多光线追踪与高度特征约束的激光雷达动态点云检测方法

基于激光雷达同时定位与构图方法生成的导航地图通常含有动态点,为保障点云匹配精度及路径规划等任务的正常执行,检测并移除导航地图中的动态点云至关重要。光线追踪算法是一种常用的动态检测方法,然而传统光线追踪算法存在因光线误穿越占据体素导致的体素状态误判问题。针对上述问题,提出了一种多光线追踪与高度特征约束的激光雷达动态点云检测方法。利用邻近射线辅助体素状态的判定,减少假阳性情况;基于高度特征约束方法解决了地面点自干扰问题。室内外数据集上的实验结果表明,所提方法在不同场景下的动态检测性能优于OctoMap方法、Removert方法和ERASOR方法,其中静态保留率高于80%,动态剔除率高于97%。

基于激光雷达的多层楼梯检测和建模方法

移动机器人在多层建筑进行自主导航时,需要具备楼梯检测和建模能力。然而,目前楼梯检测和建模主要面向单层直楼梯,对具有回转结构的多层楼梯适用性差,且场景中存在的动态点云会影响建模精度。针对以上问题,提出了一种基于激光雷达的多层楼梯检测和建模方法。首先,构建了轻量化的2.5D点云滤波器,高效滤除动态和噪声点云;其次,提出了一种基于主成分分析的台阶分类方法,实现了对单个及具有回转结构的复杂多层楼梯的鲁棒台阶检测;同时,设计了一种基于区域分割的台阶尺寸估计方法,提高了楼梯模型的构建精度;此外,提出了一种基于多阈值判断的楼梯模型追踪方法,实现了实时楼梯检测和快速动态建模;最后,分别使用Tang数据集和四足机器人在室内外多重场景下采集的点云数据进行试验验证。结果表明,提出的算法在室内外场景下,能够对单层及具有回转结构的多层楼梯进行动态检测和建模,其中台阶尺寸的估计精度在1 cm以内,计算量降低了51.23%。

基于选星预处理的改进随机抽样一致性RAIM方法

多星座导航能够增加可视卫星数量,改善卫星几何构型,已成为卫星导航定位领域发展的重要方向之一。多星座导航接收机自主完好性监测(RAIM)技术对提高导航系统的完好性具有重要作用。面向多星座导航的完好性监测需求,分析了传统随机抽样一致性(RANSAC)故障检测方法的不足,提出了一种基于最小样本集选星预处理的改进RANSACRAIM算法。该算法基于最大四面体积法和GDOP值贡献度的选星方法选取具有较好构型的卫星构成卫星子集,取代了传统RANSACRAIM方法通过遍历构成卫星子集,可有效避免卫星子集中存在较差卫星几何构型的情况,减少子集数量,提升故障检测的准确率。静态和动态仿真实验表明,改进的RANSACRAIM算法在检测效率和检测准确率等方面明显优于传统方法。

基于轮询相对测距的多无人机协同优化方法

针对多无人机协同定位时,轮询通讯架构下传统滤波方法无法抑制惯性导航系统误差累积发散的问题,提出了一种基于相对距离信息辅助的多无人机协同优化方法。以惯性导航系统为核心构建惯性预积分因子节点和相对距离信息协同因子节点组成因子图优化模型,引入时间滑动窗口,构建量测残差代价函数,利用Gauss-Newton最小二乘迭代对无人机的最优状态进行求解。仿真实验表明,在轮询通讯架构下,所提出的方法能够实现多无人机编队的高精度协同定位,达到广播式通讯架构定位精度水平,相较传统扩展卡尔曼滤波(EKF)方法,定位误差降低了73.8%。

基于行为概率分析的室内行人导航方法

行人在室内场景下进行混合步态运动时,传统零速检测方法易出现“漏检”和“误检”,造成定位精度下降。针对此问题,提出了一种基于行为概率分析的行人零速检测与爬楼高度估计方法。一方面,设计了基于步态周期检验的最大概率零速点提取方法,通过足部零速广义似然比概率统计对步态周期进行准确划分,继而实现对步态周期内最大概率零速点的提取;另一方面,采用基于长短期记忆的深度学习网络模型实现上下楼运动检测,基于气压高度计与惯性器件数据,构建描述足部跨越台阶数的能量概率函数,并对台阶高度、跨越台阶数以及爬楼高度进行实时在线估计。最后开展了行人室内导航实验,相较于传统零速检测算法和零速阈值自适应调整算法,所提算法的平均零速点提取成功率分别提高24.44%和16.21%,平均导航定位性能分别提高了55.14%和39.15%,高度误差由7.79%降低到0.39%。

基于多结构语义特征的激光雷达里程计与建图方法

目前激光雷达里程计算法通常采用点、线、面特征或单一结构语义特征,在特征稀疏场景下其匹配精度易受到干扰。针对该问题,提出了一种基于多结构语义特征的激光雷达里程计与建图方法。首先,提出了一种基于网格的多结构语义特征提取方法,实现对柱面、地面以及平面的有效提取;然后,针对三类语义特征分别构建匹配代价函数,实现了多结构语义特征的联合匹配;接着,建立三类语义特征的参数化描述模型,并针对性设计了增量式地图存储与更新方法。最后,开展了室内外实验,并与A-LOAM、LEGO-LOAM、LIO-SAM、FAST-LIO、SLOAM等算法进行了对比分析。实验结果表明,所提算法的定位精度相对于上述算法,在室外和室内环境下分别提高了15%和5%以上。

基于构型寻优的多无人机鲁棒自适应协同定位方法

针对卫星导航信息受扰环境下的无人机自主精确定位需求,提出了一种基于构型寻优的多无人机鲁棒自适应协同定位方法。首先,考虑到多无人机空间构型实时动态拓扑变化特点,设计了一种基于构型寻优的相对测距/测角协同子滤波器。其次,设计了一种用于无人机多源异类观测信息故障检测的改进残差卡方检测算法。通过评估子滤波器状态估计的实时权重,实现故障观测子滤波器的自适应动态隔离及系统状态重构。实验结果表明,所提方法能够充分利用构型优势对从机进行协同定位解算,在无人机内外源观测信息受干扰的情况下,能够快速识别、动态隔离异常观测信息,提高系统的鲁棒抗干扰性能。相对于传统基于卡方检测的故障诊断方法,所提方法从机定位精度提高了20%以上。

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。

基于因子图的GNSS/LiDAR外参在线估计方法

针对园区巡检、物流等固定场景下的任务,无人车的主流导航方法为预先构建场景点云地图,在运行时通过激光雷达(LiDAR)扫描的点云与地图相匹配,进而得到高精度的定位结果。为解决地图构建时位姿估计精度受外参误差影响较大的问题,提出了一种全球导航卫星系统(GNSS)/LiDAR外参在线标定算法,对传感器外参进行在线估计。通过搭建仿真平台对算法进行验证。结果表明:该算法可以有效地估计出GNSS与LiDAR之间的外参,杆臂估计精度达到厘米(cm)级,姿态角估计精度优于0.1°。

基于椭球拟合的三轴磁传感器快速标定实验设计

为满足导航与测控专业对实验教学的要求,该文结合三轴磁传感器的测量原理,采用软硬结合的方式设计了基于椭球拟合的三轴磁传感器快速标定实验。首先,分析磁传感器的测量机理,构建测量误差数学模型;然后,使用蓝牙通信接口采集三轴磁传感器的数据,并进行串口数据解码;最后,采用基于RANSAC改进的最小二乘椭球拟合方法求解磁传感器的标定参数。该实验能够在不借助外部参考信息的情况下快速、有效地提高三轴磁传感器的信息质量,结合传感器理论与工程应用,软硬紧密结合,能够提升相关专业学生的理论水平和综合实践能力。

基于PDOP贡献度的分步式迭代优化选星算法

全球导航卫星系统(Global navigation satellite system,GNSS)是民航所需导航性能(Required navigation performance,RNP)程序的重要导航传感器。GNSS的定位精度决定了民用飞机是否能够满足RNP飞行要求。由于飞机上接收机的计算能力有限,计算延迟可能会降低定位精度。为了满足高精度要求,计算延迟引起的误差不能再被忽视。本文提出了一种基于位置精度因子(Position dilution of precision,PDOP)贡献的两步迭代卫星选星算法优化,可以有效减小计算延迟并提高RNP程序下的定位精度。仿真结果表明,该方法在实时性方面优于传统算法,对确保民用飞机飞行安全具有重要意义。

基于多重渐消因子变分贝叶斯的陀螺阵列融合算法

针对由多个MEMS陀螺仪组成的阵列系统在动态情况下噪声时变导致输出精度低的问题,提出了新的动态滤波模型和滤波方法。通过分析MEMS陀螺的误差特性和对角速度进行动态建模,构建了基于角速度估计的阵列陀螺随机误差动态滤波模型。由于动态情况下模型的不确定性导致传统方法精度较差,设计了一种多重渐消因子变分贝叶斯自适应卡尔曼滤波算法,利用变分贝叶斯思想和强跟踪理论提高了滤波器量测噪声估计精度、收敛速度和鲁棒性。最后在高精度转台上进行了静态实验和动态实验。实验结果表明:在静态条件下,“虚拟陀螺”方差降低为单个陀螺的4%,零偏不稳定性降低为47.2%;在动态条件下,“虚拟陀螺”能有效跟踪角速度的变化且角速度残差方差降低为单个陀螺的6.2%。该滤波算法能有效提高MEMS陀螺阵列系统的输出精度。

基于激光雷达/卫星融合的点云构图实验教学平台开发

搭建了一种基于激光雷达/卫星融合的点云构图实验教学平台,包括基于Airsim的虚拟仿真平台与基于无人车的物理平台。在虚拟仿真平台中,完成了Linux操作系统下的仿真场景搭建,以及激光雷达点云、卫星导航数据仿真;在物理平台中,搭建了包含激光雷达、卫星传感器的无人车实验系统。在上述两类平台基础上,实现了激光雷达和卫星的数据采集、点云分割、特征提取、激光雷达里程计以及激光雷达/卫星融合软件设计。经测试,两类平台均能有效构建场景的高精度点云地图,有助于增强学生的实践动手能力及知识应用能力,取得了良好的教学效果。

面向变化场景的LiDAR鲁棒定位与地图维护方法

无人车在工业场景自主运行时,通常基于先验地图匹配对自身进行定位,然而场景变化会影响其定位精度。针对于此,本文提出了一种面向变化场景的激光雷达鲁棒定位与地图维护架构,其包括地图匹配、定位优化、地图维护模块。在该架构中,提出了一种基于变化检测的匹配算法,降低了变化场景引起的匹配误差;设计了基于激光雷达里程计与先验地图匹配的因子图融合模式,提高了定位解算鲁棒性;提出了一种基于最近点搜索的误检测点滤波方法,提高了变化点检测准确性。最后,通过仿真与试验搭建了变化场景验证环境,对基于Loam的匹配算法与本文算法进行了对比验证。结果表明,本文算法可以有效抑制场景变化引起的匹配误差,在实际场景中定位均方根误差优于3 cm,定位精度相较于传统算法提高67.4%。

多导航传感器数据实时并行采集处理与传输系统的研制

多源导航以其容错性、可靠性、精确性成为一种重要的导航方式,而硬件需求复杂、验证周期长是大量多源导航算法还停留在仿真阶段的主要原因。为了减轻导航计算机的软硬件负担,缩短多源导航算法的验证周期,基于ARM核心Linux开发板,采用多进程和多线程的软件框架实现大数据量、高并发性、高实时性的导航信息采集传输与预处理。同时基于Linux网络编程,利用TCP/IP协议族中UDP传输层协议,采用UDP广播的一对多传输方式,搭建了多导航传感器数据采集系统。通过实际系统测试,系统在实时性、精确性、拓展性和适应性等方面具有良好的表现,能够对多源导航算法进行实际检测。

面向复杂场景的激光雷达地面分割算法

针对现有地面分割方法在复杂场景下存在地面分割不准确、计算量大等问题,提出了一种基于先验信息采样一致性拟合和小型障碍物剔除的激光雷达地面分割方法。该方法首先利用激光雷达点云的先验信息指导数据采样并快速迭代估计地面模型,计算点云分布特征因数以评估地面模型,从而实现噪声环境下地面基准面的快速、准确拟合。随后,构建高度和法向量联合特征,剔除基准面上的小型障碍物,最终实现复杂场景下的地面准确分割。实验结果表明,该地面分离算法在复杂场景中具有较强的适应性和实时性,在保证分割效果的情况下较传统的算法效率提升30%。

穿戴式钢琴弹奏手套智能感知与手势识别技术

钢琴弹奏手套是一种新兴的智能可穿戴式设备,通过手套中的多惯性传感器对钢琴弹奏者的手势状态进行实时感知和分析,可以让钢琴学习者实时了解弹奏手势是否规范,从而有效提高钢琴学习效率和兴趣,并降低学习成本。区别于其他应用领域中的手势,钢琴弹奏手势具有多样性、快速性、大动态以及强时变的特点,设计了一套基于惯性数据手套与红外检测杆的钢琴弹奏手势识别系统,并提出一种基于机器学习的钢琴弹奏手势识别方法,以惯性数据手套与红外检测杆的输出作为数据样本,针对钢琴弹奏手势特性,进行多模态手势特征的提取并采用分层识别算法改善识别效果。实验表明,所提出的方法能够较好的适应钢琴弹奏手势识别需求,识别准确率达到99%以上。

一种可参数自标定的鲁棒视觉/惯性定位方法

以视觉/惯性里程计为代表的视觉/惯性定位方法近年来被广泛应用。传统的视觉/惯性里程计通过离线标定方法得到固定的相机畸变参数,当相机畸变参数标定不准确或发生变化时定位精度会下降。针对于此,提出了一种面向相机畸变参数在线自标定的鲁棒视觉/惯性里程计方法:首先,将相机畸变参数加入到视觉/惯性里程计的待优化变量中,推导了视觉重投影误差关于待优化变量的雅可比矩阵;然后通过因子图优化技术,实现相机畸变参数的在线自标定与载体导航信息的实时优化求解;最后,通过EuRoC数据集试验和实际试验验证了所提方法的有效性。实际试验结果表明:相对传统的视觉/惯性里程计方法,所提方法在室外开阔场景中精度提升了65.40%。

基于模拟多位置数据增强驱动零速检测的惯性行人导航方法

通过零速校正可以对惯性行人导航递推中的惯性累加误差进行抑制,现有方法常使用基于固定阈值物理模型的零速检测器,但此类方法在步态变化下需要调整参数。基于数据驱动的方法可以避免对模型的调整参数,但传统网络泛化能力较差。针对此问题,提出了一种基于模拟多位置数据增强驱动长短期记忆网络(A-LSTM)零速检测器。通过将惯性量测信息基于物理模拟变化投影至不同的位置,模拟在不同位置情况下的输出,增强泛化能力。并提出基于端到端的LSTM网络对零速区间进行检测,使用扩展卡尔曼滤波器进行导航融合,实现对于不同步态、不同穿戴位置下准确的惯性行人导航。最后在包含行走、跑步混合步态的实验中验证了所提算法的导航性能。相较于固定阈值零速检测方法与未增强数据的深度学习零速检测算法,所提算法零速检测成功率提升15%与12%,相较未增强数据的深度学习零速检测算法,首尾定位误差降低了70%。

一种基于动态剔除和场景匹配的Robust SLAM方法

针对动态环境中移动物体和结构变形引起激光雷达自主定位精度下降的问题,本文提出了一种Dynamic Lego-loam方法。为减小动态点误匹配给激光雷达里程计带来的误差,该方法首先在里程计精解算之前,提出了一种基于先验信息的点云粗配准算法用以剔除动态点,提高了激光雷达里程计的匹配精度。然后,针对环境中的动态变化带来的误差累积和建图重影问题,利用场景匹配的方法优化了传统基于半径的闭环检测方法。大范围采用基于半径的粗搜索快速定位至局部场景,小范围构建区域高度差描述符精确匹配至最相似历史帧,最终实现了精准的闭环检测并提高了动态环境中的建图精度。实验结果表明,在动态环境下,Dynamic Lego-loam算法相较于Lego-loam算法自主定位精度提高了63%。