测得的 POS 作为带权先验值引入。相比仅依靠像点观测，加入 POS 先验能显著收敛速度并提升精度。

import numpy as np
from scipy.optimize import least_squares

class BundleAdjustmentSimulator:
    def __init__(self, image_points, object_points, initial_exterior):
        self.image_points = image_points
        self.object_points = object_points
        self.initial_exterior = initial_exterior

    def project_point(self, exterior, object_point):
        X, Y, Z = object_point
        Xs, Ys, Zs, omega, phi, kappa = exterior
        R_mat = self.euler_to_rotation_matrix(omega, phi, kappa)
        T = np.array([Xs, Ys, Zs])
        f = 4000  # 焦距（像素）
        x0, y0 = 0, 0
        vec_obj = np.array([X, Y, Z]) - T
        vec_cam = R_mat.T @ vec_obj
        x = -f * vec_cam[0] / vec_cam[2] + x0
        y = -f * vec_cam[1] / vec_cam[2] + y0
        return np.array([x, y])

    def euler_to_rotation_matrix(self, omega, phi, kappa):
        Rx = np.array([[1, 0, 0], [0, np.cos(omega), -np.sin(omega)], [0, np.sin(omega), np.cos(omega)]])
        Ry = np.array([[np.cos(phi), 0, np.sin(phi)], [0, 1, 0], [-np.sin(phi), 0, np.cos(phi)]])
        Rz = np.array([[np.cos(kappa), -np.sin(kappa), 0], [np.sin(kappa), np.cos(kappa), 0], [0, 0, 1]])
        return Rz @ Ry @ Rx

    def residuals(self, params, use_rtk_prior=True, rtk_weight=1.0):
        num_images = len(self.image_points)
        exterior_params = params[:6*num_images].reshape(-1, 6)
        residuals_list = []
        
        for i_img in range(num_images):
            projected = self.project_point(exterior_params[i_img], self.object_points[0])
            observed = self.image_points[i_img][0]
            residuals_list.extend(projected - observed)
            
        if use_rtk_prior:
            prior = self.initial_exterior[i_img]
            residuals_list.extend((exterior_params[i_img] - prior) * rtk_weight)
        return np.array(residuals_list)

    def run_adjustment(self, use_rtk=True):
        x0 = np.concatenate([self.initial_exterior.flatten(), self.object_points.flatten()])
        result = least_squares(self.residuals, x0, kwargs={'use_rtk_prior': use_rtk, 'rtk_weight': 0.1})
        optimized_exterior = result.x[:6*len(self.image_points)].reshape(-1, 6)
        return optimized_exterior, result

精度评定与对比

光束法平差的数学模型如下：

$$ \begin{bmatrix} x \ y \end{bmatrix} = \begin{bmatrix} x_0 \ y_0 \end{bmatrix} - f \frac{\begin{bmatrix} r_{11} & r_{12} & r_{13} \ r_{21} & r_{22} & r_{23} \end{bmatrix} \begin{bmatrix} X - X_S \ Y - Y_S \ Z - Z_S \end{bmatrix}}{\begin{bmatrix} r_{31} & r_{32} & r_{33} \end{bmatrix} \begin{bmatrix} X - X_S \ Y - Y_S \ Z - Z_S \end{bmatrix}} $$

在免像控模式下，误差方程变为 $V = A \cdot \Delta X - L$，其中 $L$ 包括像点观测残差和 POS 先验残差。通过合理设置 POS 观测值的权，即可在无地面点的情况下实现区域网绝对定向。

基于模拟数据及实测文献，典型结果如下：

结论很明确：免像控技术在平面上可替代传统像控点，但高程上仍需至少 1 个高程控制点进行基准传递。

测试步骤与部署

测试流程

1. 数据采集：同一测区飞行两架次，一架免像控，一架有像控（布设 5-10 个检查点）。
2. 数据处理：分别空三加密，生成 DOM 和 DSM。
3. 精度评定：在检查点上量测坐标，计算中误差。

检查点误差计算示例

import cv2
import numpy as np

def calculate_errors(measured_points, ground_truth_points):
    errors = []
    for meas, truth in zip(measured_points, ground_truth_points):
        dx = meas[0] - truth[0]
        dy = meas[1] - truth[1]
        dz = meas[2] - truth[2]
        errors.append((dx, dy, dz))
    return np.array(errors)

def compute_rmse(errors):
    plane_errors = np.sqrt(errors[:,0]**2 + errors[:,1]**2)
    height_errors = errors[:,2]
    rmse_plane = np.sqrt(np.mean(plane_errors**2))
    rmse_height = np.sqrt(np.mean(height_errors**2))
    return rmse_plane, rmse_height

# 模拟测试
ground_truth = np.array([[500100.123, 4000200.456, 100.789]])
measured_rtk = ground_truth + np.random.normal([0.03, 0.03, 0.08], [0.01, 0.01, 0.02])
errors_rtk = calculate_errors(measured_rtk, ground_truth)
rmse_p, rmse_h = compute_rmse(errors_rtk)
print(f"免像控测试 - 平面 RMSE: {rmse_p:.3f}m, 高程 RMSE: {rmse_h:.3f}m")

常见问题与展望

Q: 免像控模型整体平移或旋转？ A: 检查 RTK 基站坐标是否正确，或导入一个控制点进行绝对定向。

Q: 高程误差超限？ A: 启用 PPK 后处理模式，或导入似大地水准面模型进行高程校正。

未来趋势将集中在传感器融合（IMU+ 视觉 SLAM）、多源数据联合平差以及边缘计算实时处理上。虽然目前城市峡谷和多路径效应仍是挑战，但随着算法进步，免像控的应用边界正在不断扩展。

总结

大疆 RTK 无人机免像控技术通过高精度 POS 数据替代地面控制点，在大比例尺地形测绘中展现出巨大潜力。实测表明，其平面精度可满足 1:500 地形图规范，但高程精度仍受限于高程异常模型误差。在开阔地带、应急测绘等场景下，免像控技术可显著提升作业效率；而在高楼区或精密高程测量中，仍需布设少量控制点进行精度保障。