基于ARM11的自动导引车系统设计与实现

阐述了基于S3C6410的自动导引小车系统,在Linux环境下进行系统开发,完成了驱动程序和应用程序开发。通过研究图像采集与处理的多线程处理模式,实现了自动导引小车实时图像导引,进而编写了测速传感器、避障传感器、直流电机驱动器的驱动、PWM驱动。通过网络通信模块实现了AGV与客户端信息交互,实现QT远端监控。实验表明,图像处理采用多线程处理方式,效率提高了100%,自动导引小车系统具有良好的图像导引功能,PWM和PID联合使用使小车运行平稳,转弯灵活。     

采用CPS供电模式的AGV导引传感器的设计与实现

自动导引小车(AGV)应用无接触供电技术突破了传统动力只能采用电池的不足,同时还可以利用原边电缆对小车进行导引控制。在详细分析了原边电缆周围电磁场分布情况的基础上,通过对磁场检测方式的研究,完成了采用CPS供电模式的AGV导引传感器模块的设计与开发,实现了电缆偏差位置检测。实验测得位置偏差0～8mm以内,控制精度在±5mm以内,实验结果表明这种模块稳定,可靠,应用在AGV的自动导引中收到了很好的效果。     

ASURO智能小车的设计与制作

本设计是以单片机技术为主控核心,通过传感器的检测以及执行部分完成了ASURO智能小车的设计与制作,本小车可以实现自动避障功能、寻迹功能,感知导引线和障碍物。可以实现小车自动识别路线,选择正确的行进路线,并检测到障碍物自动躲避。     

基于嵌入式控制系统的视觉导引自动小车设计

以嵌入式系统为核心控制器,设计了基于视觉导引的自动小车系统。采用模块化硬件设计,分别开发了运动控制、步进电机移载、视觉导引、自动充电、安全避障、无线通信等各种硬件模块。研究了基于视觉的路径特征提取与识别,设计了分区导引控制算法实现小车自动循迹前进。在Linux操作系统环境下开发了控制系统软件和远程监控软件,最后完成了系统测试与调试。     

无人机三维航路自适应跟踪控制

针对无人机自动驾驶仪参数标称值偏离实际值情况下的航迹跟踪问题,提出一种无人机三维航路自适应跟踪导引律。首先在无人机自动驾驶仪参数无偏离的条件下,推导出能够跟踪三维航路的速度指令、航迹倾斜角指令和航迹方位角指令,并使用Lyapunov稳定性理论证明了跟踪系统全局渐进稳定;之后考虑自动驾驶仪参数标称值偏离实际值的情况,设计自适应算法在线估计自动驾驶仪参数,得到无人机三维航路自适应跟踪导引律。仿真实验表明所提出的自适应跟踪导引律能够使无人机在自动驾驶仪参数偏离条件下有效跟踪三维航迹。     

基于LQR的AGV控制系统设计

针对基于STM32硬件平台的AGV(Automated Guided Vehicle,自动导引车),其导向控制算法是系统设计的主体部分,AGV使用超声波和红外光电导向传感器对外部环境信息进行采集,采用LQR(Linear Quadratic Regulator,二次型线性最优)控制算法设计导向控制器调节速度从而实现对导引路径的跟踪,路径信息和控制命令的交互通过无线通信系统实现。     

会走迷宫的机器人——控制系统的设计

走迷宫机器人主要是基于自动导引小车(AGV——auto—guided Vehicle)的原理,实现小车识别路线.判断并自动规避障碍.选择正确的行进路线。导引方式采用与地面颜色有较大差别的导引线.使用反射式光电传感器感知导引线.障碍判断采用机械式传感器。驱动电机采用直流电机.电机控制方式为单向PWM开环控制。控制     

红外线传感器及其导引技术在自动导向车中的应用研究

在保证自动导向车导引精度的前提下，如何构筑一种性能优异、成本低廉的传感器测控系统是自动导向车技术的研究热点和难点。现以普通红外线传感器作为自动导向车信号采集的核心器件，并采用优化阵列式分布，构成了一种功能突出、性能稳定、结构简单、导引准确、价格低廉的光电眼，进而通过系统微处理器的分析和处理，排除了环境干扰，强化了测控功能，使自动导向车获得良好的导引效果，可确保基于此技术的自动导向车具有优越的性价比和实用性。     

基于图像和传感器信息融合的自导小车系统

为了使自动导引小车系统具有足够的柔性,将实时数字图像处理和传感器联合控制等技术应用到系统的设计中.采用图像信息识别行走路径,传感器信息控制速度及起停动作,基于这两者的信息融合实现柔性自导.实验表明,基于该设计方案的柔性自导小车实现了无线化和自动化,在现代物流业中有较大的实用价值.     

电磁导引小车最小精确定位系统的研究

针对传统电磁导引很难实现精确定位和定位算法计算复杂度高的问题,提出了一种基于电磁导引的寻线行驶的小车,利用电流导轨外磁感应强度的差别进行导引定位的技术,依据毕奥-萨伐尔定律和独立提出的三维空间感应电动势的计算模型,对小车建立最小的精确定位系统的方法。此方法能对电磁导引小车建立最小精确定位系统,而且定位算法不复杂。通过实验证明此方法是可行的。     

机载光电跟踪平台脱靶量滞后的补偿方法研究

提出一种基于卡尔曼滤波的光电跟踪脱靶量滞后脱靶量补偿方法;在高精度光电跟踪设备中,光电跟踪器输出的脱靶量在时间上存在滞后,严重影响复合控制中的跟踪目标精度,使得跟踪存在较大滞后;为了在复合控制中能够得到更精确的目标速度信息,引入了kalman预测滤波技术,通过预测飞行物体的运动轨迹,进而提前进行方向预判,从而提高了跟踪精度;仿真试验表明,通过预测外推可以比较精确地预测目标运动速度,跟踪滞后性得到有效弥补。     

The integration of optical and magnetic tracking for multi-user augmented reality

Multi-user augmented reality systems are especially dependent on precise registration. In this paper, we present a hybrid tracking system that combines optical and magnetic tracking. The magnetic tracking is used to give a robust estimate of position and orientation which then can be refined in realtime by optical tracking. The system is more precise than a magnetic tracker and both faster and more reliable than an optical tracker.     

目标跟踪算法综述

目标跟踪一直以来都是计算机视觉领域的关键问题,最近随着人工智能技术的飞速发展,运动目标跟踪问题得到了越来越多的关注.本文对主流目标跟踪算法进行了综述,首先,介绍了目标跟踪中常见的问题,并由时间顺序对目标跟踪算法进行了分类:早期的经典跟踪算法、基于核相关滤波的跟踪算法以及基于深度学习的跟踪算法.接下来,对每一类中经典的跟踪算法的原始版本和各种改进版本做了介绍、分析以及比较.最后,使用OTB-2013数据集对目标跟踪算法进行测试,并对结果进行分析,得出了以下结论:1）相比于光流法、Kalman、Meanshift等传统算法,相关滤波类算法跟踪速度更快,深度学习类方法精度高.2）具有多特征融合以及深度特征的追踪器在跟踪精度方面的效果更好.3）使用强大的分类器是实现良好跟踪的基础.4）尺度的自适应以及模型的更新机制也影响着跟踪的精度.     

On exploiting ‘negative’ sensor evidence for target tracking and sensor data fusion

In various applications of target tracking and sensor data fusion all available information related to the sensor systems used and the underlying scenario should be exploited for improving the tracking/fusion results. Besides the individual sensor measurements themselves, this in particular includes the use of more refined models for describing the sensor performance. By incorporating this type of background information into the processing chain, it is possible to exploit ‘negative’ sensor evidence. The notion of ‘negative’ sensor evidence covers the conclusions to be drawn from expected but actually missing sensor measurements for improving the position or velocity estimates of targets under track. Even a failed attempt to detect a target is a useful sensor output, which can be exploited by appropriate sensor models providing background information. The basic idea is illustrated by selected examples taken from more advanced tracking and sensor data fusion applications such as group target tracking, tracking with agile beam radar, ground moving target tracking, or tracking under jamming conditions.     

Bayesian tracking fusion framework with online classifier ensemble for immersive visual applications

During the last decade, the development of the immersive virtual reality (VR) has achieved a great progress in different application areas. For more advanced large-scale immersive VR environments or systems, one of the most challenge is to accurately track the position of the user’s body part such as head when he/she is immersived in the environment to feel the changes among the synthetic stereoscopic image sequences. Unfortunately, accurate tracking is not easy in the virtual reality scenarios due to the variety types of existing intrinsic and extrinsic changes when tracking is on-the-fly. Especially for the single tracker, a long time accurate tracking is usually not possible because of the model adaption problem in different environments. Recent trend of research in tracking is to incorporate multiple trackers into a compositive learning framework and utilize the advantages of different trackers for more effective tracking. Therefore, in this paper, we propose a novel Bayesian tracking fusion framework with online classifier ensemble strategy. The proposed tracking formulates a fusion framework for online learning of multiple trackers by modeling a cumulative loss minimization process. With an optimal pair-wise sampling scheme for the SVM classifier, the proposed fusion framework can achieve more accurate tracking performance when compared with the other state-of-art trackers. In addition, the experiments on the standard benchmark database also verify that the proposed tracking is able to handle the challenges in many immersive VR applications and environments.     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

稀疏编码目标跟踪方法研究

针对稀疏表示用于目标跟踪时存在重构误差表示不够精确、目标模板更新错误等问题,提出一种改进的稀疏编码模型。该模型无需重构误差满足特定的先验概率分布,且加入对编码系数的自适应约束,可以取得更优的编码向量,使得跟踪结果更为准确。在此基础上,将这种改进的编码模型与粒子滤波目标跟踪算法相结合,研究并实现一种新的基于鲁棒稀疏编码模型的目标跟踪方法。该方法对每个粒子的采样区域进行编码,用所得的稀疏编码向量作为当前粒子的观测量,并采用目标模板分级更新策略,使得目标模板更加准确。实验结果表明,方法可以较好地解决目标部分遮挡和光照变化等干扰下的目标跟踪问题。     

高斯干扰下GNSS信号码跟踪精度分析

码跟踪精度是导航系统兼容互操作评估的重要参数。为定量分析高斯干扰下GNSS信号的码跟踪精度,从常见的高斯干扰信号出发,针对CELP,NELP及DP环路模型,基于MATLAB软件对GNSS信号的码跟踪精度进行仿真分析,并给出了NELP及DP环路的CT-SSC表达式,同时对环路模型的CT-SSC及Cramer-Rao下界进行分析。仿真结果表明:在相同条件下,GNSS信号的码跟踪误差受高斯窄带干扰及宽带干扰比较明显,而在一定信干比范围内,受高斯匹配谱干扰和带限白干扰比较稳定;在DP环路下,GNSS信号的CT-SSC三维曲面较CELP及NELP显得“平滑”,相应的跟踪性能也最好。对GNSS信号的码跟踪性能进行分析,有助于给GNSS系统的兼容与互操作评估及现代GNSS接收机的设计提供重要参考;给出的NELP及DP的码CT-SSC表达式,可作为与CELP的CT-SSC进行并行分析的参照依据。     

A Paired-Orientation Alignment Problem in a Hybrid Tracking System for Computer Assisted Surgery

Coordinate Alignment (CA) is an important problem in hybrid tracking systems involving two or more tracking devices. CA typically associates the measurements from two or more tracking systems with respect to distinct base frames and makes them comparable in the same aligned coordinate system. In this article, we discuss a sub-problem, Paired-Orientation Alignment (POA), in the category of CA. This sub-problem occurs during the development of an integrated electromagnetic and inertial attitude (orientation) tracking system, where only the orientation information is acquired from the two tracking devices. The problem is modeled as a matrix equation YC = D with constraints, which can be solved as a least-squares problem using quaternions. A closed-form analytical solution is given by the pseudo-inverse matrix. This method is specifically for registering the paired-orientation measurements between two coordinate systems, without using position information. The algorithm is illustrated by simulations and proof-of-concept tracking experiments.     

基于无监督学习的无人机目标跟踪

随着计算机视觉领域中各项研究的发展,目标跟踪变得越来越热门,在各行各业得到广泛应用.基于无人机的目标跟踪也随之得到发展.相比于普通的目标跟踪,利用无人机进行目标跟踪有不少优势,但是也存在一些挑战.针对有关无人机目标跟踪的数据集有限,数据质量不高,且部分数据集中数据缺少统一标注的情况,基于无监督学习,设计了一种新的无人机目标跟踪模型.该模型对UDT模型的主干网络和跟踪方法进行了改进.结合了SiamFc网络结构和UDT无监督的目标跟踪思想,将模型的主干网络改进为AlexNet轻量级神经网络,通过前向跟踪、多帧后向验证方法实现目标跟踪.对比实验结果表明,设计的模型比改进前的模型以及其他经典的跟踪模型效果更佳.