面向结构化场景的激光雷达点云高精度配准与定位方法

在基于先验地图的激光雷达室内导航方案中,通常采用点云配准的方法进行无人设备位姿初始化。在结构化场景下,传统配准算法特征鲁棒性较差,导致点云配准的误差较大且易陷入局部最优。针对该问题,提出了一种基于多平面空间模型的点云快速配准方法。首先该方法利用特征直方图的思想对空间点云进行快速粗聚类,根据平面一致性将粗聚类后的点集进行合并形成面特征,从而对密闭空间进行平面模型化表示。随后通过空间平面排序实现了面特征的快速关联,并利用线性匹配方法实现了两帧点云的精确配准,从而解算出机体在先验地图中的相对位姿。最后通过Gazebo搭建的仿真环境与室内结构化模拟环境对算法进行了验证。结果表明,在大型结构化场景下,算法具有更好的适应性以及更高的计算效率,能够快速为无人系统提供精准的地图初始位姿。     

面向MR远程协同任务的实物虚拟化方法研究

混合现实（Mixed reality,MR）技术的飞速发展为装配场景中的远程协同任务带来了新的可能。作为MR协同系统的前置环节,实物虚拟化的主要任务是为用户浏览与交互提供可靠的模型支撑与虚实融合关系。现有方法无法同时兼顾装配零件细节高还原度、低虚拟化成本的目标。本文提出了一种基于模板匹配和点云配准原理的零件模型精密恢复方法,针对MR远程协同过程中的任务相关零件,首先通过基于背景差分与八叉树空间检索的背景点云分割以及基于超体素的前景粘连点云分割获得零件点云相关的先验信息来分割模板匹配感兴趣区域ROI,解决了原始LineMod算法抗遮挡性弱、模板比对效率低的问题,完成了对零件点云的识别匹配和位姿粗略估计;然后利用ICP算法进一步优化估计的位姿,求解相关零件在重建点云模型中的精确位姿;最后根据此位姿,用高精度的零件CAD模型替换3D重建点云场景中的零件重建点云模型,最终实现对共享MR协同场景的实物虚拟化。通过对复杂装配场景中的多种零件进行实物虚拟化试验,证明了本文方法能够准确识别零件点云,实现精确的实物虚拟化,在MR远程协同任务中具有重要的实用意义。     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于PnP的自适应线性卡尔曼滤波位姿估计求解方法。将PnP位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

一种提高捷联惯性/里程计组合导航系统定位精度的后处理方法

测绘用捷联惯性/里程计组合导航系统多采用离线后处理技术.此类系统利用里程计位移微分获得的速度作为观测量,采用速度匹配,并通过待测路径中预置的Mark点校正航位推算的位置信息.本文建立了基于速度匹配的16维Kalman滤波模型,对全程采样数据进行正反向导航和滤波处理,以估计惯性器件和里程计的误差;在补偿相关误差后,再次进行正向导航和滤波解算,以获得更精确的姿态矩阵.随后,根据相邻两个Mark点之间的姿态信息进行航位推算,并更新里程计刻度系数、里程计与惯导间的姿态误差矩阵;若此Mark点间的位置误差过大,则重新进行航位推算以减小位置误差.结果表明,与传统正向滤波相比,采用该方法后系统的最大位置误差由1.72m降低到0.08m,定位精度提高了95％以上.     

基于加权最小二乘法的大部件对接位姿评估算法研究

本文以定位器支撑的大部件调姿系统为研究对象,通过激光跟踪仪测得大部件上多个测点坐标数据.针对各点在不同坐标系下测量点值不匹配且各点精度要求有差异的问题,提出了最小二乘法评估大部件位姿的模型,并利用权值实现对多个测点数据进行误差分配优化,为大型部件的位置姿态评估计算提供一套有效的解决方案.     

基于视觉的惯性导航误差在线修正

陀螺零偏和加速度计零偏是影响惯性测量单元(IMU)积分精度的重要因素。提供一组精确的实时的零偏估计可以提高IMU的积分精度,为视觉导航提供良好的位姿预测,提高整个系统的动态性能。通过合理地建立IMU的噪声模型以及IMU和视觉的组合方程,利用一种基于李群和李代数知识的IMU预积分方法将零偏进行合理的线性化,运用Kalman滤波进行IMU零偏的在线估计。实验结果表明,通过本文的修正方法,惯性导航的平均积累误差由0.034m/s提高到0.0037m/s,精度明显提高。     

基于随机测量点的机翼精加工位姿计算方法

在机翼精加工过程中,需要对机翼的位姿进行计算,以指导其调整。通过对翼面水平测量原理的分析,提出一种基于随机测量点的机翼精加工位姿计算方法。首先,以翼面水平测量数据为基础,采用以最小二乘法为目标函数的迭代最近点算法,求解出测量点在翼面设计模型上的匹配点,形成位姿计算所需的2个点集。然后,运用Levenberg-Marquardt算法计算出这2个点集间的变换关系,实现位姿参数的求解。最后,为减少测量点误差对位姿计算的影响,给出了测量点精度补偿方法。仿真算例表明,该方法具有较高的计算精度,能够满足实际工程需求。     

基于点云聚类评估的激光雷达鲁棒定位方法CSCD

基于先验地图的激光雷达定位方法在封闭工业场景下得到了广泛应用,然而环境变化、行人和车辆等动态物体的干扰会影响激光雷达与先验地图的匹配精度。提出了一种动态环境下基于点云聚类评估的三维激光雷达鲁棒定位方法:通过设定角度和距离双阈值,对点云深度图像进行分割聚类,相较于传统分割方法,分割结果对点云噪声更为鲁棒;通过对原始点云进行分割聚类,在粗匹配结果下评估聚类的匹配度,剔除误匹配聚类进行二次匹配以提高匹配精度;通过聚类评估的结果判断匹配成功和失败的点对,进而对点云整体匹配结果的正确性进行评估,相较于传统仅基于距离阈值的判断准则,具有更高的准确性;最终,分别通过公开数据集和实际试验验证了该算法的有效性。试验结果表明,相较于传统匹配方法,该方法有效提高了动态场景下的定位精度和匹配结果评估的准确度,定位误差可以维持在10cm以内。     

失效卫星远距离相对位姿估计与优化方法

针对远距离非合作慢旋目标位姿估计精度问题,提出一种融合图像超分辨与视觉SLAM的相对位姿估计方法。算法主要包含3个步骤：通过梯度引导生成式对抗超分辨技术,提升目标图像的质量以获取更多更高质量的特征点;构建特征数据库实现当前帧与特征数据库的匹配,提升旋转目标的特征跟踪稳定性;利用图优化对多帧图像进行联合位姿优化,消除累计误差,得到更为精确的估计结果。为稳定网络的训练,将自然进化算法引入到对抗训练中。为增强模型的泛化性和鲁棒性,实验中的数据集采用半物理仿真获得。实验结果表明,当等效距离为25 m且失效卫星以25（°）/s的速度旋转时,目标图像经超分辨网络增强后,能够实现连续稳定的长时间测量。     

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。     

单光子激光雷达数据去噪与滤波算法

单光子激光雷达获取的点云数据存在大量噪声,这给数据的处理带来了挑战。基于局部距离统计提出了改进的点云去噪算法,对单光子激光雷达点云原始数据进行去噪。然后基于统计分析方法改进了点云滤波算法,对去噪后的点云数据进行滤波处理。利用新提出的算法与传统算法去噪和滤波后得到的点云进行比较,并与传统激光雷达的数字地形模型(DTM)数据进行对比。计算得到MABEL地面点云相对于传统激光雷达高程的均方根误差RMSE为2.98m,相关系数R^2为0.9938。进一步对地面点云插值得到剖面数字高程模型(DEM)数据,其相对于传统激光雷达高程的均方根误差RMSE为2.85m,相关系数R^2为0.9931。实验结果显示,提出的单光子激光雷达点云去噪和滤波算法优于传统算法,与传统激光雷达DTM数据具有较好的相关性,能够精确的恢复地形信息。     

基于改进DeepSORT的视觉/激光雷达目标跟踪与定位方法CSCD

通过结合目标跟踪与相对定位,在对多帧检测目标进行关联与分析的同时,可以获取其三维信息。但当目标外观特征变换较大时,传统目标跟踪算法较易发生漏匹配或身份变换,而仅依靠对齐点云的相对定位算法较易出现定位失效的情况。针对以上问题,提出了一种基于改进DeepSORT的目标跟踪与定位方法在原始DeepSORT算法中加入基于位置约束的匹配,解决了因外观改变导致的漏匹配问题;在获取跟踪信息的基础上,设计了基于目标运动模型的相对定位方法,解决了图像中目标较小时相对定位不连续且定位精度较低的问题。试验结果表明,与传统DeepSORT算法相比,多目标跟踪准确度提高了5.9%;与仅依靠对齐点云的相对定位算法相比,定位精度提高了62.4%。     

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％.     

单目摄像机与三维激光雷达联合标定的研究

为解决单目摄像机与三维激光雷达组成的传感系统中数据匹配的问题,文章采用基于平面特征的方法实现了两传感器的联合标定,提出了通过优化平面靶标摆放位置来减少样本数量并提高样本质量,保证标定精度的方法。通过建立数学模型和实验验证了本文方法及算法的正确性,当靶标位置均匀分布在摄像机视场内,并且法向量方向均匀分布在四个象限时,只需4个标定位置即可完成参数求解,且标定误差与使用16个位置时相当。     

基于单多普勒激光雷达低空三维风场反演方法

基于单多普勒激光雷达测风原理.采用涡度-散度方法对机场上空的低空小尺度天气系统进行三维风场的反对演.对于机场上空的天气结构进行了建模和仿真,分别构建了均匀风场和均匀风场叠加涡旋风场试验.实现了涡度-散度方法的风场反演,通过算法反演数据与原始数据对比,分析了反演的误差.结果表明涡度一散度法能较好地反映小尺度的风场结构.     

合作环境下基于惯性/里程计/Lidar融合的UGV导航方法

近年来，无人车在巡检、探测等方面的应用愈发广泛,且应用环境愈发复杂。在这些应用中，无人车必须对自身的位姿进行准确估计，以确保作业安全、高效完成。其中，可在复杂环境下适用的自主导航能力是核心关键技术。提出了一种基于惯性/里程计/激光雷达的地面无人车导航方法，区别于传统的激光雷达SLAM方法，该方法根据已知的几何结构特征进行定位，避免了因有效点数量稀少而导致的匹配误差。同时对惯性/里程计/激光雷达的融合算法进行了研究，提高了自主导航系统的鲁棒性和准确性。最后，在Gazebo中搭建了相应的仿真环境，并进行了算法验证。仿真结果表明，该方法能够实现无人车在巡检过程中实时可靠的自主导航，具有较好的工程应用价值。     

基于邻近点特征的地磁室内定位方法及性能分析

地磁室内定位以其成本低、适用范围广、复杂度低的特点而受到广泛关注。然而,它的定 位精度不稳定,且指纹采集工作量较大。因此,提出了一种基于磁场信息的邻近点特征,可由指纹 数据求得,特征范围是0~1。经实验证明,邻近点特征与定位精度呈正相关关系。邻近点特征越 大的测试点定位误差越小,定位准确率越高。邻近点特征均值越大的室内区域定位误差越小。结 合邻近点特征与快速构建指纹库的方法,可以实现对室内区域定位精度的预判,为室内区域定位 方法的选择提供依据。针对邻近点特征较大的室内区域,提出了使用插值算法以减少指纹库的采 集量。在实验中,仅采集原有指纹点的29.6%依然具有较好的定位表现,对定位精度的影响较小。 使用邻近点特征可以极大地提高地磁室内定位的效率。