基于MIMU车轮力传感器姿态解耦方法研究

为了克服编码器在车轮力姿态解耦中的局限性,设计了一种基于MIMU车轮力传感器姿态解耦方法。首先介绍了该方法的基本框架,并建立了坐标系和描述了姿态角。随后提出了一种梯度下降算法用于解算车轮的姿态,该算法能有效地结合加速度计和磁力计对MIMU中陀螺仪的输出进行补偿,使解算结果更加准确。最后的实验表明该解耦方法结果良好,为车轮力传感器姿态解耦提供理论基础。     

基于姿态测量模块和闭环检测算法的仿生SLAM研究

基于传感器模型的SLAM导航策略精度较高,但由于摩擦等因素误差长时间累计会造成里程计的漂移现象.依靠视觉里程计进行导航的RatSLAM系统,通过在局部场景细胞中引入闭环检测策略实现累计误差的校正,在静态环境下具有一定的鲁棒性,但在复杂场景里,如移动障碍物的出现,视觉里程计会提取到错误的速度等姿态信息,导致航迹出现较大偏移,有时无法通过场景重定位进行闭环校正.结合两种模型的优势提出一种带姿态测量模块和闭环检测算法的仿生SLAM模型.实验表明,相较于仅带带闭环检测的RatSLAM系统或仅由姿态测量模块构成的导航系统,本文提出的新系统更能适应长期复杂场景下的导航,且鲁棒性更强.     

一种融合DGSOM神经网络的仿生算法研究

基于生理学和脑科学研究成果提出的SOM神经网络仿生优化方法能够通过学习自主绘制出拓扑地图,但需通过大量的尝试确定其初始网络结构,无法保证系统的实时性。提出一种方向信息和特征信息构建的动态增长自组织特征网DGSOM,通过引入方向参数减少网络的训练次数,降低了系统复杂度,通过引入特征参数避免了感知混淆,并将该神经网络模型应用于澳大利亚Milford等提出的RatSLAM模型中。实验表明,提出的DGSOM-RatSLAM模型通过减少视觉细胞的数量降低系统的复杂度;通过视觉细胞的场景匹配实验和位姿细胞的活性状态实验证明该模型能够更快地实现闭环检测,提出的DGSOM-RatSLAM模型的准确率、召回率及F₁值分别为94.74%、86.88%和90.64%,高斯噪声干扰下Gauss-DGSOM-RatSLAM模型的准确率、召回率及F₁值分别为86.70%、80.25%、83.35%。