海洋定位卫星性能分析

编队卫星是重要的空间设施,为保证编队卫星在空间复杂环境中的工作效率,需对编队卫星的工作原理、状态进行分析。以三星编队的海洋定位卫星为例,由于该编队卫星工作状态常受到星间基线、目标源位置、卫星高度等多种因素的制约,易造成定位模糊等问题。在评价海洋定位卫星性能方面,传统的方法主要着眼于定位精度,而忽略了定位迭代解算时间这一指标,而在特定的场景下(海上搜救、抢险救灾),较短的解算时间可以迅速找出目标源的概略位置。通过分析海洋定位卫星的时差测量定位原理,对定位误差精度进行了分析,提出水平精度因子(HDOP)和最小二乘迭代结合的评价方法,分析了影响卫星性能的因素,包括目标源相对几何位置、卫星高度及卫星几何构型等方面的影响。仿真结果表明:本文的设计可以提高卫星的定位效果,为定位卫星的参数设定提供参考。     

一种面向工业机器人的高精度三维无序抓取系统

在航空航天、汽车等领域中,各类复杂工件结构复杂、纹理弱且混叠堆放,在智能制造过程中存在快速、高精度测量和识别难题。针对上述问题,建立了一种面向工业机器人的高精度三维无序抓取系统。基于面结构光三维测量技术,构建大场景固定基座的三维视觉测量装备,获取大型复杂零件的三维点云数据。建立零件点云模板,设置抓取点位置,利用点云配准技术识别零件并估计当前位姿。提出了一种手眼标定优化策略,实现了对工业机器人的精确引导,完成任意位姿零件的抓取,按要求装配于指定位置。实验结果表明,所设计的无序抓取系统平移误差为0.413mm,角度误差为0.123°,可以快速有效地对散乱堆叠零件进行高精度识别与定位,引导工业机器人准确抓取与放置,该系统可以在航空航天、汽车等领域的工业生产线上进行示范应用。     

Gardner位同步算法及其在中继卫星模拟器中的应用

在空间技术的发展中,中继卫星系统发挥着越来越重要的作用.中继卫星模拟器是指中继卫星的测控链路模拟设备,主要用于对所研制或生产的天基测控终端进行测试和校验,其研制具有重要的工程价值及实践意义.在中继卫星的前返向链路中,调制方式多,码率变化范围大,给位同步算法带来了挑战.位同步算法是接收链路处理的关键技术之一,其通过在最佳...     

连续旋转下陀螺敏感轴偏移误差标定与补偿

激光捷联惯导因其具有良好的短期精度和稳定性等优势而被装备在武器、飞机等领域。针对连续旋转下机抖激光陀螺敏感轴偏移造成导航精度下降的问题,建立了机抖陀螺敏感轴偏移误差模型,利用陀螺有限元仿真结果完善该模型。提出了一种标定方法,该方法通过一种新的位置编排方案对6个敏感轴偏移误差进行充分激励,并用Kalman滤波估计出误差参数。仿真试验表明,该方法可以准确标定出敏感轴偏移误差参数。实物试验表明,补偿敏感轴偏移误差后,惯导系统在动态环境下的速度误差减少了80%以上。该标定与补偿方法能提高惯导系统动态导航精度,具有一定工程价值。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。     

液池深度对水滴撞击水面后形态特征影响的实验研究

用实验方法对液滴撞击液面后的形态特征及其机理进行了研究。用高速摄像机记录了不同液池深度下的液滴撞击液面过程,总结出了在不同阶段出现的液坑、液冠、中心射流和次生液滴等特征现象。基于计算机视觉算法开发了图像处理程序,实现了特征几何参数的自动提取。讨论了液池深度、韦伯数、初始液滴直径和液滴下落高度等因素对特征运动形态的影响。结果表明：在韦伯数一定的情况下,当液池深度跨越某个临界值时,液坑、液冠、中心射流和次生液滴等特征现象发生显著变化;液冠–液坑高度比随韦伯数的增大在一定范围内增大;中心射流能否分离出次生液滴与液池深度和初始液滴直径有密切的关系。     

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。     

eLoran系统ASF网格应用算法研究

ASF网格是提高增强型罗兰（Enhanced Long Range Navigation,eLoran）系统精度的重要方法。根据所在网格四个顶点的附加二次时延（Added Secondary Factor,ASF）值通过网格应用算法得到待测试点的ASF值,一定程度上比公式计算的ASF值更准确。在计算过程中,用户四个顶点ASF值的测量误差会传递给用户,同时内插算法本身也会引入误差,此时内插算法的选择尤为重要。本文通过仿真、分析比较几种常用的内插算法,得出结论：反距离插值算法引入的误差最大,双线应插值算法引入的误差最小,而且误差呈现一定层次感,网格从内到外误差逐渐减小。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.