露天煤矿环境下基于LiDAR/IMU的紧耦合SLAM算法研究

随着人工智能和无人驾驶等相关学科的快速发展,煤矿装备的智能化和无人化成为了新的趋势。智能设备的应用将大幅提高煤矿作业的生产力以及人员安全性。露天煤矿地形复杂,与城市环境相比无明显的几何特征,具有分段相似性,利用现有以激光雷达为主的同时定位与建图(Simultaneous Localization and Mapping,SLAM)方案在该环境下易出现定位漂移和建图误差较大等现象。针对上述问题,提出了一种基于激光雷达(Light Detection and Ranging,LiDAR)和惯导(Inertial Measurement Unit,IMU)紧耦合的SLAM算法,该算法使用LiDAR和IMU两种传感器作为数据输入,对数据进行预处理,前端利用迭代扩展卡尔曼滤波器将预处理后的LiDAR特征点与IMU数据相融合,并使用后向传播来矫正雷达运动畸变,后端利用雷达相对位姿因子将LiDAR帧间配准结果作为约束因子与回环因子共同完成全局因子图优化。利用开源数据集和露天煤矿实地数据集验证了算法的鲁棒性和精确性。试验结果表明在城市结构化环境中文中所提算法与当前激光SLAM算法精度保持一致,而针对长达两千多米的露天煤矿实地环境,所提算法较FAST-LIO2、LIO-SAM紧耦合算法在定位精度上分别提高了46.00%和23.15%,且具有更高的鲁棒性。

煤矿井下HBi-LSTM地磁定位算法研究

针对井下环境对地磁数据影响较大的问题,提出HBi-LSTM神经网络地磁定位模型。基于分层LSTM处理不同长短时间序列以及Bi-LSTM充分学习每条序列信息的特点,构建出HBi-LSTM模型,利用矿用手机内置磁力计采集井下地磁数据,建立面向井下环境的地磁指纹数据库,通过HBi-LSTM学习实现地磁序列可以更好地对应位置标签,之后矿工手持矿用手机随机运动采集地磁序列通过训练好的模型精确匹配指纹库实现在线定位。实验结果显示:所提出的模型比基本LSTM模型的定位性能更好,能够有效提升复杂环境下定位精度。

井下动态环境基于DAE的XGBoost自适应定位算法研究

针对煤矿井下高动态环境导致WiFi定位模型的精度降低的问题,提出极端梯度提升(XGBoost)的指纹定位算法,利用其高维数据特征的学习能力完成定位。与传统的梯度提升树(GBDT)算法相比,在完成更好定位效果的同时,速度也大大提升。同时针对WiFi数据的波动性和XGBoost算法面对动态环境模型漂移问题,分别提出融合降噪自编码器(DAE)和自适应机制的D-XGBoost算法和Z-XGBoost算法。实验结果表明:XGBoost算法的定位精度比GBDT算法提高了,效率提高了5倍多。融合DAE的D-XG-Boost算法的定位准确率比XGBoost算法提高了17%;融合了自适应机制的Z-XGBoost算法有效降低了模型漂移造成的误差。所提改进算法更好地改善了WiFi定位模型精度降低和模型漂移问题。

倾斜地面3D点云快速分割算法

依赖于平面拟合或局部几何特征区分地面障碍物的方法广泛应用于自动驾驶领域,但是在具有倾斜地形或稀疏数据的情况下,性能会降低。在倾斜地形场景中,利用激光雷达(LiDAR)提供的点云数据,通过地面点云的3D投影与直线拟合,利用栅格地图方法降低计算复杂度,实现地面点云的分割。针对非地面的点云集合,利用SLR聚类算法处理,通过设定强度特征阈值在垂直方向区分地面点与非地面点,并对扫描到的障碍物地面分类。通过实验分析,提出的算法较其他地面点云分割算法,一方面在倾斜地形上具有更好的建图效果,另一方面SLR聚类算法处理后的强度特征在X、Y、Z三个方向覆盖范围更精确,如在X方向相较于快速地面分割算法平均提高了44.0%,相较于添加了栅格地图的算法平均提高了40.1%。

基于CNN-LSTM的井下人员行为模式识别模型

针对井下人员日常工作时的运动状态多变且智能手机位置不固定,导致仅考虑单一运动模式下的人员定位精度低的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络的CNN-LSTM井下人员行为模式识别模型。通过智能手机采集井下人员工作状态中的加速度、陀螺仪惯性数据进行运动模式识别,该模型融合了CNN和LSTM两层操作,CNN提取序列的空间特征,LSTM提取时间维度上的特征,对井下人员运动类别及智能手机位置定义,数据预处理后使用CNN-LSTM模型作为分类器进行矿工井下日常行为分类,根据分类结果排除对定位的干扰行为,辅助井下智能手机人员定位算法更新矿工位置,以此来提高井下人员定位算法的抗干扰性和实用性。在井下人员日常行为模式数据集上进行了测试实验,结果表明,提出的CNN-LSTM分类模型对矿工行为模式识别准确率为98.71%。

基于EKF融合的室内定位技术研究

针对单一室内定位技术的局限性,提出了一种基于扩展卡尔曼滤波(EKF)融合WiFi和行人航位推算(PDR)的定位方法。不同于传统WiFi指纹定位,本文基于随机森林(RF)模型建立多个基分类器,取投票结果的众数作为输出结果;通过采集手机内置传感器数据解算行人的步频、步长,并基于四元数进行航向估计。本文在EKF融合定位时,根据状态模型得到状态的预测值,RF模型输出观测值,根据观测值更新状态估计,推算下一时刻位置。试验表明,本文研究的融合算法的定位精度可达到1.26 m,比单一定位算法定位精度提高了1.07 m。

矿山环境三维激光雷达SLAM算法建图与定位

针对矿山地形测绘中存在的建图失真和累计误差大等问题,本文基于三维激光雷达的同步定位与地图构建算法。首先对激光雷达(LiDAR)和惯性测量单元(IMU)进行内外参数标定,以解决无法建图的问题。然后通过巡检机器人采集3组场景(街区道路、矿山斜坡、采矿区)的数据集,对主流的ALOAM、LeGO-LOAM和LIO-SAM等算法进行对比,并利用GNSS数据作为轨迹真值。试验表明,在矿山环境多传感器融合算法LIO-SAM具有更好的稳健性和定位精度,轨迹绝对位置误差较ALOAM和LeGO-LOAM分别降低了21.53%和60.10%。此外,特征提取部分引入强度特征的IALIO算法误差较LIO-SAM降低了20.16%。

煤矿井下动态环境下的改进OSELM定位算法

在复杂多变的煤矿井下环境及时并准确地获取井下作业人员位置非常重要,井下通信环境高动态变化导致模型定位精度降低。本文将在线顺序极限学习机(OSELM)算法用于井下定位,与批量式定位算法GA-BP和ELM相比,OSELM算法能更有效地维持原模型定位精度。但OSELM算法存在病态矩阵求逆和平等对待所有新增数据的不足,导致该算法的稳定性和对动态环境的适应能力较差。本文在OSELM算法的基础上分别提出正则化OSELM算法、遗忘因子OSELM算法,以及融合正则化技术和遗忘因子机制的OSELM算法。试验表明,试验环境变化后,OSELM算法的定位精度比GA-BP和ELM算法的定位精度分别高1.4282和1.1622 m;在3 m误差距离范围内,所提正则化和遗忘因子的OSELM算法的定位精度均比OSELM算法高,融合两种机制的OSELM算法的定位准确率最高,比OSELM算法高5%左右。OSELM及其改进算法均能有效提高模型定位精度。

煤矿井下基于新息理论的AKF超宽带定位算法

针对传统煤矿井下定位精度低的问题,提出了一种基于新息理论的AKF超宽带定位算法.首先建立基于到达时间(TOA)的超宽带定位模型,其次利用极大似然估计准则,将新息方差引入到卡尔曼滤波中参与计算,对系统噪声进行实时的估计和调整,最终实现了系统的定位.实验结果表明,在选定的坐标系中,X轴方向最大误差为14.26 cm,Y轴方向最大误差为14.01 cm,均方根误差为12.68 cm.本文所提出的算法比传统UWB定位算法得到的定位误差更小,有效的提高了定位精度,能够更好的满足煤矿井下定位精度的需求.

改进型DS-TWR的UWB煤矿井下定位方法研究

提出基于改进双边双程测距算法的超宽带煤矿井下定位系统,对双边双程测距算法进行了优化,实现了标签和多个基站同时测距,缩短了测距时间,加快了定位速度;采用卡尔曼滤波对测量到的距离进行滤波处理,提高了测距的精度和稳定性。实验结果表明,定位系统的定位精度可达到厘米级,在模拟煤矿井下环境中(地下通道),平均误差在20 cm内,最小误差为11.06 cm;在室内环境中的平均误差为14 cm内,最小误差为6.49 cm。

频率互异多相位粒度线性脉冲耦合WSN时间同步模型

针对无线传感器网络在运行过程中,传感器节点晶振频率的一致性难以保证而影响时间同步的问题,提出一种基于频率互异的多相位粒度线性脉冲耦合无线传感器时间同步模型。首先基于萤火虫同步机制,在无线传感器网络中采用去中心化的脉冲激励耦合方式,考虑每一个节点可能存在频率的差异,构建出表征不同振荡频率的动态方程。其次对两个振荡器和多振荡器系统进行数学分析,跟踪同步演进过程得出同步条件。最后通过仿真实验,验证了所提模型在节点频率不一致的无线传感器网络中能够实现稳定的同步状态,并且较未考虑频率变化的线性脉冲耦合振荡器同步模型具有更快的同步收敛速度。

融合CNN和CapsNet的Wi-Fi室内定位方法

针对基于位置指纹的Wi-Fi室内定位方法定位精度低的问题,本文提出了一种融合卷积神经网络(CNN)和胶囊网络(CapsNet)的Wi-Fi室内定位算法模型,记为CNN-CapsNet。首先将采集的RSSI时间序列信息,生成位置指纹图像数据集;然后通过由卷积层和池化层构成的CNN初级特征提取器,完成定位图像到初级特征图的转换;最后将初级特征图输入到CapsNet中,获得最终的分类结果。试验结果表明,在不同的向量维度,迭代次数等参数下,该模型的准确率高达99.99%,损失函数值低至0.00991,优于其他的传统定位方法。

煤矿井下动态环境基于WiFi的OSELM算法研究

针对煤矿井下环境高动态变化,导致WiFi指纹匹配定位模型精度降低的问题,提出在线顺序极限学习机(OSELM)的井下定位算法,利用新增接收信号强度指示(RSSI)数据实现对模型的在线实时更新,同时赋予新增数据时效性权重来改进OSELM算法,在保证定位精度的前提下减少数据采集和模型训练工作量。实验结果表明:与传统的批量学习方法相比,利用OSELM在线学习能力可以改善由于井下环境高动态变化导致定位模型精度降低的问题,并且改进的OSELM算法能更有效提升模型定位精度。

基于二维卷积神经网络的无线局域网室内定位系统

为改善现有无线局域网(wireless fidelity,WIFI)室内定位算法的精度与复杂度问题,提出了一种基于二维卷积神经网络(2D-convolutional neural network,2D-CNN)的WIFI室内定位算法。该算法将在线阶段的复杂性转移到离线阶段,在线阶段中仅使用2D-CNN网络进行训练;在离线阶段中,采集定位区域各采集点可接收到的所有无线接入点(access point,AP)的接受信号强度(received signal strength indicator,RSSI)值,并根据其计算峰值,二者结合构成位置指纹图像。再使用滑动窗口进行数据集扩充,最后将其引入到2D-CNN网络模型中进行训练,建立定位模型并完成定位。实验结果表明,在当前室内环境中,该算法的平均定位精度达99.58%,证实了不同参数、优化算法及模型架构选择的正确性。

高动态井下环境的OSELM定位算法研究

井下无线通信环境的高动态变化会使定位模型精度降低,可将在线顺序极限学习机(Online Sequential Limit Learning Machine,OSELM)算法用于井下定位,利用在线学习能力实现对模型的实时更新,与批量式处理算法SVM和ELM相比,该算法能更有效地提高模型的定位精度。但在OSELM模型更新过程中,并没有对新增数据有效性进行考虑,针对这一问题,从新增数据时效性和采集新增数据参考点覆盖率2方面对OSELM算法进行改进,同时融合以上2个因素做融合性改进,用权重项表示新增数据对OSELM定位模型的更新程度。实验结果表明,在3 m误差距离范围内,经改进的OSELM算法均能有效提高定位模型精度,更好地改善因井下环境高动态变化导致模型精度降低的问题。

基于核函数法及粒子滤波的煤矿井下定位算法研究

煤矿井下受限空间中,射频信号强度受到多径衰落、阴影效应及人为因素的影响,采用路径损耗模型的定位方法误差较大,提出了基于核函数法及粒子滤波的定位算法。该算法利用指纹匹配技术结合贝叶斯估计,基于核函数法构建模型,搜索训练数据中接近未知节点指纹特征的位置并加权得到初步观测坐标,最后利用粒子滤波将目标运动状态与观测值相融合,平滑位置突变以追踪移动轨迹。实验证明,对于静态目标定位,核函数法效果优于确定型匹配算法和高斯分布模型;对于动态目标定位,所提算法比基于Markov状态转移的算法定位结果更精准。

改进RSSI的煤矿井下定位技术研究与实现"

针对煤矿井下无线信道的信号传播模型,提出将接收信号强度复合滤波器、一元线性回归测距模型和多边定位方法相结合的改进接收信号强度指示(Received Signal Strength Indicator,RSSI)值的井下定位技术,通过利用基于无线传感器网络操作系统TinyOS的节点进行离线建模、在线测算,实现煤矿井下人员及设备的实时定位。井下巷道试验表明,该技术提高了定位精度,增强了定位系统的鲁棒性,适用于煤矿井下定位。

基于物联网的农业大棚气象数据监测系统设计

农业大棚种植技术对现代化农业生产具有重大意义,为解决农业大棚环境信息实时采集、监测问题,设计了基于物联网的农业大棚气象环境数据监测系统。该设计以CC2530射频模块为终端采集设备的核心芯片,通过布置光照、土壤湿度、空气温湿度等传感器搭建农业大棚气象观测站;基于Z-Stack协议栈完成短距离无线通信,并建立相应的数据传输规范;基于MQTT对采集数据进行信息推送和拉取。该系统的软硬件开发保证了系统实用性高、成本低以及研发周期短等特点。实际运行结果表明,该农业气象环境监测系统技术先进、设计灵活、成本低、布置简便、性价比高,能够有效地完成对农业大棚气象数据的实时监测,也可以为其他农业系统提供气象监测依据。

基于FPGA的OFDM基带发送系统设计与实现

在对IEEE802.11a和OFDM技术做了深入研究的基础上,针对IEEE802.11a协议设计了OFDM基带发送系统的参数,提出了OFDM基带发送系统的实现方案,利用Xilinx FPGA软硬件开发平台分别对结果进行了软件仿真和硬件测试。测试结果表明,该设计正确地在FPGA硬件平台上实现了基带发送系统所需的功能,具有较高的稳定性和可靠性,有一定的实用价值。

基于PSO-BP神经网络的煤矿井下自适应定位算法

提出了一种基于PSO-BP神经网络的煤矿井下自适应定位算法。针对传统的基于测距模型的定位算法易受煤矿井下环境干扰、测距误差大的问题,选择指纹匹配定位模型。针对煤矿井下环境强时变性,易增大实时采集的指纹信息与离线阶段建立的静态指纹数据库信息的匹配误差问题,将信标节点作为参考点的校准节点,以更好地反映参考点随环境变化的情况,避免增加额外的校准节点;在不增加硬件成本的同时,通过动态补偿法实时修正目标节点指纹数据,解决了指纹匹配定位模型自适应差的问题。匹配定位阶段采用PSO优化BP神经网络权值,以加速BP神经网络收敛,提高学习速度。实验结果表明,该算法更加适应随时间变化的煤矿井下环境,满足井下自适应定位要求。