基于精化预积分的GNSS/IMU/视觉多源融合定位方法

针对传统预积分算法固定地球重力值和忽略地球自转的问题,提出一种考虑地球自转和重力变化的惯性测量单元(inertial measurement unit, IMU)预积分算法。参照高精度捷联惯性导航解算的动力学模型,在IMU预积分动力学模型的姿态更新中引入地球自转角速率,速度和位置更新中引入由地球自转引起的科里奥利加速度,同时将由载体位置引起的地球重力变化及时反馈至预积分算法中,详细推导了引入地球自转和重力变化后预积分算法的具体过程,实现对传统预积分模型的精化。并将精化的预积分算法应用于基于紧耦合全球导航卫星系统(global navigation satellite system, GNSS)/IMU/视觉多源融合系统中,实测实验结果表明:利用精化的预积分模型可使系统预积分的模型误差有效减小,显著提升多源融合系统整体的定位定姿精度,其中系统定位精度提升32.41%,航向角精度提升4.23%。

基于交互多模型距离平滑的UWB/IMU因子图组合导航方法

为了解决全球导航卫星系统(GNSS)拒止条件下车辆定位困难问题,提出了一种基于交互多模型距离平滑的超宽带/惯性测量单元(UWB/IMU)因子图组合导航方法。首先,针对超宽带信号由于反射或折射导致的非视距问题,分别建立视距与非视距情况下超宽带基站与标签间距离的因子图模型,并利用交互式多模型算法进行原始距离的平滑;然后,对惯性导航系统、交互式多模型处理的超宽带距离信息等测量量进行建模,构建基于因子图的信息融合框架,并根据非线性优化理论与增量平滑算法实现变量节点的递推与更新。最后,采用因子图方法对融合数据进行处理,实现车辆多传感器高精度组合导航。实际测试结果表明,相比基于卡尔曼滤波的多传感器融合方法,所提出的基于交互多模型距离平滑的惯性/超宽带的因子图定位方法在非视距情况下位置估计精度(RMS)提高40%以上。

基于卡尔曼滤波算法的UWB+IMU组合精确定位系统在选煤厂中的应用

为了提高智能化选煤厂中人员定位的精度和准确性,采用卡尔曼滤波算法,借助simulink仿真平台,建立了UWB+IMU组合精确定位系统,并介绍了其在大柳塔选煤厂人员精确定位中的应用情况。结果表明,基于卡尔曼滤波算法的UWB+IMU组合精确定位系统,提高了人员定位的准确性,对于提高人员管理、安全管理、生产管理水平意义重大。

基于UWB和IMU的电力巡检机器人定位方法

为了满足日益增长的电力需求,我国建设了大量发电站和电能转换设施。长时间的负载运行使电力设备运行的不稳定性增加,一般需要通过人工巡检的方式进行检测和维护,但传统的人工巡检方法存在着较大的安全风险,在精度方面满足不了需求,维护效率也比较低。随着人工智能技术的发展,智能巡检机器人的出现给这一问题带来希望,它克服了传统人工巡检方式存在的弊端,但目前的巡检机器人在复杂电力环境中仍存在空间定位不准确等问题。为此,本文提出了一种将超宽带(UWB)和惯性传感器(IMU)以无迹卡尔曼滤波(UKF)进行融合的定位方法,该方法克服了UWB定位方法在有障碍物的非视距情况下定位误差大的问题,改进了复杂电力环境下智能巡检机器人的定位精度。

顾及运动约束的自适应UWB/IMU组合定位方法

针对室内复杂环境下超宽带(UWB)距离测量容易受到信号非视距(NLOS)传播影响以及UWB/惯性测量单元(IMU)组合定位系统不稳定的问题,该文提出了一种基于模糊自适应滤波的改进型UWB/IMU组合定位方法。通过构建运动约束条件并采用卡尔曼滤波,对UWB原始距离测量值进行实时处理,能够有效解决UWB距离测量值缺失、异常情况以及减小NLOS误差。在数据融合阶段,提出基于模糊自适应滤波的数据融合策略,由预测残差向量构造统计量,基于模糊推断系统计算自适应因子,最终实现高精度的UWB/IMU自适应组合定位。典型室内场景的动态定位实验结果表明,提出方法的定位轨迹与真实轨迹吻合度高,90%的径向位置误差在0.25 m以内,且其均值仅为0.128 m,定位精度优于其他三种方法。

基于单目视觉与IMU融合的SLAM教学实验仪器开发

设计了一种面向实验教学的单目视觉与惯性测量单元(IMU)融合的开源同时定位与建图(SLAM)仪器。完成了摄像头和IMU在实时机器人操作系统(ROS)下的数据传输、联合标定、视觉里程计前端、IMU的预积分、视觉与IMU的紧耦合、回环检测和后端优化软件设计,计算得到了仪器实时运动轨迹。该实验教学仪器可以应用于移动机器人的SLAM任务。实验仪器经大量测试,能够为学生提供算法开源的视觉SLAM实验平台,有效提高人工智能、机器人工程的本科人才培养水平,增强学生知识综合运用能力和实践动手能力,获得了良好的实践教学效果。

一种融合视觉与IMU的车载激光雷达建图与定位方法

针对激光雷达非匀速运动畸变问题,提出一种融合视觉惯性里程计和激光雷达里程计,进行三维地图构建与定位(simultaneous localization and mapping,SLAM)方法.经预处理和时间戳对齐后的数据,应用视觉估计和惯性测量单元(inertial measurement unit,IMU)预积分对视觉进行初始化,通过约束的滑窗优化和视觉里程计的高频位姿,将传统雷达匀速运动模型改进为多阶段匀加速模型,从而降低点云畸变.同时,利用列文伯格-马夸尔特(Levenberg-Marquardt,LM)方法优化激光里程计,提出一种融合词袋模型的回环检测方法,最终实现三维地图构建.基于实车试验数据,通过与LEGO-LOAM(lightweight and ground-optimized lidar odometry and mapping on variable terrain)方法的结果对比,本文方法在平均误差和误差中位数上分别提升了16%和23%.

SVR辅助改进鲁棒卡尔曼滤波的UWB/INS组合定位方法

针对UWB/INS组合定位中UWB定位信息异常和短时缺失的问题,提出一种SVR辅助改进鲁棒卡尔曼滤波的UWB/INS组合定位方法。该方法对鲁棒卡尔曼滤波(RKF)进行改进,采用改进的IGG3权函数分段修正新息,减小异常量测信息对滤波结果的影响。在UWB信号正常时,采用改进RKF估计位置误差;在UWB信号缺失时,采用在线训练的SVR模型预测位置误差,并根据估计或预测的位置误差校正载体位置信息。实验结果表明,所提的方法不但可使UWB信号正常时的组合定位误差减小33.33%,而且在线训练SVR模型辅助比固定SVR模型辅助可明显提升定位算法的性能,在UWB信号短时缺失时仍能持续有效定位,使组合定位误差减小29.63%。

非视距环境下顾及杆臂补偿的UWB/IMU定位算法

针对非视距(NLOS)误差和传感器杆臂影响超宽带(UWB)/惯性测量单元(IMU)组合定位精度的问题,提出了一种NLOS环境下顾及杆臂补偿的定位算法。根据UWB伪距在定位过程中的局部线性特性,设计了基于强局部加权回归法的NLOS识别与抑制算法,提高了UWB迭代定位算法的精度。利用顾及杆臂的改进抗差奇异值分解无迹卡尔曼滤波(LA-IRUKF)算法对优化后的观测数据和状态模型进行组合,实现定位精度的提升和杆臂的有效补偿。最后,采用仿真数据和实测数据对LA-IRUKF算法进行验证。仿真实验结果验证了NLOS误差识别与抑制算法的有效性以及杆臂补偿的必要性。真实场景的实验结果表明,在NLOS环境下LA-IRUKF算法不仅可以准确补偿杆臂,还能抑制NLOS误差影响。相较于抗差奇异值分解无迹滤波算法、顾及杆臂的抗差奇异值分解无迹滤波算法和改进抗差奇异值分解无迹卡尔曼滤波算法,LA-IRUKF算法的定位精度分别提高了42.4%、41.6%和28.5%,具有精度高、抗差好等优点。

误差融合技术的移动机器人SLAM算法研究

即时定位与地图构建是移动机器人自主导航的关键技术,利用单一激光雷达提取的原始特征点云求解帧间运动会产生位姿估计失准。将IMU预积分信息通过线性插值的方法对失真激光点云进行运动补偿,矫正移动机器人自身位姿;采用基于线面特征的点云提取与匹配,提高定位精度;增加回环检测模块,利用ICP算法对存在回环的两关键帧建立约束,以减少系统长期运行造成的累计误差;构建整体代价函数,对全局系统误差进行优化。回环检测插值算法降低了位姿估计失准对系统性能的影响,提高了移动机器人的定位精度,绝对位姿误差更小,保证了构建地图的全局一致性。

零速修正与完备监测在UWB/MEMS IMU组合中的应用

针对超宽带(UWB)在室内定位过程中受非视距环境影响易出现粗差以及微机电系统(MEMS)惯性测量单元(IMU)定位误差随时间快速发散的问题,该文提出了采用自适应卡尔曼滤波的UWB/MEMS IMU组合的室内定位方法,并通过自主完好性监测算法对UWB测距异常值进行剔除,将零速修正算法加入到组合定位系统中,抑制在UWB数据中断情况下MEMS IMU误差的发散。实验结果表明,在UWB存在中断的复杂室内环境下,UWB/MEMS IMU组合定位的平面定位精度在0.2 m以内,自主完好性监测与零速修正能有效地提高组合定位系统的精度与稳定性。

多传感器融合在无人机室内三维定位中的应用

基于超宽带(Ultra Wide Band,UWB)技术,可以解决无人机的室内定位问题,但定位精度还不够高。针对上述情况,提出了基于无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)的UWB定位技术和惯性测量单元(Inertial Measurement Unit,IMU),以及光流传感器相融合的内外环室内定位方法,以基于IMU测得的姿态控制为内环,UWB、光流测得的位置控制为外环,利用UWB在视距情况下得到的精确位置信息来修正IMU的累积误差,同时在非视距情况下,用IMU的短时精确位置信息对UWB的定位误差进行补偿,提高定位精度。最后设计了实物仿真平台。实验结果表明,上述室内定位方法实际定位精度小于10 cm,导航误差为0.7%,且能快速地进入稳定状态,满足无人机室内定位的需求,同时极大地改善了原有设备的定位精度。