移动机器人视觉动态定位的稳健高斯混合模型

针对动态场景中运动路标点严重影响传统视觉自主定位算法精度,甚至产生定位失效的问题,提出一种顾及动态路标点的稳健高斯混合模型。在传统图优化视觉定位模型的基础上,增加“运动指数”描述图优化模型中路标点的运动概率,把传统图优化高斯模型增强为高斯混合模型,以约束运动路标点对图优化结果的影响;为增强模型对噪声的稳健性,采用方差膨胀模型约束残差方程;详细推导了该高斯混合模型的期望-最大化求解方法,把该问题转化为经典迭代最小二乘问题进行解算。仿真试验和真实数据试验表明：强动态场景中,提出的算法绝对精度指标和相对精度指标均优于传统优化算法;静态或弱动态场景中,提出的算法仍与传统优化算法定位性能相当。本文方法可有效减小场景中运动路标点对优化结果的影响,更适用于移动机器人的自主定位。     

基于图像语义分割的动态场景下的单目SLAM算法

在恢复场景信息和相机运动时，传统的SLAM算法是基于静态环境假设的。场景中的动态物体会降低算法的稳健性和最终的定位精度。本文提出将基于深度学习的图像语义分割技术与传统的视觉SLAM算法结合，以减少动态物体对定位结果的干扰。首先，构建有监督的卷积神经网络对输入图像中的动态物体进行分割，获得语义图像；然后，从原始图像中提取特征点，并根据语义图像剔除动态物体特征点，保留静态物体特征点；最后，利用静态物体特征点采用基于特征点的单目视觉SLAM算法对相机运动进行跟踪。在ApolloScape自动驾驶数据集上的试验表明，与传统方法相比，本文算法在动态场景中定位精度提升约17%。     

基于运动行人目标分割的高动态影像生成

提出一种基于深度学习目标分割的动态场景高动态范围渲染HDR(high dynamic range)影像生成方法,结合行人目标匹配与光流映射变化的信息对场景中行人目标运动状态进行判断,生成用于后期融合的动态场景掩膜。HDR静态场景使用加权融合的方法生成,HDR动态场景则使用低曝光影像中该区域曝光质量较好的一张填充,最后利用泊松融合算法平滑静态区域与动态区域之间的过渡部分,得到一张"无鬼影"、影像亮度均衡并且各处细节清晰的HDR影像。算法的创新点是基于目标分类,比传统的基于像素的算法更具有可控性。     

一种基于多尺度DoG滤波器的高动态范围的映射方法

提出了利用多尺度DoG滤波器模拟人眼视觉的边缘相阻机制,计算出人眼观察各像素的适应性亮度,并对图像各适应性亮度下的色度进行适应性调整;通过计算光感知细胞在各适应性亮度关系下的相对视觉感知信息,提出可保持视觉空间中各维颜色的相对视觉感知信息的映射算法,从而实现了基于多尺度DoG滤波器的高动态范围图像映射。该算法可以在保留高动态范围图像中场景的纹理细节和颜色的前提下,使高动态范围图像能真实地显示在动态范围较低的显示设备或纸张上。实验测试说明,该算法能够正确地再现高动态范围图像原有的场景信息。     

基于分形的三维动态自然场景仿真

文章在分形理论的基础上,利用Diamond-Square算法,实现了三维自然场景中地形、海面和云彩的动态仿真。既做到了对地形和波形总体轮廓的控制,又充分利用分形特性表现了地面、波面和云彩的丰富细节。并实现了波面和天空云彩的动态效果,增强了虚拟场景的动态真实感。与传统静态的方法相比,这种方法具有较高的真实性、多样性和实时性,可满足虚拟场景交互显示的需要。     

高动态宽带信号码跟踪方法仿真分析

针对高动态场景,单独的码环路很难实现跟踪,由于高动态载波跟踪的算法很成熟,通常应用载波跟踪结果对码环路进行辅助,针对窄体制信号,这种方法可以帮助消除码环的动态误差,但对宽体制信号来说,辅助力度减小。从高动态宽带信号码跟踪误差门限以及跟踪精度入手,分析了单独码跟踪算法的易失锁性,理论和仿真验证应用高动态载波跟踪结果辅助码跟踪算法的有效性,且具有高的跟踪精度。这为导航接收机的跟踪算法提供了理论依据。     

基于深度学习的室内动态场景下视觉SLAM技术研究

视觉同步定位与建图（visual simultaneous localization and mapping,VSLAM）技术是近年来机器人和计算机视觉领域的重点研究方向之一,但当前的主流算法主要面向静态环境,当场景中存在运动的物体时,算法的定位精度和稳定性会受到很大影响。为了解决上述问题,提出了一种惯性测量单元（inertialmeasurementunit,IMU）积分与YOLOv4语义分割结合的VSLAM前端动态特征点剔除算法,通过YOLOv4网络对图像进行语义分割,识别图像中有运动可能的物体;再将IMU积分与语义分割结合,对目标检测框内有运动可能的特征点进行重投影误差的解算,识别并剔除环境中运动的特征点。在TUM Visual-Inertial Dataset上验证该算法,结果表明,在包含运动物体的室内场景下,该算法可以有效剔除环境中的运动物体,显著提升SLAM系统的定位精度和稳定性。     

一种融合行人预测信息的局部路径规划算法

随着机器人技术的不断发展与实践,大量的服务机器人出现在商场、学校、医院以及餐厅等人流量较大的应用场景中。行人在接打电话或使用手机时,难以细致观察周围路况,易与运动中的机器人发生擦碰,因此高动态的工作环境对机器人运动规划提出了较高的要求。为了提高机器人在高动态复杂场景中的运动能力和智能化水平,提出了一种融合行人预测信息的局部路径规划算法。该算法以行人相对于机器人的位置和速度作为先验输入信息,创新性地提出了随机器人与行人速度动态变化的组合椭圆行人区域概念,通过对经典动态窗口法中的评分函数进行扩展,实现机器人对行人的智能避让,最大程度地降低因机器人移动对行人原始行动意图造成的干扰。实验证明,该算法可以有效降低机器人与行人发生擦碰的风险,能够在不干扰行人运动的情况下提前做出预判并实现智能绕行。     

GPS动态单频单历元定向算法及其数据分析

提出了一种动态准实时滤波算法，将基线长度作为一虚拟观测值与伪距相位观测值进行联合建模，以提高GPS动态单频单历元定向算法解算的成功率及正确率。利用LAMBDA方法初步求解整周模糊度的备选值，利用基线长度约束模糊度，计算得到单个历元的解；再根据载体的运动特性，采用一种动态适应滤波算法，剔除解算错误的值，并和解算错误或解算失败的历元进行插值和修正。对实测数据处理分析表明：该方法能够将基线约束算法的定向正确率提高5-10％左右，使其稳定性得到进一步提高。     

GPS动态定位中自适应卡尔曼滤波方法的应用研究

采用描述机动载体运动的“当前”统计模型,直接从GPS接收机输出的定位结果入手,建立一种GPS动态定位自适应卡尔曼滤波模型,提出一种改进的自适应滤波算法,对GPS动态定位数据进行滤波。实验结果表明该模型简单,实时性好,滤波后的定位精度得到了提高。     

不同场景下影像特征提取算法的适用性研究

近年来,随着摄影测量技术的不断发展,动态测量逐渐走入人们的视野.而动态测量对于特征提取而言,不仅意味着速度快,还需兼顾精度高.目前经典的特征提取算法在高速度与高精度之间并不能两全,就不同的场景,特征提取算法应有不一样的选择.本文通过比较SIFT、SURF、SIFTGPU与ORB四种算法,探讨不同场景特征匹配算法的选择参考.实验表明,SIFT算法最稳定,同时速度最慢,对平台要求最高.SIFTGPU有很棒的速度与较好的正确率,对多种场景的适应性良好.SURF速度较慢,但在特征缺乏的场景较为占优.ORB在特征丰富场景更具优势,要获得质量更高的特征点,需根据场景调整参数.     

航空测量场景下的中长基线动态定位方法

单基站中长基线动态相对定位受到大气残余误差影响，无法快速固定整周模糊度，定位精度和可靠性不如短基线场景。在航空测量场景下，流动站与基准站之间的基线由短到长变化，利用短基线场景下固定的整周模糊度反算得到高精度的电离层延迟量，并对其进行建模预报。随着基线变长，利用预报的电离层延迟约束中长基线定位模型，实现快速模糊度固定。本文分析了动态长基线情形下的电离层延迟的时变特性，采用滑动窗口进行电离层建模预报，讨论了该方法在航空测量实际作业中的实施条件、定位精度及模糊度固定情况。实测机载数据的解算结果表明，使用该方法，当测量载体出发阶段处于短基线场景下，单基站相对定位结果就可以达到接近100%的模糊度固定率，且定位精度保持在厘米级，显著减小了航空测量任务的作业成本。     

外速度参考条件下的惯导系统快速外阻尼算法

针对外速度参考条件下惯导系统振荡误差的快速抑制需求，提出了一种改变传统阻尼网络结构的系统误差快速阻尼方法。在传统的惯导系统内、外阻尼形式中，内阻尼算法容易受到载体加速度影响，外阻尼算法动态特性差。所提方法增加一条外速度为输入的前向通道，补偿载体加速度对阻尼系统误差的影响，同时改变传统阻尼网络结构形式，提高阻尼网络的动态特性。根据系统阻尼动态过程，进行快速阻尼网络参数设计，同时可以综合考虑动态过程与速度误差抑制两方面的影响，采用变参数实现快速阻尼算法。惯导系统阻尼算法仿真与试验结果表明，传统外阻尼算法的调节时间约为1 h，采用快速外阻尼算法的系统阻尼过程调节时间缩短为10 min。     

扩展卡尔曼滤波的安卓手机定位算法研究

随着手机定位的应用越来越多,目前市场中许多APP(Application)都会用到定位功能.但多数APP使用传统的定位算法,不能满足人们实时获取高精度地理位置信息的需求.现阶段对于手机的全球定位系统(GPS)芯片原始数据定位方法的研究较少,因此本文主要对利用手机GPS原始数据定位的可行性及定位算法进行了研究.利用Android 7.0系统提供的应用程序接口获取GPS芯片的原始数据参数,根据手机实用场景的速度特征,分别设计并实现了针对于静态场景的静态卡尔曼滤波和针对低速场景的动态卡尔曼滤波定位算法.通过静态实验以及电动车实验和步行实验的结果表明:与传统的定位算法相比,本文设计的静态卡尔曼滤波和动态卡尔曼滤波定位算法拥有更好的定位结果,更加接近实际行走路线,证明了利用手机GPS原始数据定位的可行性,同时也证明了设计的卡尔曼滤波算法可以提高定位精度,论文的研究结果为实现静态与动态的高精度手机定位算法提供了理论依据.     

基于BP神经网络的GPS导航算法

GPS导航解算中常用最小二乘算法。随着高动态用户需求精度的不断提高，且由于线性化忽略高次项，初始值精度低以及差分后剩余或放大误差的存在。导航解精度很难满足高动态用户的需求。为此，本文基于BP神经网络的非线性逼近性能。给出了基于BP神经网络的GPS导航算法。实测数据计算结果表明该算法能够真实地反映载体运动轨迹，其导航解的精度和可靠性有明显的提高。     

消费级惯性传感器动态系统误差分析与建模

针对传统的系统误差转台标定方法耗时耗力且受限于实验地点的问题,该文从载体运动特征的角度,使用高精度战术级惯性导航设备作为参考,采集车载动态数据,通过传统传感器信号误差模型对消费级低成本惯性导航设备在线标定后,对标定后的观测值残差分别与载体运动角速度、角加速度、角冲击(加速度导数)、线性加速度、线性加速度冲击进行相关性分...     

自适应渐消卡尔曼滤波及其在SINS初始对准中的应用

卡尔曼滤波常常被用于惯性导航系统初始对准算法,其使用前提是对系统状态进行建模,从而得到比较准确的系统噪声和观测噪声统计特性。在模型失配和观测噪声干扰的情况下,常规卡尔曼滤波会出现精度下降甚至发散,从而影响初始对准精度。针对这一问题,提出了一种新型渐消卡尔曼滤波算法,引入了多重渐消因子对预测误差协方差阵进行调整,设计了基于新息向量统计特性的滤波状态χ2检验条件,使渐消因子的引入时机更加合理,算法的自适应性得到增强。将改进的卡尔曼滤波算法应用到惯性导航系统的初始对准问题中,仿真试验和实测数据试验结果表明,与常规渐消因子滤波算法相比,新算法可以有效提高滤波精度及鲁棒性。     

附加约束条件对GNSS/INS组合导航结果的影响分析

针对车载全球导航卫星系统/惯性导航系统（global navigation satellite system/inertial navigation system,GNSS/INS）组合导航中卫星信号中断,惯性导航系统单独导航误差积累较大的问题,提出了附加载体运动条件约束的卡尔曼（Kalman）滤波解算方法。通过利用载体固有的运动约束,包括近似高程约束、近似速度约束和近似姿态约束,减少载体自由度和模型参数;通过引入新的观测类型,增加观测冗余,可以加强Kalman滤波解,提高在GNSS信号中断时组合导航系统的定位精度,实现无缝导航。     

HDR图像阶调复制的非线性蒙版改进算法

提出了一种新的高动态范围(high dynamic range,HDR)图像阶调复制算法。鉴于图像色貌模型在预测图像色貌方面的优势,基于最新的图像色貌模型iCAM06设计流程,对iCAM06的阶调压缩函数进行重要改进,使用基于改进非线性蒙版的阶调压缩函数取代其中的双曲线压缩函数,对基础层图像进行阶调压缩处理。另外,在HDR图像的显示过程中增加了亨特效应和史蒂文斯效应预测模型。最后,利用主观评价实验和DRI模型分别评价了新算法的显示偏好性和场景复制准确性。实验结果表明,无论在偏好性还是场景复制准确性上,新算法都取得了较好的效果。     

水下运载体重力辅助惯性导航系统仿真平台

重力辅助惯性导航系统(GAINS)是未来水下无源导航的重要形式之一.为了调试和验证这种新的水下导航系统,开发了水下运载体导航系统仿真平台.提出了仿真平台总体结构;描述了仿真平台中运动载体模块、惯导模块以及重力测量模块的数学模型和仿真算法;对重力匹配算法也作了相应介绍;最后对仿真平台进行了仿真联调.结果表明,该仿真平台的结构合理可靠,各子系统采用的数学模型和仿真算法正确可信.