复杂环境下微小飞行器惯性/激光雷达Robust-SLAM方法

针对微小型飞行器在巡检、探测和地图构建等应用中关键的自主导航技术,提出了一种基于惯性辅助的激光雷达Robust-SLAM方法用于微小型飞行器自主导航。相对于传统的激光雷达SLAM方法,该方法在SLAM框架中引入了感知环境突变检测方法,并且加强了惯性与SLAM的组合程度,有效地解决了高程方向感知环境发生突变时激光雷达SLAM定位误差大的问题。室内车库实际飞行实验结果表明,该方法能够实现微小型飞行器在三维空间中实时可靠的自主导航,具有较好的工程应用价值。     

地面无人作战平台导航技术发展现状与趋势

当前,国内外地面无人作战平台处于快速发展阶段,其自主性、智能性的特点使得其相较于传统地面武器平台对导航系统提出了更高的要求,除了具备常规意义上的测姿、定位、定向等功能之外,还需要具备环境相对位姿感知与导航能力。目前,典型的地面无人平台均采用惯性基组合导航方案,以惯性传感器为主,配备卫星、视觉、雷达等多类辅助传感器,通过组合导航算法实现传感器间的有机融合。针对地面无人作战平台的导航需求,对当前主流惯性基组合导航技术进行梳理,分别介绍了惯性/里程计、惯性/卫星、惯性/视觉、惯性/激光雷达组合导航技术的发展现状,并对适用于地面无人作战平台的导航技术进行了展望。     

不依赖于卫星的无人系统视觉/激光雷达感知与自主导航技术

智能化的无人系统在现代社会中起着重要作用,而对环境信息的准确感知以及自身位置的精准估计是无人系统智能、高效执行任务的核心基础,视觉与激光雷达传感器是无人系统常用的感知与导航传感器.近年来,随着应用场景的拓展,无卫星信号、无光等恶劣环境对无人系统的感知与自主导航技术提出了新的挑战.针对上述环境,对无人系统中视觉/激光雷达感知技术与自主导航技术及其进展进行了分析和总结.从感知和导航定位两个应用层面出发,深入讨论和分析了基于视觉和激光雷达手段的深度估计、目标检测、自主导航、地图构建等技术的机理差异、实现方法及特性.分析了目前国内外研究成果及进展,总结对比了目前的技术特点与局限性,并展望了未来无人系统感知与导航的关键技术挑战与发展趋势.     

车载捷联惯导双里程计组合导航方法研究

针对当前车载捷联惯导与里程计组合导航时，将里程计安装在车底盘左侧或右侧位置而造成的导航误差，以及里程计信息未能真实反映车体中心的实际运行状态，研究了一种车载捷联惯导/双里程计组合导航方法。该方法分别在车底盘左侧和右侧位置各安装了一个里程计，将双里程计信息作为量测量，设计了组合导航融合算法进行Kalman滤波组合导航。在导航过程中对双里程计信息进行χ２检测，以避免车体作大转弯运行或有外部干扰时引起的里程计信息异常。跑车试验结果表明，该融合算法能使定位结果得到最优融合，定位误差整体减小到20m以内，最大处减小6m，离线分析进一步证明了该融合算法的有效性。     

基于惯性/激光测距/视觉里程计组合的高空场景尺度误差估计方法

惯性/视觉感知信息融合导航定位技术是目前实现无人机不依赖卫星自主导航的最有效手段。但对于面向高空场景的大型无人机，惯性器件误差与视觉里程计尺度误差耦合且特征平面化导致可观测性下降。针对这一问题，提出了利用惯性/激光测距/视觉里程计组合实现尺度误差估计的方法。通过开展误差模型建立、激光测量点与图像中位置匹配、无人机平飞机动下系统可观测性分析等关键技术研究，实现了高空场景下尺度误差的精确估计。经过300m高度机载试验数据验证，算法精度优于1.5%D，对卫星拒止条件下高空无人机自主导航具有重要意义。     

基于混合特征匹配的微惯性/激光雷达组合导航方法

微惯性/激光雷达(MEMS IMU/LADAR)组合导航系统在室内应用时,由于室内结构化环境下环境特征(如点和线段)分布稀疏,传统的单一特征匹配算法存在观测盲区,易造成导航定位参数估计误差大的问题。基于此,研究了激光雷达自适应数据分割方法的点和线段的特征提取算法,提出了基于混合特征匹配观测模型的MEMS IMU/LADR扩展卡尔曼滤波(EKF)算法。同时,设计了MEMS IMU/LADR组合导航试验样机,在室内环境下通过试验对滤波算法进行了验证。结果表明:提出的算法在室内结构化环境下相比传统单一点或线特征匹配组合定位算法的定位精度可提高60%,对于小型旋翼无人飞行器在室内结构化环境中的高精度定位具有较高的参考意义。     

基于多模态感知与融合的无人车韧性导航系统

针对野外复杂环境下的无人车自主导航需要,建立了一种基于多源融合定位、语义建图与运动规划的智能导航系统.首先,针对IMU、轮式里程计、视觉SLAM与激光雷达SLAM等测量子系统,设计了误差状态扩展卡尔曼滤波器进行融合定位.其次,基于改进的CNN语义分割网络生成环境的语义图像,与3D激光雷达点云融合,并使用最大概率更新算法构建语义3D地图.接着,在语义和几何信息投影获得可通行性代价的基础上,提出了一种语义动态窗口的局部路径规划方法.最后,将以上感知、定位与规划方法整合成完整的智能导航系统,在城市与野外典型场景的测试中,相对定位误差小于0.4％D,具备一定的韧性导航定位和智能感知规划能力.     

一种基于ST-EKF的惯性/里程计滑动窗口滤波技术

针对在卫星拒止的复杂野外环境下传统的惯性/里程计组合导航系统存在的误差随时间积累和方差不一致的问题,提出了一种基于状态变换Kalman滤波(State Transformation Extended Kalman Filter,ST-EKF)的惯性/里程计滑动窗口滤波技术.一方面,引入滤波鲁棒性更好的ST-EKF替代扩展Kalman滤波(Extended Kalman Filter,EKF);另一方面,利用滑动窗口中储存的误差状态向量、误差协方差和状态转移矩阵等数据实时对车辆行驶的航迹进行修正,以达到提高导航定位精度的目的.总里程489.88km的长行驶里程激光陀螺惯性测量单元(Inertial Measurement Unit,IMU)车载导航实验数据的事后处理表明,该算法具有较好的航迹修正效果和较高的导航定位精度,相比于基于EKF的惯性/里程计组合导航算法,其半程(去程)水平位置的均方根误差(Root Mean Square Error,RMSE)减少了42.79％,全程水平位置的RMSE减少47.70％.     

视觉/惯性组合导航技术发展综述

视觉/惯性组合导航技术是自主导航领域的重要研究方向之一。首先介绍了视觉/惯性组合导航技术的发展概况,然后从纯视觉导航(里程计、同步定位与构图)以及组合导航(滤波、非线性优化)2个层次介绍了传统的基于视觉几何与运动学模型的视觉/惯性组合导航方法,还介绍了近年来发展迅猛的基于机器学习的视觉/惯性组合导航方法。最后,简要介绍了视觉/惯性组合导航技术的典型应用及未来发展趋势。     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年，基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用，然而对识别感知目标的体积测量，目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法，实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿，相较于原始LeGO-LOAM算法，无人车在高速情况下的构图精度得到提升；通过将激光雷达与视觉进行深度融合，实现了目标的自动识别与全局定位；通过基于平面拟合的地面分割与欧式聚类，实现了目标点云轮廓的实时获取；通过设计一种基于切片法的不规则物体体积测量方法，实现了无人车在运动情况下对目标体积的自动估计。最终，分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明，所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%，具有较好的工程应用价值。     

地面无人平台视觉导航定位技术研究

地面无人平台实现自动驾驶等功能的核心难题在于如何感知其所处环境并获得自身在环境中的实时状态。机器视觉作为地面无人平台在复杂环境下实现自主导航及定位的重要手段,近年来得到了快速发展。系统性地分析了视觉定位与地图构建系统的基本架构,并对该架构包含的图像信息预处理、视觉里程计、回环检测、全局优化和地图构建模块分别进行了详细介绍。针对各模块所涉及的关键技术,总结了近些年来国内外主流的研究成果,对比分析了各个关键技术中主流方法的性能,并展望了地面无人平台视觉导航定位技术的发展方向。     

基于联邦滤波的惯导/北斗/里程计紧 组合导航算法研究

针对地面载体长时间复杂应用环境对导航系统精确性和可靠性的要求,提 出一种基于联邦滤波器的惯导/北斗/里程计紧组合导航算法。在分析惯导、北斗、里程 计导航系统特点的基础上,建立了组合导航系统的误差状态模型和量测模型,采用联邦 滤波器实现了三者的紧组合容错系统设计,分别对子系统无故障、北斗及里程计出现故 障情况下进行仿真验证。结果表明,将联邦滤波理论应用于惯导/北斗/里程计紧组合导 航系统可以提高导航性能和系统的容错能力。     

惯导/北斗/里程计一体化紧组合导航方法研究

当前,主要通过采用惯导/卫星导航组合或者惯导/里程计组合的方式来实现 车辆的定位定向;卫星信号良好时,惯导系统与卫星导航组合实现车辆定位定向,当卫 星导航信号不好甚至没有信号无法正常工作时,惯导系统与里程计组合实现车辆定位定 向。提出一种惯导/卫星导航/里程计三者的一体化组合方案,针对惯导、北斗、里程计 这三项测量设备构成的组合系统建立了统一的误差状态模型、组合量测模型以及反馈修 正模型,并通过卡尔曼滤波器来实现三者的一体化紧组合,这种惯导/北斗/里程计一体 化的紧组合方式,能更好地实现三者信号之间的充分交流与融合。将这种一体化紧组合 方法与传统的惯导/北斗组合、惯导/里程计组合方法进行了仿真比较,结果表明：惯导/ 北斗/里程计一体化的紧组合方法能更加快速、准确得到传感器误差（ 包含惯组误差、 北斗误差、里程计误差）的在线估计,更能有效提高各传感器的测量精度。     

车载里程仪参数的实时标定方法

针对里程仪输出的速度(或位置增量),其参数标定误差残差是影响定位定向系统性能的关键因素,传统里程仪参数标定方法需在行车过程中设置精确标志点,且有行驶路线受限的缺点,因此提出一种基于速度量测的定位定向系统误差实时估计和补偿方法.该方法将里程仪刻度系数误差、安装误差残差纳入状态变量进行实时估计并补偿,将惯性导航系统输出的速度与里程仪输出的速度进行对比,构建量测方程.设计跑车试验对该方法进行验证,结果表明该车载里程仪参数的实时标定方法,仅需要在里程仪安装在车辆上后,导航系统做一次正常罗经对准并转惯性/里程仪组合导航模式,在车辆正常行驶过程中,即可自动标定出里程仪参数误差,具有自主、灵活简便、精度高的特点,同时提高了惯性/里程仪组合导航系统定位精度.     

高空长航时无人机高精度自主定位方法

针对传统基于轨道动力学模型及非线性滤波进行间接敏感地平天文导航定位方法在实际应用中的局限性,提出了一种适用于高空长航时无人机自主导航定位的快速间接敏感地平天文解析定位新方法。分析了星光折射视高度天文量测的机理,导出天文三维定位的解析表达式,详细阐述了利用最小二乘微分校正法代替非线性滤波的天文定位方法,通过直接求解非线性量测方程组即可得到飞行器的精确位置信息,并对这种定位方法的定位精度进行了理论分析。该天文定位方法利用了星光折射间接敏感地平精度高的特点,又不需要飞行器动力学模型也不需要任何先验知识,算法简单可靠,计算量小,而定位精度与传统方法相当。最后,通过计算机仿真,验证了这种天文定位方法的有效性。     

基于红外视觉/激光雷达融合的目标识别与定位方法

近年来,基于可见光图像的目标识别在无人车感知领域得到了广泛应用.然而,可见光图像目标识别无法应用于弱光和黑暗环境.针对于此,提出了一种基于红外视觉/激光雷达融合的目标识别与定位算法.首先,通过基于颜色迁移的数据增强训练方法,提高了红外目标识别算法的泛化性能.继而,提出了一种基于激光雷达修正的单目深度估计方法,通过视觉图像与激光雷达点云的数据融合,实现了基于稠密深度图对目标位置的估计,提高了对小目标的定位能力.试验结果表明,与传统Yolov3目标识别算法相比,该算法平均识别准确率可提升5.8％;此外,相对定位算法将包含小目标在内的物体相对定位精度提高了13.4％.