面向港口环境精细感知的无人船多传感器融合SLAM系统

针对港口环境高精度感知需求,综合考虑影响同时定位与建图(SLAM)精度的港口环境因素,提出基于多传感器融合的激光SLAM环境感知方案。通过分析多种传感器对港口SLAM环境感知的影响,引入惯性测量传感器弥补激光SLAM输出频率低和剧烈运动位姿估计不准确等缺陷,采用卫星定位系统信息进行高程数据约束,处理船舶运动特性导致的垂荡累计漂移。从应用需求出发,对传感器进行选型和布置优化,搭建基于无人船的港口环境多传感器融合SLAM系统。结果表明,提出的港口环境高精度点云地图获取方案能在典型港口场景下准确实时建图,为水面精细SLAM提供技术支持。

多传感器融合SLAM研究综述

如今,移动机器人技术的发展使得同步定位与建图(SLAM)技术越来越受到学者的关注。在未知环境下,使移动机器人能够自主完成建图或者探索,是SLAM最基本的要求。在过去的十年,单传感器为机器人的建图和探索提供了良好的效果,而多传感器融合SLAM则以其强鲁棒、高精度的技术特性,为提升移动机器人建图的精度和速度提供了更高的可能性,成为了SLAM发展的主要研究方向。文中总结了现今多传感器融合SLAM的方案,首先对单传感器方案进行了比较;然后对多传感器融合技术的方案进行了对比;最后,分析了多传感器融合SLAM的难点与解决方案,并对多传感器融合SLAM的未来与发展进行了探讨。

自动驾驶中基于多传感器融合的目标检测分析

多传感器融合是一项结合多传感器数据的综合性前沿技术,在自动驾驶的感知和定位应用中占有非常重要的地位。汽车的自动驾驶级别越高,对传感器性能的要求就越高,而传感器进行目标检测具有高度的复杂性和多变性,因此单一传感器已无法满足不同场景下目标检测的准确性要求,必须采用多传感器融合的方式进行目标追踪。文章基于多传感器融合的背景,提出目标检测的整体设计方案,分析目标检测系统涉及的多源传感器信息处理系统设计方案、多模态传感器数据信息融合方案、有限数据弱监督学习目标检测方案,并从数据层、特征层、决策层3个信息融合处理层次阐述多传感器融合的方式。

基于残差卷积网络的多传感器融合永磁同步电机故障诊断

作为工业生产与日常生活的常见设备,永磁同步电机的故障诊断研究具有十分重要的意义。以永磁同步电机的匝间短路、退磁、轴承故障为诊断目标,提出一种新型的多传感器特征融合网络(MSFFN),结合多传感器融合技术与卷积神经网络实现永磁同步电机的可靠故障诊断。网络采用2个带有残差模块的卷积神经网络,对输入的电流信号与振动信号并行提取隐藏特征,并设计一种中间特征融合模块(IFFM)有效融合电流和振动的各层隐藏特征,IFFM基于注意力机制对网络中的电流特征与振动特征进行筛选,自适应关注不同信号的内在相关特征,以实现更好的诊断效果。搭建了故障样机测试平台进行数据采集与实验验证,实验结果表明,提出方法具有更高的诊断准确率,同时在叠加了强噪声的条件下,具备更强的抗干扰能力。

多传感器融合技术在智能交通系统中的应用

阐述多传感器融合技术在高速公路智能交通中的应用,包括对路面传感器数据、视觉传感器数据、环境传感器数据的融合和分析。探讨多传感器融合技术在高速公路智能交通中的优化方法。

刀具剩余使用寿命多传感器融合预测及试验验证

为了提高刀具剩余使用寿命预测的预测能力,设计了一种面向多传感器融合的剩余使用寿命预测方法。借助多传感器数据实现模型的联合动态更新,融合多传感器数据,对剩余使用寿命作出准确预测,并铣床刀具磨损试验数据的实际案例分析。研究结果表明:以敏感测点数据为基础在线更新模型状态和参数信息,从而获取到机械装备剩余使用寿命实时预测结果。经过对六组刀具的寿命预测结果曲线进行分析后发现,与传感器融合预测方法的预测结果具有很高的优势,可见提出方法预测结果是准确度较高的。

基于多传感器融合技术的智慧路侧单元设计

基于多传感器融合技术,设计了一种智慧路侧单元。通过二维视觉感知和三维点云感知设计获取优质的交通信息;并在此基础上,完成点云和视觉的决策级融合。该智慧路侧单元可满足智慧交通领域实时路况检测需求,为车路协同的实现提供了切实可行的参考方案。

基于IQPSO-EKF的多传感器融合姿态测量方法研究

为解决自动化竖井掘进设备的定位调姿精度对竖井、孔桩挖掘效率与质量的影响,提出了一种基于改进量子粒子群(IQPSO)-扩展卡尔曼滤波(EKF)的姿态测量算法,以提高微机电系统(MEMS)传感器测量精度。首先,对MEMS传感器数据进行了预处理(除噪、滤波、校准等);然后,参考现有飞行器的坐标系,建立了姿态解算模型,通过姿态角数学模型及运动学分析,构建了EFK状态方程,针对EKF方法参数估计不准确的问题,以分段混沌映射优化初始种群,引入平均位置最优值来避免陷入局部最优的IQPSO-EFK算法,优化EKF的系统、测量噪声的协方差参数;最后,对改进算法和三组姿态误差估计进行了对比实验。研究结果表明:对比三种典型目标函数,IQPSO-EFK相较于普通粒子群算法(QPSO-EFK)具有更强的寻优能力与收敛精度;对比三组旋转速度姿态测量误差,基于IQPSO-EKF算法的姿态测量方法在测量误差时比真实测量误差减少了约86.3%,比扩展卡尔曼滤波减少了约68.7%,比普通粒子群算法减少了约28.2%,证明该算法有效地提高了MEMS传感器测量精度。

多传感器融合下船舶机电系统多发故障信号监测

为了提高船舶维护效率,提出一种多传感器融合下船舶机电系统多发故障信号监测方法。根据故障状态下的信号频率,使用小波变换法提取故障信号特征参数作为蚁群算法优化BP神经网络输入,实现多发故障诊断,并通过DS证据理论完成多传感器数据融合,得出故障诊断结果。实验结果表明,该方法可通过多传感器融合判断出船舶机电系统故障类型,即使一种传感器出现故障也不影响诊断效果,诊断船舶机电系统多发故障平均准确率高达97.02%,能够实现较为精准的船舶机电系统多发故障监测。

基于多传感器融合的模糊PID采煤机截割路径自适应控制方法

截割路径自适应控制是提高采煤机生产效率和质量的重要手段,但现行方法控制精度较低,在实际中,截割路径RMSE、MAE均比较高。针对现行方法存在的不足和缺陷,提出基于多传感器融合的模糊PID采煤机截割路径自适应控制方法。采用多传感器融合技术感知采煤机截割运动学模型中位置及状态信息,并对多传感器数据融合处理,根据采煤机截割运动学规律得到采煤机截割路径,模糊化截割路径偏差,利用PID控制器调控比例、积分、微分3个参数,修正采煤机截割路径偏差,实现基于多传感器融合的模糊PID采煤机截割路径自适应控制。实验证明,设计方法应用下的采煤机截割路径RMSE和MAE得到了明显降低,为采煤机截割路径自适应控制提供了一定参考。

多传感器融合和MHA-LSTM的电机轴承剩余寿命预测

轴承作为电机的核心部件,主要起到支撑引导轴、减小设备摩擦、连接不同设备等作用,其剩余寿命预测对系统健康管理起着十分重要的作用。针对单一传感器信号通常难以全面描述系统的潜在退化机制,论文提出一种基于多头注意力机制和长短时记忆神经网络的电机轴承剩余寿命预测模型。首先,基于马氏距离确定轴承性能退化起始点,将滚动轴承全寿命周期分为正常阶段与退化阶段;其次,使用自编码器自动提取振动信号特征,并将其与电机电流、轴承温度融合,构成多源信息特征矩阵;然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征,提高寿命预测的准确性。最后,采用实验数据进行验证,结果表明所提出的模型具有更高的准确性。

基于多传感器融合的系统自我定位与地图重建

在图优化框架的基础上,设计多传感器融合方案和有效的优化方法,提出一套具有鲁棒性的定位与建图(Simultaneous Localization and Mapping,SLAM)方案,能够有效应对室内外复杂环境。进一步发展激光-视觉后端建图融合方法,构建具备全新地图表达形式的点云网格化地图。同时使用低成本传感器,设计实现基于多传感器融合的高性能低成本背包扫描系统,整体完成在未知环境中的自我定位和稠密建图,且在低性能CPU设备上将长时间运动带来的每100 m的轨迹误差平均降低至厘米级。提出的基于多传感器融合方案,在精度、算力消耗上能够匹配现有主流方案,对获取各种环境条件下的系统准确定位结果和丰富的空间信息具有重要意义。

双雷达与轮轴传感器融合的列车高精度测速方法

为在列车运动过程非线性变化、噪声为非高斯的条件下,实现测速传感器的量测误差校准及融合后的速度高精度估计,提出列车测速系统配置双雷达与轮轴传感器,并根据联邦粒子滤波进行融合的测速方法。以CRH3型列车在两车站间从启动到停止的运行全过程为例,将不同速度估计方法在列车产生空转、打滑、振动以及测速传感器存在动态噪声情况下的测速误差进行分析并验证。仿真结果表明:双雷达与轮轴组合进行校准后粒子滤波相对未校准时在空转和打滑阶段均方根误差可分别降低31.52%、47.35%;对比双雷达分离振动速度校准法和双雷达角度偏差估计校准法,双雷达分离振动速度校准法在列车振动速度占比0~1和雷达安装角误差-1°~1°范围内,相对误差最大可降低39.66%。采用联邦粒子滤波融合后的测速结果较融合前双雷达和轮轴传感器滤波测速的结果MAE分别降低34.71%,14.03%,RMSE分别降低26.51%、10.98%。采用联邦粒子滤波融合的方式较联邦扩展卡尔曼滤波融合测速均方根误差降低26.97%,最大绝对误差可降低16.10%。

多传感器融合的工业生产线故障预警技术

针对工业生产线故障预警过程中,因不同传感器采集的数据维度不同,导致预警效率低的问题,提出一种多传感器融合的工业生产线故障预警技术。首先,通过投影的方式对不同传感器数据进行融合转换,将传感器坐标系下工业生产线设备的位置信息转换成平面坐标系下的数据形式;然后,利用光束平差算法进行坐标系融合,得到工业生产线设备的位姿;最后,利用深度置信网络计算工业生产线设备的位姿与目标状态之间的关系,确定工业生产线设备是否处于故障状态,并及时做出相应的预警。经测试,该技术对不同类型、不同程度的工业生产线故障均实现了高效预警,时间开销稳定在1.0 s以内。

基于多传感器融合的室内SLAM

为有效解决单一传感器同时定位与地图构建(simultaneous localization and mapping, SLAM)定位精度低、障碍物识别不全问题,提出一种多传感器融合的SLAM方法。通过将RGB-D相机采集的点云进行降采样、滤波处理,极大降低算法的计算量。利用点云库对激光点云和降采样RGB-D相机点云进行融合,融合的点云利用PL-ICP完成点云配准,提高对外部环境的准确识别。利用扩展卡尔曼滤波融合IMU和轮式里程计与点云进行位姿匹配,保证定位的精度。实验结果表明,该方法可以有效提高对室内建图和导航的精度。

基于多传感器融合的轨检车构架位姿测量方法

针对轨道检查车构架运动会影响轨道几何检测系统测量精度的问题,提出一种基于多传感器融合的构架位姿测量方法。该方法利用加速度传感器和双轴倾角传感器采集构架位姿原始信号,通过构架中心位姿解算方法将多个传感器采集的原始信号进行融合解算,获取构架几何中心位姿。为了验证其准确性和适应性,利用该方法分别在实验室和国家铁道试验中心标定试验线上进行了验证试验和在轨试验,结果表明,以第95%分位数作为评估标准,该方法测量的构架中心横向、垂向位移、侧滚角和摇头角与标准值的误差分别小于0.88 mm、0.44 mm、0.07°、0.04°,该方法与轨检系统测得数据的差异分别小于0.99 mm、0.73 mm、0.08°。构架位姿测量方法可以准确测量轨检车构架位姿,运用于运营车辆,可辅助判别轨道病害,提高轨道检测效率。

GNSS/多传感器融合定位中的欺骗检测技术

全球卫星导航系统(GNSS)与多传感器组成的融合定位系统由于其精确性和鲁棒性,已经在自动驾驶和无人探测等领域得到广泛应用。然而,GNSS容易受到欺骗干扰影响,导致融合定位系统输出错误信息,进而引发严重后果。鉴于传感器能够提供不受GNSS欺骗干扰的载体状态信息,融合定位系统能够通过GNSS和传感器信息的相互校验实现欺骗检测。本文对此类GNSS欺骗检测技术进行了综述,首先概述了GNSS/多传感器融合定位的传感器组成和信息融合算法;其次将现有GNSS/多传感器定位中的欺骗检测技术分为独立信息一致性监测和信息融合异常检测2类,并总结分析了不同算法的基本原理、实现方法和性能效果;最后对GNSS/多传感器融合定位中欺骗检测技术的未来发展趋势进行了展望。

基于EKF的多传感器融合定位算法研究

针对室外移动机器人定位系统精度依靠传感器融合存在累计误差的问题,提出一种基于扩展卡尔曼滤波(EKF)的多传感器融合的室外移动机器人定位方法。通过实时差分定位(Real-Time Kinematic,RTK)和里程计信息、IMU信息对室外移动机器人进行扩展卡尔曼滤波融合定位,在真实室外环境中进行实验。实验结果表明:该算法能消除累计误差,提高机器人的定位精度,动态定位精度可达2.5 cm以内,相较于里程计-IMU融合定位,误差减少了92.4%左右,相较于传统的RTK算法,定位精度提高了55.4%。多次实验表明,该算法具有较好的鲁棒性。

基于多传感器融合的智能分拣搬运车

设计了一款能够自动识别和搬运货物的机器人,该装置主要利用点位图来确定货物的位置,通过路径规划来寻找最短搬运路径。在运动过程中,采用编码器测量车轮转动的速度、陀螺仪二重积分测量小车3个方向的加速度、光流测量小车相对于环境的运动速度,最终通过卡尔曼滤波对这3个数据进行融合,实现对该装置位置信息的实时获取。识别方面采用TensorFlow深度学习框架对识别的对象进行分类,该模型利用卷积神经网络和注意力机制,提高了识别的准确性和速度。

基于多传感器融合的无人舰载机舰面定位研究

无人舰载机在航母舰面的自主定位是实现自主转运、提高驶入/驶出效率的重要前提.其中,如何依靠机载传感设备实现GPS拒止环境下的舰载机自主舰面定位是亟待解决的关键技术.为此,提出了一种基于视觉和激光雷达融合的无人舰载机舰面自主定位算法.该算法通过结合手眼标定和互信息标定方法进行多传感器在线标定,使无人舰载机在面对风浪及航母运行等情况下机身摇晃导致传感器外参标定结果变化后仍能保持稳定运行;引入因子图用于无人舰载机的多传感器位姿联合优化并基于自主转运过程中的运动模型建立了简单高效的传感器失效标准,从而有效地融合了激光雷达和视觉定位结果,使该算法在单个传感器失效的情况下依然可以进行精确的自主定位;最后建立了基于多传感器的舰载机舰面仿真系统对本文算法进行验证,实验结果表明,本文算法在单个传感器失效的情况下定位误差仍维持在0.2m以内,满足实际应用要求.