Aitken迭代法在无线传感器网络节点定位中的应用

传感器节点的自定位问题是无线传感器网络的重要研究内容之一.为了减小无线传感器网络节点定位中节点测距误差和定位算法自身引入误差的积累对定位精度的影响,建立了基于Aitken迭代公式的适用于无线传感器网络的迭代模型.算法包括两个阶段:第一阶段,利用DV-Hop算法进行粗定位;第二阶段,建立Aitken迭代模型,利用第一阶段的定位结果作为初值,求取定位结果的最优值.研究结果表明,该算法能够有效提高节点的定位精度,对于网络节点密度小、信标节点比例低的情况,算法效果显得非常明显.     

多静态红外传感器反导预警部署优化研究

红外传感器测量目标位置信息时存在高斯白噪声,在分析多静态红外传感器定位原理的基础上,建立了其定位误差模型;多红外传感器对目标的精确定位,等价于传感器对目标位置的无偏估计.基于Bayesian Cramer-Rao下界定理,为保证传感器对目标的定位误差最小,建立了多静态红外传感器反导预警部署优化模型.依据局部增强原理改进微分进化算法,并得到了基于MPDE的求解模型.通过仿真实例分析,验证了模型和算法的有效性.     

基于全景视觉与里程计的机器人自定位方法研究

通过分析全景视觉与里程计传感器的感知模型的不确定性，提出了一种基于路标观测的移动机器人自定位算法. 该算法利用卡尔曼滤波器，融合多种传感器在不同观测点获取的观测数据完成机器人自定位．与传统的、采用单一传感器自定位的方法相比，它利用视觉和里程计的互补特性，提高了自定位的精度．实验结果证明了上述方法的有效性．     

基于多AUV协作的稀疏水下传感网定位技术研究

如何在稀疏部署的水下传感器网络中实现传感器节点的高效定位是一个研究热点.提出了一种基于多个移动AUV协作的水下传感器网络内节点定位机制,利用AUV的精确自导航功能实现对网内未知位置节点的定位协助.提出的协作定位算法扩展了水下传感器网络的网内节点位置迭代估计方法,将信标节点和多AUV联合作为定位参考点,然后推导了基于最小二乘法的定位估计方程.仿真结果验证了该方法可以在定位节点比例、归一化定位误差和平均置信度等几个方面提高定位性能.     

多媒体传感器网络中基于多视觉信息的被动目标定位算法

目标定位是无线传感器网络应用研究中一个重要而有意义的问题,由于被动目标与信标间无主动通信联系,以及摄像机节点本身传感模型的方向性和区域性,使得传统的定位算法并不适用于新兴的多媒体传感器网络.提出了一种多媒体传感器网络中基于多视觉信息的被动目标定位算法,由发现目标的若干个摄像机节点自组织形成簇,利用单目视觉成像模型,获取目标的上下两点在定位平面的坐标后建立在统一世界坐标系下的直线表达式,簇头节点融合簇内所有直线方程,建立最小二乘意义下的代价函数,令其取最小值从而获得目标的准确位置坐标信息.最后通过实验验证了本算法比仅用单摄像机节点直接定位能够获得更高的定位精度.     

基于牛顿迭代搜索法的多节点协同振源定位研究

对多节点传感器阵列,提出一种基于牛顿迭代搜索法的振源定位算法.首先引入灰色关联的概念建立多节点传感器的定位模型,然后通过对各节点协同定位结果进行牛顿迭代搜索,以期获得更为精确的定位结果.为验证算法有效性,将该算法与加权平均算法和最小二乘法进行比较,仿真结果表明,此算法可有效提高目标的定位精度.     

基于相对定位的多移动微机器人协作定位方法

为了提高微机器人定位的精确性,研究了基于相对定位的多移动微机器人协作定位方法.结合微机器人尺寸小的特点,定位系统中采用低功耗的红外传感器作为微机器人的测距传感器,利用粒子滤波实现微机器人的自定位.在自定位及相对定位的基础上,提出了多微机器人的协作定位算法,通过保留一定数目的粒子在自身粒子集合中,而非交换全部的粒子的策略,保证了一定的定位精度.仿真与实验结果验证了协作定位算法的有效性.     

一种基于传感器网络的水污染源质心定位算法

目前基于传感器网络的污染源定位多采用基于扩散模型的解析定位算法.然而,在该类算法中,复杂的数值计算会引入估计误差,并且水污染扩散模型大多是在理想的近似条件下提出的,在污染源定位问题中亦会引入误差.在某些情形下,由于没有解析的定位模型,基于扩散模型的解析定位算法无法采用.为了弥补传感器网络下基于扩散模型的水污染源定位方法的不足,提出了一种不依赖于扩散模型的水污染源质心定位算法.在该算法中,首先确定污染源所在区域,然后计算几何区域的质心,质心位置即为污染源估计位置.为了求解质心定位问题,提出了基于浓度场等位线的求解方法.在实验部分,对比了本文质心算法与基于扩散模型的定位算法以及粗略定位算法的定位结果.实现结果说明了本文算法的有效性.     

基于多传感器融合的移动机器人定位算法研究

针对移动机器人在室外环境下全局位姿定位精度低、定位耗时长的问题,提出一种基于多传感器融合的机器人定位算法。首先构建移动机器人的运动模型,并选用里程计、惯性测量单元IMU和激光雷达作为移动机器人的基础传感器;然后采用自适应蒙特卡罗定位算法对传感器融合位姿进行位姿误差计算,获取移动机器人初始位姿;最后进行激光点云匹配,获取全局地图,并利用基于全局正态分布地图的NDT算法进行初始位姿修正,最终实现全局位姿校正和高精度定位。结果表明,基于多传感器融合的移动机器人定位误差控制在0.04 m范围内,定位时长均值为0.045 s,定位误差较小,定位损耗时间较少。由此说明,本定位算法可提升移动机器人的定位精度和定位效率,可实现移动机器人全局位姿快速、精确定位,提出的定位算法具备一定的有效性。     

多传感器信息融合在移动机器人定位中的应用

机器人自定位是实现自主导航的关键问题之一。为了满足机器人在导航时精确定位的要求,提出一种基于多传感器信息融合的自定位算法。根据对机器人运动机构的分析和运动机构间的刚体约束,建立起机器人的运动学模型;由传感器的工作原理建立里程计和超声波传感器的观测模型;利用扩展卡尔曼滤波(EKF)算法将里程计和超声波传感器采集的数据进行融合;最后,由匹配的环境特征对机器人的位置进行修正,得到精确的位置估计。实验结果表明:该算法明显地消除了里程计的累计误差,有效地提高了定位精度。     

基于视觉和里程计信息融合的移动机器人自定位

受鸽子定向启发,将装备有全维视觉和里程计等传感器的自主移动机器人的自定位分为两种模式：全维视觉定位模式和里程计定位模式．机器人依据一定准则选择具体的主导定位模式：先试视觉定位,若视觉定位不可得或获得的视觉定位不可靠,则采用里程计定位．针对标记物信息失真问题,应用初步视觉定位结果反推标记物理论值,然后通过比较从原始图像中分离出的可能的标记物信息和反推出来的标记物信息理论值,滤除不可靠的视觉定位．针对运动过程中的机器人自定位,分析了影响定位准确性的信息时间延迟因素．     

基于多传感器信息融合的移动机器人导航系统的设计与实现

概述多传感器信息融合技术的原理与方法，通过实例描述了多传感器信息融合在移动机器人导航中的应用。在能力风暴机器人平台建立了基于多传感器信息融合的导航体系结构，并通过具体的实验和结果表明了多传感器信息融合方法在导航中的有效性。     

运用异质传感器信息融合的移动机器人自定位

采用单类、单一传感器很难获得移动机器人的准确定位.为此,运用异质传感器信息融合来提高定位精度.首先,建立机器人运动方程和CCD摄像机观测模型.然后,利用扩展卡尔曼滤波器进行状态估计,选择Q,R矩阵抑制系统的模型噪声和量测噪声,并实现移动机器人的自定位.接着,建立超声波传感器的观测模型,获得机器人的自定位信息.最后,运用BP神经网络,将两种自定位信息进行融合,实现两类传感器的优缺点互补.仿真实验表明,运用异质传感器信息融合能明显地提高移动机器人的自定位精度.     

模糊神经网络在移动机器人信息融合中的应用

针对移动机器人所用的传感器,提出了一种用于多传感器信息融合的方法,将模糊逻辑和神经网络结合起来,构建了模糊神经网络,并建立了网络的计算模型.通过建立的模糊神经网络对移动机器人的多传感器信息进行融合,实现了移动机器人对动态环境中障碍和环境类型的实时识别以及无冲突运动.网络的训练和试验表明该方法在移动机器人躲避运动物体中是可行的.     

两级传感器信息融合的移动机器人避障研究

针对移动机器人的避障问题,以AS-R移动机器人为研究平台,提出了一种将神经网络和模糊神经网络相结合的两级融合方法。采用BP神经网络对多超声波传感器信息进行融合,以减少传感器信息的不确定,提高对障碍物识别的准确率;采用模糊神经网络实现移动机器人的避障决策控制,使之更适合系统的避障要求。该方法使移动机器人在避障中具有较好的灵活性和鲁棒性。机器人避障实验验证了所提方法的有效性。     

机器人多传感器信息融合研究综述

多传感器信息融合是一门新兴的技术,在机器人领域有着广阔的应用前景。综述并分析了多传感器信息融合技术在工业机器人、机器手爪、飞行机器人、移动机器人、爬行机器人和水下机器人中应用的研究现状,从机器人传感器的研制、融合算法、多传感器管理和信息融合仿生机理等方面总结了机器人多传感器信息融合的发展趋势。     

Random weighting estimation for fusion of multi-dimensional position data

This paper adopts the concept of random weighting estimation to multi-sensor data fusion. It presents a new random weighting estimation methodology for optimal fusion of multi-dimensional position data. A multi-sensor observation model is constructed for multi-dimensional position. Based on this observation model, a random weighting estimation algorithm is developed for estimation of position data from single sensors. Using the random weighting estimations from each single sensor, an optimization theory is established for optimal fusion of multi-sensor position data. Experimental results demonstrate that the proposed methodology can effectively fuse multi-sensor dimensional position data, and the fusion accuracy is much higher than that of the Kalman fusion method.     

Minimal-drift heading measurement using a MEMS gyro for mobile robots: Fused with odometry

To achieve the goal of low-cost MEMS gyros for the precise self-localization of mobile robots, this paper presents a simple, yet effective method to minimize drifts on the heading angle by combining measurements from a gyro with measurements from wheel encoders (odometry). The main idea of the proposed approach is to estimate the accuracy of both sensors as a function of the actual maneuver being carried out, and then the output of both sensors are fused by the complementary filter taking into account the maneuvering conditions. The proposed method is applied to a mobile robot and the experimental data demonstrate the effectiveness of this approach.