基于多数据融合的智能定位传感器避障算法研究

在智能定位传感器内增加避障算法，可使机器人拥有自动躲避障碍的能力，该文基于多数据融合设计智能定位传感器避障算法。设置激光雷达测距和超声波测距作为多传感器障碍检测的方法，获取机器人当前位置与障碍点坐标的相对几何关系，计算机器人与障碍点位置的距离，定位路面障碍点，对2种传感器收集到的数据进行多元障碍定位信息的加权融合。设置智能机器人避障轨迹目标函数以及约束条件，设计机器人避障算法，得到基于定位传感器的机器人避障方法。实验结果表明，在简单环境及复杂环境下机器人均未与障碍物相撞。在运行轨迹中随机放置障碍物，机器人能够及时完成运行轨迹的变化。由此可见，该避障算法具备较好的应用前景，可应用于各种智能机器人中。     

除冰机器人的多传感器融合障碍测距方法研究

障碍物测距是高压输电线路自主除冰机器人的关键技术之一。针对220 kV输电线路除冰机器人的结构特点,提出了一种基于扩展卡尔曼滤波的障碍物距离信息融合检测方法。首先根据障碍物分布情况设计了除冰机器人多传感器检测系统的结构,建立了障碍物信息融合系统模型。然后根据障碍物信息状态模型的非线性特点,对传感器获取的异步测量数据进行同步处理,再应用改进的扩展卡尔曼滤波对多传感器信息进行滤波和融合,并与单个传感器的结果相比较,实验结果研究表明：该方法能有效地融合不同传感器的信息,具有更高的测距精度和更快的收敛速度。     

基于加速度信息修正的四旋翼位置估计算法研究

针对单一的微传感器无法准确进行四旋翼无人机空间定位的问题,设计了一种多元信息融合的互补滤波算法用于无人机空间位置估计。该算法的核心思想为利用一类通用的辅助传感器如气压传感器,全球定位系统（GPS）以及微基站的测量信息对加速度传感器的测量信息进行实时修正,然后利用修正后的加速度信息积分估计四旋翼无人机的空间位置。本文在自主研制的飞行控制平台上验证了这种互补滤波算法的有效性。通过对比实验验证,利用本文设计的互补滤波算法可以使得无人机运动速度估计值以及空间位置估计值无偏差的收敛。飞行实验证明,将该互补滤波算法输出的速度以及位置估计信息应用于位置控制器中,可以实现无人机稳定的位置控制。     

一种适用于移动机器人的障碍物快速检测算法及其实现

针对传统的用于机器人检测障碍物的算法存在的不足,提出了一种基于视觉传感器与超声波传感器信息融合的快速障碍物检测算法.该算法通过位十机器人头部的超声波传感器获取机器人到障碍物(本算法采用矩形障碍物)的距离信息,通过改进型快速直线检测方法和约束条件确定障碍物在视觉传感器所采集的图像中的直线边缘,根据成像过程中-三角形相似的...     

除冰机器人的多传感器高效融合障碍测距方法研究

障碍物测距是高压输电线路自主除冰机器人的关键技术之一;针对220 kV输电线路除冰机器人的结构特点,提出了一种基于障碍物距离信息融合检测方法;首先根据障碍物分布情况设计了除冰机器人多传感器检测系统的结构,建立了障碍物信息融合系统模型.然后根据障碍物信息状态模型的非线性特点,对传感器获取的异步测量数据进行同步处理,再应用改进的多传感器信息进行滤波和融合,并与单个传感器的结果相比较,实验结果研究表明:该方法能有效地融合不同传感器的信息,具有更高的测距精度和更快的收敛速度.     

基于激光传感器的无人驾驶汽车动态障碍物检测及表示方法

针对激光传感器在室外环境中检测动态障碍物所遇到的数据处理存在延时、检测结果准确率不高等问题,提出了一种基于3维激光传感器Velodyne和四线激光传感器Ibeo信息融合的动态障碍物检测及表示方法.本方法通过分析处理Velodyne激光数据对无人驾驶汽车四周的动态障碍物进行检测跟踪,对于无人驾驶汽车前方准确性要求较高的扇形区域,采用置信距离理论融合Velodyne激光数据处理信息和Ibeo输出的运动状态信息,较大地提高了对障碍物运动状态的检测准确率,然后根据融合得到的结果对运动障碍物的位置进行延时修正,最终在障碍物占用栅格图上将动态障碍物所占据位置与静态障碍物所占据位置区别标示.本方法不仅可以在室外环境中准确地检测出障碍物运动信息,而且可以消除传感器数据处理延时所带来的动态障碍物位置偏差,更准确地将环境中的动静态障碍物信息用障碍物占用栅格图进行描述.该种方法应用在了自主研发的无人驾驶汽车平台上,大量的实验以及它们在"中国智能车未来挑战赛"中的优异表现证明该方法具备可靠性和准确性.     

基于无线传感器网络的移动机器人智能导航算法

结合了无线传感器技术和群集智能技术两者的优势,提出一种新的基于无线传感器网络的移动机器人智能导航控制算法,并考虑了能量消耗的问题。算法利用基于多传感器信息融合的全局概率地图构建技术、使用群集仿生智能的基于微粒群算法的实时在线路径规划以及避障策略,提高了智能导航的整体性能,满足了在复杂环境和未知障碍物下导航的实时要求。最后设计并构造出了实际的无线传感器网络和实际的机器人系统,验证了算法成功实现机器人导航的有效性和准确性。     

基于多传感器融合的全地形机器人系统设计

针对因强降雨、堤防溃决、暴雨增水等因素导致的水位突然上升而泛滥和山洪暴发,形成复杂多变灾后的地形环境。设计了以FPGA为控制器的多传感器融合机器人,提高灾后救援效率。该机器人通过GPS为机器人作业划定区域,生命特征仪、力矩仪和空气质量仪等传感器采集环境数据,搭建非线性全地形机器人动态模型,利用六轴陀螺仪和霍尔传感器获取机器人状态,数据经过扩展卡尔曼滤波算法融合以及航迹算法推算后,获得机器人在灾后环境中的实际信息,使得机器人能够按要求进行搜救作业。实验结果表面,多传感器融合的机器人系统,能够在灾后环境完成信息采集与传输,具有较高的稳定性及准确性。     

基于Kalman滤波的车位侧方距离修正方法

通常车位识别技术通过超声波传感器获取侧方障碍物位置信息来判断车位边缘,由于测量时超声波传感器与障碍物形成波束角的跳变,及其本身的固有特性会带来随机噪声,导致不能直接得到状态变量的真实精确值。通过建立合适的距离修正系统状态方程和观测方程,采用Kalman滤波算法,由 k-1 时刻的超声波传感器测量值与随机噪声获得该时刻的协方差,并与测量噪声计算获得 k 时刻的Kalman增益,再结合k 时刻的超声波传感器测量值与观测方程得到k+1时刻的距离修正值。仿真结果表明,经过150次迭代计算后的绝对误差为1.575cm,平均修正时间仅需0.028s。该方法可有效降低了随机噪声干扰,具有良好的准确性和实时性,滤波测量距离修正值更加逼近真实值。     

无线传感器网络可扩展一致性目标跟踪算法研究

为提高机动目标跟踪性能,降低无线传感器网络的能量消耗,提出一种可扩展的动态平均一致卡尔曼滤波算法.根据预测的下一步目标位置,将无线传感器网络的节点动态组织成簇,多个传感节点协作执行目标的检测及分布式状态估计.给出三种可扩展动态一致卡尔曼滤波算法,即基于观测值、观测新息和估计值的一致性卡尔曼滤波,适应于不同情况的目标跟踪.簇中传感节点仅需接收邻居节点的信息,簇头节点负责下一步任务节点的选择并将当前状态估计值和对应的误差协方差发送给下一步的任务节点以减少整个网络的通信量.仿真结果表明,基于观测值、新息及估计值的分布一致卡尔曼滤波在跟踪精度方面与集中卡尔曼滤波性能相当,而其分布式结构决定了算法具有更强的鲁棒性和容错能力,能够提高系统的可靠性.     

多约束条件下能耗均衡的WSN路由算法的研究

无线传感器网络WSN节点自身的特点决定了能量的消耗成为评价网络路由协议优劣的重要指标。但如果仅仅从总能量消耗最少的目标来设计路由,可能会使得部分节点被过度地使用而过早死亡,从而影响整个网络的寿命。同时还可能由于一些可扩展性较差的节点被频繁地使用而造成整个网络路由的可扩展性较差。由此可见,WSN路由的设计需要考虑多个约束条件,如总能量的消耗、能量消耗的均衡性和路径的可扩展性。提出一种基于遗传算法的WSN路由算法,综合考虑约束条件,结合约束条件设计适应度函数,利用遗传算法求得最优解。仿真结果证实该算法的有效性。     

基于BADV-Hop的无线传感器网络节点定位方法

针对无线传感器网络（WSNs）节点的定位误差较大的问题,提出一种蝙蝠算法（BA）和DV-Hop算法融合（BADV-Hop）的定位算法.首先测量未知节点与锚节点之间的距离,然后采用DV-Hop算法初步确定未知节点的坐标,再采用BA校正DV-Hop算法的定位误差,最后在Matlab 2012平台上对算法性能进行仿真分析.实验结果表明：相对于DV-Hop算法,BADV-Hop算法提高了传感器的节点定位精度.     

基于退火遗传算法的传感器非线性校正方法

针对实际传感器的非线性问题,结合遗传算法和模拟退火算法的优点,提出了一种基于退火遗传算法的传感器非线性校正方法.该算法通过计算传感器自校正方程中的待定常数,实现非线性特性的线性化.实验结果表明:该方法不但可以实现非线性校正,而且校正后的精度也高于传统的最小二乘法.     

微粒群优化算法在传感器非线性自校正中的应用

微粒群优化(PSO)算法是一种进化算法,包含的概念简单。介绍了不同于传统的传感器非线性校正方法,将PSO算法应用于传感器非线性校正的参数估计,并通过电涡流微位移传感器非线性校正进行PSO算法效果测试。实验研究表明:PSO算法简单、得到的传感器非线性校正曲线精度高。PSO算法为传感器的非线性校正提供了一种新方法。     

基于误差修正的DV-Hop传感器节点定位算法

传统的DV-Hop传感节点定位算法,估计未知节点与各锚节点之间距离是用跳段距离代替直线距离.在实际网络定位环境中,未知节点和锚节点之间多数是折线连接.当平均每跳距离的估计值与实际值的偏差较大时,未知节点到锚节点之间估计距离与实际距离之间的误差会增大.为解决上述问题,提出一种粒子群优化算法修正DV-Hop算法定位误差的传感器节点定位方法.采用DV-Hop算法估计待测节点和锚节点之间距离,通过三边测量法确定节点的位置,并将传感器节点定位问题转换成一个多约束优化问题,最后通过粒子群优化算法对定位误差进行修正,并通过仿真对其性能进行测试.仿真结果表明,相对传统DV-Hop算法可大幅度提高传感器节点定位精度,符合无线传感器网络定位需求,具有较好的应用价值.     

基于量子遗传的蒙特卡洛节点定位算法

针对无线传感器网络(WSNs)节点定位的问题,提出了一种量子遗传算法与蒙特-卡洛相结合的定位算法(QGA-MCL).将QGA应用于MCL中的采样过滤阶段,通过合理的编码方案、译码方案以及量子旋转门对采样区域中随机产生的量子染色体进行操作,提高了样本寻优效率和定位精度,并加快了算法的收敛速度.仿真结果表明:与蒙特-卡洛定位算法相比,提出的QGA-MCL算法能够减少约10.2％的定位误差,同时,算法的收敛速度也得到了显著提升.     

基于投影寻踪的无线传感器网络入侵检测模型

提出基于投影寻踪(PP)算法解决无线传感器网络入侵检测问题,利用PP算法将高维数据投影到低维数据空间,使得多特征属性的节点数据准确聚集.通过节点属性投影值的浮动来检测节点是否受到攻击.实验结果表明:基于PP的无线传感器网络入侵检测的方法在减少计算量,降低检测能耗的情况下,可以得到比传统的误差反向传播(BP)模型检测方法得到更好的检测效果.     

传感器网络中基于多维标度定位算法的改进

针对基于经典多维标度的MDS-MAP算法在定位精度方面的不足,为提高传感器定位精度,提出一种基于Euclidean算法的改进型多维标度定位算法(Euclidean-based MDS-MAP(P,C))。算法与经典多维标度算法的区别在于,Euclidean算法能够算出每个节点与其两跳邻居节点间的欧氏距离,然后用这个欧氏距离来进行多维标度,显然能提高精度。仿真实验表明基于Euclidean算法的改进型多维标度算法与经典多维标度算法相比具有很低的定位误差以及很高的定位精度。     

基于CS优化的双簇头分簇路由算法研究

为了减少无线传感器网络(WSNs)分簇路由中簇头的能量消耗,提出了一种基于布谷鸟搜索(CS)优化的双簇头分簇路由算法.CS通过采用节点的剩余能量和节点之间的位置关系来构造适应值函数并选举出最优双簇头.其中,主簇头将数据进行融合,副簇头将融合的数据发送给基站,缓解了以往单簇头同时负责数据融合和传输的双重压力,使得整体能耗在各个节点的分配更均衡.仿真实验表明:与LEACH算法、粒子群优化(PSO)算法相比,CS算法在减小网络能耗以及延长网络生存周期上更具优势.     

基于APIT的无线传感器网络质心算法研究

为了解决基于无线传感器网络的高速公路检测系统中由于信标节点分布不均且稀疏导致的定位误差,结合近似三角形内点测试(APIT)算法提出了一种新的定位算法,保证未知节点在所选择信标节点组成的三角形内。算法不需额外添加硬件,容易实现。M atlab环境下仿真结果显示,基于APIT的质心定位算法在信标节点较为稀疏、不均时,定位精度比采用最近邻信标节点选择的质心定位算法提高了32.18%。