RFID辅助INS/里程计的人员定位在数字矿山中的应用

井下人员定位是实现数字矿山的重要组成部分。INS/里程计组合系统用于井下定位已经无法满足高精度的需求,且两类传感器均存在累积误差,因此,提出一种利用射频识别(RFID)辅助的INS/里程计的人员定位算法。首先介绍了INS/里程计组合定位的系统状态模型和观测值模型,给出了RFID辅助模型的观测值,为提高传感器组合稳定性,引入联邦滤波器,给出基于RFID辅助INS/里程计的人员定位系统具体流程,最后进行模拟实验,验证了算法的有效性。结果表明,通过RFID提供的高精度位置观测值能有效提高INS/里程计井下人员定位效果,联邦滤波器提高了滤波的收敛速度和精度,平面精度提高了1/3左右,确保了井下人员长时间定位的精度要求。     

双目视觉辅助GNSS在恶劣环境下导航定位

视觉里程计能够在复杂环境下提供短时间的高精度导航定位,全球卫星导航系统（GNSS）具有全天候、全球性和误差不随时间积累的特性,但是在恶劣环境多路径效应下,GNSS定位精度会变差甚至不可用. 为了研究在复杂环境下视觉里程计辅助GNSS导航定位技术,首先介绍了视觉里程计的导航定位原理;然后在卡尔曼滤波器中将GNSS定位结果和视觉里程计定位结果进行了松组合处理;并利用视觉里程计定位结果和预测的视觉里程计误差实现了GNSS在恶劣环境下的导航定位. 基于KITTI数据集的模拟验证结果表明,设计的组合方案能够在恶劣环境下持续提供可靠的导航定位.      

视觉惯导紧耦合的行人室内自主定位方法

针对行人在大型复杂建筑环境中的高精度和高可靠性室内定位需求,传统的基于视觉点特征方法易受环境纹理缺失、相机快速运动导致图像模糊而定位失效问题,提出了一种基于视觉点线特征与IMU紧耦合的行人室内 自主定位方法.在视觉惯导融合导航系统框架下,前端部分,在点特征基础上引入结构化建筑环境中丰富的线特征,并采取基于梯度密度过滤机制的改进线特征提取策略,剔除局部线特征密集区域;利用点线特征与IMU紧耦合优化机制提高行人位姿估计及定位的准确性和稳定性.通过利用EuRoC数据集和在实际楼道场景下的实验,特别是在弱纹理、光照变化等条件下实验,验证了所提方法进行行人室内定位的准确性和可行性.     

基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法

基于单一传感器的同时定位与地图构建技术已经逐渐不能满足移动机器人、无人机及自动驾驶车辆等智能移动载体日益复杂的应用场景。为了进一步提升移动载体在复杂环境下的定位与建图性能,基于多传感器融合的SLAM技术成为目前研究的热点内容。本文提出了一种基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法(S-VIL SLAM),该方法在视觉惯性系统中引入激光雷达原始观测,基于滑动窗口实现了IMU量测、视觉特征及激光点云特征的多源数据联合非线性优化。利用视觉与激光雷达的互补特性设计了视觉增强的激光雷达闭环优化算法,进一步提升了多源融合SLAM系统的全局定位与建图精度。为了验证本文算法的性能,利用自主搭建的集成多传感器的硬件采集平台在室外场景下进行了车载试验。试验结果表明,本文提出的紧耦合双目视觉/惯性/激光雷达里程计相比于紧耦合双目视觉惯性里程计和激光雷达里程计定位定姿性能显著提升,视觉增强的激光雷达闭环优化算法能够在大尺度场景下有效探测出轨迹中的闭环信息,并实现高精度的全局位姿图优化,经过闭环优化的点云地图具有良好的分辨率和全局一致性。     

一种GNSS/视觉观测紧组合导航定位算法研究

全球卫星导航系统(GNSS)在弱信号环境下,GNSS信号易受到遮挡或者电磁干扰,严重影响导航定位的可靠性、连续性和精度.针对此问题,本文作者研究了一种GNSS和视觉观测紧组合导航定位方法.首先基于相机采集图像数据,利用ORB-SLAM2开源平台求解得到视觉位置结果增量,再联合GNSS伪距观测数据采用卡尔曼滤波(KF)进...     

基于Realsense传感器的机器人视觉里程计研究

基于RGB-D传感器能直接获取空间环境的深度信息和图像信息的能力,采用最新的RGB-D传感器(Realsense),实现了室内移动机器人的视觉里程计。首先利用张正友相机标定法对Realsense传感器的彩色摄像头进行标定;接着采用ORB算法实现图像特征点的匹配,并用PROSAC算法进行外点剔除;最后采用PnP算法实现相机姿态的估计,利用g2o库对相机的姿态进行光束法平差优化,并绘出相机的运动轨迹,实现了基于RGB-D传感器的机器人视觉里程计。实验结果显示该方法能快速、准确地估计视觉传感器的位姿信息,实现移动机器人的精准定位和导航。     

一种新型GNSS/IMU方式在无人机导航中的应用

GNSS/IMU组合导航一般采取基于欧拉角的组合方式。为了加快收敛速度,通常采用非线性滤波。但非线性滤波如EKF等仍然有一定的截断误差且计算量较大。采取基于DCM的组合导航方式,建立了基于DCM的GNSS/IMU的组合导航模型,并以基于DCM的卡尔曼滤波方式进行滤波解算。组合导航姿态收敛快,且计算量小。通过采用无人机实测数据进行分析,并与基于欧拉角的Kalman滤波组合导航算法进行比较,该方法有效缩短了计算时间,且精度较高。更适合无人机等高动态载体的实时导航需求。     

基于立体视觉的目标深度图提取算法研究

随着人类探测领域的扩大,智能移动平台已经在很多领域开始替代人类手工操作。为适应工作环境的复杂多变,使智能移动平台探测环境能更好地进行自主导航和避障,目标深度图的提取变得十分重要。本文为实现基于立体视觉的目标深度图的自动提取算法,讨论了工业相机的标定技术,重点研究了基于窗口的稀疏点特征匹配算法,通过实验,验证该算法能较好地实现立体视觉下的目标深度图自动提取,满足精度要求。     

基于视觉惯性SLAM的室内定位方法研究

针对纯视觉SLAM在光照变化明显、环境纹理较少及载体快速运动的室内场景中容易出现特征跟踪失败、定位精度下降等问题,本文提出了一种基于滑动窗口进行后端优化的视觉惯导紧耦合方法,融合了IMU信息以提高跟踪精度与系统的鲁棒性。该方法利用IMU预积分误差与单目视觉SLAM的重投影误差构建新的损失函数来进行状态估计,采用基于滑动窗口的非线性优化方法进行运动估计,实时恢复组合系统位姿。在实测数据集上的实验结果表明,本文方法在x轴方向上的均方根误差为0.124 m,y轴方向上的均方根误差为0.113 m,实现了厘米级精度的定位。     

异步联邦UKF的GNSS／SINS／摄影定位组合导航算法仿真

在飞行器进近过程中,为了提高组合系统的导航精度,针对传统联邦滤波器对非线性系统模型易导致滤波发散问题.分析了两种导航方式的优缺点,提出了基于卫星导航／惯性导航／摄影测量(GNSS／SINS／Photogrammetry)的组合导航联邦滤波算法,并推导了系统误差模型.该算法取长补短利用联邦无迹卡尔曼滤波器将GNSS定位和摄影定位、定姿精度高的优势对SINS进行在线误差估计.针对多传感器非等间隔数据采样问题,采用时间与量测更新分离的异步非等间隔联邦滤波算法进行信息融合,并对滤波器结构进行改进以减少算法复杂度.仿真实验证明基于联邦UKF的组合导航系统较传统联邦滤波算法位姿精度有明显的提高,且系统鲁棒性也有一定的增强.      

用于行星探测车定位的视觉测程新方法

用于行星探测车的视觉测程方法已经被广泛研究,但传统的视觉测程方法仅根据相邻的两帧影像进行运动估计,忽略了连续多帧影像间更强的几何约束。本文提出一种新的视觉测程方法,在连续多帧影像间进行特征追踪构成影像网,并用光束法平差进行运动估计。在特征追踪过程中,根据不同立体影像中欧氏距离的一致性剔除离群值,并自适应地选择几何关键帧。用蒙特卡罗方法分析了不同几何配置下视觉测程的精度。野外实验结果表明本文提出的新方法能有效提高探测车定位精度。     

一种双目直接法视觉里程计

视觉里程计是机器人确定自身在周围环境中位置的关键技术,具有测量漂移小、精确的特点,适合较长时间的自主定位。提出一种使用双目相机的直接法视觉里程计,使用双目影像对与时序影像对之间的光度误差联合优化关键帧的位置与姿态、相机内参数、地图点坐标,并在车载道路基准数据集KITTI上进行测试,获得了良好的效果。     

基于紧耦合的视觉惯性定位方法

惯性测量单元(IMU)受自身温度、零偏、振动等因素干扰,积分时位姿容易发散,并且机器人快速移动时,单目视觉定位精度较差,为此研究了一种基于紧耦合的视觉惯性即时定位与地图构建(SLAM)方法.首先研究了视觉里程计(VO)定位问题,为减少特征点的误匹配,采用基于快速特征点提取和描述的算法(ORB)特征点的提取方法.然后构建...     

Enhanced MEMS-IMU/odometer/GPS integration using mixture particle filter

Dead reckoning techniques such as inertial navigation and odometry are integrated with GPS to avoid interruption of navigation solutions due to lack of visible satellites. A common method to achieve a low-cost navigation solution for land vehicles is to use a MEMS-based inertial measurement unit (IMU) for integration with GPS. This integration is traditionally accomplished by means of a Kalman filter (KF). Due to the significant inherent errors of MEMS inertial sensors and their time-varying changes, which are difficult to model, severe position error growth happens during GPS outages. The positional accuracy provided by the KF is limited by its linearized models. A Particle filter (PF), being a nonlinear technique, can accommodate for arbitrary inertial sensor characteristics and motion dynamics. An enhanced version of the PF, called Mixture PF, is employed in this paper. It samples from both the prior importance density and the observation likelihood, leading to an improved performance. Furthermore, in order to enhance the performance of MEMS-based IMU/GPS integration during GPS outages, the use of pitch and roll calculated from the longitudinal and transversal accelerometers together with the odometer data as a measurement update is proposed in this paper. These updates aid the IMU and limit the positional error growth caused by two horizontal gyroscopes, which are a major source of error during GPS outages. The performance of the proposed method is examined on road trajectories, and results are compared to the three different KF-based solutions. The proposed Mixture PF with velocity, pitch, and roll updates outperformed all the other solutions and exhibited an average improvement of approximately 64% over KF with the same updates, about 85% over KF with velocity updates only, and around 95% over KF without any updates during GPS outages.     

结合扩展卡尔曼滤波与基于点线的最近点迭代扫描匹配算法的机器人位姿自适应估计

针对机器人利用单一位姿估计方法累积误差大、精度低的问题,本文提出了一种基于扩展卡尔曼滤波算法(EKF)和基于点线的最近点迭代扫描匹配算法(PL-ICP)的机器人位姿自适应估计方法。为了减少轮式里程计造成的累积误差,利用Mahony算法对陀螺仪和加速度计进行姿态解算,进而基于扩展卡尔曼滤波融合轮式里程计初步估计机器人位姿;为了减少轮子变形、打滑等对机器人位姿的影响,利用PL-ICP点云匹配算法构建单线激光里程计,对机器人位姿再次进行估计;为了提高位姿估计的准确度,提出了一种基于两种位姿总均方差和前后时刻位姿误差构建累积误差的自适应修正算法,通过分析两种位姿总均方差及前后时刻位姿误差,得到全局最优权重因子和局部动态权重因子,实现累积误差修正因子的自适应调整,得到机器人更精确的位姿估计。试验结果表明,该方法可对机器人的位姿累积误差进行修正,显著提高机器人的位姿估计精度。     

Image-aided platform orientation determination with a GNSS/low-cost IMU system using robust-adaptive Kalman filter

The availability of miniaturized sensors with enhanced capabilities, new methods for image processing, and easy access to small and low-weight airborne platforms for data acquisition, including unmanned vehicles, opens new possibilities for geodetic navigation applications and developing new developments in sensor fusion. In this context, the development of efficient methods, based on low-cost sensors, to extract precise georeferenced information from digital cameras is of utmost interest. We present a method to improve the performance of the integration of GNSS/low-cost IMU by exploiting the orientation changes retrieved from digital images. In this work, a robust-adaptive Kalman filter is also introduced to further improve the performance of the method deployed. The adaptive factor and the robust factor accomplished are determined by innovation information and the threshold value of orientation changes between consecutive images. Results from airborne tests used to assess the performance of the method are presented. The results show that using a non-metric camera, the Euler angle estimation accuracy of the GNSS/low-cost IMU integration can be improved to be close to 0.5 degree and an additional improvement, which can reach 59%, can be achieved after using the robust-adaptive Kalman filter.     

自适应联邦滤波器在GPS-INS-Odometer组合导航的应用

针对多传感器观测信息较多、计算效率较低、对动力学模型误差稳键性不佳的问题,提出了一种自适应联邦滤波器并应用于GPS-INS-Odometer组合导航。首先介绍GPS-INS-Odometer组合导航的动力学模型和观测模型,比较分析了信息分配因子和自适应因子的共同特性,论证了联邦滤波器和自适应滤波器的等价性及其等价成立条件,提出了自适应联邦滤波器的信息分配因子构造方法。最后利用实测数据验证了算法的有效性。结果表明,相比于基于GPS和Odometer(里程计)初始方差构造信息分配因子的联邦滤波器,本文提出的自适应联邦滤波器兼容了联邦滤波器高效计算效率,且具有较好的抵抗动力学模型误差效果,能够有效削弱多传感器动力学模型误差对于导航解算的影响,对直接可测参数和间接可测参数的精度提高均起到了积极的作用。     

相对定向的机载惯性测量装置视准轴误差求解方法

利用航摄像片存在的相对几何位置关系,将机载IMU视准轴误差引入立体像对相对定向模型中,提出了一种基于相对定向的机载IMU视准轴误差求解新方法。详细推导了基于单个立体模型和连续立体模型求解IMU视准轴误差的数学模型,并用三组带有IMU设备获取的实际航空影像数据进行了试验验证。结果表明,所推导的机载IMU视准轴误差求解方法是正确、可行的,利用三张以上相邻像片构成的连续立体模型即可求解出IMU的视准轴误差,避免了野外布设检校场和其他地面控制条件带来的诸多问题,有利于带机载IMU的航空遥感快速对地目标定位。