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。     

基于非线性互补滤波算法的四旋翼飞行器姿态信息融合处理

针对四旋翼飞行器的MEMS惯性测量单元在姿态测量过程中存在着漂移和噪声误差等问题,在经典互补滤波融合算法的基础上提出了一种改进型的姿态融合处理算法,并搭建了以MPU6050为姿态测量单元的四旋翼飞行器硬件测试平台,分别在静态和动态环境下对惯性测量单元直接解算得到的姿态数据、传统互补滤波融合得到的姿态数据及改进后滤波算法融合得到的姿态信息进行对比.结果表明,改进后的姿态融合算法在静态环境和动态环境下都表现出了优于传统互补滤波的姿态融合处理效果.     

基于四元数与卡尔曼滤波的四旋翼飞行器姿态估计

设计了一款基于嵌入式处理器STM32的四旋翼飞行器,利用低成本传感器测量加速度和机体的角速率,提出一种结合算法,从而实现飞行器姿态的精确测量。采用四元数法描述飞行器的姿态,在测量过程中结合互补滤波算法进行测量数据的矫正;同时针对出现的随机噪声干扰,采用卡尔曼滤波算法,实现姿态的准确测量,最终在实际的飞行器平台上得到了验证。     

视觉与惯性传感器融合的隐式卡尔曼滤波位置估计算法

机器人对自身位置的实时感知在机器人技术中非常重要.本文主要研究机器人技术中一类基于视觉与惯性传感器的位置估计问题.与传统的状态估计问题不同的是,所研究位置估计问题为带有隐式观测方程的线性状态估计问题.为此提出一种能够解决此类估计问题的隐式卡尔曼滤波器,并给出了详细的滤波器设计过程.另外采用扩展变量法将加速度信息中的偏移量作为滤波器状态来估计,以补偿其对位置估计结果的影响.仿真结果显示,所给出的隐式卡尔曼滤波器收敛,加速度偏移带来的影响被有效的补偿.     

基于状态预测自适应一致滤波器的分布式估计融合算法

应用自适应滤波算法改进了基于一致滤波器的估计融合算法以加快节点估计的一致收敛速度,提出了一种基于状态预测的自适应一致滤波器．在此算法中,节点采用状态预测值作为自适应滤波器的参考信号,应用自适应算法修正一致滤波器的加权矩阵．仿真结果表明,本文提出的算法不仅能够加快节点估计的一致收敛速度,还能减小收敛过程中节点的估计误差．     

基于多传感器融合的双轮差速机器人定位研究

针对单一传感器有一定的误差与使用场景限制的问题,往往需要通过融合滤波技术对多传感器的测量信息进行优势互补。为改善由惯性姿态测量单元(Inertial measurement unit, IMU)与轮式里程计（Wheel Odometry）组成的航迹推算（Dead Reckoning, DR）长期使用时产生不可忽略的积分误差,以及全球定位系统（Global Positioning System, GPS）在遇到信号被遮挡或者干扰的情况下将无法正常工作等情况所引起的问题,本研究结合GPS、IMU、轮式里程计三种传感器对双轮差速机器人进行定位,以起到互补的作用,使其能够适应更加多样化的环境;同时,我们定时使用GPS模块对DR推算位置信息进行修正,并比较IMU互补滤波解算法与DMP解算法,选取效果更好的方案获取机器人欧拉角,最后使用扩展卡尔曼滤波(Extended Kalman Filtering, EKF)算法对传感器数据进行融合处理,得到机器人的最优定位。结果表明,在采用了多传感器融合的方案之后,机器人的定位精确度较之只有单一传感器的方案有了显著的提升。     

基于带输入估计变维滤波的多传感器信息融合

带输入估计变维滤波利用最小二乘法对系统未知输入进行估计,同时对机动运行开始时刻给出估计,从而有效地克服了输入估计算法和变维滤波各自在系统模型单一和机动运行开始时刻估计不精确方面的缺陷。考虑到多传感器信息融合系统可给出比单传感器更为精确的结果,基于带输入估计变维滤波,将系统状态融合和确定性输入融合相结合,提出了一种多传感器带输入估计变维滤波融合算法。系统仿真结果表明,该算法可以有效地提高估计精度,适用于机动目标跟踪。     

基于加速度传感器的人体前臂动作特征提取

针对人体前臂运动识别困难,识别率低的问题,且为了有效并快速提取人体上肢前臂的运动特征,设计了一种基于加速度传感器的人体前臂动作识别数据采集系统.首先利用加速度传感器来获取的加速度原始数据矩阵,然后通过互补滤波器对加速度原始数据矩阵进行滤波处理并消除重力场作用来获取运动特征矩阵.此系统实现了简单有效的加速度运动特征数据的拾取,为后续的人体前臂运动模式的识别提供了可靠的数据基础.     

基于加速度传感器的放置方式和位置无关运动识别

传统基于加速度传感器的运动识别方法通常假设传感设备是固定放置的,当传感设备的放置方式或位置偏离预定设置时识别性能会受到极大影响。然而,在普适计算环境下使用最为广泛的传感设备——智能手机,通常无法预先固定其放置方式和位置。为解决此问题,提出了一种基于加速度传感器、与放置方式和位置无关的运动识别方法。该方法首先基于一种降维算法将原始三维加速度信号处理成与放置方式无关的一维信号,然后借鉴生物信息学中的\"模体\"(Motif)概念抽取一维信号中与放置位置无关的模式特征,最后基于模式特征构建向量空间模型(VSM)对运动进行识别。实验结果表明,该方法在不固定传感设备放置方式和位置条件下的运动识别率达到81.41%。     

基于平均跳距估计和位置修正的DV-Hop定位算法

针对传统DV-Hop定位算法只考虑了最近一个锚节点估计的平均跳距,而导致定位误差较大这一问题,提出了一种基于平均跳距估计和位置修正的改进DV-Hop定位算法.改进算法在计算未知节点到各个锚节点距离时,考虑到离该未知节点最近的锚节点到其它锚节点的距离及跳数的不同,计算出不同的平均跳距,使其更接近于实际平均跳距,另外,改进算法还对初步定位结果进行了循环位置修正.仿真结果表明,与传统DV-Hop算法相比,改进算法在不需要增加节点的硬件开销的基础上能更有效地提高定位精度,并且算法简单,计算量小,是无线传感器网络中节点定位的一种实用方案.     

基于GPS和加速度计的车速测量系统的开发与研制

根据汽车道路试验的需要,设计研制了一种基于GPS和加速度计的车速采集装置.采用GPS与加速度计二者信号相结合的方式,并在上位机进行相应的数据融合,实现车速实时采集.整个系统具有性能稳定、成本低等优点,在试验和实际运行中均获得了理想的效果,极具应用价值.     

两轮自平衡车运动姿态的测量和控制

两轮自平衡车姿态测量与控制是两轮自平衡车设计的关键环节.针对两轮自平衡车倾角的测量问题,采用了卡尔曼多传感融合算法.该算法融合了加速度传感器和陀螺仪传感器数据,实现了两轮自平衡车倾角实时在线估算.根据测量得到的倾角和角速度,采用了比例微分(PD)控制算法,实现了两轮自平衡车姿态的稳定控制.     

基于互补滤波的输电导线舞动轨迹还原算法

方向余弦矩阵算法(DCM算法)是工业级MEMS惯性传感器姿态解算常用算法;但由于受到外部机械振动和电磁环境影响,MEMS陀螺仪输出数据的漂移较大,导致陀螺积分解算得出的姿态角误差会随着时间累积增长,因此常须结合DCM算法与GPS或磁罗盘对陀螺计算出的角度进行误差修正;然而电网的导线舞动监测仪是直接安装于高电压架空输电线路表面,仪器处于很强的工频电磁干扰环境中,GPS和磁罗盘传感器完全失效,所以若要实现实时准确输出高压导线的运动轨迹,有必要研究一种改进的DCM算法,即MEMS陀螺和加速度计的互补滤波算法;并且设计出高电压导线舞动轨迹适用的解算流程,最后在专用的舞动监测实验平台上验证此新型舞动监测仪样机的有效性。     

基于MEMS惯性传感器的机器人姿态检测系统的研究

提出了一种基于MEMS惯性传感器的机器人姿态检测系统,并对检测系统的原理,组成以及数据采集进行了研究.并对陀螺仪和加速度计的影响因素进行说明,利用硬件对采集的数据进行滤波处理.通过卡尔曼滤波方法实现数据融合,充分地利用惯性传感器的信息,从而有效地提高姿态检测系统的检测精度.仿真试验表明了卡尔曼滤波方法对于提高检测精度是切实有效的.在实际的试验中也取得了很好的效果,并应用于实际的机器人姿态检测.     

小型飞行器高度定位数据融合方法

给出了一种小型飞行器高度定位的数据融合方法。根据飞行器运动方程 ,推导出了高度和飞行状态之间的关系 ,并由所得的飞行状态 ,利用Kalman滤波方法得到高度估计。根据实测值、最优估计值和GPS高度测量值进行数据融合 ,进一步对高度传感器定位误差进行修正。仿真和数据回放结果表明使用此方法可以得到飞行器更准确的定位。     

捷联惯导互补滤波姿态融合算法设计

为了满足低成本、高性能的载体测姿需求,针对MEMS器件漂移导致载体姿态无法准确测量的问题,提出了一种基于方向余弦矩阵（DCM）更新的多轴显式互补滤波载体姿态估计算法。利用陀螺仪和辅助传感器的噪声所处频段互补的特点,运用互补滤波进行信息融合,发挥各个传感器的优点,提升系统的姿态测量精度。分别以三轴转台与实验车辆为验证平台,设计了静态与动态实验。实验结果表明,该姿态融合算法能够稳定输出高精度的姿态信息,抑制陀螺漂移导致的姿态发散,有效提高载体姿态的测量精度,满足捷联惯导系统的测姿需求。     

一种多滤波器组合导航数据融合方法

针对组合导航系统中使用单天线GPS接收机时导致姿态角不易收敛的问题,提出了一种互补滤波器和卡尔曼滤波器相结合的数据融合算法;该方法首先通过MEMS惯性传感器与磁强计设计了一种互补滤波算法;针对载体在变速运动过程中加速度计的倾角测量值有较大误差,影响互补滤波器输出精度的问题,通过GPS接收机和加速度计设计了卡尔曼滤波模型,将卡尔曼滤波器输出速度的微分量反馈给互补滤波器,实现了对互补滤波器中载体运动加速度的补偿;基于以上解算方法,以FPGA为核心处理器设计了组合导航系统并进行了车载实验;实验中,该方法有效补偿了汽车变速过程中的倾角测量误差,证明了该方法的有效性。     

通过互补滤波器来实现的传感器融合技术

该文在分析了Android设备相关传感器后,对其工作中会出现的问题提出了新的方案,并通过图表说明了其工作方式,提出了通过互补滤波器来实现传感器融合,只要对加速感应器和磁场感应器作类似低通滤波的处理,而对陀螺仪作类似高通滤波的处理,然后整合它们的结果数据,就可以得到相对精确的结果,且通过软件的形式来实现这一技术。     

单天线GPS/陀螺仪组合测姿方法研究

针对低成本惯性测量系统的精度容易受引擎震动、陀螺仪漂移的影响,提出了一种适用于活塞引擎的小型UAV姿态测量方法;此方法整合陀螺仪与单天线GPS进行姿态测量,采用以四元数为基础的扩展卡尔曼滤波(EKF)来进行传感器信息融合;利用陀螺仪测得的角速度更新四元数,使用GPS信息所计算的伪姿态来更新滤波器的测量值;仿真结果表明所提出的方法即使在陀螺仪漂移和伪姿态包含噪声的情况下,也拥有较好的长期和短期精度,提升了姿态测量的精度与可靠度。