工业机器人运动学参数标定精度分析与改进

为了提高工业机器人运动学参数标定的精度,分析了影响标定结果的误差源,并提出了一种基于抗差岭估计的参数辨识算法。在机器人误差模型建立过程中,针对基坐标系拟合具有一定误差的特点,首先建立了机器人的误差模型;然后分析了误差方程中系数阵存在的病态性问题,以及多因素导致的末端观测值存在的粗差现象;最后基于抗差岭估计的最小二乘法对运动学参数进行了解算。实验表明,机器人经标定补偿后,绝对定位的RMS误差由补偿前的0.83 mm降低为0.42 mm;平均误差由补偿前的0.75 mm降低到0.37 mm。从而证明了该方法的有效性。     

改进粒子滤波器的室内地磁匹配精度研究

针对粒子滤波算法在室内地磁分布的连续性变化中会发生滤波发散,加之算法中重采样步骤使该现象恶化,直接导致室内定位过程中目标丢失的问题。该文受Hausdorff距离度量法中点集匹配思想的启发,提出了一种利用初定位误差作为最大粒子匹配距离的约束思想,通过缩小匹配空间的区域范围的方法来解决传统算法的发散问题。最后实验表明,此方法解决了粒子滤波器在地磁匹配中出现的滤波发散现象,同时使得定位结果更加快速收敛。     

机载北斗差分定位系统的测量船应用

针对测量船测控设备传统精度检测方法的局限性,该文提出了使用搭载北斗差分定位系统的无人机检测测控设备测量精度的方案。在充分分析北斗系统应用于精度检测可行性的基础上,研制了一套适用于码头和海上的无人机差分定位系统,并通过该系统的单站静态和双站动态差分实验,验证了基于北斗系统的无人机精度检测系统的性能与精度指标。最后通过测控设备跟踪测量无人机实验,检测了标校经纬仪和脉冲雷达设备的测距、测角精度。     

基于错误式学习的低空影像人行横道多角度自动识别

提出了一种基于特征的错误式学习分类器半自动迭代训练方法,该分类器能够自动识别多角度低空影像上的人行横道线,在人行横道线管控与数据库建立、道路网提取上有较好的应用。介绍了基于错误式学习的分类器训练思路与方法,并提出了将同一地区不同角度低空影像的识别结果进行合并,从而尽可能全面的检测出被城区高楼以及车辆遮挡的人行横道线的思路。通过对比实验该方法的鲁棒性,并在其基础上随机选取多组数据进行系列实验,证实了基于错误式学习的分类器比传统方式训练的分类器有更好的综合性能,能够在不降低识别耗时的前提下产生高准确率、低漏检率和低误识别率的识别结果。     

基于航迹线追踪的TERPM定位算法

针对TERCOM（terrain contour matching）算法定位精度对航向误差敏感和算法普适性差等不足,提出了一种基于航迹线追踪的TERPM（terrain profile matching locating algorithm）定位算法。利用INS（inertial navigation system）提供的速度和航向信息对UV（underwater vehicles）的航迹进行追踪,在遍历基准地形时考虑航向误差对数据选取的影响,组合最优匹配的判别方法,提高定位算法的抗噪性。实验结果表明:TERPM定位算法适用于机动UV的精确定位且定位精度对航向误差不敏感;与已有的TERCOM改进算法相比,新算法具有更高的定位精度和更好的抗噪性能。     

一种彩色栅格地图注记识别方法

栅格地图中的注记包含了丰富的地理位置信息,传统的栅格地图注记识别方法在识别过程中将注记和其对应的地理要素相分离,因此难以处理倾斜注记和弯曲注记。以连通域单元为基本处理对象,提出了一种基于几何特征的彩色栅格地图注记识别方法。首先利用连通域单元的方向、尺寸、密度、邻域四个特征提取注记像素集合,然后通过地理要素中心线对非水平注记进行方向确定,最后对注记进行聚类和重新排列,完成注记识别。通过对GoogleMap（谷歌地图）瓦片中的注记进行提取和识别实验,证明了该方法的合理性和有效性。     

基于多普勒测速的GPS单历元动态定位算法

在传统的GPS单历元动态定位参数估计中,由于先验约束信息较少,模糊度求解和定位性能往往较低。据此,研究了多普勒测速在GPS单历元动态定位中的应用,提出了一种附有GPS多普勒测速信息约束的坐标更新方法,即利用移动载体先验坐标和多普勒测速信息预测当前历元坐标。考虑到该方法进行坐标更新的精度较高和传统单点定位坐标更新的稳健性较强等特点,在此基础上给出了相应的单历元整周模糊度参数求解策略,进一步提高了该方法的定位性能。试验结果表明,所提出的算法相对于传统的无速度信息坐标约束的GPS单历元动态定位算法,其模糊度浮点解精度、模糊度固定率和平均定位精度均有了进一步提高,尤其是在观测卫星数较少、卫星几何结构较差的情况下更为明显。     

轨迹数据的时间采样间隔对停留识别和出行网络构建的影响

个体轨迹数据已经广泛用于人群活动的研究中。在静止的局部空间开展的活动是个体日常生活的基本元素,在轨迹数据中对应停留部分。因此学者常从轨迹数据中识别停留来研究个体活动信息。然而,轨迹数据的时间采样间隔会对停留识别带来影响。针对该问题,首先提出了一个框架,量化不同持续时间长度的活动在不同时间采样间隔的轨迹数据中被识别为停留的概率。其次,考虑到个体出行网络依赖于停留识别结果,基于该框架,研究分析了时间采样间隔对出行网络分析结果的影响。最后,利用该框架分别对深圳市居民出行调查数据和手机轨迹数据进行了分析。研究表明,在面向人群活动的研究和应用中,该框架能支持时间采样间隔的选择决策和面向活动类型的研究结果评价。     

基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例

滑坡是仅次于地震、发生最频繁、造成损失最严重的一种地质灾害,中国西部山区则是世界上滑坡灾害分布最密集的地区之一。广域范围内滑坡灾害隐患的早期识别是地质灾害防治工作中的一项关键任务,基于星载合成孔径雷达重复轨道观测的时间序列雷达干涉测量（interferometric synthetic aperture radar,InSAR）技术在此领域具有巨大的应用潜力,但以永久散射体干涉测量为代表的传统时序InSAR方法在西部山区应用中往往受到植被覆盖等不利因素的影响,滑坡探测识别的可靠性较差。针对这一问题,以大渡河上游丹巴县为例,采用自主研发的相干散射体时序InSAR（coherent scatterer InSAR,CSI）方法,从历史存档的ALOS PALSAR和ENVISAT ASAR数据集中成功识别出了17处持续变形中的不稳定坡体,通过与外部观测数据比对和实地调查核实等手段验证了CSI方法探测结果的有效性和优势,并探讨了影响时序InSAR方法滑坡监测应用效果的主要因素及未来的优先研究方向。     

基于机器人的室内指纹地图更新

为满足大室内空间高精度指纹定位的需求,需采集大量的室内指纹地图数据,但传统室内指纹采集方法人工作业反复,费时费力;同时指纹地图还需频繁更新以保证更好的现势性从而得到更高的定位精度,更增加了在大室内空间中实现高精度指纹定位的难度。针对室内定位中的指纹地图采集提出了一种基于机器人的扫描采集更新方法。该方法不仅能大量节省人力成本,而且能高效地得到更丰富、更准确的指纹点信息以组成高质量的指纹地图,从而提高室内指纹定位的精度。