超宽带与激光雷达组合的室内定位方法

针对室内及室内外过渡区域,GNSS信号受到严重影响导致的定位精度下降甚至无法定位的问题,该文提出了一种新的多传感器组合的室内定位方法。充分利用超宽带(UWB)超高的时间分辨率、良好的抗多径能力和较强的穿透能力,以及激光雷达(LiDAR)所表现在构图与定位方面主动、高效、精确的特点。使得两个系统相互作用,在复杂的室内环境下能够获得厘米级的定位结果。基于室内环境下的实测实验结果表明:无论是在非视距环境下UWB定位能力受到严重影响,还是在LiDAR定位结果出现较大发散的情况下,基于EKF的UWB/LiDAR组合定位系统都能够稳定维持厘米级的定位精度,定位结果比较接近参考轨迹。本文提出的基于EKF的UWB/LiDAR组合定位模型,实现了复杂室内环境下的高精度定位。     

惯性导航EEMD区间阈值降噪方法

陀螺随机误差是影响惯性导航系统精度的主要因素。在经验模态分解（EMD）和阈值降噪的基础上,提出一种基于集合经验模态分解（EEMD）的区间阈值的陀螺信号降噪方法。该方法利用EEMD方法将陀螺信号分解多个本征模态函数（IMF）分量和1个残余分量,基于信号和IMF分量的概率密度函数的2范数距离方法剔除纯噪声IMF分量,利用改进的区间阈值降噪方法实现信号的降噪。仿真和实测试验表明,该方法不仅能有效抑制EMD中的模态混叠问题,而且能有效削弱陀螺的随机误差,从而提高惯性导航系统的精度和可靠性。     

噪声协方差自适应控制下的双天线GNSS/INS初始对准方法

为降低系统模型误差及观测模型误差的影响,结合噪声协方差自适应控制机制,对双天线GNSS/INS初始对准方法进行改进。利用噪声协方差自适应控制下的扩展卡尔曼滤波进行数据处理,包括系统噪声协方差控制及观测噪声协方差控制。试验结果表明,系统噪声协方差自适应控制机制可提高系统稳定性,降低滤波稳态值;观测噪声协方差自适应控制机制可降低观测噪声的影响,提高对准绝对精度。采用后处理的方式,利用基线长度偏差最小的基线结果辅助姿态解算,绝对精度进一步提高,对准绝对精度主要受观测值影响。利用本文方法,横滚角、俯仰角对准绝对精度可达0.02°,航向角对准绝对精度可达0.04°。     

NAS存储平台的安全性分析

1 引言 随着网络和各种存储设备发展,各种病毒传播的几率也大大的增加了.虽然可以通过安装防病毒软件和网络防火墙来保护系统,但是由于病毒技术的发展,甚至许多网页中都包含了很多恶意代码,如果用户的防范意识不强,即使安装了防病毒软件也很容易受到攻击.     

顾及ISB/IFB的多GNSS RTK/INS紧组合导航方法EI北大核心CSCD

为解决不同GNSS间信号差异引起的多GNSS RTK/INS紧组合导航应用中卫星系统间模糊度固定失败的问题,本文提出顾及ISB/IFB的多GNSS RTK/INS紧组合导航方法,以进一步发挥多GNSS在复杂环境下的互补性和灵活性。本文推导了顾及ISB/IFB的多GNSS RTK/INS紧组合导航观测方程,给出了综合利用抗差估计方法和粒子群优化的ISB/IFB参数估计方法。试验结果表明,顾及ISB/IFB参数可以在一定程度上提高卫星系统间模糊度固定成功率;结合抗差估计方法提高卡尔曼状态估计浮点解精度,可显著提高多GNSS RTK/INS紧组合导航系统在复杂环境下的系统间模糊度固定成功率与导航精度。     

非视距环境下基于PSO-SVM和RAIM的UWB定位方法

针对室内定位过程中超宽带(UWB)信号容易受到非视距(NLOS)环境的影响从而降低定位的精度和稳定性的问题，该文提出了基于粒子群优化支持向量机(PSO-SVM)和自主完好性监测(RAIM)的误差识别算法，通过粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化，将优化后的支持向量机模型用于UWB NLOS信号的识别，并利用自主完好性监测算法将异常的UWB测距值剔除。实验结果表明，该文算法能够对NLOS信号进行准确的识别，并有效提升了NLOS环境下UWB定位的精度及稳定性，平面定位误差可控制在0.26 m以内，东、北方向的均方根误差分别为0.09、0.11 m。     

惯性测量单元辅助的LiDAR动态点云剔除方法

针对动态场景下动态目标影响激光雷达同时定位与建图算法(LiDAR SLAM)的精度和成图效果问题，该文提出一种基于惯性测量单元(IMU)辅助的多层次模糊综合评价动态点云剔除方法。通过标定IMU/LiDAR外参统一两类传感器坐标系，再将每帧点云聚类分割为若干点云簇，以此为基础，利用IMU信息辅助建立相邻帧各点云簇间的配对关系，构建点云运动状态多层次模糊综合评价模型，判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除。为验证该文方法的可行性和精确性，设计了动态点云剔除实验，并将剔除动态点云后的点云数据输入激光雷达里程计与建图算法(LOAM)进行定位与建图。实验结果表明，该文方法动态点云的剔除成功率为98.67%,静态点云的误剔除率为2.01%,能够有效地提高点云数据质量。相比基于原始点云数据的LOAM算法，均方根误差降低了66.06%,最大误差降低了72.78%,实现了厘米级精度的定位，并且优化了建图效果。