基于惯性传感器和视觉里程计的机器人定位

针对机器人快速运动下,由运动模糊而导致视觉里程计定位估计精度下降的问题,结合惯性传感器和视觉里程计提出一种定位算法。该方法以扩展卡尔曼滤波(extended Kalman filter,EKF)为框架,利用惯性传感器的航位推算构建EKF的过程模型,视觉里程计作为相对线速度和相对角速度传感器用来建模观测方程,同时考虑到机器人运动在平面上,在垂直方向和侧向方向不会产生跳动和滑动,利用这两个方向上瞬时速度为零的约束构建另外一个观测方程。提出的定位方法能够克服视觉定位和惯性定位的缺点,提高了定位精度。基于机器人实测数据进行实验,结果表明提出的算法优于单独采用惯性传感器和视觉里程计。

有向传感网能量节省覆盖优化算法

针对由可移动节点组成的有向传感器网络提出了一种节能节省粒子群优化(ESPSO)算法.针对现有算法在节点最大移动距离约束下,仅将节点位置和感知角度作为可调参数而造成的节点冗余移动问题,将节点的移动距离引入粒子群优化(PSO)算法元变量,自适应地调整节点的最大移动范围,并在粒子中引入变异.实验结果表明,与吸附式粒子群优化(PSO)算法相比,本文提出的算法在相同的节点移动距离约束下,在实现覆盖优化的同时能够显著降低节点移动能耗.

离散二进制入侵杂草算法

在继承入侵杂草优化(IWO)算法特性的基础上,提出了一种可用于解决离散空间组合优化问题的二进制入侵杂草优化(BIWO)算法.该算法保留了IWO算法的正态空间扩散特性,设计了一个扩散范围到扩散概率的映射函数,以概率的形式决定二进制杂草比特位的取值.选取连续空间的4个经典函数和离散空间的背包问题,对BIWO算法进行测试,结果表明:BIWO算法在寻优能力上性能优异,与二进制粒子群优化(BPSO)算法相比,BIWO算法更适合于离散空间的背包问题,能最终收敛到全局最优解或准最优解,且其寻到的最终解在均值和方差上均显著优于BPSO算法.

错误测量下节点选择策略对跟踪精度的影响

为了实现一定比例错误测量下的目标跟踪,构造了节点与目标的简化模型;在粒子滤波基础上,采用贝叶斯估计获得先验概率;利用前一时刻的位置、速度估计和估计因子,得到每一个在探测范围内的节点到目标的最远和最近距离;再结合节点本身的测量值计算每一粒子相应的权值,然后加权得到范围内节点测量值的可靠性集合,从该集合中选择可靠的测量值作为跟踪估计依据.根据不同的权值计算方法,分为节点关联选择策略和二进制节点选择策略.仿真结果表明:在目标运动速度<3m/s和错误测量概率>0.1的情况下,采用节点关联选择策略的RBMCDA算法的跟踪精度优于单纯选择3个较大RSSI值的RBMCDA算法至少1倍.

基于传感网的地面运动车辆目标容错跟踪

提出了一种新的基于声震传感网的机动目标跟踪算法,即在Rao-Blackwellized蒙特卡洛数据关联(RBMCDA)算法基础上,引入代价函数,根据代价函数的可信度和误差偏离度实时在线更新测量噪声模型参数.仿真结果表明:相比于RBMCDA算法,该算法不依赖于观测噪声的精确建模,在节点频繁切换情况下仍具有很好的自适应性;相比于代价参考粒子滤波算法,在错误测量概率达10%情况下,算法仍能精确跟踪,具有很好的收敛性和容错能力;在测量噪声方差由0.001变到0.1过程中,算法能动态调整模型参数,具有较好的鲁棒性.