基于AFKF的多传感器加权融合算法

为实现对被测物体在匀速、匀加速以及变加速运动状态下的动态位置进行精确测量,提出一种基于自适应渐消卡尔曼滤波的多传感器加权融合算法,将各子传感器测量数据进行自适应渐消卡尔曼滤波,并由获得的均方误差阵实时为位置测量的估计值自适应分配权重,最终进行加权融合。通过算法的实例应用验证,与传统的MSIF-SKF算法相比,该算法具有更高的动态位置检测精度。     

基于自适应ORB算法的视觉惯导融合SLAM系统

结合视觉与IMU信息在SLAM系统中的互补性,提出了一种融合自适应ORB算法的视觉惯性SLAM系统,以提高基于视觉与惯性融合的SLAM系统在高速及光线变化场景下的精度与鲁棒性。在ORB特征点提取时采用图像金字塔结构,对图像金字塔的每一层采用自适应网格划分策略;每一层图像金字塔完成ORB特征点提取后,使用基于追踪次数的密集分布关键点剔除的策略,避免局部特征点分布过于密集;结合自适应ORB算法与Lucas Kanade光流法建立帧间的联系,增加SLAM系统定位精度与鲁棒性。实验结果表明,基于自适应ORB算法的视觉惯导融合SLAM系统相较于VINS-Mono在开源数据集EuRoC中有更好的表现,定位精度平均提升了31.28%。     

基于CEH~∞ F的移动机器人SLAM算法研究

针对移动机器人同时定位与地图创建(SLAM)面对噪声干扰时估计精度低、鲁棒性差的缺点,提出一种基于容积扩展H∞滤波(CEH∞F)的SLAM算法。首先,通过线性误差传播特性将容积变换嵌入到扩展H∞滤波框架中,利用得到的CEH∞F计算SLAM条件转移概率密度,避免雅克比矩阵的计算和线性化误差积累的同时增强了算法的鲁棒性;另外,在每次迭代中更新调节因子γ,将噪声干扰到估计误差最大能量增益控制在较小范围内,进一步增强算法鲁棒性。实验部分将所提算法与扩展卡尔曼滤波SLAM(EKF-SLAM)、无迹卡尔曼滤波SLAM(UKF-SLAM)、容积卡尔曼滤波SLAM(CKF-SLAM)在不同噪声环境下进行了对比。结果表明,CEH∞F-SLAM算法具有良好的稳定性与精度,是一种有效的SLAM算法。     

低成本惯导系统预处理和姿态解算

针对低成本惯性传感器系统中由于系统误差、环境干扰等因素造成的姿态计算数据精度低、易发散等问题,设计了一种加速度计和陀螺仪的误差预处理模型,并使用扩展卡尔曼滤波实现其过程。然后基于扩展卡尔曼滤波算法构建两级噪声方差阵和引入渐消记忆因子的自适应扩展卡尔曼滤波算法,实现姿态角的融合过程。最后采用四元数更新算法求解姿态角。实验结果表明:通过自适应扩展卡尔曼滤波算法使姿态解算精度进一步提高。     

基于MSIF-AFKF算法的大直径回转体动态位置检测方法

大直径回转体类零件动态位置变量不易准确测得或测量成本较高,而动态位置的准确获取对关键回转体类零件运动控制有着重要的意义.提出一种大直径回转体动态位置实时检测新方法,该方法针对回转体匀速、匀加速及变加速的不同转动状态,在传统融合算法的基础上引入自适应渐消因子,建立多传感器自适应渐消Kalman滤波融合(Multisensor information fusion based on adaptive fading Kalman filter,MSIF-AFKF)算法,融合多组光栅传感器信息,对回转体不同转动状态的位置参数进行联合估计.仿真表明,与基于传统融合算法的检测方法相比,基于MSIF-AFKF算法的检测方法具有更高精度的动态位置输出,将该方法应用于某型卧式铆接设备的床头床尾空心轴转角定位系统中,并进行试验验证,其结果与模拟仿真结果一致.     

用概率假设密度滤波实现同步定位与地图创建

针对杂波环境中传统同步定位与地图创建(SLAM)算法无法有效表达传感器多种信息以及容易发生错误数据关联的问题,提出一种基于概率假设密度滤波的SLAM算法。该算法将每一时刻传感器的观测信息和环境地图表示为随机有限集,建立联合目标状态变量;通过概率假设密度(PHD)滤波对机器人位姿和环境地图状态进行同时估计,并利用粒子滤波实现PHD滤波。在进行目标状态提取时,为避免聚类算法引入的误差,对粒子集进行时滞输出。提出的SLAM算法能准确表达观测的不确定性、漏检以及杂波引起的虚警等多种传感器信息,且避免了数据关联过程,使系统状态估计更接近真实值。仿真实验结果表明:与传统SLAM算法相比,新算法的机器人定位及环境构图精度提高了50%以上,为杂波环境下SLAM问题的研究提供了新的途径。     

车辆质心侧偏角容积卡尔曼滤波软测量方法

准确可靠的车辆行驶状态信息对于车辆路径跟踪和稳定性控制都十分重要。针对车辆质心侧偏角软测量问题,提出了一种基于自适应容积卡尔曼滤波（Adaptive Cubature Kalman Filter,ACKF）的车辆质心侧偏角耦合估计方法。建立了三自由度车辆动力学模型、轮胎模型和轮速耦合模型,基于ACKF设计了智能车行驶状态估计方法,其中在ACKF中设计了含自适应渐消矩阵的滤波增益,用来提高估计结果对于测量噪声的自适应性。此外,将轮速耦合关系应用到ACKF的测量更新中,利用传感器测量信息的冗余度提高估计结果的精度与可靠性。进行了基于CarSim/Simulink联合仿真模型的仿真试验,结果表明,所提出的估计方法在实际应用中整体估计精度相比EKF分别提升了9.83%和7.12%。     

基于NACKF的分布式驱动电动汽车轮胎侧向力与质心侧偏角估计

针对传统容积卡尔曼滤波算法在进行车辆关键状态估计时要求噪声统计特性已知的问题,提出一种噪声自适应容积卡尔曼滤波（Noise adaptive cubature Kalman filter, NACKF）算法来进行车辆关键状态的估计。基于次优无偏极大后验估计器对量测噪声协方差进行实时更新并将其嵌入到标准容积卡尔曼算法中实现自适应容积卡尔曼滤波。针对车辆不同子系统间耦合特性对滤波精度的影响,构建双重自适应容积卡尔曼滤波器分别进行侧向力与质心侧偏角的估计,两者在估计过程中互为输入构成闭环反馈,利用分布式模块化结构弱化系统耦合特性对估计精度的影响,实现轮胎侧向力与质心侧偏角的实时准确估计。利用Simulink-Carsim联合仿真平台进行仿真验证和实车试验验证。结果表明,基于双重自适应容积卡尔曼滤波的估计算法相对标准容积卡尔曼滤波估计精度更高,较好地改善了传统容积卡尔曼滤波器在噪声先验统计特性未知条件下非线性滤波精度下降的问题。     

基于ORB关键帧匹配算法的机器人SLAM实现

针对复杂环境下机器人的同时定位与地图构建(SLAM)存在实时性与鲁棒性下降等问题,将一种基于ORB特征点的关键帧闭环检测匹配算法应用到定位与地图构建中。研究并分析了特征点提取与描述符建立、帧间配准、位姿变换估计以及闭环检测对SLAM系统的影响,建立了关键帧闭环匹配算法和SLAM实时性与鲁棒性之间的关系,提出了一种基于ORB关键帧匹配算法的SLAM方法。运用改进ORB算法加快了图像特征点提取与描述符建立速度;结合相机模型与深度信息,可将二维特征图像转换为三维彩色点云;通过随机采样一致性(RANSAC)与最近迭代点(ICP)相结合的改进RANSAC-ICP算法,实现了机器人在初始配准不确定条件下的位姿估计;使用Key Frame的词袋闭环检测算法,减少了地图的冗余结构,生成了具有一致性的地图;通过特征点匹配速度与绝对轨迹误差的均方根值对SLAM系统的实时性与鲁棒性进行了评价。基于标准测试集数据集的实验结果表明,ORB关键帧匹配算法能够有效提高SLAM系统建图速度与稳定性。     

基于多基站IMMKF-DOA辅助车辆协同定位算法研究

针对传统卡尔曼滤波算法在进行车辆实时运动过程中难以精准定位问题,提出一种基于运动状态自适应的交互多模型卡尔曼滤波(Interacting multiple model Kalman filter,IMMKF)与多基站到达方向(Direction-of-arrival,DOA)相融合进行车辆位置实时估计算法。基于无偏估计器对测量噪声协方差进行实时更新并将其嵌入标准卡尔曼滤波算法中实现自适应交互多模型卡尔曼滤波。针对车辆不同运动状态及动态行驶环境对车辆定位估计精度的影响,构建自适应交互多模型卡尔曼滤波器与多基站信息融合算法进行车辆位置实时估计,考虑不同车速与不同基站数等行驶工况下车辆定位精度的变化趋势,实现车辆实时位置的准确估计。利用PreScan-Simulink联合仿真平台进行虚拟仿真验证和实车试验验证。结果表明,基于交互多模型卡尔曼滤波与到达方向角的融合算法相对标准的卡尔曼滤波估计精度高,较好地改善了传统单一模型的卡尔曼滤波算法在进行车辆实时运动状态估计过程中精准定位问题,实车试验验证了提出算法对车辆定位精度较传统卡尔曼滤波算法的精度提高了一个数量级,实现了更精确的车辆位置估计。