自适应蒙特卡洛法评定全站仪测距不确定度

全站仪测距精度的校准需要在标准基线场上进行,由于野外环境不可控和气象条件波动剧烈,因此判断全站仪的测量结果的可靠程度具有重要意义。为了解决全站仪测距不确定度评定模型的非线性和输入量强相关等问题,本文首先采用了自适应蒙特卡洛法进行不确定度评定,然后与GUM的不确定度评定结果进行对比,当测距距离为1176 m时,自适应蒙特卡洛法评定的不确定度结果为2.2 mm,GUM为2.6 mm,结果显示两种不确定度评定方法的测量结果均在合理预期之内,且自适应蒙特卡洛法评定的不确定度置信区间更窄。自适应蒙特卡洛法结合了大量数据样本和自适应优化仿真次数的优势,不仅对全站仪测距过程中的各项误差源引入的不确定度分量评估更为全面,而且在保证了全站仪测距不确定度评定结果准确的同时,相比于蒙特卡洛法节约了70%的样本数量。

自适应蒙特卡洛法评定量块校准测量不确定度

测量不确定度表示指南(GUM)提供的不确定度评定方法,应用于模型非线性和输入量高相关的测量系统精度评价时存在一定的局限性。以GUM指南附录H.1包含了不确定度评定诸多细节的量块校准为对象,研究自适应蒙特卡洛法解决非线性模型和输入量强相关测量系统的不确定度评定难题。讨论了量块校准的测量模型和不确定度建模问题,给出了3种不确定度评定方法。基于蒙特卡洛计算机模拟的技术优势,以及自适应法仿真次数的优化,对量块校准测量不确定度评定进行了实例验证,结果表明,当测量模型为非线性、输入量强相关时,自适应蒙特卡洛法的计算效率最高。

基于Wi-Fi和自适应蒙特卡洛的移动机器人定位方法的研究

提出一种基于Wi-Fi和自适应蒙特卡洛的移动机器人定位方法。通过对实验环境中Wi-Fi信号的分布进行测试和分析,利用Wi-Fi信号强度的三角定位法,在ROS平台上实现Wi-Fi-AMCL室内初始化定位系统。对该方法和传统定位方法设计实验进行比较,结果表明前者不仅可以有效加快粒子的收敛速度、缩短机器人的定位时间,而且在一定限度上提高了机器人的初始化定位精度,改善了定位效果。

自适应蒙特卡洛法评定肥料中苯并[a]芘含量的测量不确定度

通过Python编写计算程序,完成自适应蒙特卡洛法评定测量不确定度的代码实现,进而评定气相色谱质谱法测定肥料中苯并[a]芘含量的测量不确定度。结果表明,气相色谱质谱仪测定肥料中苯并[a]芘含量的标准不确定度为0.0179 mg/kg。探索了自适应MC法在肥料成分含量测定的测量不确定度评定中的应用,结果表明,这种方法具有适用性广、计算过程直观、计算结果可靠的优点。

自适应蒙特卡洛法在测量不确定度评定中的应用

针对基于测量不确定度表示指南(GUM)评定测量不确定度存在的局限性,提出了采用自适应蒙特卡洛法评定测量不确定度。该方法不仅解决了在复杂的测量模型下评定困难的问题,而且通过设定适当的数值容差来平衡迭代次数和精确度的矛盾,从而获得理想的结果。为了保证该方法有效应用,假设了多种测量模型进行仿真,通过仿真结果说明该方法的实用性。

基于自适应蒙特卡洛法的磁场辐射发射测量不确定度评定

针对测量不确定度评定中测量不确定度表示指南法(GUM)不适用于输入输出变量关系非线性或输出变量非正态分布的情况,提出采用自适应蒙特卡洛法(AMCM)评定25 Hz～100 kHz磁场辐射发射(RE101)测试的测量不确定度。首先阐述蒙特卡洛法(MCM)和AMCM评定测量不确定度的计算步骤,其次分别用AMCM和GUM法评定RE101测量不确定度,在相同的包含概率下比较两种方法的覆盖区间差值与数值允差,表明AMCM的评定结果可靠性更高,适用于RE101测量不确定度评定。AMCM可以推广到其他电磁兼容测试项目的不确定度评定中,将有效提高不确定度评定的可靠性。

基于自适应蒙特卡洛法评定测量不确定度程序开发与应用

进行了基于自适应蒙特卡洛法评定测量不确定度的程序开发与应用。基于Python语言,设计开发自适应蒙特卡洛法评定测量不确定度程序,包含评定过程框架、自定义变量名称模块、过程参数关联计算模块以及蒙特卡洛法采样计算模块。程序界面简洁,操作简单,计算准确,适用于任意多个独立变量、任意多个过程参数及单一被测量的数学模型,为利用自适应蒙特卡洛法评定测量不确定度提供了方便。

自适应蒙特卡洛法在自上而下评定测量不确定度中的应用

目的探讨自适应蒙特卡洛法(aMCM)用于确认自上而下方法评定测量不确定度(简称不确定度)的可行性。方法用aMCM确认临床实验室基于自上而下方法评定不确定度的效果,若aMCM与自上而下方法评定结果的绝对差值低于规定的数值容差,则确认通过;利用MatLab软件编制aMCM确认程序。结果aMCM与自上而下方法评定结果的绝对差值低于规定的数值容差,自上而下评定不确定度的方法通过了aMCM的确认。结论建立的aMCM可用于自上而下不确定度评定结果的确认。

一种修正的自适应蒙特卡洛法用于非线性函数误差传播

非线性模型广泛存在于大地测量数据处理的各个方面。误差传播定律是精度评定理论的基础。非线性函数的误差传播计算通常采用近似函数法,然而,在处理多维复杂的非线性函数时,近似函数法存在导数运算困难且繁琐的缺陷。自适应蒙特卡洛法虽然可以避免导数运算,但其受不完善的计算终止条件影响,在实际计算中存在一定几率提前满足数值容差,进而输出不准确的计算结果。针对上述问题,本文改进现有自适应蒙特卡洛法,并设计了一套用于非线性函数误差传播的修正自适应蒙特卡洛方法。算例结果表明,本文方法可以避免自适应蒙特卡洛法过早结束模拟计算的缺陷,从而获得更为准确合理的非线性函数误差传播结果。

一种针对人形足球机器人的分域自适应蒙特卡洛定位方法

针对常规蒙特卡洛定位法中的粒子贫化和绑架问题,提出了一种分域自适应蒙特卡洛定位方法.该方法首先定义了两个用于描述粒子集合分布及其与真实位姿之间的差异的特征变量.然后根据特征变量的组合值将定位过程识别为全局定位、局部定位、局部跟踪和容错定位四种状态的交替过程,并为每种状态设计了自适应的控制策略来调整参数和重新采样规则.基于大型人形足球比赛机器人系统的物理和仿真实验的结果均表明,该定位方法有利于提高定位的准确性和实时性.同时,该方法还可以高效地解决绑架问题,提高了系统的鲁棒性.

手持式激光扫描仪测量不确定度的蒙特卡洛法评定

手持式三维激光扫描仪在测量过程中受多种误差因素的综合影响,使得采集得到的点云存在一定偏差,影响最终测量结果的准确性,因此需要对测量结果的不确定度进行评定。根据扫描仪的工作原理,对扫描过程中产生的不确定度来源进行详细分析,采用量值特性分析的方法建立不确定度模型,分别采用GUM、蒙特卡洛(MCM)和自适应蒙特卡洛(AMCM)3种方法进行不确定度评定。通过对测量平板平面度实验所作的不确定度评定结果表明,MCM方法充分考虑了输入量的分布类型,不确定度评定的结果比GUM方法更加准确;AMCM方法则能够有效地平衡抽样次数M的取值过大或过小的矛盾,测量不确定度评定的过程比GUM和MCM两种方法更加便捷和高效。

自适应MCM法和GUM法评价直接进样测汞法测定稻谷中总汞的不确定度比较研究

重金属汞污染是危害粮食安全的重要问题,直接进样测汞法的检测过程中需要对检测结果做好质量控制。检测结果需要识别实验过程中各环节对结果的影响大小。基于GB/T 27404—2008《实验室质量控制规范食品理化检测》附录F中对实验室开展新项目所需验证的各种项目:回收率、标准曲线、测定低限、精密度、准确度等。使用自适应蒙特卡洛法(adaptive Monte Carlo method,MCM)和测量不确定度表示指南方法(Guide to the expression of uncertainty in measurement,GUM)分别对直接进样测汞法开展不确定度评定。GUM法得到的不确定范围为(0.0193±0.0017)mg/kg(k=2);MCM法得到的不确定度置信区间(95%)为[0.0177,0.0211];使用MCM Alchimia软件对2种方法的不确定度概率密度拟合曲线,MCM法与GUM法评价结果一致性较好。分析不确定度评定过程中各不确定度贡献率,回收率和标准曲线拟合过程引入不确定度在检出限处引入的不确定度分量较大,建议在方法验证和不确定度评定中使用定量限作为加标回收率和标准曲线最小浓度点。

基于LIO-SAM建图和激光视觉融合定位的温室自主行走系统

为解决传统导航方案在温室内无法应对光照变化大、作物行间距窄、接收GPS信号差等问题,该研究提出了基于即时定位与地图构建技术的激光视觉融合式自主导航算法。该系统利用三维激光雷达VLP-16(Velodyne LiDAR,VLP-16)和惯性测量单元获取温室环境信息,采用基于紧耦合的雷达惯导定位建图(tightly-coupled lidar inertial odometry via smoothing and mapping,LIO-SAM)算法构建导航地图,基于轮式里程计和视觉里程计采用扩展卡尔曼滤波器算法实现局部定位,融合激光点云配准算法和自适应蒙特卡洛定位算法实现全局定位。同时,在自主行走系统应用A*算法规划全局路径和动态窗口算法规划局部路径,从而实现自主导航。试验结果表明,LIO-SAM算法构建的温室导航地图最大相对误差、最大绝对误差和均方根误差分别为9.9%、0.081和0.063 m,在温室内改进后的定位算法横向偏差小于0.020 m,纵向偏差小于0.090 m;当自主行走系统以0.15、0.30和0.50 m/s的速度运行时,横向偏差、纵向偏差和航向偏角的平均值分别小于0.120 m、0.10 m和8.5°,标准差分别小于0.070 m、0.140 m和6.6°。该导航方案满足自主行走系统在温室内高精度建图、定位和导航的需求,可为自主移动平台提供理论与技术支撑。

纵横波联合叠前自适应MCMC反演方法

联合纵波(PP波)和转换波(PS波)地震资料进行AVO反演可降低解的非唯一性,提高反演的稳定性和AVO参数估算精度。文中提出了一种基于自适应马尔科夫链蒙特卡洛(MCMC)的纵横波叠前联合非线性反演方法,直接反演纵、横波速度及密度三个参数。该方法基于精确Zoeppritz方程,在贝叶斯框架下引入测井约束先验信息,在反演过程中使用自适应MCMC方法对贝叶斯后验概率密度进行抽样,并通过对收敛于后验概率密度随机样本的统计分析,获取表征纵、横波速度及密度参数的后验概率密度信息。同时对其AVO三参数反演结果进行不确定分析,可用于储层流体检测与岩性识别的风险评估。实际井模型数据测试结果表明,基于精确Zoeppritz方程的自适应MCMC法纵横波叠前联合反演精度较高、稳定性较好、抗噪能力也较强,验证了方法的可行性和有效性。

GUM法和自适应MCM法在海水盐度测量仪器检定装置不确定度评定中的应用分析

通过GUM法和自适应蒙特卡洛法(自适应MCM法)分别对海水盐度测量仪器检定装置进行测量不确定度评定,并采用自适应MCM法对GUM法进行了验证,同时设计了4种方案进行了空气浮力项等的影响分析。结果表明,基于自适应MCM法得到的测量不确定度评定结果与GUM法非常接近,GUM法在各个检测点均通过了验证,但自适应MCM法更为简便准确,为建立军用盐度标准提供一种简便的方法;空气浮力项引起的盐度估计值误差为±0.0003,且引入的不确定度较小;操作者和环境是测量不确定度评定中的重要部分,特别对低盐度检测点的影响较大,这对盐度量值溯源传递会产生一定的影响。

基于蒙特卡洛-自适应差分进化算法的飞机容差分配多目标优化方法

针对飞机复杂组件装配过程中,由于装配偏差的非线性叠加导致通用容差分配模型优化方法存在精度误差和效率低下的问题,提出一种容差分配模型多目标优化方法。首先,分别面向制造成本、装配性能、质量损失构建基于替代工艺的容差分配模型,并采用最优化理论建立多目标优化模型。然后,提出基于蒙特卡洛-自适应差分进化算法的多目标优化策略,其中基于装配偏差传递的图树模型提取偏差的非线性关系模型,结合提取的非线性关系模型采用蒙特卡洛方法对初始样本进行前处理,以提高初始种群的多样性;自适应差分进化算法中的突变阶段采用Lévy flight概率分布进行改进提高全局搜索效率和鲁棒性。通过飞机登机门组件验证容差分配方法,结果表明所提方法能够更加精确、高效的优化容差分配。相比于初始容差分配,优化容差分配结果使得制造成本降低了21.78%,质量损失降低了11.12%,装配性能提高了12.28%。

基于ROS的室内导航机器人设计研究

采用基于机器人操作系统(ROS)的设计方案开展了机器人在自主导航中的应用研究,设计了一款集定位、SLAM建图、路径规划、驱动控制于一体的机器人综合系统。系统利用激光雷达扫描获取环境实时数据和里程采集信息,通过Gmapping算法对数据进行融合,以及采用自适应蒙特卡洛定位(AMCL)方法实现了环境地图绘制与定位。通过matlab对路径规划算法进行对比研究发现,路径规划任务中Djakarta算法更适应在室内多障碍物场景。而实验结果显示在模拟环境中利用Dijkstra算法和DWA算法进行避障更加有效。仿真实验结果也表明,该系统可构建高精度环境地图,并对机器人进行定位和导航,实现了在实时路径规划中成功避开障碍物到达目标点。以上研究表明在室内定位和导航任务中该机器人系统框架具有良好的可行性和稳定性。

无里程计移动机器人多传感器融合定位算法

为解决无里程计移动机器人室内定位问题,提出一种不依赖里程计数据的多传感器融合定位算法。首先,使用RF2O算法从激光雷达信息中获取移动机器人的运动数据;其次,使用扩展卡尔曼滤波融合IMU数据和RF2O算法计算的数据得到初步的定位数据;最后,使用自适应蒙特卡洛定位算法对定位数据进行修正,解决误差累计问题,得到精确的定位结果。结果表明,本文提出的定位算法可以有效降低测量误差、缩短算法运行时间,具有定位精度高且计算量小的优点,可以满足无里程计的移动机器人的定位需求。

一种面结构光三维测量系统的不确定度分析评定

面结构光三维测量方法是一种典型的非接触式测量方法,在扫描测量领域具有广泛的应用,为了定量评估其测量结果的质量、可靠性,需要对不确定度进行评定。结合传统误差分析方法对面结构光测量系统的原理进行探究,采用基于测量系统分析(MSA)方法对不确定度来源进行分析并建立相应的分析模型;针对各不确定度分量设计对应的量化评定方案;分别使用测量不确定度表示指南(GUM)法与自适应蒙特卡洛方法(AMCM)对测量不确定度做出评定,并对评定结果进行分析比较。通过工件尺寸测量不确定度评定实例的结果表明,AMCM的评定结果较GUM法的结果更加可靠。同时,通过验证程序表明,对于本测量任务,在不确定度保留一位有效数字时,GUM法依然适用;但是在不确定度保留两位有效数字时,GUM法未通过验证,说明使用AMCM进行替代是有必要的。

一种基于超声波和AMCL的室内机器人定位改进方法

针对自适应蒙特卡洛定位算法(Adaptive Monte Carlo Localization, AMCL)在全局定位方面的不足,提出一种融合超声波双信标信息的改进AMCL定位方法。在全局定位过程中,首先利用聚类算法求解出超声波定位点群质心,从而消除障碍物干扰带来的误差,然后依靠安装在机器人上的成对信标,解算航偏角,获得完整的全局定位信息。将超声波定位结果作为AMCL的初始状态,对机器人进行位姿跟踪。实验表明,该方法无须机器人在空间中运动探索,可以直接完成AMCL算法的全局粒子收敛,缩短定位时间,并提供了精准的初始定位状态。