车辆姿态感知与运动状态预测技术

目前大多数已投入使用的汽车主动安全预警系统价格昂贵,而且停留在对汽车运动姿态的监测和报警功能上,缺乏对汽车未来时刻自身运动姿态作进一步预测。针对这些不足性,本文进行汽车运动姿态在线预测的研究,提前预测汽车未来时刻可能的行驶运行状态,对提高汽车的主动安全性,减少道路交通事故将起到十分重要的作用。采用最新的6轴运动处理组件MPU-6050实现汽车运动姿态参数的在线感知,设计卡尔曼滤波器,通过信号融合处理,获取汽车运动姿态参数的最优估计值,采用多层递阶模型来开展汽车运动姿态参数的预测。最后以纵向车速、侧倾角和横摆角为例开展感知与预测,进行实车道路试验,取得了很好的预测效果。实验结果表明所开展的汽车感知与预测技术的可行性和探索性。     

基于IMEMS传感器的汽车运动姿态测量系统研究

针对传统的采用机械转子陀螺构成机械平台来测量汽车姿态方法的不足,研究开发了基于集成微机电系统（IMEMS）传感器的捷联式汽车运动姿态测量系统。该系统采用四元数法作为汽车运动姿态的解算方法,并由Kalman滤波器完成对姿态角四元数估计误差和加速度计及角速度陀螺信号的融合,得到汽车姿态角的最优估计值,阐述了该系统硬件构成和软件设计,并通过汽车道路试验对系统的可行性进行了验证。结果表明：此测量系统能够满足汽车运动姿态测量的精度要求,是确实可行的测量系统。     

基于ADIS16355的汽车驾驶操作信号采集系统

研究开发了一种基于集成微机电系统(MEMS)传感器的新型汽车驾驶操作信号采集系统。该系统通过对MEMS传感器的输出信号进行A/D采样,获得相应的数字信号,并将其送进DSP进行处理。运用差分测量方法 ,实现对汽车驾驶姿态角的高精度测量。阐述了系统的硬件组成和软件设计,并通过实验对系统进行了可行性验证。实验结果表明,此测量系统能够满足汽车驾驶姿态测量的精度要求,是确实可行的测量系统。     

MEMS惯性传感器ADIS16355在姿态测量中应用研究

为了实现惯性导航控制,需获取控制对象的姿态角信息,设计了基于MEMS惯性传感器集成模块ADIS16355的姿态测量系统。该姿态测量系统采用ADIS16355作为惯性测量单元,利用加速度计对重力向量的观测来修正陀螺给出的姿态信息,卡尔曼滤波实现传感器信息融合以计算运动载体的姿态角。介绍了ADIS16355的基本功能模块,阐述了两种传感器融合测量实时姿态角的方法并给出了卡尔曼滤波算法迭代过程,基于ARMv7架构的Cotex-M3微处理器设计了姿态测量系统硬件。采用AHRS500GA对该姿态测量系统性能进行了测量姿态角的验证实验,测试结果表明,该姿态测量系统能在动态条件下准确地测定运动物体实时姿态角,其误差一般在?1?左右。     

基于Kalman滤波算法的姿态传感器信号融合技术研究

针对应用三轴陀螺仪和三轴加速度传感器的四旋翼飞行器姿态角测量问题,提出了基于Kalman滤波算法的姿态传感器信号融合方法。该方法将陀螺仪输出的角速度误差作为时变误差处理,认为陀螺仪输出的角速度误差与其所测角速度及上一时刻的角速度输出误差相关,并据此建立陀螺仪测量线性方程,在此基础上,应用Kalman滤波算法,以加速度计输出的姿态角对陀螺仪测量的姿态角进行修正,从而达到姿态角准确测量的目的。实验结果表明：应用Kalman滤波算法对加速度传感器和陀螺仪信号融合后可有效消除姿态角测量累积误差并显著改善姿态角测量的动态特性。     

基于LabVIEW的飞行器参数测量平台设计

基于LabVIEW设计了一种飞行器加速度、角速度及姿态角测量平台系统。硬件系统采用计算机、6轴惯性导航模块及USB转TTL模块;软件系统基于LabVIEW编写了飞行器加速度、角速度及姿态角的三维数据测量平台系统。该系统还可应用于船舶、汽车导航系统的加速度、角速度及姿态角的三维数据测量显示。实验结果表明,该系统易于控制,能方便地观察加速度、角速度及姿态角的三维数据曲线,并且当6轴惯性导航模块改变状态时,输出曲线均能随之改变并能快速达到新的稳定状态。     

MEMS惯性传感器ADIS16355在姿态测量中的应用

设计了基于微电子机械系统(Microelectro mechanical system,MEMS)惯性传感器集成模块ADIS16355的姿态测量系统。该姿态测量系统采用ADIS16355作为惯性测量单元,利用加速度计对重力向量的观测来修正陀螺给出的姿态信息,卡尔曼滤波实现传感器信息融合以计算运动载体的姿态角。介绍了ADIS16355的基本功能模块,阐述了两种传感器融合测量实时姿态角的方法并给出了卡尔曼滤波算法迭代过程。基于ARMv7架构的Cotex-M3微处理器设计了姿态测量系统硬件。采用AHRS500GA对该姿态测量系统性能进行了测量姿态角的验证实验。测试结果表明,该姿态测量系统能在动态条件下准确地测定运动物体实时姿态角,其误差一般在±1°左右。     

基于数字式红外传感器的姿态测量盲区补偿法

单轴红外姿态测量系统在测量小型无人机姿态角时存在盲区,通过增加一组与原轴线相垂直的红外传感器,形成双轴姿态测量系统,对盲区进行补偿。两组红外传感器一定有一组位于倾角可测区域,通过测试目标轴的输出温差的大小,判断位于可测区域的轴线,可实现对目标轴姿态角的解算。首次采用数字式输出红外热电堆传感器设计实现了180°无盲区的姿态角测量模块,经过测试,其静态误差小于2°。     

基于Kalman滤波算法的陀螺仪动态漂移补偿研究

应用MEMS陀螺仪测量人体手臂运动姿态时,针对陀螺仪受线加速度干扰导致测量姿态发散的问题,提出基于Kalman滤波算法的姿态误差补偿方法;该方法首先将陀螺仪采集到的角速度通过方向余弦算法解算得到姿态角,并将陀螺仪动态漂移造成的姿态角误差视为时变信号,通过建立姿态角漂移误差的状态方程及观测方程,应用卡尔曼滤波算法,实现对姿态角漂移误差的估计,最终达到对陀螺仪动态漂移误差的补偿;实验与仿真结果表明,应用该算法能够有效的抑制线加速度干扰导致的陀螺仪测量的姿态发散,适用于陀螺仪对人体手臂运动姿态的测量。     

基于MEMS的车辆姿态感知系统

针对MEMS传感器精度低、误差大等缺点,采用三轴加速度计、三轴磁强计和三轴陀螺仪进行组合姿态测量,使用卡尔曼滤波进行多传感器数据融合。将旋转矢量法解算出的陀螺仪的姿态四元数作为卡尔曼滤波的预测矢量,将高斯牛顿法解算出的加速度计和磁强计的姿态四元数作为卡尔曼滤波的观测矢量,建立卡尔曼传播方程,求出更高精度的姿态四元数,解算出姿态角,将 AHRS 中的姿态角与车辆的坐标系对应,实验结果表明车辆在不同状态下的姿态角度变化与车辆的运行状态一致。     

基于PSO和朴素贝叶斯的软件缺陷预测模型

为了设计高效的软件缺陷预测模型,提出一种将粒子群优化算法与朴素贝叶斯(NB)相结合的方法。该方法对历史数据进行离散化后,以NB分类的错误率作为粒子适应值函数,构建软件缺陷预测模型。通过对美国国家航天局软件工程项目的JM1数据进行仿真实验,证明该模型在预测性能方面优于同类方法,预测效果良好。     

FPGA测试技术及ATE实现

随着FPGA的规模和复杂性的增加,测试显得尤为重要。介绍了SRAM型FPGA的结构概况及FPGA的测试方法,以Xilinx公司的spartan3系列芯片为例,利用检测可编程逻辑资源的多逻辑单元（CLB）混合故障的测试方法,阐述了如何在自动测试系统（ATE）上实现FPGA的在线配置以及功能和参数测试,为FPGA面向应用的测试提供了一种可行的方法。     

融合MLP和DBN的光伏发电预测算法

精确的光伏发电预测对提高电力系统稳定性、保证电能质量、优化电网运行具有重大意义。为了解决现存光伏预测算法精度较低、性能较差的问题,同时为了综合利用多层感知器（MLP）解决非线性问题的能力以及深度信念网络（DBN）有效处理大量复杂数据的优势,构建了一种融合MLP和DBN的光伏预测算法（MLP-DBN）,其基本思想是先利用MLP模型进行初步预测,再将观测值与预测值的残差输入DBN预测模型进行预测,最后用残差预测值对MLP模型的预测值进行修正。利用光伏发电实测数据仿真,探究了不同学习率下模型的预测性能,并对模型的各参数进行了寻找优化设置。使用均方根误差、平均绝对误差以及决定系数等性能指标评估结果表明,与传统的预测算法支持向量机（SVM）以及具有较高预测精度的深度学习算法长短期记忆网络（LSTM）相比,MLP-DBN算法性能有明显的提升,为光伏发电提供了一种高精度高性能的预测算法,可以有效解决光伏发电预测问题。     

基于PSO-BP的软件缺陷预测模型

软件缺陷检测旨在自动检测程序模块中是否包含缺陷,从而加速软件测试过程,提高软件系统的质量。针对传统软件缺陷预测模型被限制在一定的应用范围而影响其预测的准确性和适用性,提出了一种基于PSO-BP软件缺陷预测模型。该模型运用粒子群优化算法优化BP神经网络的权值和阈值,采用交叉验证的方式进行实验,并与传统的机器学习方法J48和BP神经网络等方法进行了比较。实验结果表明提出的方法具有较高的预测准确性。     

基于四元数和卡尔曼滤波的两轮车姿态稳定方法

针对自平衡两轮车姿态角的在线估计问题,采用四元数的姿态解算算法,利用Levenberg-Marquardt非线性最小二乘法对自平衡两轮车陀螺仪信号拟合,建立了随机漂移误差数学模型,应用卡尔曼滤波融合陀螺仪和加速度计输出的信号,补偿了陀螺仪输出角速度的随机漂移误差,得到了自平衡两轮车姿态的最优估计。实验结果表明,这种姿态估计算法是有效的,有利于车体的自平衡控制。     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

考虑换道意图的LSTM-AdaBoost车辆轨迹预测模型

不合理的车辆的换道行为是导致交通事故发生的主要原因之一,提前预知换道车辆的轨迹并及时做出相应调整有助于减少事故的发生。针对换道车辆轨迹预测问题,采用将深度学习和集成学习相结合的轨迹预测方法,并考虑了换道意图的影响。建立连续隐马尔可夫模型对车辆进行换道意图检测,提前判别车辆的换道状态,并输入至相应的轨迹预测模型中;将LSTM（long short term memory）作为AdaBoost算法（adaptive boosting）的基预测器,建立LSTM-AdaBoost模型,在多个基预测器同时进行轨迹预测的基础上,通过训练调整各个基预测器的权重并将结果加权集成,提升预测模型的精度和稳定性;通过NSGIM（next generation simulation）数据集对模型进行训练和测试,结果显示意图预测模型在变道前一秒的准确率在90%以上,LSTM-AdaBoost集成轨迹预测模型与单一的LSTM模型相比精度和稳定性显著提升,且预测结果中异常数据更少,具有较好的稳定性;同时预测对比结果也表明增加意图预测模块有助于提升换道轨迹预测的精度。     

利用非线性规划方法最优化灰色预测模型

提出针对GM(1,1)模型的时间响应式及还原式,可建立一个非线性规划的最优化模型,这个模型的目标是使GM(1,1)模型的还原值序列与原始值序列间的平均相对误差最小,使用数学软件LINGO 11.0,可以直接求解得到这个模型的全局最优解,从而建立一个对应的最优化GM(1,1)模型。证明了采用新方法建立的GM(1,1)模型具有白指数重合律,通过大量的数据分析发现,最优化GM(1,1)模型的模拟精度及预测精度都有了相当大的提高。     

基于优化RLSSVM的软件失效模型

利用递归最小二乘支持向量机(RLSSVM)构造软件可靠性失效模型,通过失效数据集对模型进行反复训练,提高模型学习能力。模型依据递归计算方法,可动态反映软件可靠性的变化,对软件失效有准确的预测能力。使用模拟退火(SA)算法对RLSSVM的参数进行寻优,得到改进的RLSSVM,实现对模型结构的优化。与常用的非齐次泊松过程模型相比,利用RLSSVM与SA算法构造的可靠性模型具有更好的拟合和预测能力。     

基于遗传算法的嵌入式软件WCSD检测方法

在资源受限的嵌入式系统中,为了降低嵌入式软件最大堆栈深度（Worst-Case-Stack Depth,WCSD）的检测误差,从而确定系统内存容量,通过详细分析堆栈使用原因和中断类型,建立中断调度模型,提出基于遗传算法的WCSD动态检测方法以更加准确地指导嵌入式硬件设计和软件开发。基于嵌入式软件全数字仿真平台完成实验,对该模型和方法加以验证。实验结果表明该方法可测得较准确的软件堆栈深度上限,有助于降低内存开销和提高系统的可信度。