基于机器视觉的堆叠矩形纸盒识别方法研究

针对堆叠矩形纸盒的识别和抓取问题,设计了一套由SCARA四轴机器人、工业相机和真空吸取装置等组成的机械臂抓取系统。提出了一种简易的手眼标定方法,并进行理论证明和实验分析。改进和完成了一套基于轮廓提取的矩形检测算法,实现对平面上多个矩形纸盒的识别;采用PnP算法对矩形纸盒进行深度估计,从而实现了对堆叠矩形纸盒的识别和抓取。     

一种1D-CNN与多传感器信息融合的液压系统故障诊断方法

针对液压信号复杂且难以诊断的难点，提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型（MS1D-CNN-MSIF）对液压泵与蓄能器进行故障诊断。在提出方法中，采用不同大小的卷积核对故障信号进行多尺度特征提取；然后使用多传感器信息融合策略将多个传感器的特征信号进行融合，最后使用Softmax进行分类识别。诊断蓄能器压力状态与液压泵泄漏状态的实验结果表明，与支持向量机、堆栈自编码、深度置信网络比较，提出模型具有更好的故障诊断性能，蓄能器识别精度可达99.50%，液压泵识别精度可达99.73%。     

多传感器支持度和自适应加权时空融合算法

针对多传感器测量数据中含有的噪声,提出一种基于多传感器支持度和自适应加权时空融合算法。时空融合算法将数据融合分解为时间和空间两次融合估计,先采用支持度和基于时间的递推估计进行第一次融合,再通过自适应加权估计在空间上进行第二次融合。该算法不需要知道传感器测量数据的任何先验知识,只利用空间位置中多传感器的方差变化,通过调整参与融合的各传感器的加权系数,使融合系统均方误差始终最小。     

基于多传感器数据融合的多目标跟踪算法研究

针对复杂环境下多传感器多目标跟踪问题,提出一种基于改进动态加权数据融合的UKF滤波多目标跟踪算法。该算法基于分布式融合结构,对于每个传感器得到的多个目标的观测信息,首先通过最近邻(Nearest Neighbor,NN)数据关联算法进行航迹关联;然后用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)完成对多目标状态的估计,得到目标最新的运动轨迹;与此同时,综合多个传感器估计的目标轨迹,应用改进的动态加权数据融合算法,得到最终的目标轨迹。仿真结果表明,该算法能有效地发挥多传感器数据融合优势,准确地跟踪多个运动目标。与单传感器目标跟踪相比,多传感器数据融合后的目标跟踪精度提高20%以上。     

油液监测黏度传感器标定方法优化研究

针对黏度传感器存在的测试准确性不足的问题,基于黏度测量原理提出数据处理算法模型对黏度传感器进行标定,设计并搭建实验测试平台,在较大温度范围内进行流体的黏度测量,并对提出的标定算法进行了验证。结果表明：采用改进的标定算法模型对黏度传感器进行标定,提升了传感器的测量精度和稳定性,能够将黏度测量平均绝对误差控制在5%以内。设计的黏度传感器对油液黏度变化具有较好的响应和较高的灵敏度,较好地满足了流体黏度的工程在线实时测量需求。     

两级融合的多传感器数据融合算法研究

针对智慧工厂监测环境中多源数据融合精度问题,提出了一种两级融合的多传感器数据融合方法,旨在提高多源数据融合的准确性和可靠性。该方法分为一级数据融合和二级决策融合,首先采用卡尔曼滤波结合自适应加权平均对同类型传感器进行数据降噪融合处理,其次利用人工兔优化算法(ARO)优化ELM神经网络进行决策融合。实验结果表明,基于ARO优化ELM神经网络的多传感器数据融合算法在融合精度方面优于其他先进算法。经验证,所提出的两级融合多传感器数据融合方法具有更好的融合性能,有效提升感知系统的可靠性和鲁棒性,实现更加准确和可靠的监测和预测。     

基于神经元的多传感器数据级融合研究

在不知道先验知识的条件下,从含有观测噪声的多传感器测量数据中估计出方均误差最小的数据融合值,并作为神经元融合系统训练样本,因而解决了多传感器测量系统数据级融合的标定问题。研究结果表明,融合数据在精度、容错性以及动态响应方面均优于单传感器测量。     

基于UKF联合IMM的目标跟踪技术研究

采用不敏卡尔曼滤波（UKF）联合交互多模型方法（IMM）,设计完成了多传感器信息融合算法,并在实验室条件下进行了仿真验证,结果证明,该滤波算法真实可靠,大大提高了融合精度。     

基于灰色神经网络的传感器分段标定

针对大量程高精度传感器不能一次完成标定实验的情况,提出一种将优化灰色GM(1,1)模型与BP神经网络相结合来预测分段标定过程中特征值缺失的方法,从而实现传感器的分段标定。首先,根据实验数据建立传统灰色GM(1,1)模型,对待标定传感器和标准传感器的测量值进行缺失数据的预测;然后,为弱化传统灰色GM(1,1)模型序列变化的幅度,提高模型的预测精度,利用中心逼近的思想对传统的GM（1,1）模型进行优化;最后,利用BP神经网络对优化的灰色GM(1,1)残差序列进行修正,以较高的精度实现对分段标定过程中缺失特征值的预测。结果表明,待标定传感器和标准传感器组合预测模型的平均残差分别为0.023%和0.401%,证明了组合预测模型的有效性。所提出方法为解决大量程高精度传感器分段标定时静态特性曲线的拟合提供了一种新思路。     

基于容积卡尔曼滤波的车辆行驶状态估计

目前针对车辆行驶状态的估计主要采用的是扩展卡尔曼滤波、无轨迹卡尔曼滤波、粒子滤波算法及其它们的改进方法。针对车辆行驶过程中的状态估计问题,论文提出了基于容积卡尔曼滤波的车辆行驶状态估计算法。建立了非线性三自由度车辆估算模型和Dugoff轮胎模型,通过对纵向加速度、侧向加速度、横摆角速度、方向盘转角和轮速传感器低成本传感器信号的信息融合实现对车辆行驶状态的准确估计,并应用Car Sim和Matlab/Simulink联合仿真实验对算法进行仿真验证。结果表明:基于容积卡尔曼滤波的估计算法能够较准确地、稳定地对车辆行驶状态进行估计。     

基于最优分组原则的多传感器分组加权融合算法

多传感器对某一状态进行测量时,将多传感器分组后进行加权融合处理,可实现对待测状态较为准确的估计,但多传感器的组合方式不同,估计效果的差异很大.本文针对分组融合算法中如何选择传感器的分组组合方式进行了研究,依据分组中传感器的个数和各组间传感器测量方差的大小关系,提出了使融合估计值最优的分组原则.并将这些原则加以数学抽象,从理论上证明了基于最优分组原则的分组融合算法的最小方差特性.最优分组原则为评价和选择传感器的分组组合方式提供了一个理论依据.实例分析表明:该分组原则极大地缩小了寻找最优分组组合方式的范围,有效地解决了在如何分组问题上的盲目性,从而使得多传感器测量时的在线优化分组得以实现.     

基于多基站IMMKF-DOA辅助车辆协同定位算法研究

针对传统卡尔曼滤波算法在进行车辆实时运动过程中难以精准定位问题,提出一种基于运动状态自适应的交互多模型卡尔曼滤波(Interacting multiple model Kalman filter,IMMKF)与多基站到达方向(Direction-of-arrival,DOA)相融合进行车辆位置实时估计算法。基于无偏估计器对测量噪声协方差进行实时更新并将其嵌入标准卡尔曼滤波算法中实现自适应交互多模型卡尔曼滤波。针对车辆不同运动状态及动态行驶环境对车辆定位估计精度的影响,构建自适应交互多模型卡尔曼滤波器与多基站信息融合算法进行车辆位置实时估计,考虑不同车速与不同基站数等行驶工况下车辆定位精度的变化趋势,实现车辆实时位置的准确估计。利用PreScan-Simulink联合仿真平台进行虚拟仿真验证和实车试验验证。结果表明,基于交互多模型卡尔曼滤波与到达方向角的融合算法相对标准的卡尔曼滤波估计精度高,较好地改善了传统单一模型的卡尔曼滤波算法在进行车辆实时运动状态估计过程中精准定位问题,实车试验验证了提出算法对车辆定位精度较传统卡尔曼滤波算法的精度提高了一个数量级,实现了更精确的车辆位置估计。     

基于多传感器的水下定位控制策略的研究

设计了一种基于多传感器的水下潜器定位系统.在系统中加入多个传感器对被控对象进行检测,采用多传感器数据自适应加权融合估计算法,将融合后的数据反馈到PID控制器输入端,从而避免了单传感器由于物理原因损坏或干扰噪声过大等因素造成的控制效果不佳等问题.     

基于多源数据融合的采煤机截割载荷预测方法

为解决单一传感信息对采煤机截割载荷预测精度低的问题,提高采煤机运行安全状态的感知能力,在应用深度信念网络（DBN）的基础上,引入贝叶斯正则化（BR）方法和粒子群优化（PSO）算法,提出了一种基于多传感器的采煤机滚筒载荷辨识与预测方法。构建BR-PSO-DBN预测模型,以惰轮轴传感器、连接架销轴传感器和摇臂应变传感器监测的22组测试数据为输入样本,预测滚筒截割三向载荷与扭矩。依托截割载荷实验系统进行现场测试,并将实测结果与预测结果进行对比分析,结果表明：实测曲线与预测曲线变化规律基本相同,峰值点相对应,模型对滚筒三向截割载荷的预测精度达到83%以上,其中对滚筒扭矩预测精度达到95%,说明预测模型具有较高的预测精度,能够为现场应用指导安全生产提供参考。     

汽车质心侧偏角估计的研究现状及发展

阐述了汽车质心侧偏角估计对于汽车稳定性控制的重要意义。从量测仪器、估计算法、物理模型、轮胎模型四个方面对国内外的质心侧偏角估计的研究进行了归纳、分析,重点列举比较了各类估计算法的优缺点,最后指出了建模的准确性、不同传感器信号的融合问题、传感器误差的处理、参数的自适应四个方面存在的问题以及发展趋势,并着重指出了参数自适应将是算法研究的重点。     

重型商用车辆质量估计算法研究

为精确估计重型卡车在预见性巡航控制过程中的质量,以车辆纵向动力学模型为基础,提出了车辆质量估计算法。利用卡尔曼滤波算法对发动机输出轴扭矩进行估计,并将其作为车辆质量估计算法的输入,基于递推最小二乘法对车辆质量进行了估计;对利用MATLAB/Simulink搭建的质量估计模型进行了C代码生成,并嵌入开发板中;最后对所提车辆质量估计算法进行了空载、1/3负载、满载实车道路试验。试验结果表明：所提算法在满载时的最大误差为8.87%,在1/3负载时的最大误差为7.43%,在空载时的最大误差为4.40%,能够满足车辆在预见性巡航控制过程中10%范围内的质量估计误差要求, 对车辆行驶的稳定性与安全性具有重要作用。     

基于递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的车辆状态估计

针对汽车状态估计中模型参数的变化和观测噪声的时变特性,提出了递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的汽车状态估计算法。为实现模型参数与观测噪声的实时更新,建立了基于三自由度非线性车辆动力学模型的算法,首先利用递推最小二乘法对汽车的总质量进行估计,其次建立了模糊控制器对扩展卡尔曼滤波的观测噪声进行实时跟踪。在搭建的CarSim与MATLAB/Simulink联合仿真平台中验证了该算法的有效性,结果表明该算法估计精度高于传统扩展卡尔曼滤波算法,研究结果为汽车的主动安全控制提供了理论支持。     

多传感器信息融合的移动机器人定位算法研究

为有效降低使用单一传感器进行移动机器人定位时的不确定误差,提高机器人定位与建图的准确性和鲁棒性,提出了一种多传感器信息融合的移动机器人定位算法。基于激光RBPF-SLAM算法实现机器人同时定位与路标地图构建,运用图优化理论约束优化蒙特卡洛定位的位姿估计结果;通过双目视觉重建环境的三维点特征,针对视觉信息处理计算量大、跟踪精度不高的问题,研究改进基于ORB的特征点提取与四边形闭环匹配算法;利用因子图模型对激光RBPF-SLAM定位和双目视觉定位进行最大后验概率准则下的信息融合。仿真和实验结果表明通过上述方法可以得到比传统RBPF-SLAM算法及一般改进算法更高的定位精度,验证了所提方法的有效性和实用性。     

Real-time accurate odometer velocity estimation aided by accelerometers

In strap-down gyro-compass in-motion alignment, the alignment accuracy depends not only on the quality of the gyroscopes and accelerometers, but also on the accuracy of the velocity provided by the aiding sensors such as odometers. To improve the accuracy of the in-motion alignment, real-time accurate odometer velocity estimation is required. In this paper, the effect of the noise of the odometer velocity on strap-down gyro-compass in-motion alignment accuracy is presented, based on the strap-down gyro-compass algorithm. A velocity tracking model is designed as the state model, to describe the relationship between and among the vehicle’s velocity, acceleration and jerk in the vehicle frame. Based on the velocity equation applied to strap-down navigation system mechanizations, the vehicle’s acceleration in the vehicle frame can be obtained from the specific forces measured by accelerometers. With the observations including the vehicle’s acceleration in the vehicle frame and the vehicle’s velocity in the vehicle frame obtained from the odometer using the first order difference algorithm, real-time velocity estimates are produced by a Kalman filter. The field test results show that the proposed method can successfully improve the accuracy of the odometer velocity. The comparison with the traditional method highlights the superior performance of the proposed method.