室内环境下UWB与LiDAR融合定位算法研究

当前全球导航卫星系统与激光雷达的数据融合被广泛应用于无人驾驶车辆的定位系统中,但在室内环境下由于卫星信号的丢失导致定位精度低甚至无法定位。为此提出一种基于超宽带（Ultra-Wideband,UWB）与激光雷达（Light Detection and Ranging,LiDAR）的融合定位算法。该算法以粒子滤波为基础,对两个传感器的定位数据进行互补融合解算。利用UWB实时定位数据通过提供起始粒子范围的方式来提高LiDAR的定位速率。通过求解LiDAR定位信息与粒子之间的几何距离来更新粒子的权重,从而弥补UWB的非视距误差。搭建一个室内测试场景,并将融合定位算法在智能小车平台上进行验证。实验结果表明,该方法优于UWB或LiDAR单一传感器的定位方案,而且在UWB视距受阻或LiDAR匹配失效的情况下,车辆仍能够获得良好的定位精度和定位实时性。     

High-speed train navigation system based on multi-sensor data fusion and map matching algorithm

Navigation system for high-speed trains is necessary for increased operational safety and efficiency, new services for customers, and low maintenance cost. This paper proposes a high accuracy navigation system for high-speed trains based on a sensor fusion algorithm, with non-holonomic constraints, for multiple sensors, such as accelerometers, gyroscopes, tachometers, Doppler radar, differential GPS, and RFID, and a map matching algorithm. In the proposed system, we consider the federated Kalman filter for sensor fusion, where local filters utilize filter models developed for various sensor types. Especially, the local Kalman filter for RFID positioning, that is detected at irregular time intervals due to the varying train speed and RFID tag spacing, is developed to maintain high performance during GPS outage. In addition, an orthogonal projection map matching algorithm is developed to improve the performance of the proposed system. The performance of the proposed system is demonstrated with numerous simulations for a high-speed train in Korea. The simulation results are analyzed with respect to the existence of tunnel, RFID deployment spacing, RFID location uncertainty, and DGPS error.     

基于信息融合的火电厂飞灰含碳量的软测量建模实验室

提出了利用信息融合与软测量技术对火电厂飞灰含碳量测量进行建模的新算法．首先给出了自适应加 权融合和最小二乘支持向量机（LSSVM）算法,其次对三个非线性测试函数分别运用BP 神经网络、LSSVM 和基于 自适应加权融合的LSSVM 算法进行建模并比较了精度,最后给出了基于自适应加权融合的LSSVM 在火电厂飞灰 含碳量建模中应用的结果．     

智能车逆向超车控制算法

针对双向车道因受限于道路条件及交通特性仅能借用对向车道完成超车（逆向超车）的问题,通过采用车联网以及车载传感器获取环境车辆的速度、加速度等全局信息,将多车场景中各个实体所造成的影响纳入超车决策中,从而提出一种基于图搜索和模型预测控制（Model Predictive Control, MPC）的逆向超车控制方法。首先,根据车车通信获取的全局信息,结合非合作博弈,对各车在整个时段内的行为进行预测,并根据预测情况对道路的各个区域进行安全评估,评估依据为该区域在下一时刻出现车辆的概率。对道路完成评估后,得到碰撞概率热区图,之后采用A*算法搜索安全路径,根据安全路径完成目标车辆的轨迹规划,并设计模型预测控制器来对主车进行实时控制,使车辆按照既定轨迹行驶。最后,借助Carsim与MATLAB/Simulink搭建联合仿真平台,对提出的算法进行验证。仿真实验结果表明,该模型的控制误差最大不超过0.15 m,平均误差率约为1.7%,能实现对车辆的精准控制,保证被控车辆安全完成逆向超车。     

一种实用的火电厂飞灰含碳量软测量建模方法

提出了同时利用自适应加权融合和最小二乘支持向量机建模的实用新方法。首先,给出了基于小波的自适应加权融合和最小二乘支持向量机算法;其次,将BP神经网络、最小二乘支持向量机和基于小波的自适应加权融合的最小二乘支持向量机算法进行建模精度比较;最后,采用真实火电厂飞灰含碳量数据进行模型验证与预测,仿真结果表明基于小波的自适应加权融合的最小二乘支持向量机算法具有较好的建模精度和实用性。     

Multi-sensor fusion methodology for enhanced land vehicle positioning

It is a main challenge for land vehicles to achieve reliable and low-cost navigation solution in various situations, especially when Global Positioning System (GPS) is not available. To address this challenge, we propose an enhanced multi-sensor fusion methodology to fuse the information from low-cost GPS, MEMS Inertial Measurement Unit (IMU), and digital compass in this paper. First, a key data preprocessing algorithm based on Empirical Mode Decomposition (EMD) interval threshold filter is developed to remove the noises in inertial sensors so as to offer more accurate information for subsequent modeling. Then, a Least-Squares Support Vector Machine (LSSVM)-based nonlinear autoregressive with exogenous input (NARX) model (LSSVM-NARX) is designed and augmented with Kalman filter (KF) to construct a novel LSSVM-NARX/KF hybrid strategy. In case of GPS outages, the recently updated LSSVM-NARX is adopted to predict and compensate for the INS position errors. Finally, the performance of proposed methodology was evaluated with real-world data collected in urban settings including typical driving maneuvers. The results indicate that the proposed methodology can achieve remarkable enhancement in positioning accuracy in GPS-denied environments.     

改进卡尔曼滤波的井下组合导航定位算法

为解决井下人员定位算法定位精度不高的问题,提出基于微惯性导航系统和无线传感器网络的井下组合导航定位算法.通过井下无线网络、惯性定位终端采集相关信息数据,利用行人航迹推算算法和改进加权质心定位算法分别估算出目标点的坐标和速度.将这两种算法通过正弦余弦蝙蝠融合算法优化后的卡尔曼滤波组合导航定位,估算出目标点最终的位置坐标....     

基于多元变量Taylor级数展开模型的定位算法*

为了进一步提高无线传感器网络的定位精度,通过考虑未知传感器之间的距离信息,构建了多元变量Taylor级数展开的定位模型。在对该模型求解过程中,首先利用三边测距法得到未知传感器的初始位置,再采用加权最小二乘法计算其最优值作为未知传感器的估计位置。为评价该算法的性能,对定位结果的Cramer-Rao下界(CRLB)进行了推导。仿真测试了不同距离测量误差和已知传感器数目对定位误差的影响,以及算法的累积分布函数(CDF)。仿真结果表明,该算法有效地提高了定位精度,且定位误差非常接近CRLB。     

动态模型偏差校正在列车组合定位中的应用

扩展卡尔曼滤波(Extended Kalman filter, EKF)的准确性依赖于观测的质量、观测对象的非线性程度及动态模型的准确性. 该方法通常假设其动态模型是不变的, 而且默认为非线性程度较弱, 这些在实际的车辆运动中都是不可靠的处理方式. 本文提出了一种利用最小二乘支持向量机(Least squares support vector machine, LSSVM)的技术增强扩展卡尔曼滤波的新算法. LSSVM改进后的EKF算法(LSSVM-EKF)一定程度上弥补了EKF处理强非线性问题的不足; 而且可以自适应地估计历史数据的动态建模偏差, 并使用估计偏差来补偿动态模型. 开发了一种引入Allan方差的K折交叉验证方法来确定LSSVM的训练参数; 将动态模型偏差通过有限数据集与LSSVM一起训练; 并引入无损变换将LSSVM与EKF进行了集成. 为了验证算法, 最后设计了车载试验, 并采用列车数据验证了文中所提的方法, 结果表明LSSVM-EKF可以较好地适应实际车辆运动环境, 可以提供一种可用的车辆定位方法.     

基于LSTM-Attention的RFID移动对象位置预测

随着射频识别(RFID)技术的不断发展,其相比全球定位系统(GPS)具有高精度、数据信息量大的优势,将其应用于智能交通以预测移动对象位置受到广泛关注.然而,由于其定位基站分布离散,并且不同基站对位置预测的影响权重不同,以及长期的历史信息会来带维数灾难等,移动对象的位置预测面临着严峻的挑战.针对这些挑战,在分析现有预测算...     

一种基于RFID的室内车载监控系统定位方法的设计与实现

室内定位是智能家居系统中实现居境信息自主巡检的基础支撑技术。针对现有室内定位算法的不足,提出了一种基于RFID的新型室内定位方法。该方法建立基于RFID标签映射的地面坐标,借助电子罗盘获取车载系统方向,通过向量方法计算出车载系统的中心位置,有效地解决了室内定位的精度与稳定性问题。基于该方法,设计并实现了一个室内车载监控系统,验证了算法的有效性。     

改进YOLOv3的车辆实时检测与信息识别技术

在复杂无约束自然场景下对车辆实时检测和相关信息的提取识别一直是计算机视觉领域内重要的研究内容之一。该领域问题的突破不但可以为汽车自动驾驶技术的实现和完善带来实际效果的提升,并且在停车场的自动停车调度算法和实时泊车监控系统的改进上有着重要的现实意义。针对当前实时车辆信息检测中存在的车辆检测区域不完整、精度不高以及无法对场景中较远车辆进行准确定位等相关问题,提出了一种Vehicle-YOLO的实时车辆检测分类模型。该模型在最新的YOLOv3算法基础上,通过更改图像输入参数,增强深度残差网络的特征提取能力,采用5个不同尺寸的特征图依次对潜在车辆的边界框提取等方式来提升车辆实时信息检测的精度和普适性,并通过KITTI、VOC等数据集进行性能验证和分析。实验结果表明,Vehicle-YOLO模型在KITTI数据集上达到了96%的均值平均精度,传输速度约为40 f/s,在精度提升的情况下仍能保持良好的实时检测速率。此外,Vehicle-YOLO检测模型在VOC等其余数据集上的实验结果也展现了不同程度的精度提升,故该模型在常见物体的定位检测中有较好的普适性,相较于传统的物体检测算法模型有更好的表现。     

新的室内移动机器人自定位方法

针对现有室内移动机器人自定位方法中存在的定位精度不高,随时间积累定位误差增大,复杂室内环境下信号存在多径效应和非视距效应等问题,提出了一种基于蒙特卡罗定位(MCL)的新的移动机器人自定位方法。首先,通过分析基于无线射频识别(RFID)技术的移动机器人自定位系统,建立机器人运动模型;然后,通过分析基于接收信号强度指示(RSSI)的移动机器人自定位系统,提出机器人移动过程的观测模型;最后,针对粒子滤波定位执行效率不高的问题,提出粒子剔除策略和依据粒子方位赋予粒子权值策略,提高系统的定位精度和执行效率。仿真实验表明,机器人在移动过程中的自定位误差在X轴和Y轴方向上为3 cm,传统定位算法误差为6cm,新算法定位精度提高近1倍,且算法具有很好的鲁棒性。     

一种针对全海深载人潜水器的异步融合组合导航算法

全海深载人潜水器(HOV)组合导航中会产生异步融合现象,传统的组合导航算法在处理时会产生较大的误差.针对这一问题,提出了一种基于机器学习和无迹卡尔曼滤波(UKF)的异步融合组合导航算法.首先建立了针对超短基线(USBL)声学定位系统预测的机器学习模型,通过USBL声学定位系统的观测数据集来训练该模型,并用得到的模型来预测更新间隔内的数据.最后使用UKF将已更新的数据集进行融合.仿真结果表明,相比传统的组合导航算法,本文的异步融合组合导航算法可以将USBL声学定位系统数据异步问题所引起的误差降低17%,有效提高了组合导航系统的精度.     

Indoor Tracking by RFID Fusion with IMU Data

Indoor tracking and positioning technology have received significant attention. There are many techniques to track indoor targets, such as Wi‐Fi technology, radio frequency identification (RFID), and inertial navigation technology. However, these technologies cannot accurately track a target with a single sensor due to the uncertainty of the sensors. This paper presents an indoor tracking method using RFID and inertial measurement units (IMU); the estimated trajectory is mainly determined by RFID, and the information about the trajectory based on IMU is added when the estimated trajectory is missing without RFID data. The results show that the fusion estimation algorithm has excellent performance in indoor tracking and is very effective when the target maneuvers, even where some measurements are lost.     

融合5G/GNSS的车辆高精度鲁棒安全定位:进展与展望

不受环境和条件影响的准确、实时定位对于基于位置的车辆应用和自动驾驶至关重要.典型车辆定位通常依赖于全球卫星导航系统(GNSS),如美国GPS、中国北斗等,由于易受遮挡和阻塞,常将其与惯导、视觉等技术融合弥补GNSS缺陷.但车规级传感器易受驾驶状态、天气等因素影响,很难精确测量,影响定位性能.近年来,依托先进5G技术和广域基础设施建设,5G/GNSS融合定位可以提供更为精确鲁棒实时的位置结果,并逐渐成为车辆高精定位的主要手段.鉴于极少有车辆定位领域应用5G/GNSS融合方法的系统综述,面向车辆定位,从精度、鲁棒、实时安全等多方面分述基于5G/GNSS融合的先进定位方法,并探讨研究空白和未来研究方向.     

基于异步优势动作评价的RFID室内定位算法

针对现有的RFID室内定位算法的精度容易受到环境因素影响的问题,提出了一种基于异步优势动作评价(Asynchronous Advantage Actor-critic,A3C)的RFID室内定位算法。该算法的主要步骤为:1)将RFID的信号强度RSSI值作为输入值,多个线程子动作网络并行交互采样学习,利用子评价网络评价动作值的优劣,使模型不断优化,找到最优信号强度RSSI值,并训练定位模型;子线程网络定期将网络参数异步更新到全局网络上,全局网络最后输出参考标签的具体位置,同时训练得到异步优势动作评价定位模型。2)在线定位阶段,当待测目标进入待测区域时,记录待测目标的信号强度RSSI值,将其输入异步优势动作评价定位模型中,子线程网络从全局网络中获取最新定位信息,对待测目标进行定位,最后输出目标的具体位置。实验数据表明,基于异步优势动作评价的RFID室内定位算法与传统的基于向量机(Support Vector Machines,SVM)定位、基于极限学习机(Extreme Learning Machine,ELM)定位、基于多层神经网络定位(Multi-Layer Perceptron,M...     

基于RetinaNet改进的车辆信息检测

移动端计算力不足和存储有限导致车辆信息检测模型精度不高、速度较慢。针对这一问题,提出一种基于RetinaNet改进的车辆信息检测算法。首先,开发新的车辆信息检测框架,将特征金字塔网络（FPN）模块的深层特征信息融合进浅层特征层,以MobileNet V3为基础特征提取网络;其次,引入目标检测任务的直接评价指标GIoU指导定位任务;最后,使用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层。与原始RetinaNet目标检测算法的对比实验表明,所提算法在车辆信息检测数据集上的精度有10.2个百分点的提升。以MobileNet V3为基础网络时平均准确率均值（mAP）可达97.2%且在ARM v7设备上单帧前向推断用时可达100 ms。实验结果表明,所提方法能够有效提高移动端车辆信息检测算法性能。     

基于多传感融合的路面机动目标跟踪

Maneuvering targets tracking is a fundamental task in intelligent vehicle research. This paper focuses on the problem of fusion between radar and image sensors in targets tracking. In order to improve positioning accuracy and narrow down the image working area, a novel method that integrates radar filter with image intensity is proposed to establish an adaptive vision window. A weighted Hausdorff distance is introduced to define the functional relationship between image and model projection, and a modified simulated annealing algorithm is used to find optimum orientation parameter. Furthermore, the global state is estimated, which refers to the distributed data fusion algorithm. Experiment results show that our method is accurate.     

半限制空间内的RFID 可能性k-近邻查询技术

作为一种监控与跟踪车流和人类活动等的潜在技术,RFID(radio frequency identification)已经在数据库领域得到了很大关注.RFID监控对象上的k-近邻查询是一种最重要的时空查询,能够用来支持有价值的高层信息分析.但是,不同于没有限制的空间和基于限制的空间,RFID监控场景通常被设置在一种半限制的空间内,需要新的存储和距离计算策略.此外,监控对象位置的不确定性对查询语义和处理方法提出了挑战.提出了半限制空间的概念,并且分析了基于RFID的半限制空间的模型.基于半限制空间,在给定一个动态查询点的基础上,提出了3种模型和算法以有效地估计可能性k-近邻的查询结果,并采用一些特殊的索引技术加快查询的速度.实验对提出算法的效率和准确性进行了评估,表明了相关方法的有效性.