基于多传感器的扫地机器人导航系统避障研究

探讨了扫地机器人导航系统中基于多传感器的避障问题。通过设计一套多传感器避障方案,结合多传感器数据融合算法、避障路径规划算法,并考虑其他潜在影响因素,实现扫地机器人导航系统性能。

一种多传感器组合导航系统的改进异步融合算法

针对多传感器组合导航系统中各子导航传感器数据采样率不同且呈有理数倍的这一特殊问题,提出了一种组合导航系统的信息融合算法。首先将多传感器组合导航系统的原始状态方程变换成状态数据块向量与当前状态向量之间的关系,进而构成新的状态方程,而原始量测方程表达为与状态数据块向量之间的关系,进而构成新的量测方程。然后基于具有尺度与小波特性的矩阵算子,给出了改进异步融合算法的具体实现步骤。最后将该算法应用于CNS/GNSS/SINS/高度表多传感器组合导航系统。仿真结果表明,相对于传统算法,位置、速度和姿态精度可分别提高约20%、15%和10%,验证了本算法的高精度特性和可行性。

测量噪声方差未知的多传感器组合导航集中融合算法

目前,多传感器组合导航系统的信息融合方法是建立在测量噪声方差已知的基础上,然而测量噪声方差会随着内部及外部的干扰而发生变化。为此,本文首先将基于变分贝叶斯逼近的自适应卡尔曼滤波(variational Bayesian approximation based adaptive Kalman filter, VB-AKF)从单一组合导航系统扩展到多传感器组合导航系统;然后,提出了多传感器组合导航系统的两种集中融合算法,即基于VB-AKF的增广式集中融合算法及基于VB-AKF的序贯式集中融合算法,以解决测量噪声方差未知情况下的多传感器组合导航的信息融合问题;最后,通过SINS/GNSS/CNS/ADS多传感器组合导航系统对上述算法进行了仿真验证。实验结果表明,本文所提两种算法滤波精度相同、且接近于测量噪声方差已知情况下的理想集中融合算法(ICKF)。在整个仿真时段内,相对于传统集中式卡尔曼滤波器(TCKF)及具有容错功能的联邦卡尔曼滤波算法(FT-FKF),本文算法可提高位置精度分别为32%和90%、提高速度精度分别为38%和71%。

多传感器斜置系统故障检测的奇偶向量补偿方法

提出采用神经网络对多传感器斜置组件的奇偶向量进行补偿 ,从而消除安装误差、刻度系数误差以及常值偏差对奇偶向量的影响 ,提高系统对小幅值故障检测与隔离的准确性 .基于神经网络的方法与卡尔曼滤波、偏差分离估计方法相比 ,不需要各项误差的动态模型和噪声统计特性 .神经网络采用有一定时间延迟的样本进行在线学习时 ,利用补偿后的奇偶向量能够检测出有一定斜率的斜坡型故障 .

信息融合技术在INS／GPS／DVL组合导航中的应用研究

为克服某船载导航系统不能满足长时间高精度导航定位需要的缺点,提出了一种基于信息融合技术的INS／GPS／DVL联邦滤波器组合导航方案。介绍了INS／GPS／DVL联邦滤波器的工作模式,在建立INS、GPS和DVL误差模型的基础上,推导了滤波器的组合形式,并详细阐述了该联邦滤波器的融合算法。通过计算机仿真技术分析了该组合导航系统的性能,仿真证明了所设计的联邦滤波器可以充分利用各种导航传感器的信息,提高导航系统的精度,比单独的惯性导航系统能提供更为精确的位置、速度和姿态信息,有效地提高了导航系统的综合能力。

基于SINS/GPS/OD组合导航的列车定位方法的研究

本文设计了适合列车应用的SINS/GPS/OD组合导航系统,建立了联邦Kalman滤波模型和各子滤波器的数学模型。本文结合了联邦kalman滤波的优势,应用了容错滤波技术,提高了系统的容错能力和可靠性。最后通过仿真试验验证了该组合导航系统能为列车运行提供精确的导航参数。