基于近场聚焦波束形成方法的声场定位研究

海洋环境中的声场定位,是水声学研究领域中的一个经典问题,尤其是用于海区警戒来监听敌方潜艇的近场定位问题.以往的近场定位研究,通常使用线列阵模型,利用常规聚焦波束形成方法进行定位处理,不仅出现了“左右舷模糊”问题,而且对信号定位不甚理想.为此提出基于半圆阵的四阶累积量MUSIC近场聚焦波束形成算法.通过仿真比较了多种聚焦波束形成在近场线列阵和圆阵条件下的定位性能,结果表明,半圆阵成功地解决了直线阵列出现的“左右舷模糊”问题,基于四阶累积量的MUSIC近场聚焦波束形成可以达到更为平滑的背景以及较小的旁瓣级,定位性能明显优于基于MVDR算法的聚焦波束形成高分辨率被动定位方法.     

无线网络通信中离群失联节点定位仿真分析

无线网络节点中的离群失联节点在进行通信时信号质量不稳定,需要对离群失联节点进行准确定位,以提高无线网络通信质量.离群失联节点的信号特征与正常节点的信号特征相比有很大差异,传统的定位方法,在进行定位时需要将离群失联节点的信息都传送到参考节点才能得到定位信息,对于参考节点的依赖程度较大,导致定位的准确度和速度都较低.提出一种概率离群失联节点定位方法.对节点之间的距离进行测量,测量结果符合高斯函数,能够利用概率密度函数来描述,通过求解概率密度最大值,能够实现离群失联节点定位,避免了传统定位方法的弊端.实验证明,利用改进的离群失联节点定位方法,能够快速准确的对离群失联节点进行定位,定位准确率较高.     

基于点线特征融合的视觉惯性SLAM算法

针对目前视觉SLAM方法鲁棒性差、耗时高,使系统定位不够精确的问题,提出了一种基于点线特征融合的视觉惯性SLAM算法。首先通过短线剔除和近似线段合并策略改进LSD（line segment detection）提取质量,以提高线特征检测的速率和准确度;然后在后端优化中有效融合了点、线和IMU数据,建立最小化目标函数进行优化,得到更精确的相机位姿;最后在EuRoC数据集和现实走廊场景进行了实验验证。实验表明,所提算法可以有效提升线特征提取的质量和速度,同时有效提高了SLAM系统的定位精度,获得更为丰富的点线结构地图。     

语义线特征辅助的动态SLAM

动态环境干扰是视觉同时定位与地图构建（simultaneous localization and mapping,SLAM）领域内一个亟待解决的问题,场景中的运动对象会严重影响系统定位精度。结合语义信息和几何约束更强的线特征辅助基于传统ORB特征的SLAM系统来解决动态SLAM问题。首先采用深度学习领域的优秀成果SOLOv2作为场景分割网络,并赋予线特征语义信息;完成物体跟踪和静态区域初始化后,使用mask金字塔提取并分类特征点;再使用极线约束完成动态物体上点线特征的剔除;最后融合静态点线特征完成位姿的精确估计。在TUM动态数据集上的实验表明,提出的系统比ORB-SLAM3的位姿估计精度提高了72.20％,比DynaSLAM提高了20.42％,即使与近年来同领域内的优秀成果相比也有较好的精度表现。     

基于CSI信号的被动式室内指纹定位算法研究

基于信道状态信息(CSI)的定位技术在室内场景应用中被广泛关注,为了提高WiFi信号多径效应对接收信号强度指示的室内定位精度和稳定性,提出一种基于CSI信号的被动式室内指纹定位算法。该算法在离线阶段将定位场所划分为同等大小的区域块,在各连接点位置使用方差补偿的自适应卡尔曼滤波（Kalman）算法对原始数据进行滤波。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。      

基于IMU与激光雷达紧耦合的混合匹配算法

针对线、面特征匹配的激光雷达测距与地图构建算法(Lightweight and Ground-Optimized Lidar Odometry And Mapping,LeGO-LOAM)在自动导引运输车(Automated Guided Vehicle,AGV)室内室外实时建图与定位时,易出现激光里程计累积误差大和旋转估计不准确等问题,本工作采用惯性测量单元(Inertial Measurement Unit,IMU)与激光雷达紧耦合的LeGO-LOAM算法,通过IMU为激光雷达提供的初始位姿信息,构建IMU与激光雷达联合误差函数,实现位姿共同迭代优化.其中,对于室外结构化信息较少时,在点对点的迭代最近点算法(Iterative Closest Point,ICP)较高定位精度的基础上,结合LeGO-LOAM算法和ICP算法互补性,进一步提出基于IMU与激光雷达紧耦合的混合匹配算法:当环境中结构信息较多时,激光里程计采用LeGO-LOAM算法,而当环境中结构化信息较少时采用ICP算法.实验结果表明,基于IMU与激光雷达紧耦合的混合匹配算法可有效降低激光里程计相对位姿误差和累积误差,提高AGV小车定位精度以消除部分地图重影.     

针对多目标的分布式多边融合定位

针对基于接收信号强度指数(Received Signal Strength Indicator,RSSI)的多目标定位问题,结合点估计与椭圆估计算法,提出一种新的分布式多边融合定位(Distributed Multi-lateral Fusion Localization,DMFL)算法.首先,通过多边定位算法进行粗定位,估计目标的大致位置.其次,基于区间分析理论在线获取泰勒展式高阶余项的边界,并通过集员递归算法求解多目标定位问题.最后,通过实验和仿真验证该算法的定位性能.结果表明,在相同的节点布置条件下,与最新的RSSI定位算法相比,该算法的定位精度更高,最大误差小于0.3 m,并可提供保证包含目标真实位置的最优区域.     

What localizes beneath: A metric multisensor localization and mapping system for autonomous underground mining vehicles

Robustly and accurately localizing vehicles in underground mines is particularly challenging due to the unavailability of GPS, variable and often poor lighting conditions, visual aliasing in long tunnels, and airborne dust and water. In this paper, we present a novel, infrastructure‐less, multisensor localization method for robust autonomous operation within underground mines. The proposed method integrates with existing mine site commissioning and operation procedures and includes both an offline map‐building process and an online localization algorithm. The approach combines the strengths of visual‐based place recognition, LIDAR‐based localization, and odometry in a particle filter fusion process. We provide an extensive experimental validation using new large data sets acquired in two operational Australian underground hard‐rock mines (including a 600m‐deep multilevel mine with approximately 33 km of mapping data and 7 km of vehicle localization) by actual mining vehicles during production operations. We demonstrate a significant increase in localization accuracy over prior state‐of‐the‐art SLAM research systems and real‐time operation, with processing times in the order of 10 Hz. We present results showing a mean error of 0.68 m from the Queensland Mine data set and 1.32 m from the New South Wales Mine data set and at least 86% reduction in error compared with prior state of the art. We also analyze the impact of the particle filter parameters with respect to localization accuracy. Together this study represents a new approach to positioning systems for currently deployed autonomous vehicles within underground mine environments.     

无人机自主目标识别与定位应用研究

面向无人机自主侦察任务中在线目标识别与定位需求,首先梳理了无人机侦察中目标识别领域的相关研究成果;然后,介绍了Faster RCNN目标识别算法的实现原理,并针对任务需求进行了改进;之后,介绍了图像拼接的相关算法并进一步提出了目标相对定位算法;最后,设计了完整的侦察试验流程对所设计自主目标识别与定位方法进行验证;结果表明,改进的目标检测网络能够达到83.3％的识别准确率和35帧/秒的识别速度,所提出的相对定位算法可以达到0.702 m的平均定位精度,能够满足侦察无人机在线目标识别与定位的任务需求.     

一种非视距环境下的目标定位算法

针对机器人、无人机和其他智能系统的位置信息,研究了非视距(non line of sight, NLOS)环境中基于到达时间(time of arrival,TOA)测距的目标定位问题。在建模过程中,通过引入平衡参数来抑制NLOS误差对定位精度的影响,并成功将定位问题的形式与一个广义信赖域子问题(generalized trust region subproblem,GTRS)框架进行耦合。与其他凸优化算法不同的是,本文没有联合估计目标节点的位置和平衡参数,而是采用了一种迭代求精的思想,算法可以用二分法高速有效地进行求解。 所提算法与已有的算法相比,不需要任何关于NLOS路径的信息。此外,与大多数现有算法不同,所提算法的计算复杂度低,能够满足实时定位的需求。仿真结果表明:该算法具有稳定的NLOS误差抑制能力,在定位性能和算法复杂度之间有着很好的权衡。