基于PC104的水下航行器导航系统设计

导航系统是水下航行器的重要组成部分,为了实现水下航行器的精确导航,采用了以PC104工控计算机为核心、GPS定位和惯性导航相结合的导航系统的改进方案,给出了导航系统的工作原理及基本硬件组成,介绍了惯性测量单元、GPS、电子罗盘等传感器与主控计算机进行通讯的各个软件模块的功能,并使用了异步卡尔曼滤波器进行数据融合与航位推算;该系统在提高导航精度的同时还具有通用性,可适用于不同类型的水下航行器。     

基于VR设备中IMU的无手交互方法研究

随着头戴式显示设备的发展,在基于虚拟现实(VR,virtual reality)的教育培训中,存在用户与设备间进行交互的场景;针对用户与VR视频中对象的模拟靠近与躲避问题,提出了姿态感知与步态识别相结合的方法;通过姿态感知算法解算用户头部姿态,通过步态识别算法识别出人体的静止与行走状态,进而在行走状态时,将计算所得航向角和固定步长代入三角函数公式进行位置更新,在静止状态时,保持位置不变;实验证明,提出的姿态感知算法可以有效的计算出使用者头部的姿态,与商用惯性测量单元提供的姿态角相比具有1.1×10-2的平均姿态偏差;提出的步态识别算法可以有效地识别出人体的静止与行走状态;所提出的两者结合的交互方法,可以有效地实现虚拟的靠近与躲避.     

基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

基于UKF的滚动时域估计方法研究

在实际工业过程中,模型参数往往具有一定的时变性和非线性。为了能够有效地实施过程操作优化,常常要对过程模型参数进行在线估计。滚动时域估计方法是解决非线性系统模型参数在线估计的1种实用方法。滚动时域估计方法的关键问题之一是抵达成本(Arrival Cost)的计算,针对简化计算抵达成本带来的精度问题,提出采用无迹卡尔曼滤波(UKF)算法来近似估算目标函数中的抵达成本。最后,将基于UKF的滚动时域估计方法应用于2个例子中。结果表明,基于UKF的滚动时域估计方法具有较好的估计效果。     

一种基于UKF的系统参数在线辨识方法

本文介绍一种基于UKF的参数在线辨识方法。把用于状态估计的卡尔曼滤波算法通过转换用于系统模型的辨识上,最后使用该方法对直升机纵向模型进行在线辨识。仿真结果表明基于UKF的在线辨识方法是一种很好的在线辨识方法。     

基于信号嫁接技术的IMU导航性能评估方法

为了探究新型惯性测量单元（ IMU）的导航定位精度以便选用,需要对其进行方便有效和低成本的测试评估。对一种新颖的基于信号嫁接技术的IMU导航性能评估方法进行了验证和分析。以三种中低精度IMU为样本,将该方法的评估结果与该IMU的现场测试结果对比,从而对该方法的评估效果进行验证。结果表明：相对于IMU的仿真评估,使用信号嫁接技术合成出的IMU数据在导航性能上与现场测试结果有更高的一致性,更为有效和可信。该方法相比于权威的现场测试评估具有成本低、效率高的独特优势,在中低精度惯性器件性能评估上具有很高的应用价值。     

融合IMU的RGBD-SLAM算法改进研究

Kinect采集的图像数据特征点稀少或缺失时,会导致RGBD-SLAM算法的定位和3D构图发生定位失效和极大构图误差,为此提出一种结合惯性传感器IMU、体感传感器Kinect以及机器人本身运动状态的改进定位算法。通过对姿态先比较再融合,利用IMU的测量数据对位移构建预估模型,利用Kinect位姿估计的结果构建观测模型,将机器人的运动指令和运动限制作为约束条件进行扩展卡尔曼滤波(extended Kalman filter,EKF)融合,改善机器人的定位效果。实验结果表明,该方法能够有效提高机器人的定位精度,改善RGB-D SLAM算法的构图效果。     

UKF滤波在MIMU/GPS组合导航系统中的应用

微惯性测量组件(MIMU)的陀螺和加速度计随机误差较大,系统短时间内的计算误差发散很快,本文推导了惯导误差的Φ角非线性模型,模型的状态变量包括:位置误差,速度误差,数学平台的姿态误差角,陀螺和加速度计的常值偏置.MIMU经过初始对准后,方位误差角可能仍然很大,误差具有较强的非线性,本文使用UKF滤波方法来对误差进行估计,利用GPS来辅助MIMU进行组合导航,通过输出和反馈互相结合的混合校正方式提高了导航精度.     

基于多普勒信息的UKF目标跟踪算法

在实际雷达信号应用中,当目标的状态方程和观测方程在不同坐标系下得到时, 对目标状态的估计不再是线性的而是非线性的.为了提高在非线性情况下对目标的跟踪精度,为提高实时性和统计精度,提出了一种基于多普勒信息的UKF(Unscented Kalman Filter)滤波算法,算法是在原有UKF算法所有信息的基础上,引入目标的多普勒信息即径向速度,推导出新的测量模型和相应的滤波算法.应用matlab软件对目标的跟踪轨迹进行仿真,结果表明,引入雷达多普勒测量信息的UKF算法比传统的UKF算法和EKF算法具有更高的估计精度.     

基于LMS 算法的水下航行器传感器故障检测

为了对水下航行器控制系统的传感器故障进行在线检测,采用有限脉冲响应(FIR)滤波器对水下航行器进行在线自适应建模,利用LMS算法来调节自适应滤波器的权系数,通过对FIR滤波器权系数的分析,实时检测出系统的传感器故障.通过Matlab仿真表明,该方法简单、可靠,可对水下航行器控制系统的传感器故障进行实时检测.     

摄像机和惯性测量单元的相对位姿标定方法

提出了一种鲁棒的基于无迹卡尔曼滤波器的摄像机(视觉传感器)-惯性测量单元相对位姿标定方法,为了减小重力加速度对标定精度的影响,该方法采用迭代卡尔曼滤波器对惯性传感器坐标系下的重力加速度进行实时估计,仿真实验和真实数据实验表明,在系统初始误差较大或系统受到严重非线性因素干扰时,该方法仍能够对视觉传感器和惯性测量单元之间的...     

基于卡尔曼滤波的四元数姿态解算算法研究

针对MEMS惯性测量单元器件特性导致的测量精度低,数据发散和航向角积分漂移等问题,提出一种基于卡尔曼滤波的四元数姿态解算算法。设计了4维卡尔曼滤波器,通过加速度计和磁力计的数据作观测量,对姿态解算过程中的四元数进行线性最优估计,在计算量没有大幅提高的前提下修正了四元数的值,进而完成了对姿态角和姿态矩阵的补偿。通过在无磁转台上进行静态测试以及在测试标定系统上进行动态测试,分析各轴向的补偿效果表明,该方法可以有效增强MIMU的动态跟随性能、明显提升姿态解算精度。     

基于部分惯性传感器信息的单目视觉同步定位与地图创建方法

传统的单目视觉同步定位与地图创建(MonoSLAM)方法很难处理累积误差问题,如何有效地利用惯性传感器输出的运动信息辅助SLAM系统抑制累积误差是MonoSLAM研究中的一项重要内容.由于惯性传感器输出的三轴方向角中横滚角和俯仰角的精度较高,而偏航角的精度相对较低,如果在SLAM系统中直接使用惯性传感器输出的偏航角信息不但无法有效地抑制该系统中的累积误差,反而会进一步增大系统误差、降低SLAM系统的稳定性.针对这种情况,提出一种基于惯性传感器横滚角和俯仰角的MonoSLAM方法.首先利用惯性传感器输出的横滚角和俯仰角进行系统标定;然后将惯性传感器自身的偏航角作为系统状态向量的一个分量,利用扩展卡尔曼滤波器实时地估计状态向量,进而实现实时鲁棒的同步定位和地图创建.实验结果表明,该方法可以有效地抑制SLAM系统运行过程中产生的累积误差,并降低惯性传感器测量误差对SLAM系统稳定性的影响.     

基于Sage-Hus a方法的旋翼姿态控制

针对传统IM U传感器信息融合方法对外界信息变化不敏感等问题,在分析陀螺仪噪声特性并建立基于A RM A模型的卡尔曼滤波器抑制陀螺仪随机噪声的基础上,将基于Sage‐Husa方法的卡尔曼滤波器作为信息融合算法,增强姿态解算系统的自适应性。为提高Sage‐Husa算法容错性能,提出一种加速度计可信性条件,根据总加速度与重力幅值、方向上的差异来判定是否进行姿态融合。在基于ARM Cortex M4内核的嵌入式系统上实现姿态解算和姿态控制系统,在自制四旋翼飞行器半实物仿真平台上进行的实验结果表明,以上方法降低了姿态静态及动态解算误差,提高了姿态系统状态的跟踪性和适应性,满足复杂运动环境下姿态控制的需求。     

基于预估测量值的EKF在手臂测姿中的应用

针对载体线性加速度以及周围局部磁干扰对姿态测量精度的影响,基于已有的惯性测量单元,设计了一个基于四元数的实时估计手臂姿态的扩展卡尔曼滤波器(EKF)。提出利用四元数引入加速计和磁强计的预估测量值构造自适应测量噪声协方差阵的方法,结合QUEST算法,来判定姿态角解算对陀螺仪、加速计和磁强计输出信息的依赖程度,以此来提高测量精度。文末通过实验仿真对该方法进行了验证,并对实验结果和电磁跟踪系统采集到的数据进行了比较,结果表明,本文提出的方法能显著提高手臂姿态测量精度,可有效满足应用要求。     

加权观测融合非线性无迹卡尔曼滤波算法

针对非线性系统的无迹卡尔曼滤波器(UKF),应用加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.证明了加权观测融合UKF滤波算法与集中式观测融合UKF滤波算法在数值上的完全等价性,因而具有全局最优性.一个带两传感器非线性系统的仿真例子说明了两种融合算法的有效性及等价性.     

一种基于改进UKF的3D人手跟踪算法

将手指作为基本处理对象,对UKF（unscented Kalman filter）算法进行改进,并利用它对当前手指各关节进行预测;以预测值作为初值,用局部搜索技术对误差较大的关节用改进的UKF算法重新进行预测,直到该手指在像平面上的投影轮廓和图像轮廓之间的距离图满足指定的精度为止．该算法以状态变量量测值的获取作为突破口,解决现有算法中跟踪精度过分依赖于3D人手模型精度的问题．实验结果表明,该算法具有较强的处理局部自遮挡问题能力,对3D人手模型的不精确性也具有更好的鲁棒性．     

区间量测下基于无迹变换的伯努利粒子滤波算法

针对区间量测下目标的实时检测与跟踪问题,提出基于无迹变换的伯努利粒子滤波算法(Bernoulli- Upf).该算法在伯努利粒子滤波算法(Bernoulli-pf)的基础上融合无迹卡尔曼滤波(UKF),融合后的算法在预测步骤产生持续存活粒子时,充分考虑到当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子分布更加接近真实状态的后验分布.仿真实验表明,Bernoulli-Upf算法的估计精度优于Bernoulli-pf算法.