仿生光磁导航技术发展研究综述

仿生导航是在仿生技术基础上发展起来的新型导航技术方法,该方法融合了仿生技术的优点,因其抗干扰性强、适应范围广的特点,迎来了研究的热潮。从仿生光流导航、仿生偏振光导航、仿生类脑导航和仿生地磁导航四个角度对近年来大量的相关文献进行了综合性地整理和分析,阐述了其导航原理、发展现状和动态,对其未来的发展前景进行了展望,指出了限制现有技术的难点和瓶颈,对未来仿生导航技术的发展提供了参考,有一定的指导作用。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

圆形轨迹导引下的无人机事件触发抗干扰环绕控制

针对内部不确定性以及外部环境摄动的目标环绕控制问题,在基于反步法的双层制导框架下,利用级联控制思想,提出了一种圆形轨迹导引下的四旋翼无人机事件触发抗扰环绕控制方法。在轨迹回路中,构建了可满足持续激励条件的目标位置估计器,保证仅通过视线方位角就能获取可满足最终一致有界条件的目标估计项。随后,基于目标的位置估计结果,设计了目标环绕控制律生成线速度指令,并通过方向向量场验证了该环绕制导律的有效性,消除了现有李雅普诺夫向量场制导(LVFG)对相对位置和目标速度的依赖。在姿态回路中,通过采用扩张状态观测器(ESO)补偿系统的集总不确定性,设计了基于相对阈值事件触发控制的姿态控制器,在有效降低控制器到执行机构之间信号传输频率的同时,实现了四旋翼无人机对静止/移动目标环绕。然后,借助输入状态稳定性定理证明了系统的稳定性。仿真结果表明,所提控制方案能够实现圆形轨迹导引下四旋翼无人机对静止/移动目标的环绕监视。     

恶劣天气下的仿生偏振定向方法

针对偏振光导航在恶劣天气下精度显著下降的问题,提出了一种可以在恶劣天气下基于大气偏振模式的定向算法。与现有方法相比,首次将三维块匹配与canny边缘检测结合的思想应用于修复被不同天气破坏的偏振角度图像中。具体而言,将偏振角度图像的修复分为噪声粗处理和边缘提取处理去噪两部分。在噪声粗处理阶段采用三维块匹配算法,在边缘提取处理去噪部分,利用canny边缘检测算法对偏振角度图像进行二次去噪。实验结果表明,该方法不仅能够提高晴朗天空下的定向精度,而且能够显著提升在阴天、沙尘、雾霾等恶劣天气条件下的导航定向精度,即使在偏振角图像对称∞模式被破坏的情况下,航向角精度仍可由9.4470°提高到1.6859°。     

基于改进ORB-GMS-SPHP算法的快速图像拼接方法

针对传统图像拼接算法存在拼接速度慢、图像拼接有色差等问题，提出了一种基于ORB-GMS-SPHP算法的大视场多图像拼接方法。该方法首先利用高斯函数构建尺度空间，将高斯尺度空间划分为多个网格，在每个网格内借助FAST算法提取尺度空间特征点，使用BRIEF算法提取描述符并匹配，得到更加均匀分布的特征点；然后使用运动网格统计算法筛选匹配点；最后采用SPHP算法融合图像重叠区域，从而得到完整的拼接图像。将改进的ORB-GMS-SPHP算法与现有的传统特征点匹配算法在特征点匹配精度和特征点匹配速度进行对比与评价，验证了该方法特征点匹配速度快、精度高，并且可以保留更多的正确匹配点的特点。将该拼接方法与传统拼接方法在拼接速度、图像配准均方误差RMSE以及视觉主观判断拼接色差进行对比与评价，验证了该拼接方法具有较快的拼接速度、更高的拼接精度和无明显色差。该方法在2 736像素×3 648像素图像中,特征点匹配时间降低至6.463 s，图像配准精度RMSE降低至3.87。实验证明该方法特征点匹配速度快、精度高,且拼接精度高、无明显色差。     

恶劣天气下的仿生偏振定向方法

针对偏振光导航在恶劣天气下精度显著下降的问题，提出了一种可以在恶劣天气下基于大气偏振模式的定向算法。与现有方法相比，首次将三维块匹配与canny边缘检测结合的思想应用于修复被不同天气破坏的偏振角度图像中。具体而言，将偏振角度图像的修复分为噪声粗处理和边缘提取处理去噪两部分。在噪声粗处理阶段采用三维块匹配算法,在边缘提取处理去噪部分，利用canny边缘检测算法对偏振角度图像进行二次去噪。实验结果表明，该方法不仅能够提高晴朗天空下的定向精度，而且能够显著提升在阴天、沙尘、雾霾等恶劣天气条件下的导航定向精度，即使在偏振角图像对称∞模式被破坏的情况下，航向角精度仍可由9.4470°提高到1.6859°。     

基于改进容积卡尔曼滤波的惯性/光流组合自主测速方法

针对容积卡尔曼滤波算法在惯性/光流组合测速数据融合时出现由于各系统输出数据频率不一致导致融合精度有限的问题,提出了一种基于多速率残差校正的改进容积卡尔曼滤波算法.通过当前时刻误差估算组合导航系统残差,再使用估算后的残差对速度估计值进行补偿,最终实现惯性/光流组合系统速度测量值的数据融合.实验结果表明,通过提出的改进容积卡尔曼滤波对惯性/光流数据进行融合后,东向速度均方根误差为0.2964m/s,北向速度均方根误差为0.06m/s,与现有其他卡尔曼滤波算法相比,此方法可显著提高惯性/光流组合系统的速度测量精度.     

面向声源定位的改进广义互相关时延估计方法

面向以数字微机电系统(MEMS)麦克风作为声传感器的声源定位阵列,完成了前端麦克风阵列的电路设计和以现场可编程逻辑门阵列(FPGA)为核心的数据采集系统的开发,并对麦克风输出的脉冲密度调制信号进行了降采样处理.针对传统的广义互相关算法在低信噪比下时延估计误差较大的问题,提出了一种改进PHAT加权函数的方法.在同等条件下对基于不同加权函数的广义互相关算法进行了MATLAB仿真验证,实验结果表明,在低信噪比条件下该方法相较于传统的广义互相关算法,时延估计误差更小且抗噪性能更强.     

基于模糊核均值聚类优化的光流测速方法CSCD

光流算法作为一种载体速度测量方法,易受光照变化、物体相对移动影响,最终导致速度信息获取不准确。为了提高载体运动速度解算精度,提出了一种基于模糊核均值聚类算法优化的金字塔Lucas-Kanade光流测速方法(FKCM-金字塔LK)。该方法首先通过金字塔LK光流算法得到稀疏光流,然后使用模糊核均值聚类算法对稀疏光流数据进行聚类处理,最终建立光流与实验平台运动参数之间的关系,并得到准确的速度信息。实验结果表明,提出的基于模糊核均值聚类算法优化的金字塔LK光流测速方法不仅可以有效地减少物体相对移动对光流测速的影响,而且与现有其他光流测速方法相比,速度测量精度得到显著提高。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率，建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题，采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数（ReLU）改进为带泄露线性整流函数(Leaky ReLU)，以解决遇到卷积输出数据小于0时神经元被抑制的问题，进而达到提高步态识别准确率的目的。实验结果表明：激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%，与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比，步态识别率有所提高。