基于多传感器的运动姿态测量算法

在基于MEMS传感技术的运动姿态测量中, 陀螺仪信号的漂移和载体线性加速度与重力加速度的叠加是影响测量结果准确性的主要原因, 实践中一般采用静态补偿和滤波技术减小测量误差. 基于自主研发的惯性测量单元, 设计了一种新型两级扩展卡尔曼滤波器: 基于四元数的运动姿态测量模型, 首先构造自适应加速度误差协方差矩阵, 消除载体线性加速度, 再采用多传感器融合技术进行数据融合, 修正陀螺仪信号漂移产生的误差. 实验表明, 本文算法结果与业界认可的动作捕捉系统Xsens的测量结果一致, 可有效满足应用需求.     

传感器技术在水下枪弹速度测量中的应用

介绍了用于测量水下弹丸运动速度的声靶、高速摄影、光电靶测速、线圈靶测速、线阵CCD测速等多种方法 ,从原理、准确度、实现难易程度等方面作了较为详细的比较 ,提出了线圈靶、线阵CCD是较理想的水下弹丸速度的测量方法 ,并给出了实验证明     

基于模糊卡尔曼滤波的信息融合算法

应用自适应模糊逻辑系统（AFLS）原理,研究了一种基于卡尔曼滤波器的信息融合算法;AFLS通过在线监视融合数据新息是否为零均值白噪音,然后根据模糊规则调整融合滤波器的指数加权值,从而保证了滤波器的最优估计性能;仿真结果证明该方法在高噪声环境中具有良好的信息融合能力,能有效跟踪研究对象的状态变化。     

基于多传感器数据融合的人体运动模式识别研究

针对单一传感器在人体运动姿态监测中误差较大的问题,提出了一种基于加速度传感器和陀螺仪数据融合的人体运动模式识别方法;该方法使用陀螺仪输出的人体运动信息对加速度传感器采集到的姿态角信息进行修正,采用卡尔曼滤波算法实现多传感器信息的融合,有效提高了姿态角度测量的准确度;根据人体日常的活动状态构建了基于人体姿态角度特征的隐马尔可夫模型实现人体运动模式的识别;实验表明,该方法比采用单一传感器方法识别的准确率高,可以有效区分不同的日常活动行为。     

基于多传感器模糊神经网络的水下目标识别

首先将模糊神经网络应用于单传感器潜艇目标识别，在此基础上将多传感器数据融合技术应用于目标识别。仿真结果证明：这种方法是可行的、高效的。     

运动体方位测量信息融合技术研究

针对角速率陀螺误差随时间积累和磁罗盘易受外界干扰的问题,为了提高运动体方位测量的精度,设计了角速率陀螺和磁罗盘方位信息融合方案。分析了磁罗盘和角速率陀螺的误差特性,进行了误差建模,构建了卡尔曼滤波模型,提出一种能够检测磁罗盘低频干扰,并对干扰误差进行剔除的前置检测环节(PDL)。通过仿真实验可知,该算法不仅能够有效地抑制磁罗盘高频干扰和角速率陀螺的积累误差,同时也可很好地抑制磁罗盘的低频干扰误差,可以给运动体提供较高的方位信息。     

基于多传感器信息融合的移动机器人导航系统

介绍了多传感器信息融合的基本原理,给出了基于多传感器信息融合的移动机器人导航系统结构。建立了移动机器人数学模型,运用基于扩展卡尔曼滤波的信息融合方法实现了移动机器人导航算法。通过实验验证了基于多传感器信息融合的移动机器人导航系统和导航算法的有效性。     

基于多传感器融合的水下机器人导航系统

本文提出了一种水下机器人自主导航系统设计方案.建立了导航系统模型和传感器误差模型,分别以捷联惯导、电子罗盘、深度计作为观测量,通过多传感器信息融合技术实现自主导航.仿真结果表明,该系统能够在保证容错性和实时性的同时,达到较高精度.     

基于多传感器融合的人体运动分析系统设计

由于光学式、机械式等传统运动测量系统在成本、使用环境及精度等方面的缺陷,设计了一款主要基于惯性传感器的手臂关节人体运动测量系统,通过在人体特定部位佩戴所设计的惯性传感器节点,可实时采集人体各部位的运动数据,并以数据帧格式,通过WIFI无线传感器网络将各节点所采集的运动信息发送至所设计的STM32主机运算单元,通过使用STM32内置DSP-CMSIS库进行卡尔曼滤波和姿态融合,加快运算速度,降低节点的运算量,使得节点的体积更小;再通过串口将数据传输至上位机进行存储和显示;经实验验证,设计的运动测量系统能够准确采集人体运动数据,并经转台实验所测姿态角相对误差小于2.5%;同时通过三维仿真,可以较好复现人体运动轨迹,该系统具有成本低廉,穿戴方便和操作简单等特点,可广泛应用于医学,体育等多个领域。     

基于多传感器融合的运动平台运动目标检测

基于运动平台的运动目标检测在计算机视觉等领域有着十分广阔的应用,基于单一视觉传感器平台目前很难满足实用要求。提出一种融合视觉传感器、微机电惯性传感器和距离传感器信息的运动平台运动目标检测新方法。利用惯性传感器获得的平台运动信息和距离传感器获得的场景深度信息,采用由粗到精的图像配准策略,消除背景运动影响。利用配准后的图像信息在扩展卡尔曼滤波框架下对惯性传感器信息进行修正,以达到长期稳定检测的目的。实验结果证明了方法的稳健性和有效性。     

水下机器人自适应卡尔曼滤波技术研究

水下机器人的位置和速度传感器受环境影响较大,数据滤波问题是运动控制的核心问题之一.给出了离散型卡尔曼滤波的基本方程,描述了卡尔曼滤波所具有的两个计算回路:增益计算回路和滤波计算回路.建立了水下机器人状态方程和量测方程,并在此基础上采用了自适应卡尔曼滤波方法对水下机器人的传感器数据进行了滤波分析.引入了渐消记忆指数加权方法.对时变噪声统计中,强调了新近数据的作用.避免了系统误差和量测误差统计特性的不准确对系统滤波效果的影响.滤波效果分析表明此方法能达到很好的滤波效果.     

水下机器人高度信息融合与欠驱动地形跟踪控制

研究了配置高度计和多普勒速度计(DVL)的欠驱动水下机器人地形跟踪控制问题.采用Takagi-Sugeno推理方法对高度计和DVL两种传感器的高度信息进行融合,提高了高度信息感知能力.将地形跟踪分为速度控制和深度控制问题,分别使用S面控制方法设计速度控制器和反步法设计欠驱动深度控制器.最后,通过实际海洋实验对研究的方法进行了验证,实验结果表明该文提出的方法是有效的.     

基于信息融合地图的水下机器人位置估计

建立了一种对声纳和视觉图像进行融合的模型,提出了采用高斯方法和对水下环境进行描述建立融合地图的新的表达方法。首先假定传感器的观测信息为高斯分布,通过空间关系的变换和投影将声纳和视觉投影到公共的状态空间,然后对各传感器的其它信息进行加权,并嵌入到其中,得到适合计算机处理的传感器地图。提出了对水下机器人进行位置估计及地图匹配的算法,在导航过程中通过找出当前地图与参考地图的最大相关系数,从而对机器人位置进行更新,得出其最佳位置估计。仿真结果显示：采用融合地图对水下机器人的位置估计是连续的、可计算的、有效的。     

基于卡尔曼滤波的自主式水下航行器大尺度编队控制

针对网络环境下环境噪声对自主式水下航行器编队控制的影响,提出一种利用卡尔曼滤波实时估计AUV最优运动状态的编队控制方法.将空间间隔较远的多AUV系统建模为多智能体系统,从大尺度上研究其编队控制问题.为了得到每个AUV速度状态的最优估计值,每个AUV都嵌入一个全局卡尔曼滤波器,利用该全局滤波器进行最优估计从而计算出噪声环境下其自身的最优位置.仿真结果验证了所给出的控制策略的有效性.     

多传感器跟踪系统自适应Kalman滤波融合

多传感器目标跟踪的一个实际问题是如何获得目标的过程噪声信息,以获得较好的跟踪性能。针对多传感器分布式估计融合系统,利用这种自适应技术给出了一种自适应Kalman滤波的融合方法,它具有与中心式相近的跟踪性能。计算机模拟结果表明：这种方法具有较优良的性能。     

水下枪械自动机速度测量系统

为了研究自动机的运动规律,由安装在实验装置上的传感器和其他测量仪器组成水下枪械自动机速度测量系统。对感应测速传感器的组成、工作原理、水下速度测量的关键问题进行了分析讨论。利用测量系统,获得自动机的运动速度,根据实测的数据初步分析实验现象。实验显示:测量系统有良好的绝缘性能和从每秒几赫兹到每秒几千赫兹的平坦的频率响应,能满足水下枪械自动机速度测量的特殊要求。     

水下拖曳体多源信息监控系统设计与实现

基于海洋电法探测系统中水下拖曳体对多源信息实时监控的需求,设计了一种准实时监测拖曳体的运动状态与环境信息的监控系统。该系统可与水面监控器保持命令与数据沟通,并在监控器的指令下启动水下电法仪执行参数设置、数据采集等操作。经系统样机的海上测试结果表明,系统性能稳定可靠,能够在其他水下信息采集作业中得到推广应用。     

基于神经网络的水下机器人三维航迹跟踪控制

本文研究了水下机器人三维航迹跟踪控制问题.在充分考虑了模型中不确定水动力系数和外界海流干扰的基础上,提出了基于神经网络的自适应输出反馈控制方法.控制器由3部分组成:基于动态补偿器的输出反馈控制项、神经网络自适应控制项和鲁棒控制项.神经网络所需的自适应学习信号由线性观测器提供.基于Lyapunov稳定性理论证明了控制系统的稳定性.最后针对某AUV进行了空间三维航迹跟踪控制仿真实验,结果表明设计的控制器可以较好地克服时变非线性水动力阻尼对系统的影响,并对外界海流干扰有较好的抑制作用,可以实现三维航迹的精确跟踪.     

基于多传感器信息融合城市车辆导航定位

针对全球定位系统信号易受城市复杂的环境干扰,接收不可靠、航位推算只能进行短时间高精度导航、地图匹配仅可在拐弯处才能提供与地图精度相当的修正信息、城区车辆导航存在“盲区”问题,研制了采用蓝牙技术的新型路标传感器,研究了基于自适应联合卡尔曼滤波算法的多传感器信息融合技术。大量的试验研究表明：采用该信息融合技术后,城区车辆导航定位精度达到10m以内,符合高精度导航定位要求。     

多模型多传感器信息融合Kalman平滑器

基于标量加权的线性最小方差最优信息融合算法,对多模型多传感器离散线性随机系统,给出了一种分布式标量加权信息融合固定滞后Kalman平滑器.它只需计算加权标量系数,可减小在融合中心的计算负担.当各子系统存在稳态滤波时,又给出了标量加权信息融合稳态平滑器,它计算量小,便于实时应用.并给出了两个子系统之间的平滑误差互协方差阵的计算公式.仿真例子验证了其有效性.