GNSS/MEMS IMU车载组合导航中IMU比例因子误差的影响分析

从系统状态模型出发,分析比例因子误差对组合导航精度和计算量的影响,同时基于车载运动的特点分析比例因子误差的观测性,提出一种仅保留航向陀螺仪和水平加速度计比例因子误差的降维状态模型。实验结果表明,当比例因子误差大于6×10^(-3)时,增广比例因子误差有助于提高导航精度,但计算量增加约170%;降维模型能够达到高维模型的导航精度,与不增广比例因子误差相比,计算量仅增加约70%。

基于改进SHKF算法的UWB/IMU组合定位方法

针对复杂环境下超宽带(UWB)无线定位系统存在非视距(NLOS)及随机误差的问题,提出一种基于改进Sage-Husa卡尔曼滤波算法(SHKF)的UWB/IMU组合定位方法。首先,设计了一种基于概率密度的提升树,将UWB/IMU特征数据的概率分布密度引入提升树的损失函数中,鉴别出NLOS信号;然后,设计了一种改进SHKF算法,根据新息变化趋势定义自适应因子,实时调整对新息误差修正的策略以调节历史噪声对当前定位的影响,进而提升UWB/IMU组合定位的稳定性和精度。实验结果表明,所提方法将NLOS信号鉴别精度提升至99.12%,定位均方根误差降低至4.30 cm,提升了复杂环境下UWB/IMU组合系统定位精度。

融合视惯RTK的非接触高精度点位测量方法

为解决信号受遮挡或物理不可达区域的高精度点位测量问题,提出了一种融合视惯和实时差分定位(RTK)信息的非接触高精度点位测量方法。首先,利用由RTK测定的相机位置信息,在增量式重建中将相机位姿和特征点空间位置配准到全球地理坐标系下;其次,在全局优化中引入视觉重投影误差、RTK测定的相机位置、惯性测量单元测定的相机姿态作为约束,以提升特征点空间位置的测量精度;最后,将图像中的特征点坐标从像平面坐标系映射到全球地理坐标系下,实现对场景中特征点位坐标的非接触性测量。与OpenMVG的对比实验表明:所提方法在3m和5m距离处的非接触性点位测量精度分别提高了87.25%和75.88%,验证了其在非接触性点位测量问题上的高精度。

基于多源约束自适应视觉SLAM关键帧选取研究

该文针对现有关键帧选择方法在复杂场景下的稳定性和适应性方面不足问题,提出一种多源约束的自适应视觉SLAM关键帧选取方法。该算法基于相机几何测量原理,设计自适应阈值进行关键帧选取策略;针对复杂环境下的剧烈运动情况,设计基于IMU的实时状态检测机制和熵函数约束标准,进一步提高关键帧选取的稳定性和适应性。在EuRoC数据集和TUM数据集上对该方法进行定性和定量评估。在单目惯性和立体惯性模式下,将估计轨迹与参考轨迹进行对比,以绝对轨迹误差(absolute trajectory error,ATE)、关键帧数量和运行时间作为评判指标,并与ORB-SLAM3方法进行比较。结果显示,提出的方法可显著提高视觉SLAM在复杂环境下的定位精度和稳定性。

基于MEMS IMU的GNSS RTK/INS紧组合定位分析

本文针对复杂动态的城市环境自动驾驶规模化应用需求,提出惯性单元辅助RTK快速收敛的自动驾驶低成本、高精度定位方法。使用MEMS IMU M39和战术级IMU Pos320,通过对多组实测车载数据进行仿真中断,得到INS位置漂移误差、模糊度收敛时间、模糊度固定正确性指标,再对无惯导辅助、M39辅助模糊度固定和Pos320辅助3种情形下的模糊度固定时间和定位精度进行了统计和分析。结果表明,M39在GNSS中断5 s时可辅助RTK实现模糊度瞬时固定,中断时间为10 s时可以将RTK模糊度收敛时间压缩至1/4。MEMS IMU的加入使得RTK模糊度固定错误个数显著下降,10 cm以内高精度定位占比由62.25%提高至98.44%。试验验证了MEMS IMU辅助RTK能够加快模糊度收敛速度,提高了其在自动驾驶导航定位应用中的精度和可靠性。

GNSS/IMU/LiDAR融合定位研究

为提升低成本卫星接收机和惯性测量单元(inertial measurement unit,IMU)条件下传统组合导航定位的抗干扰性和定位精度,本文通过融合GNSS、IMU、激光雷达(laser radar,LiDAR)来提高定位的鲁棒性及定位精度.在高楼遮挡等复杂环境下由于卫星信号丢失导致卫星定位结果降低,可通过GNSS与IMU的组合来提升导航定位的鲁棒性及其精度.如果卫星信号缺失时间过长,那么低成本条件下的GNSS/IMU组合定位精度仍不理想,本文提出利用LiDAR里程计输出的位置信息与传统组合导航通过扩展卡尔曼滤波(extended Kalman filter,EKF)进行融合定位.实验得出:在无遮挡的环境下融合定位标准差(standard deviation,STD)精度较之卫星定位提升53.7%,均方根误差(root mean square error,RMSE)精度提升56%,较之GNSS/IMU组合定位STD精度提升37.9%,RMSE精度提升38.6%.在有遮挡的环境下融合定位STD精度较之卫星定位提升59.4%,RMSE精度提升71.3%,较之GNSS/IMU组合定位STD精度提升26.3%,RMSE精度提升33.7%.

基于GNSS+IMU的草方格固沙机自动巡航控制系统

为了实现草方格固沙机的智能化工作,提出了一种基于GNSS+IMU的草方格固沙机自动巡航控制系统。系统以STM32F407VGT6作为主控芯片,将GNSS(全球导航卫星系统)和IMU(惯性测量单元)的位置、速度和航向角数据通过卡尔曼滤波算法融合,得到最优估计数据;然后,将最优估计数据输入增量式PID算法,以实现草方格固沙机在预定义区域内稳定的导航工作。同时,设计了Android APP终端,实现了用户终端对草方格固沙机的智能监控。研究结果表明:系统导航工作直线航向角偏差RMS不超过0.45,最大偏差不超过1.5°,满足草方格固沙机自动巡航工作的基本需求,体现了草方格固沙机在智能化定位导航方面的可行性与稳定性,可为草方格固沙机实现荒漠化治理提供依据。

复杂光强下无人机视觉惯性定位算法

针对复杂光照条件下视觉惯性同步定位与地图构建(VIO-SLAM)算法易发生偏移以及跟踪失败等问题,提出了一种改进的VIO-SLAM算法。首先,所提PVIO-SLAM算法对图像进行照度判别,对不同照度分别进行自适应对数校正和对比度受限的直方图均衡化(CLAHE)处理;接着,采用提出的自适应加权融合策略对预处理后的图像进行融合,同时使用预积分缩小匹配范围加速特征点匹配,引入回环校验来提高算法的鲁棒性;最后,在公共数据集上进行实验,与原算法相比,未开启回环校验时所提算法均方根误差降低35.75%,开启后均方根误差进一步降低14.96%。实际场景下的实验结果表明,所提算法的运动轨迹与真实轨迹相吻合。综上所述,提出的算法有效提升了复杂光照条件下的VIO-SLAM的精度,具有较高的鲁棒性。

基于可观性分析的GNSS/IMU/视觉融合定位算法

作为决策、规划和控制的基础,精确的位姿估计对于智能汽车极为重要。为提高车辆的位姿中的航向估计精度,本文提出一种基于可观性的全球导航卫星系统(GNSS)、惯性测量单元(IMU)的视觉融合定位算法。首先,为分析GNSS/IMU组合定位误差状态的可观性,提出一种新的相对可观性分析方法,结果表明传统的GNSS/INS组合定位算法存在4个弱可观状态;随后,基于相对可观性理论,利用视觉惯性里程计估计的相对航向角,提出了一种基于可观性的融合定位算法;最后,实验验证了相对可观性分析的有效性,实验结果显示所提定位算法的最大航向误差为2.76°,航向误差RMS为1°,表明所提算法可以有效提高弱可观状态下车辆的航向估计精度。

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%。

GNSS/INS组合导航中IMU参数设定与优化

针对惯性测量单元(IMU)参数设置不合理导致全球卫星导航系统(GNSS)/惯性导航系统(INS)组合导航无法充分发挥IMU性能的问题,提出了一套IMU参数设定与优化方案,建立了以GNSS短期中断期间导航漂移误差统计值、理论估计精度一致性以及IMU误差参数估计稳定性为评估对象的考核准则,使优化后的IMU参数可以确保GNSS/INS组合导航解算中状态预测方差阵的准确性,实现预测信息与观测信息权重合理分配,进而保障GNSS/INS组合导航最优性能。实测验证采用ADIS16465和ICM206022款典型车规级和消费级微机电(MEMS)IMU进行性能测试分析,测试结果表明:初始IMU参数与GNSS/INS组合导航算法适配度较低,无法得到最优组合导航结果;优化后,IMU参数在保障组合导航最优性能基础之上,也可实现理论估计精度与实际精度高度一致。

考虑设计姿态辅助IMU/ODO的轨道不平顺检测算法

采用GNSS定位的轨道几何状态测量仪在隧道、地铁等GNSS拒止环境中无法工作.由于即使铁路轨道发生变形,其仍然接近设计线形,实际轨道位置与其设计值的差异始终保持在一定范围内.本文结合铁路设计参数与惯导/里程计信息,提出一种考虑设计姿态辅助IMU/ODO的轨道不平顺检测算法,该方法将设计姿态与惯导解算姿态相结合进行卡尔曼滤波,并使用里程计速度进行航位推算.通过计算实验,分析了轨道设计姿态信息对轨道不平顺检测精度的提升作用.实验结果表明:铁路设计姿态信息能够显著提高轨道不平顺检测精度,所提方法较基于全站仪辅助的动态检测方法,在30 m弦轨道不平顺检测精度相当,且整体检测效率较高,可以满足日常轨道检测的需要.

一种双路并行的大规模手势识别模型

文章以大规模手势为研究对象,提出一种基于肌电信号(electromyography,EMG)分支和惯性测量单元(inertial measurement unit,IMU)分支的双路并行手势识别模型。首先,设计双路并行模型来充分提取数据特征,EMG分支利用二维卷积神经网络设计双流结构,分别关注EMG信号的空间和通道变化,IMU分支在卷积长短时记忆(convolutional long short-term memory,ConvLSTM)网络基础上引入时间机制,将空间信息与时间信息融合;其次,对模型预训练并根据预训练模型进行参数微调,提高模型泛化性;最后,在500个常用的中国手语手势上进行测试,结果表明,该模型平均识别率为82.1%,与SignSpeaker和CG-Recognizer相比分别提高了21.0%和6.8%。

基于RTK和IMU的多行播种定位系统研究

在耕种过程中,为了保持株距行距一致性、使作物长势均匀,提高后续管理便捷性,以及提高粮食产量,需要精确记录植株空间位置分布信息。为提高植株位置定位精度,本研究设计1种基于双天线RTK和IMU的多行精播机播种定位系统,利用RTK/IMU组合定位方式检测系统定位坐标及航向,通过落种检测模块判断落种状态,完成落种数据提取以及定位数据的采集,并设计了基于双天线RTK和IMU的播种定位算法,结合卡尔曼滤波融合算法获取播种机位置和姿态,根据排种机构与RTK天线及IMU相对位置,设计基于相对排种器位置模型的落种位置解算算法,实现各排种单体落种位置实时解算。实验表明系统在进行直线播种时作业速度在7 km/h以内或在进行弯道播种时作业速度在3 km/h以内时,能准确测量落种位置,均方根误差均小于30 mm,可以满足在精密播种过程中对落种位置预测精度的要求。

基于无迹卡尔曼滤波和小波分析的IMU传感器去噪技术研究

获得精确的姿态信息是跌倒检测的关键。文中在姿态角解算问题中提出一种基于无迹卡尔曼滤波和小波滤波的改进方法,通过Savitzky-Golay滤波器和小波滤波融合算法对加速度计以及陀螺仪数据进行降噪处理,利用降噪后的加速度数据对陀螺仪数据进行PI积分补偿,将补偿后的陀螺仪数据进行Mahony解算,其结果作为无迹卡尔曼滤波的状态信息;其次通过加速度值解算,将其结果作为无迹卡尔曼滤波的量测信息实现姿态解算。实验表明,在静态条件下,相对于常见的扩展卡尔曼滤波融合切比雪夫滤波算法,该方法使IMU传感器原始加速度计精度提高了83.3%,姿态角标准差平均减少了0.00193,能够有效地减少随机噪声。零点漂移、高斯噪声对IMU传感器姿态角信号的影响,使跌倒检测系统在复杂的环境条件下具有较高的精度以及稳定性。

不同情形下GNSS/INS组合导航系统精度分析

基于载波相位差分的GNSS/INS组合导航系统在移动测绘领域应用广泛,但其精度也由于卫星观测条件、IMU级别、滤波算法和处理软件等因素而相差较大,对测绘作业和成果精度评定造成阻碍。针对上述问题,利用设计的跑车实验,详细分析了不同软件、不同级别IMU、不同处理模式、不同环境等条件下组合导航参数的精度。结果表明,在卫星观测条件良好的情况下,不同软件和不同处理模式的解算精度相当;由消费级到战术级再到近导航级,精度逐渐提高,其中消费级IMU组合导航的姿态中的航向精度为660″、横滚和俯仰精度为60″、速度精度为2.5 cm/s、3D位置精度为3 cm。在城市路段,精度整体上均有下降但仍在同一量级;当卫星数不足4颗时,紧组合定位精度会下降到m级。

GNSS/SINS组合导航的动基座初始对准

针对传统的最优估计对准算法(OBA)无法应用于低成本INS中的问题,本文提出了一种结合扩展卡尔曼滤波的改进OBA算法,在GNSS的辅助下实现算法对姿态误差的估计,并使其能够应用于低成本SINS系统中。该算法首先重构参考向量和观测向量,以固定积分间隔抑制零偏的积累;然后通过建立陀螺仪零偏与姿态误差之间的联系,构建新的系统状态方程,并结合GNSS输出的位置与速度构建量测方程,同时对陀螺零偏和姿态误差进行估计,并将姿态误差反馈到多矢量的构建当中;最后在仿真试验与实际跑车试验中进行验证。试验结果表明,该算法与传统OBA算法相比,可以实现动基座快速对准,且可对陀螺零偏进行估计和失准角补偿,在载体处于长时间运动状态下提高了对准精度,不使用滑动窗口积分提高了收敛速度;与FIMA算法相比,3个姿态角精度分别提升了47%、47%、51%。

基于多类别特征点匹配的紧耦合激光惯性里程计

针对现有的激光SLAM在室外动态场景建图时,LiDAR数据存在运动畸变、地面采样数据稀疏造成激光里程计精度低的问题,提出了一种基于多类别特征点匹配的IMU紧耦合里程计方法。首先,从原始点云数据入手,通过IMU数据对每一帧LiDAR数据进行线性插值校正畸变点云,以提高LiDAR数据的质量;其次,对畸变校正后的点云进行2D网格投影,根据每个网格与其相邻网格的最小高度平均值大小,利用双阈值将网格中点云划分为地面点和非地面点,再根据局部特征的线性度、平面度、曲率等,将非地面点进一步划分得到多类别特征点;再次,对多类别特征点匹配的IMU紧耦合进行建模,考虑到原本的LiDAR观测误差无法提供高精度的重力矢量估计,引入IMU状态估计,构建里程计误差函数,使得重力矢量估计得到进一步约束,抑制了重力矢量方向上的漂移,有效提升了激光里程计的精度;最后,基于LeGO-LOAM框架设计了基于多类别特征点匹配的IMU紧耦合激光里程计,并完成了验证系统的搭建。实验结果表明,该方法能有效抑制重力矢量方向上的漂移,提高激光里程计的精度。

面向瘫痪肢体功能康复的无线多通道混合数据采集系统

设计了一款无线多通道混合数据采集系统,包含硬件系统和PC数据采集及分析处理软件系统两部分。硬件系统根据目标需求,通过按键设置体表肌电(sEMG,surface electromyography)信号采集通道数和惯性测量单元(IMU,inertial measurement unit)数量,基于FreeRTOS操作系统创建sEMG信号传输任务和与IMU传感器数量对应的运动学数据采集任务,采用互斥信号量技术确保各任务获取的数据通过Wi-Fi传输给PC软件系统;PC软件系统实现对获取的混合信号实时显示、存储、处理分析等。相比于当下商用Trigno无线基础混合信号采集系统和其他自研系统,所设计的混合数据采集系统在瘫痪肢体运动功能康复领域更实用、具有更强的扩展性。

基于改进点线特征的多源融合SLAM算法

传统视觉SLAM算法在缺乏明显特征的场景或移动平台快速运动时,特征难以被检测和跟踪。提出了一种基于改进点线特征多源融合SLAM算法。前端通过相似短线段合并的策略改进EDLines线特征提取算法,提取长线段特征,后端融合了点、线特征和IMU数据,并采用非线性优化方法进一步估计相机位姿。实验结果表明,改进EDLines线特征提取算法相比传统LSD线特征提取算法,其特征提取速度提高4倍。在EuRoc数据集的测试中,本算法在不同场景下都具有很好的定位和建图效果,且具有较高的鲁棒性和实时性,对机器人实时的避障导航应用有较大的参考价值。