无人机类脑吸引子神经网络导航技术

当前无人机在非结构化或未知环境下飞行主要采用SLAM进行导航与定位，存在如下突出问题：依赖高精度昂贵激光雷达等环境感知传感器；需要建立准确世界和无人机物理模型；受环境影响较大；自主智能水平较低，无法较好地满足无人机对导航系统的要求，需要发展自主智能的导航方式。基于吸引子神经网络的类脑导航技术，无需训练模型参数，不依赖高精度传感器，无需精确建模，且复杂环境下鲁棒性较强，具有解决上述问题的潜力。简要阐述了动物大脑导航机理，分析了吸引子神经网络和基于吸引子神经网络的类脑导航关键技术，最后讨论了吸引子类脑导航技术在无人机应用中的挑战。     

由感知到动作决策一体化的类脑导航技术研究现状与未来发展

随着脑与神经科学以及人工智能技术的持续发展，昆虫和哺乳动物大脑导航机理启发下的感知/认知/路径规划/动作决策一体化类脑导航技术得到了较大发展，可以实现由原始感知信息输入到导航动作决策的直接输出，呈现出接近动物端到端面向目标导航的智能行为，具有提高密集型无人机集群导航鲁棒性、准确性、实时响应动作、自主智能性以及计算效率的潜力。阐述了昆虫和哺乳动物大脑导航机理及其互补对称关系，以及昆虫和哺乳动物大脑导航机理启发的端到端类脑导航技术内涵；论述了类脑导航技术研究进展，包括类脑环境感知、类脑空间认知、面向目标类脑导航；分析了类脑导航向智能化、神经形态系统以及群体导航发展的新趋势；最后讨论了类脑导航技术应用于无人机密集集群系统时存在的挑战。     

区域导航无人机空中基准站的多源信息融合容错导航系统研究

作为卫星导航系统的补充和备份,区域导航服务系统近年来得到较大发展。在基于无人机的区域导航服务系统中,无人机自身的定位精度对区域导航服务系统的可靠运行有直接的影响。针对无人机导航传感器及系统的容错和可靠性问题,设计了具有针对性和自优化功能的多源信息融合容错导航方案,提出了一种优化的基于矢量分配形式的自适应联邦滤波算法。通过对每个状态量设计不同的信息分配系数,实现传感器量测噪声的动态优化调整,有效减小了传感器故障对融合导航系统的影响,提高了无人机导航系统的鲁棒性。验证分析表明,该方法可以减小子滤波器故障信息对融合导航系统联邦滤波全局估计的影响,避免了故障子滤波器在信息重置过程中对系统造成的污染,提高和保障了无人机空中基准站多源信息融合导航系统的稳定性和可靠性。     

视觉及其融合惯性的SLAM技术发展综述

当前视觉同时定位与建图（Simultaneous localization and mapping,SLAM）技术已经成为导航定位领域重要的导航方式之一。为提升视觉SLAM全天候多场景的综合性能,融合多种信息的视觉SLAM技术得到了快速发展。本文系统综述了近年国内外视觉SLAM的研究成果。首先归纳整理了视觉及视觉/惯性SLAM中的前端里程计、后端优化、回环检测和地图构建关键环节。在纯视觉SLAM技术分析方面,围绕传统基于几何变换和现代基于深度学习的两大类视觉SLAM方法开展讨论,并梳理了相关具有代表性的视觉SLAM技术。在详细阐述视觉/惯性组合导航的多信息融合SLAM方法基础上,分析了近年基于异源图像的视觉及其与惯性组合的SLAM导航技术进展。最后对视觉SLAM的未来发展方向进行了针对性展望。     

GNSS多径抑制基带处理算法综述CSCD

随着全球导航卫星系统(GNSS)信号体制的不断更新,接收机应用环境越来越复杂,多径误差抑制技术也在不断发展进步。其中,基于改进基带的多径抑制算法由于成本和效果综合较优,受到了国内外研究人员的重视。论文首先阐述了GNSS多径抑制的基本原理,综述了传统的GNSS参量式和非参量式多径抑制算法的研究现状和实现方式,然后探讨分析了新体制信号中提高抗多径性能的方法,总结了当前GNSS多径抑制基带处理研究中的主要问题,最后展望了其未来的发展趋势。