微陀螺g敏感性误差对组合导航精度的影响分析

高动态环境下,MIMU中的微机械陀螺表现出显著的g敏感性误差。首先采用简化的线性模型,从经典卡尔曼滤波的滤波增益阵出发,理论分析了g敏感性误差对组合导航系统精度的影响;然后在组合导航半实物仿真平台上进行了验证。结果表明,g敏感性误差对组合滤波位置与速度精度影响不大,但对姿态的精度影响较大,当载体沿陀螺敏感轴方向的加速度为50g时,相应轴向的姿态角误差约为5.70°,姿态精度损失很大。因此,MIMU/GNSS组合导航在高动态应用中,必须对微陀螺的g敏感性误差进行补偿。     

多云天气条件下的大气偏振光定向方法

针对多云天气情况下传统的偏振光定向算法精度下降的问题,提出了一种用于多云天气条件下的大气偏振光定向方法。首先,根据已知信息建立任意一个像素点的偏振光定向模型;然后,基于上一步得到的定向模型,利用随机抽样一致算法筛选出符合要求的内点,并根据筛选出的这些内点得出最符合要求的定向模型;最后,利用选取出的最优的定向模型解算出航向角,实现了基于大气偏振光的定向。通过实际数据证明了该方法的有效性,解算出的航向角误差在少云情况下小于0.5°、多云情况下小于1°。     

基于注意力模型的视觉/惯性组合里程计算法研究

由于外界环境的干扰和传感器精度的限制,视觉/惯性组合里程计的输入数据存在一定的噪声,这会增加里程计的解算误差,而且误差会随着时间积累。针对以上问题,设计了一种基于注意力模型的视觉/惯性组合里程计算法。该算法使用卷积神经网络和长短时记忆网络分别构建了视觉特征提取器与惯导信息特征提取器,同时引入了两种注意力模型:加权组合网络以及开关组合网络,对视觉特征信息和惯导特征信息的融合噪声进行降噪处理。通过在组合里程计算法中添加闭环校正环节,有效地抑制了里程计误差随时间的积累。对比实验结果表明,设计的组合里程计算法与其他算法相比,无论在性能上还是在精度上都有明显的提升。     

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。     

基于单目视觉的机器人避障方法研究

避障问题一直是机器人领域研究的热点和重点。设计一种基于单目视觉的避障系统,能够同时检测机器人正前方和两侧的障碍物,且对低纹理障碍物同样具有效果。该系统采用特征尺度检测器完成机器人视野正前方障碍物的检测,对于视野两侧的障碍物运用光流平衡策略进行规避,而对于低纹理的障碍物则利用图像熵的方法进行检测。整个系统在地面移动机器人上进行了测试,实验结果表明,该方法能在复杂的环境下可靠地完成机器人的避障任务。     

基于步进式运动模型的单兵协同导航算法设计

基于足部微惯性测量单元(MIMU)和超宽带测距的协同导航技术是一种解决卫星信号受限环境下单兵自主导航难题的有效途径。根据零速修正辅助的惯性解算特点,建立了一种单兵协同导航模型,协同导航状态为各单兵的位置和航向,系统输入为足部MIMU提供的每步位移和航向增量。将算法与相关文献中提出的两种算法进行了对比分析,该算法的优点是无需对足部惯导模块做任何改动和进行反馈修正,易于工程实现且不损失精度。通过三人协同导航试验分析了算法的性能,数据分析表明协同导航在不同条件下可以不同程度地改善系统的定位性能。