粗匹配和局部尺度压缩搜索下的快速ICP-SLAM

ICP-SLAM在自主机器人和无人驾驶领域得到了极大的关注,但传统ICP-SLAM缺少当前帧和全局地图的相对位置关系,因此本文ICP算法必须经过大量的迭代之后才能达到收敛条件,这导致传统ICP-SLAM实时性很差。并且在每一次的迭代过程中,必须通过全局搜索才能完成匹配点搜索,这进一步降低了传统ICP-SLAM的实时性。为此,提出了一种快速ICP-SLAM方案。首先,通过MEMS磁力计和全局地标计算出初始位姿矩阵,通过该初始位姿矩阵实现当前帧和全局地图之间粗匹配,进而减少达到收敛条件的迭代次数。其次,在每次迭代过程中,将采用局部尺度压缩搜索完成匹配点搜索,从而减小ICP-SLAM的计算开销,提高ICP-SLAM实时性;同时,每次迭代完成之后,还将通过动态阈值缩小搜索范围,达到加快匹配点搜索的速度,进而提高ICP-SLAM实时性。实验结果表明,和传统ICP-SLAM相比,在理想室内静止场景下,快速ICP-SLAM的迭代次数最高减小了92.34%,ICP算法运行时间最高降低了98.86%。除此之外,ICP-SLAM的整体负载也被保持在可控范围内,ICP-SLAM的整体性能得到很大的提升。

基于峰度系数的行人水平行走步态细化分类算法

步态是人的一种生物特征,在定位导航领域具有重要的研究意义.基于微机电系统(micro-electro-mechanical system,MEMS)惯性传感器技术的行人步态分类方法大多是使用加速度峰值判别法对当前行人步态进行识别.但布朗运动造成的仪器自有噪声及环境等因素的干扰,使得采集到的信号带有许多伪峰值,降低了最终分类结果的精度.针对这一问题,从整体波形角度出发,提出一种基于峰度系数的行人水平行走步态细化分类算法.该算法首先使用快速傅里叶变换将MEMS传感器采集的行人前进方向的步态加速度信号从时域转换到频域,获得频域信号后再对其模值取平方;然后通过傅里叶逆变换回到时域,得到原信号的自放大信号,并除去大部分的伪峰值;最后计算自放大信号的峰度系数,通过对峰度系数值的分析,达到对慢走、走、慢跑进行区分的目的.验证结果表明:该算法的步态识别率达到98.62%;与加速度值-频率功率融合算法相比,整体分类精度提高了7.37%.

iBeacon网络下的区域化双层定位体系

针对许多传统室内大空间定位方法难以同时提高定位实时性和精度的问题,提出一种i Beacon网络下的区域化双层定位体系.该体系由两种优化后的室内定位算法与i Beacon双层定位架构组成.前者通过空间区域化概率匹配算法实现快速区域定位,利用区域内加权质心算法实现高精度区域内定位;后者通过i Beacon识别码对定位节点进行两级划分,利用两级节点的不同组合实现不同的定位层次.该体系通过i Beacon双层定位架构将处于不同定位层次的两种室内定位算法相结合,可同时提升实时性和精度.实验表明,在相近定位精度条件下,所提定位体系的实时性比K最近邻算法、加权K最近邻算法分别提高55.29%和54.18%.定位精度比基于RSSI的四边测距改进加权质心算法提高37.35%.该体系具有高精度和低成本优势,可广泛用于大型建筑室内导航及行人轨迹探测等领域,经济和社会应用价值高.