基于激光雷达局部地图构建的机器人避障路径规划

机器人周围环境的光照、阴影及物体遮挡等条件易导致环境信息采集出现误差，影响机器人建图精度。为优化障碍物的探测准确度和机器人的避障速度，提出基于激光雷达及模糊比例积分微分(PID)的机器人避障路径规划方法。利用Kinect传感器采集机器人环境深度信息，并将其转化为3D信息，构建全局地图。利用激光雷达，通过坐标转换、线段分割，构建局部地图，补充全局地图的不足。结合Cartographer算法优化机器人控制参数，利用模糊PID控制器完成机器人避障路径的规划。实验结果表明：该方法在普通避障环境和复杂避障环境下，均能够成功躲避障碍物，且避障路径均较短。     

基于激光雷达的室内玻璃三维重建算法

针对激光雷达在室内地图重建过程中,扫描不到透明玻璃的问题,文章提出了一种玻璃检测三维重建算法,实现了三维地图中玻璃的重建。该方法将三维激光雷达扫描的点云经过点云滤波、分割、聚类以及运动匹配,提取出感兴趣的透明玻璃上的点云,从而识别出室内场景中的透明玻璃。实验结果显示,该算法能有效地使用激光雷达数据检测玻璃并进行三维地图重建。     

基于多传感器融合的无人机自主避障方法

针对无人机利用单一传感器进行避障时存在准确度低、信息缺失等问题,提出了一种基于多传感器融合的无人机自主避障方法。通过改进的贝叶斯融合算法将二维激光雷达与深度相机获取的点云信息进行融合,以弥补二维激光雷达无法检测的区域。同时,利用融合点云生成八叉树地图,并根据不断更新的地图信息对无人机进行实时航迹重规划,实现无人机在未知环境中的自主避障。实验结果表明,所研究方法不仅提高了无人机感知周围环境的准确度,融合点云的均方根误差小于0.06 m,还具有良好的避障效果,无人机与障碍物的距离均大于0.5 m,保证了其在未知环境中的安全飞行。     

基于深度相机的机器人室内定位技术研究

机器人在室内运动时,需要创建环境地图并估计位姿,以实现自主定位和导航。针对机器人的同时定位与地图创建(SLAM)问题,采用动态贝叶斯网络描述SLAM状态转移过程。通过不断迭代更新机器人的位置估计和修正估计值,完成机器人的室内定位。基于深度相机采集的RGB图像信息,进行相邻帧图像的特征提取与匹配,估算机器人当前位姿。然后使用迭代最近点算法优化初始位姿。以初始位姿为节点,相邻帧的约束关系为边创建节点图。进一步采用Hogman算法对整个节点图进行动态优化,得到全局一致的室内地图。最后根据优化后的节点图,多帧数据叠加就可得到三维地图。实验采用华硕Xtion Pro Live深度相机,实验室地点为目标,成功创建了环境的三维地图,验证了方法的有效性和可行性。     

基于激光雷达感知的无人机自主避障3DVFH改进算法

传统无人机避障算法通过视觉传感器基于八叉树地图（Octomap）构建全局地图，会产生较大存储量，难以满足工程需要。基于三维向量直方图（3DVFH）做出改进，只需构建局部地图，但该方法不考虑先前的数据或操作，易造成行为不稳定和局部最小值。针对以上问题，提出基于增强3DVFH的自主局部避障算法，将全局地图直接替换为使用激光雷达提供的三维点云地图，同时设计一种价格较低的计算内存策略来减轻局部方法的固有问题。经试验验证，有效地提升了环境感知的效率与存储量，有助于更好地进行无人机自主避障。     

一种融合深度相机与激光雷达的室内移动机器人建图与导航方法

为解决室内移动机器人导航过程中容易碰撞障碍物的问题,本文提出一种融合深度相机和激光雷达的室内移动机器人建图与导航方法,在机器人底盘上安装激光雷达、深度相机和里程计,利用Gmapping算法进行室内二维地图构建,同时用ROS中depthimage_to_laserscan功能包对深度图像进行二维投影,生成的二维栅格地图与激光雷达所建的地图进行融合.实验证明该方法使建立的地图更加完善,提高了室内移动机器人检测周围障碍物的能力和自主导航的能力.     

基于激光雷达SLAM的三维点云自适应算法

SLAM(Simultaneously Localization And Mapping)同步定位与地图构建作为移动机器人智能感知的关键技术。但是,大多已有的SLAM方法是在静止环境下实现的,当环境中存在移动频繁的障碍物时,SLAM建图会产生运动畸变,导致机器人无法进行精准的定位导航。同时,激光雷达等三维扫描设备获得的三维点云数据存在着大量的冗余三维数据点,过多的冗余数据不仅浪费大量的存储空间,同时也影响了各种点云处理算法的实时性。针对以上问题,本文提出一种SLAM运动畸变去除方法和一种基于曲率的点云数据分类简化框架。它通过激光插值法优化SLAM运动畸变,将优化后的点云数据分类简化。它能在提高SLAM建图精度,同时也很好的消除三维点云数据中特征不明显区域的冗余数据点,大大提高计算机运行效率。     

基于多传感器信息融合的障碍物感知追踪系统设计

自动驾驶系统是指采用先进的通信、计算机、网络和控制技术,对车辆实现实时、连续控制。自动驾驶研究领域中,对车身周围障碍物的感知追踪是自动驾驶车辆安全行驶的基础和前提。因此,重点研究了基于激光雷达、IMU、北斗卫星信号多源信息融合的障碍物感知与追踪系统。利用激光雷达提供的三维点云数据划分最大最小高度差栅格实现自动驾驶车辆周围的障碍物感知功能。基于激光雷达点云的障碍物感知算法中,针对特殊的悬空类型障碍物,采用高度划分的点云栅格中的点云概率密度作为悬空障碍物是否能够通行的判断依据,能够有效提升障碍物感知系统的鲁棒性。利用IMU和北斗卫星信号紧耦合方式实现自动驾驶车辆的轨迹跟踪,从而利用车辆运动状态信息结合匈牙利匹配算法实现多传感器信息融合的障碍物追踪功能。在基于多传感器信息融合的障碍物感知追踪系统中,利用IMU和北斗卫星紧耦合方式得到的转移矩阵信息去除由于车辆运动造成的激光雷达点云畸变,从而提升车辆障碍物感知追踪系统的准确度。通过实际采集得到的激光雷达、IMU及北斗卫星数据验证了提出的基于多传感器信息融合的障碍物感知追踪系统的有效性和实用性。     

视觉深度估计与点云建图研究进展

即时定位导航(SLAM)是无人驾驶和机器人实现自主移动的关键技术。目前广泛应用于SLAM技术中的激光雷达传感器存在成本高昂、激光点云空间分辨率低及难以获得精确的语义信息等一系列问题。视觉传感器可以有效避免上述问题,但是在深度预测和建图等方面需要更复杂的算法。近年来,随着处理器算力的提升、数据集的丰富和新机器视觉算法的出现,视觉深度预测和建图算法的精度和效率都有了明显提升。本文对现有视觉深度预测与视觉建图方法进行了总结,从视觉数据的采集和算法设计等方面进行分类阐述,最后针对应用场景和未来发展方向进行了分析。     

自主移动机器人微型激光雷达点云数据滤波研究

由于自主移动机器人微型激光雷达点云数据采集过程存在多种外界因素的干扰，导致采集到的点云数据中含有大量噪声，为此设计提出自主移动机器人微型激光雷达点云数据滤波方法。采集自主移动机器人微型激光雷达采集点云数据，利用噪声分离算法和改进的三维中值修复对点云数据进行优化。根据精简移动最小二乘法构建微型激光雷达点云数据滤波模型，将经过优化的点云数据输入该模型中，实现微型激光雷达点云数据滤波。实验结果表明，所提方法的点云数据滤波误差低，实际应用效果更好。     

惯性导航系统/测距机系统辅助的机载全球导航卫星系统欺骗式干扰自主检测算法

全球导航卫星系统(GNSS)欺骗导致目标接收机生成错误的定位结果。利用惯性导航系统(INS)辅助,基于卡尔曼滤波新息序列构造卡方检验统计量是检测机载GNSS欺骗的有效手段。然而,该算法无法给出欺骗的持续时间,从而导致INS/GNSS系统无法依据该算法判断其解算的定位信息是否正确。该文结合测距机系统(DME),提出一种基于重构新息序列的有限记忆卡方检测算法。该算法使用已有的INS,GNSS和DME数据构造一种不参与卡尔曼滤波的新息序列,然后将该新息序列构造成有限记忆卡方检验统计量,从而实现对欺骗式干扰的检测。仿真表明,当机载GNSS欺骗造成250 m及以上的位置偏差时,所设计的算法能够获得较为准确的欺骗持续时间。最后,该文依据所提算法的检测结果,给出了INS/GNSS/DME系统正确的定位信息。     

GNSS/INS组合导航在飞行校验系统中的应用

目前的飞行校验系统以 GPS 作为空间基准,这种定位方式在精度、性能、可靠性方面都存在着固有缺陷。本文介绍的同步定位-姿态-导航(SPAN,Synchronous Position,Attitude and Navigation)技术集合了两种不同但互补的技术：全球导航卫星系统(GNSS,Global Navigation Satellite System)定位技术和惯性导航技术。通过二者的结合,SPAN 技术可以达到取长补短的目的,组合后的导航系统无论在精度、性能、可靠性方面都优于单独的子系统。将这项技术应用于飞行校验系统,利用 GNSS 定位的绝对精度加上惯性测量单元(IMU)陀螺和加速计测量的稳定性,就可以在卫星信号丢失或者高动态应用环境下仍然提供持续、稳定、可靠的位置及姿态数据。     

高动态航天器复合定位异常处理方法

针对航天飞行器在高动态状态下的定位问题,提出了基于信息融合的惯性／卫星定位组合方案,建立了惯性／卫星定位信息融合模型,在对高动态定位异常分析的基础上,研究了高动态定位异常的判断和处理方法,通过数值仿真进行故障模拟及处理,结果表明该方法能较好地修正卫星定位异常对复合定位的影响,一定程度上提高了高动态复合定位的工作可靠性。     

惯性/卫星导航系统实际导航性能评估算法

针对惯性/卫星组合导航进行实际导航性能(Actual Navigation Performance,ANP)评估,是保证飞机所需导航性能(Required Navigation Performance,RNP)及航空运行安全的关键。提出了惯性/卫星组合导航系统实际导航性能评估算法,从卡尔曼滤波器位置协方差矩阵开展分析,结合导航数据二维高斯分布特性,求解出标准误差椭圆。根据概率分布特性,将误差椭圆转换为95%概率误差圆,进而计算出ANP值。最后惯性/卫星组合导航数据进行仿真验证。结果表明,方法切实可行,且便于工程实践。     

自适应UKF算法在GNSS/INS深组合系统中的应用

针对强非线性和时变噪声统计特性不明的高动态运动环境下全球卫星导航系统/惯导系统(GNSS/INS)深组合导航系统滤波精确度较差甚至发散的问题,提出一种自适应混合无迹卡尔曼滤波(UKF)算法。该算法以UKF算法为基础,采用混合滤波思想对UKF滤波算法进行简化;并根据高动态下系统量测噪声时变,且易快变、突变的特点,设计了一种基于渐消记忆指数加权的自适应量测噪声估计器,实时估计和修正噪声统计量并自适应调节估计周期。仿真结果表明,在量测噪声变化的情况下,相比于常规UKF算法,本文算法各向定位测速精确度均有所提升,水平方向精确度提升60%以上,效果明显;此外,算法耗时减少18.64%,说明本文算法能够在提升滤波精确度的同时减少部分计算量。     

毫米波FMCW MIMO雷达三维点云成像方法

毫米波FMCW MIMO雷达的三维点云成像在自动驾驶、智慧交通、工业和安防等领域的三维环境感知因其独特的优势而受到广泛关注。本文在现有处理框架下提出一种结合渐近最小方差稀疏迭代（SAMV）的高分辨点云成像方法。该方法首先对差拍信号做一维快速傅里叶变换（FFT）获得高分辨距离像,然后对每一个距离单元采用SAMV算法来估计方位角网格和俯仰角网格的功率,最后结合CASO-CFAR检测算法,得到探测区域内目标高分辨的距离、方位角和俯仰角三维信息。仿真和实验结果表明,相比现有结合Capon测角的方法,该方法能在相同雷达条件下角分辨率提高2倍,实现了毫米波雷达高分辨的三维成像。     

GPS/DR组合导航性能增强技术

为了提高全球定位系统(GPS)信号短时中断时地面车辆自主导航精确度,提出了GPS信号中断时采用车辆不完全约束条件和里程仪速度信息作为量测,辅助惯性导航系统实现车辆航位推算(DR)自主导航的方案;推导了该方案的GPS/DR组合导航的卡尔曼滤波方程;并进行了计算机仿真研究和地面车载试验,结果显示GPS信号中断90 s,DR自主导航误差为20 m,能够满足部分地面车辆短时高精确度自主定位要求。     

一种多线激光雷达与GNSS/INS系统标定方法

对于车载激光雷达(LiDAR),惯导系统(INS)与卫星导航(GNSS)的组合导航定位系统,传感器数据融合之前需要对传感器安装位置进行标定。针对以上目标本文提出了一种基于分步迭代法与KD树优化的DBSCAN算法寻求最优安置参数的方法。对初始安置参数进行粗略测量后通过分步迭代法迭代初始参数附近的值,并基于KD树优化的密度聚类算法(DBSCAN)将转换到唯一坐标系下的相邻帧点云集位置重合度进行评价,择优得到最准确的安置参数。实验使用最近迭代点算法(ICP)对不同分步步长的标定参数结果进行对比,实验结果表明安置参数在缩小步长的情况下精度会得到略微提高;本文采用的方法相比初始估计外参提高了标定精度。     

惯性/天文/卫星组合导航技术的现状与展望

本文首先介绍了INS/CNS/GNSS组合导航的原理,然后分析了INS/CNS/GNSS组合导航技术的发展和应用现状。在上述基础上,提出了INS/CNS/GNSS组合导航技术的几个重点研究方向,包括INS/CNS/GNSS组合导航系统的信息融合与先进滤波方法,INS/CNS/GNSS组合导航方法的实时性研究和基于集成一体化的INS/CNS/GNSS组合导航系统技术。随着捷联惯性导航技术、小型天体敏感器技术、高性能卫星导航技术的快速发展,以及先进信息融合技术、组合算法优化和系统集成技术研究的深入,INS/CNS/GNSS组合导航技术将获得进一步发展并在多种应用领域发挥重要作用。     

基于伪距/伪距率双差的INS/GNSS紧组合相对导航算法研究

随着惯导/卫导组合导航技术的发展,将其应用于编队相对导航的研究越来越多。结合卫导差分相对定位、INS/GNSS 组合导航技术,本文将编队成员中主节点和从节点伪距、伪距率的两次差分量直接作为观测量,研究了一种 INS/GNSS 紧组合相对导航新算法。该算法通过两次差分操作可以消除大部分传播路径误差以及公共时钟误差;利用惯导的平滑特性能够消除测量量中的部分随机噪声。仿真结果表明：该算法能够提供精度更高,更加平稳的相对导航信息。