简介：提出一种单目视觉里程计/捷联惯性组合导航定位算法。与视觉里程计估计相机姿态不同,惯导系统连续提供相机拍摄时刻对应的三维姿态,克服了单纯由视觉估计相机姿态精度低造成的长距离导航误差大的问题。通过配准和时间同步,用惯导系统解算的速度和视觉里程计计算的速度之差作为组合导航的观测量,采用Kalman滤波修正组合导航系统的误差,同时估计视觉里程计标度因数误差。分别在室内外不同环境下进行了22m的推车实验和1412m的跑车实验,定位误差分别为3.2%和4.0%。与Clark采用姿态传感器定期更新相机姿态估计结果的方法相比,单目视觉里程计/惯性组合导航定位精度更高,定位误差随距离增长率低,适合步行机器人或轮式移动机器人在复杂地形环境下车轮严重打滑时的自主定位导航。

简介：为适应自主驾驶车辆的高精度、高频率与高可靠性的导航要求，提出了一种机器视觉／数字地图／CP-DGPS共同辅助SINS的智能车辆组合导航方法，建立了组合导航系统的滤波模型。该滤波模型的量测信息不仅包括GPS与SINS形成的位置与姿态观测信息，还包括机器视觉／数字地图／SINS形成的横向偏差观测信息。通过对SINS的多重冗余辅助，使得导航系统具备容错能力。仿真结果表明，该组合导航系统能为智能车辆提供其空间位置、速度、加速度与姿态角等众多导航信息，并具有100Hz的高频输出、厘米级的导航精度和容错性能，当GPS较长时间中断时，通过SINS／视觉／数字地图的组合仍能为智能车辆提供可靠的导航数据。

简介：针对1点RANSAC（RandomSampleConsensus）单目视觉EKF（ExtendedKalmanFilter）算法中的滤波发散问题,分析了滤波发散的产生原因,提出了一种基于渐消记忆滤波的1点RANSAC单目视觉姿态估计算法。该算法通过在EKF滤波方程中引入加权因子,逐渐加大当前数据的权重,相应地减少旧数据的权重,有效地扼制了算法中的滤波发散问题。最后通过两组验证性实验验证说明了算法的有效性。实验结果表明：该算法能够有效地解决1点RANSAC单目视觉EKF算法中的滤波发散问题,具有更高的精度。第一组双轴联动实验,航向角的平均误差减小2.4158？,俯仰角平均误差减小0.1782？;第二组偏航轴大角度转动实验,摄像机航向角的估计误差一直保持在1.5？以内。

简介：－相关辨识法是利用相关函数的某些推导结果，从被测信号中提取某个指定周期信号幅值和相位信息的辨识方法。它类似于电子电路中的跟踪滤波器。在转台装配及使用过程中需要调节（减小）转动休的不平衡量，利用相关辨识原理可以准确地辨识转体不平衡量的大小及方向。这种方法可以应用在自动平衡系统中。

简介：为进行高超声速气动热数据相关性研究,选取了一平板-锥组合体模型为研究对象,开展不同缩比模型的风洞试验,分别使用3种不同方法进行气动热试验数据的相关性研究.研究结果表明,使用正激波后Reynolds数Rens和修正的黏性干扰系数V＊/Sw可以将不同缩比模型不同来流条件下的Stanton数进行较好的关联,Stanton数与正激波后Reynolds数Rens成反比例关系,与修正的黏性干扰系数V＊/Sw成正比例关系.最后基于相关性研究结论和理论分析,提出了一种模型表面传热现象的数学模型.

简介：陀螺的噪声是影响组合导航系统精度的重要因素之一。以农机多传感器组合导航系统为研究背景,在分析经验模态分解去噪和小波去噪的基础上,提出了一种基于自相关特性的经验模态分解去噪方法。该方法根据本证模态函数分量的自相关函数特性,提出了一种含噪本证模态函数筛选策略。该方法能够自适应地确定主要含噪的本证模态函数分量,避免了需要人为确定的不足;同时,结合改进小波阈值去噪的优势,避免了将混叠在噪声中的有效信号完全消除,使其具有一定的自适应性。为了验证方法的有效性,利用农机组合导航系统中微机械陀螺的实际输出数据,分别采用改进阈值小波去噪方法、经验模态分解去噪和改进的经验模态分解去噪方法进行了对比试验。结果表明,改进经验模态分解去噪方法的效果要优于前者,在一定程度上能够改善农机多传感器组合导航系统的定位精度。

简介：温度是IMU及其他导航器件等精密仪器中需要监测的重要参数,传统的温度监测一般使用热电偶或者数字温度传感器（如DS18B20）等,监测程序复杂,功耗高,因此使用精密仪器中广泛采用的FPGA芯片独立完成高集成度、低功耗温度监测具有重要意义.在FPGA中通过搭建环形振荡器产生了自激振荡信号,该信号周期与FPGA芯片温度具有正相关性,通过对振荡信号周期的检测完成了对温度的监测,设计了一种以FPGA芯片同时作为敏感头和处理模块的温度传感器.通过对XilinxVirtex-2系列FPGA芯片进行实验,得到该传感器在-40℃～＋60℃的范围内具有优于0.1℃的分辨率,优于0.5℃的检测精度,满足一般温度监测需要.实验表明该传感器具有功耗低、集成度高、可靠性好等优点.

简介：针对随机时滞和异步相关噪声情况下的状态估计问题,提出了一种改进的高斯滤波算法（GF）,并给出了其适用于高维系统的实现形式—随机时滞和异步相关容积卡尔曼滤波器（CKF-RDCN）。首先,通过满足Bernoulli分布的互不相关随机序列,来描述系统观测数据中可能存在的随机时滞现象,将量测噪声作为状态变量用以实现对观测时滞后验概率密度的估计。其次,利用一阶斯特林插值公式来近似估计,由于过程噪声和量测噪声异步相关,而导致的含有随机变量的多维积分问题。最后,依据三阶球径容积法则,给出了CKF-RDCN滤波算法的详细设计。此外,经典GF算法是所提出的改进GF算法的特例,其作为一个通用的非线性滤波算法框架,根据不同的后验概率密度估计方法,可以有不同的实现形式。仿真结果表明,相比于扩展卡尔曼滤波算法（EKF）以及容积卡尔曼滤波算法（CKF）,CKF-RDCN在解决含有观测时滞和相关噪声系统的状态估计问题时,具有更高的精度和更好的数值稳定性。