基于秩卡尔曼滤波的室内行人航位推算算法

针对采用卡尔曼滤波进行室内行人导航数据融合时精度较低的问题,在行人航位推算技术的基础上,提出了一种基于秩卡尔曼滤波(RKF)的行人航位推算导航(PDR)方法。RKF技术由于采用特殊的秩采样机理,可以很好地处理非高斯和非线性系统问题。通过将RKF技术和零速修正(ZUPT)技术相结合,对室内行人运动中测得的多传感器数据进行融合,实现更加精确的室内行人导航定位。首先,利用零速检测算法从MEMS传感器测量数据中分析得到零速信息;然后,利用得到的零速信息作为ZUPT和RKF算法的信息源参与融合解算得到最终的行人位置;最后实验结果表明,基于RKF的PDR算法相对于采用扩展卡尔曼的行人航位推算算法有一定的提高,使得室内行人导航定位误差减小了18.91%。     

基于因子图的 INS / UWB 室内行人紧组合定位技术

针对室内复杂应用场景下待定位行人接收到的超宽带(UWB)测距信息数量不确定问题,提出一种基于因子图的INS/UWB室内行人紧组合定位算法,实现对动态随遇接入与退出的UWB量测信息有效融合。首先,基于室内行人运动模型以及UWB量测模型构建INS/UWB紧组合因子图模型,由于对行人位置与速度同时进行建模估计,导致该因子图模型含有环结构。在此基础上,针对有环因子图模型基于和积算法(SPA)通过两次迭代推导因子图中各节点间消息传递算法,计算行人位置与速度的后验概率密度。进一步,针对特殊量测矢量条件下因子图算法定位误差跳变问题,提出一种基于坐标变换的因子图改进方法,从而有效提高行人位置与速度估计精度。仿真结果表明,本文提出的INS/UWB紧组合定位算法可以有效融合动态随遇接入与退出的UWB测距信息。在满足计算量与内存消耗需求的前提下,与变结构多模型扩展卡尔曼滤波(EKF)相比,本文提出算法的定位精度与速度估计精度可以分别提高14.94%与56.42%。     

基于反馈校正的WLAN与PDR融合定位方法研究*

在智能手机作为终端的室内定位系统中,基于WLAN的指纹定位和行人航位推算定位(PDR)是较为常用的方法。WLAN定位方式能够进行独立定位,但稳定性差;PDR定位短时间内稳定性好,但易产生累积误差且不能进行独立定位。针对上述问题,本文通过分析两种定位方式的误差特点,提出一种基于反馈校正的融合定位方法。该方法主要分为两个过程:基于自适应粒子分布的信息融合过程和基于融合信息的PDR自适应线性反馈校正过程。利用提出的融合方法,可以很好地解决一般融合方法所存在的定位结果稳定性差的问题。实验数据表明,本文提出的融合定位方法对最终的定位结果有较大的改善效果。     

融合 WiFi 与可穿戴惯导模块的室内定位方法

为解决基于智能手机的人员室内定位追踪易受手机姿态影响的问题,提出一种融合WiFi与可穿戴惯导模块的室内定位方法。通过固定在胸部的惯性测量单元实现行人航迹推算PDR)定位,消除手机姿态对PDR定位的影响,采用加权贝叶斯算法实现WiFi指纹定位,为PDR提供初始定位,同时基于无迹卡尔曼滤波融合WiFi定位结果与PDR定位结果,以减少PDR的累积定位误差。最后,在真实室内环境中进行大量实验,实验结果证明本文提出的加权贝叶斯WiFi定位算法相比于传统贝叶斯算法定位误差降低了51.9%,提出的融合WiFi与可穿戴惯导模块的定位方法具有更好的精度和稳定性,相比于纯PDR定位算法平均定位误差降低了65.2%,相比于完全利用手机实现的融合算法,在3种不同手机姿态下平均定位误差分别下降了12.3%、39.3%和48.4%。     

基于PDR和RSSI的室内定位算法研究

构建了基于无线传感网络的行人航迹推算(PDR)系统,通过RSSI定位为其提供绝对定位信息。在RSSI定位中,提出基于PDR方位信息的自适应Flip-Flop RSSI信息预处理机制和RSSI指纹信息融合动态路径衰减指数的定位算法,以改善RSSI定位算法的抗噪声干扰能力。在多信息融合粒子滤波环节中,针对传统算法中滤波精度与滤波实时性很难同时得到改善的问题,提出基于PDR信息与RSSI定位信息的动态区间粒子滤波算法,通过PDR方位信息自适应控制区间衍生粒子数量以提高滤波实时性,并将建筑地图信息、RSSI定位信息及其可信度因子融入粒子权值计算中以提高定位精度。经实验验证,提出的算法在RSSI定位抗噪声能力方面,以及融合定位精度和滤波实时性方面都取得了良好的效果,与传统算法相比最大定位误差由3.16 m降低到1.81 m,滤波时间也由7.21 s降至7.01 s。     

面向室内行人的Range-only UWB/INS紧组合导航方法

为了提高室内行人组合导航系统的精度和灵活性,提出了一种Range-only超宽带(UWB)/惯性导航系统(INS)紧组合导航方法。该方法将锚点的位置信息引入到系统状态变量中并通过数据融合滤波器进行预估,以克服传统UWB/INS紧组合导航模型中需要预先获取锚点位置信息的缺点,减少锚点位置信息精度对组合导航系统的影响。在此基础上,利用迭代扩展卡尔曼滤波(IEKF)来完成组合导航系统的数据融合滤波,以提高对目标行人导航信息的预估精度。实验结果显示,所提方法的平均绝对位置误差与传统UWB/INS紧组合方法相比降低了11.69%,算法对锚点位置信息的依赖程度也显著降低。     

基于级联滤波的建筑结构信息 / 惯导室内定位方法

针对以惯性传感器为核心的鞋绑式室内行人导航定位中位置及航向误差无法有效校正的问题,通过集成微机电惯性传感器和室内建筑结构信息,提出一种级联结构的卡尔曼粒子滤波的室内融合定位方法。首先在下级卡尔曼滤波采用零速更新初步修正惯性导航的解算误差;上级粒子滤波器利用室内建筑结构信息通过穿墙检测进一步校准行人位置和航向。实验结果表明,基于级联滤波的建筑结构信息/惯导室内行人导航算法可有效降低惯导误差的累积问题,纠正传统算法采用零速修正校正系统误差时,因为航向不可观测而导致行人轨迹"穿墙"现象,该方法可减小位置更新过程中的误差累计,其结果相比单一惯性行人定位结果的位置均方根误差由0.69 m降低到0.39 m,航向均方根误差由0.81°降低到0.72°。     

基于无线定位与激光传感器信息融合的叉车机器人智能跟随算法研究

实现自动跟随的主要方法或者采用激光传感器,或者采用无线基站定位(UWB)等技术。然而UWB技术的精度较差误差通常在10～50cm范围,而激光传感器容易在运动时受到行人较多的干扰,导致跟随不准确。针对这一问题,提出了一种新型的基于动态K-means聚类的激光无线数据融合方法,在实现唯一的行人定位跟踪的同时提高了跟随精度和效果。实验研究表明,该算法鲁棒性强,可实现唯一的行人跟踪,且跟踪精度小于5 cm。     

MIMU信号频谱分析及降噪方法

根据误差信号的频谱特性将MIMU(Micro Inertial Measurement Unit)误差信号分为长期误差和短期误差两类,分析了两类误差的来源和传统组合导航系统的降噪性能。利用Allan方差法对MIMU长期误差进行分析建模;针对短期误差的频谱特性,使用最优低通滤波器滤除高于运动特性频带上限的部分;通过小波阈值降噪方法减小混叠在运动特性频带中的短期误差。GPS/MIMU组合导航仿真结果表明, 经过MIMU信号预处理的组合系统,在GPS信号有效时定位误差减小了20%,而当GPS信号丢失时,累积误差降低了近80%。     

复杂坏境下基于SINS/UWB的容错组合定位技术研究

针对超宽带无线定位系统在复杂坏境中出现的定位数据丢失以及粗大误差等导致SINS/UWB组合系统定位精度下降的问题,提出了一种基于超宽带定位系统容错判断的组合定位方法。首先根据捷联惯导测量值进行基于中值滤波的运动载体静止状态检测,进而利用最小二乘法实现静止状态下捷联惯导量测偏差矫正;然后在建立SINS/UWB组合定位模型的基础上,引入决策树容错判断机制,对超宽带定位系统在复杂环境中由于信号干扰以及非视距导致的测量数据丢失以及粗大定位误差进行实时评估,进而应用卡尔曼滤波算法,实现容错组合定位系统的构建。在搭建的SINS/UWB组合定位实验平台中进行模型验证,结果表明容错组合定位系统能够有效检测出UWB定位系统出现的定位数据丢失以及粗大定位误差,并且在UWB粗大误差状态持续6 s的情况下,容错组合定位系统仍然能够保持较高的定位精度。     

MEMS陀螺零偏误差补偿方法研究

在高动态、恶劣温度环境下,MEMS陀螺仪零偏不仅受温度变化的影响,同时还受线、角运动等影响,其真实误差是所有因素耦合的结果。针对MEMS陀螺零偏温度和转速非线性耦合误差补偿问题,根据径向基(RBF)神经网络原理,提出了一种新的零偏误差补偿方法,并利用一种隐式结构MIMU对补偿效果进行比较,验证了采用RBF神经网络对低精度MEMS陀螺零偏误差补偿的有效性。     

偏振光传感器的无人船导航与编队应用

为了实现偏振光传感器在水面波动环境下及编队协同情境下的应用,并提升无人船导航的抗电磁干扰能力,设计了一种基于偏振光传感器、微惯性测量单元(MIMU)及全球定位系统(GPS)的组合导航系统,为偏振光传感器集成了云台底座,并搭建偏振光无人船平台进行了导航及编队实验。介绍了偏振光导航原理及无人船编队原理;基于卡尔曼滤波设计了偏振光传感器/MIMU/GPS组合导航算法;基于上述组合导航算法进行了无人船的循迹与编队实验。循迹对比实验结果表明:无人船利用偏振光传感器进行组合导航的航向角误差为6.055°,位置误差为0.209 m,在磁罗盘受干扰的情况下偏振光组合导航系统仍可正常工作;编队实验结果表明:领航船循迹误差为0.425 m,跟随船编队误差为0.707 m。该偏振光传感器可应用于水面环境导航,偏振光组合导航系统可用于无人船导航与编队。     

2-RPaRSS并联操作手运动副间隙误差分析及补偿

针对新型3T1R并联操作手2-RPaRSS存在运动副间隙引起的定位偏差,造成操作手的实际轨迹与理论轨迹不吻合的问题,提出了一种基于自适应混合粒子群优化(AHPSO）算法的轨迹修正方法。建立操作手包含的各类运动副误差模型,在模型中将间隙误差完全等效成杆长误差;根据逆运动学方程建立并联操作手2-RPaRSS的位姿误差模型,得到关于输入、输出的微分关系式,并引入驱动杆输入角补偿量;利用粒子群优化(PSO)算法对补偿量寻优,将间隙误差补偿问题转化为求适应度极小值问题;通过混合权值自适应调整、学习因子自适应调节、混沌扰动范围自适应调节策略改进了PSO算法,得到AHPSO算法。仿真结果表明AHPSO算法性能优良,具有更好的收敛性和稳定性,对并联操作手运动副间隙误差的补偿是一种有效方法,补偿后定位精度得到了明显改善。     

基于神经网络与自调节卡尔曼滤波的超宽带定位算法研究

提出了一种基于神经网络与自调节卡尔曼滤波的超宽带(UWB)定位算法，以改善目前某三线自动驾驶轨道交通系统车辆定位精度不够高的现状。使用UWB标签和基站采集大量标签与各个基站的距离信息及对应标签的实际位置训练神经网络。在实时定位阶段，标签与各个基站的距离信息经网络发送至集中控制中心的服务器，通过优化后的神经网络得出实时的UWB定位标签的位置，对实时得到的标签位置使用自调节卡尔曼滤波以进一步提高精度。根据实车运行情况设计了一组包含斜道、直道和弯道的UWB标签移动轨迹进行仿真，并搭建UWB定位系统，设计标签的行驶轨迹，对神经网络与自调节卡尔曼滤波结合的UWB定位算法进行实验验证。结果表明：神经网络与自调节卡尔曼滤波结合的定位算法最大定位误差为223.58 mm,平均定位误差为43.16 mm,定位误差均方根值为42.06 mm。提出的神经网络与自调节卡尔曼滤波结合的定位算法相较于三点定位算法、卡尔曼滤波算法和神经网络算法，具有精度高、实时性好及稳定性高的优点，能够满足目前该三线轨道交通的定位要求。     

基于超宽带位置指纹与惯导融合的室内定位技术研究

在室内定位环境复杂多变的情况下,超宽带(UWB)信号易受多径干扰和非视距环境影响,导致定位精度不高。鉴于指纹定位和惯导定位不受多径干扰和非视距环境影响,以及UWB信号具有时间分辨率高和测距精确的特点,以由非对称双边双向测距算法获得的UWB测距值为指纹库匹配数据,建立了结合K中心聚类和加权K近邻的UWB指纹定位算法;提出了利用扩展卡尔曼滤波将UWB指纹定位与惯导定位进行融合的融合定位算法。定位实验结果显示,该融合定位算法能将平均定位误差降至0.248 m,对有效提高室内定位系统的可靠性和定位精度具有重要作用。     

面向掘进机的超宽带位姿检测系统精度分析

为实现悬臂式掘进机的无人化作业,提出了一种基于超宽带(UWB)测距技术的位姿检测方法;通过分析悬臂式掘进机工况环境及局域定位技术原理,设计了UWB位姿检测系统,该系统利用4个搭载UWB模块的移动基站机器人对机身节点进行测距,经过解算测距信息得到掘进机位姿参数;并开展了狭长封闭巷道中的UWB测距精度验证实验,仿真分析了基于直接解析法和基于Caffery算法的系统位姿精度。研究表明UWB模块在狭长封闭巷道中的测距精度可达2 cm,系统三轴定位精度在10~95 m的狭长封闭空间中从4 mm~3 cm呈线性增加,系统航向角、俯仰角、横滚角精度从0.2°~1.5°呈线性增加,满足悬臂式掘进机位姿检测精度要求,为掘进机自主巡航的实现提供了基础。     

基于UWB的车库交互系统研究

为实现车库的高交互性能和准确定位,针对现有车库交互性能差、找车难、停车难且取车麻烦的问题,设计了基于UWB(超宽带)和多传感器数据融合的车库交互系统。实验证明,UWB定位系统自动生成的参考倒车路线与人工倒车路线基本吻合时能成功把车倒进空车位里,基于自适应滤波算法的UWB定位系统方案可行且定位准确。     

基于三分量地磁滤波技术的微型AHRS算法研究

针对常规的微型姿态参照系统(AHRS)算法存在过载干扰和滤波发散的问题,设计了一种基于三分量地磁滤波技术的微型AHRS算法。采用一种简化的Sage-Husa自适应滤波算法进行了AHRS的信息融合;采用姿态误差角和陀螺漂移作为状态变量,进行了自适应滤波的时间更新,采用三分量地磁矢量作为观测量,进行了自适应滤波的量测更新;最后,对该算法进行了半物理仿真实验。实验结果表明,该算法能够有效地减小高过载造成的姿态测量误差,在2 g线振动测试条件下,该算法的俯仰角和横滚角的测量精度优于0.75°,航向角精度优于1.87°;与常规的算法相比,系统的抗过载能力提高了近3.2倍。该算法测量精度高、抗过载性好,具有很强的自适应能力,尤其适用于低铁磁干扰、高过载的工作环境。     

基于改进亮度变化函数实现红外图像中行人跟踪

由于基于亮度变化函数(IVF)的跟踪算法能高效跟踪前视红外图像中刚性目标但无法满足行人跟踪鲁棒性要求,提出了一种新的基于多热点亮度变化函数的红外图像中行人跟踪算法。分析了分区域、多热点描述行人目标热信号的必要性,利用改进的亮度变化函数在帧间目标窗口内定位热点,建立目标窗口自适应更新机制解决尺度变化问题,最后基于热点的运动特征描述子剔除定位于背景的野值点。对复杂红外场景的跟踪实验结果表明,由于在原始算法的基础上省去了模板匹配步骤及缩小了搜索对象的矩阵维数,该算法获得了最优的实时性;且多热点机制使该算法的鲁棒性优于多种其他视觉跟踪算法,能够胜任存在遮挡、尺度变化、低对比度等干扰因素的前视红外图像中行人目标的跟踪。     

基于改进增量卡尔曼滤波算法的UWB室内定位研究

为解决室内环境下的非视距(NLOS)、多径传播以及欠观测条件下的量测系统误差给测距定位带来较大误差的问题,提出了改进增量卡尔曼滤波以消除定位误差的算法。该算法运用增量卡尔曼滤波对由超宽带(UWB)室内定位系统得到的距离值进行去噪,避免了受环境、测量设备等因素影响或者难以自校准由量测方程带来的系统误差而导致较大的卡尔曼滤波误差问题;然后运用经典Chan定位算法对目标标签实现定位获得定位结果。实验和仿真表明,与传统的小波去噪和卡尔曼滤波相比,该定位算法数据稳定性好,误差减小,显著提高了定位精度。