基于双目视觉SGBM与WLS融合算法的茶叶嫩芽定位研究

三维定位是实现采茶机器人精采名优茶的关键技术,对保证机器人采摘茶叶高品质和高产量具有重要的意义,传统的SGBM(Semi-Global Block Matching)算法存在匹配效果差,还原效果不高等问题。本文提出SGBM算法与WLS(Weighted Least Squares)的融合算法,使得茶叶嫩芽深视图轮廓更清晰、前后景分层更明显、还原度更高,实际定位效果更精准。实验表明:采用SGBM与WLS融合算法能够将定位误差控制在1 mm左右,约是同等条件下其他传统融合算法精确度的7倍,提高了机器人采摘茶叶时定位的工作效率,为后续实现采茶机器人智能化提供一定帮助。

关于双基地声呐定位及其优化算法的研究

由于一般的双基地系统为T/R-R型双基地声呐,发射和接收站都可以提供测量数据,于是存在冗余信息。所以,双基地声呐定位问题,实质上就是非线性系统的优化问题。为了更充分的利用冗余的观测信息,提出一种基于加权最小二乘的双基地声呐定位优化算法(WLS算法),并与传统的基于波达时间定位算法(TOL算法)进行了比较。

基于加权最小二乘法的最优适应控制器

普通的最小二乘算法LS,并不能保证它的收敛性,而加权的最小二乘算法WLS,却有很好的收敛性,采用这种算法进行随机系统的辨识,能够保证算法所得的参数收敛于某一个向量,而且这种算法在很多方面具有同普通最小二乘算法一样的性质,采用这种算法对随机系统进行适应控制,能够保证系统是闭环全局稳定的,而且这种适应控制还能收敛于“一步超前”最优控制．

基于CNN的NLOS识别与定位技术研究

超宽带(Ultra Wide Band,UWB)信号具有极高的时间分辨率,测距精度高、穿透能力强、抗多径效应好,适用于高精度室内定位系统的设计。基于UWB的室内定位系统中,非视距传播对定位精度有重要影响。针对UWB信号室内传播存在视距(Line of Sight,LOS)和非视距(Non Line of Sight,NLOS)情形,采用卷积神经网络(Convolutional Neural Network,CNN)识别NLOS信号。为避免有限数据集导致过拟合,采用dropout降低神经元之间的依赖,提高NLOS信号识别率。完成NLOS识别后使用LS/WLS算法做定位,结果表明该方法能将定位误差降低一半,显著提高了定位精度。