基于交互多模型距离平滑的UWB/IMU因子图组合导航方法

为了解决全球导航卫星系统（GNSS）拒止条件下车辆定位困难问题,提出了一种基于交互多模型距离平滑的超宽带/惯性测量单元（UWB/IMU）因子图组合导航方法。首先,针对超宽带信号由于反射或折射导致的非视距问题,分别建立视距与非视距情况下超宽带基站与标签间距离的因子图模型,并利用交互式多模型算法进行原始距离的平滑;然后,对惯性导航系统、交互式多模型处理的超宽带距离信息等测量量进行建模,构建基于因子图的信息融合框架,并根据非线性优化理论与增量平滑算法实现变量节点的递推与更新。最后,采用因子图方法对融合数据进行处理,实现车辆多传感器高精度组合导航。实际测试结果表明,相比基于卡尔曼滤波的多传感器融合方法,所提出的基于交互多模型距离平滑的惯性/超宽带的因子图定位方法在非视距情况下位置估计精度（RMS）提高40%以上。     

单目视觉里程计/惯性组合导航算法

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22 m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.     

基于改进图像增强的低照度场景视觉惯性定位方法

为提升视觉惯性导航系统在低照度场景下的定位精度，提出一种结合图像增强技术的视觉惯性定位方法。根据不同曝光图像的直方图确定相机响应模型，通过曲线拟合确定模型参数。利用非线性优化得到低照度图像的照明图以及曝光率矩阵，根据相机响应模型对低照度图像进行预处理。使用光流法进行特征追踪，将视觉误差、IMU误差以及先验误差作为约束，构建紧耦合优化模型，从而实现更精确的位姿估计。最后使用车载设备采集的真实数据对所提方法进行了评估，实验结果表明：所提方法能有效提升视觉惯性导航系统在低照度场景下的定位精度，相比于无图像增强的方法，定位精度提高了25.59%；相比于改进前的图像增强方法，定位精度提高了6.38%。     

复杂环境下基于自适应极线约束的AGV视觉SLAM算法

针对传统视觉同步定位与地图构建（SLAM）算法不能有效处理复杂环境中的动态及潜在动态目标而影响定位与建图性能的问题,提出一种基于Mask R-CNN神经网络以及ORB-SLAM3算法改进的视觉SLAM方法。针对动态目标,提出一种基于语义信息的运动一致性检验算法,使用自适应阈值的极线约束方法实现图像中动态特征点的精确剔除;针对潜在动态目标,提出一种改进的长期数据关联方法,通过增大关键帧选取密度及优化关键帧中的潜在动态目标信息,对算法的回环优化和地图融合过程进行改进,提高回环优化效果与地图复用性。在TUM数据集和真实场景中进行验证,实验结果表明与ORB-SLAM3算法相比,采用TUM数据集在低动态场景和高动态场景中的绝对轨迹均方根误差分别减小8.5%和65.6%;在真实场景下测试,所提算法的定位精度提高了62.5%。     

面向城市复杂环境的GNSS/INS高精度图优化算法

在城市复杂环境下，GNSS接收机易受到建筑物遮挡、多路径效应等多种因素影响，导致信号出现粗差或者拒止情况，从而对GNSS/INS组合导航系统的精度和鲁棒性造成影响。提出了一种具备粗差在线检测的GNSS/INS图优化组合导航算法，提高城市环境条件下的组合导航系统性能。基于信息之间存在关联性的特点，设计了一种卫星信号滑窗粗差检测与拟合替换算法，抑制卫星粗差影响；构建了GNSS位置、速度因子和改进的IMU预积分因子，实现了组合导航信息非线性优化。仿真和车载数据试验表明，针对卫星信号中存在粗差的情况，所提算法的定位精度相比扩展卡尔曼滤波和传统图优化算法提升90%以上，可以辅助导航系统获得较好的状态估计效果；针对GNSS拒止的情况，该算法的位置定位精度相比扩展卡尔曼滤波算法提升30%以上。     

基于非线性优化的单目视觉/惯性组合导航算法

针对自主移动机器人在GPS拒止环境下准确实时定位的问题,提出一种单目视觉/惯性组合导航算法。为解决视觉/惯导工作频率不一致问题,利用预积分技术预先处理惯性测量值;引入了一种快速高精度线性初始化方法,分步估计初始系统尺度、重力方向、速度及零偏;结合全局地图三维点约束削弱累积误差,基于是否更新地图点,构建了两种基于非线性优化的单目视觉/惯性紧耦合模型,以保证导航的局部精度及全局一致性。实验结果表明:初始化方法可快速(15 s内)实现高精度状态初始化;与单目视觉导航算法相比,提出的算法不仅可获取绝对尺度信息,且导航精度更高;与传统滑动窗口非线性优化方法相比,提出的算法在窗口优化过程中加入全局地图三维点约束,可有效削弱累积误差,验证了算法的正确性和可行性。     

基于交互式多模型MSCKF的双目视觉/惯性里程计算法

针对复杂环境中双目视觉/惯性里程计系统模型不固定和量测噪声易发生变化的问题,提出了基于滤波器估计的紧耦合视觉惯性里程计(VIO)信息融合方法。将交互式多模型(IMM)估计与多状态约束卡尔曼滤波(MSCKF)算法相结合提出一种交互式多模型多状态约束卡尔曼滤波(IMM-MSCKF)算法。该算法以MSCKF为模型匹配子滤波器,将各子滤波器的输入、输出进行交互融合,实现对VIO系统状态估计。通过KITTI数据集对IMM-MSCKF算法进行了仿真验证,该算法姿态和水平位置估计均方根误差分别为0.36°和11.62 m,相比于EKF和MSCKF算法,其姿态估计精度分别提升了56%和41%,其水平位置估计精度分别提升了51%和81%,仿真结果表明该算法具有更好的估计精度和鲁棒性。     

联合Huber核函数与可切换约束算法改进的视觉惯性SLAM方法

针对目前VINS-Fusion双目视觉及惯性同步定位与建图（SLAM）在后端优化时存在误匹配而导致系统定位精度低、鲁棒性差的问题,提出了一种联合Huber核函数与可切换约束算法改进的双目视觉及惯性SLAM方法。在VINS-Fusion双目视觉与惯性SLAM框架的基础上,利用Huber核函数的权值重新构建并求解状态优化中IMU残差的代价函数,降低优化中过大的误差项;同时使用可切换约束算法控制环路闭合因子实现动态协方差矩阵的缩放,剔除闭环检测的异常值实现准确的后端收敛。利用不同场景的公开数据集EuRoc中进行了对比验证实验,结果表明联合改进方法的和方差降低了2.416 m,系统精度和鲁棒性都有所提高;同时在实际场景中的实验也验证了改进方法的可行性。     

基于磁航向约束的视觉惯性定位算法

针对视觉惯性导航系统绝对航向信息缺失导致精度下降的问题,提出了一种基于磁航向约束的视觉惯性定位算法。首先,建立了视觉/惯性/地磁导航系统模型,并对惯性数据采用预积分进行处理,降低状态更新时系统计算负担,提高实时性;其次,在视觉惯性数据对齐后,引入地磁观测数据作为约束,获取真实航向信息,完成系统初始化;最后,构建目标函数,通过非线性优化实现视觉、惯性和地磁数据融合。通过搭建车载实验平台,在室外环境下对所提出算法进行了验证,实验结果表明,相比于VINS-mono,引入磁约束后,视觉惯性导航系统的平均定位均方根误差减小了约25%。     

动态场景下基于双重特征约束的视觉惯性SLAM算法

针对传统视觉惯性算法在动态物场景下特征误匹配造成轨迹精度低的问题，提出一种动态场景下平面约束和双重特征误匹配剔除的改进视觉惯性SLAM算法。首先，采用改进Plane-Recover算法分割动态场景中静态平面区域，构建损失函数优化静态平面区域分割效果。其次，采用双重特征误匹配判断方法,通过平面约束策略得到正确面特征匹配，同时利用RANSAC与三焦张量算法结合的策略，提高点特征匹配准确度。在真实场景下进行验证，实验结果表明所提算法与VINS-mono算法相比轨迹精度平均提高20.82%，验证了所提算法可有效提升动态场景下的轨迹精度。     

室内环境下基于图优化的UWB定位方法

针对室内三维环境中对定位结果准确性的要求,提出了一种基于图优化的室内超宽带(UWB)定位算法。首先,利用最小二乘法对UWB技术测量的距离进行解算,得到第一次定位初值。然后,将第一次定位初值代入泰勒级数展开算法,得到更可靠的第二次定位初值。最后,建立包括定位残差和位移残差两项的目标函数,通过基于图优化的算法,得到目标函数的最小值,计算出优化之后的最终定位结果。通过样机实验验证定位精度,实验结果表明平均水平定位误差小于10 cm,同时平均高度定位误差也比相同实验条件下使用Chan算法和改进的卡尔曼滤波方法分别低了77%和61%。     

一种高精度自主式组合导航系统滤波算法

提出了一种融合捷联惯导、轮式里程计和气压高度计数据的高精度车载自主导航滤波算法。首先,采用滤波鲁棒性更好的状态变换卡尔曼滤波器(ST-EKF)替代传统的扩展卡尔曼滤波器(EKF),对INS/轮式里程计信息进行组合滤波。其次,针对车载惯性/里程计组合导航系统中高程定位误差易发散的问题,引入气压高度计的量测信息对系统的高程通道进行阻尼,提高高程定位精度。两组长行驶里程的高精度光纤陀螺惯性测量单元/轮式里程计/气压高度计的车载导航实验数据的事后处理表明,所提出算法在不同的行驶环境下均具有较高的导航定位精度,相比基于EKF的惯性/里程计组合导航算法,水平定位精度提高20%以上,并且有效减缓了高程定位误差的发散趋势。     

室内动态场景下基于深度相机的VSLAM方法

针对室内动态场景下的视觉同步定位与地图构建（VSLAM）问题，提出了一种基于YOLACT实例分割融合光流约束的视觉同步定位与地图构建方法，以降低运动物体对VSLAM系统性能影响。该系统通过自适应阈值的方法提取到均匀分布的ORB特征点，然后利用YOLACT实例分割网络获取动态对象的掩膜，同时使用改进的光流约束对动态点进行检测。将动态点与动态对象掩膜进行匹配之后可以删除动态物体的特征点，之后使用剩余的静态特征点完成相机的位姿估计。最后使用静态区域的图像信息生成点云图，并通过滤波器对点云图进一步优化，同时引用八叉树存储点云，建立八叉树地图。在TUM数据集室内动态场景和真实室内动态场景下进行测试，相较于ORB-SLAM3算法，所提VSLAM算法在低动态场景中的定位精度有10%以上的提升，在高动态场景中对比DS-SLAM算法，也有5%左右的定位精度提升，验证了所提方法在室内动态场景下的可行性和有效性。     

基于垂直约束的深海拖曳系统USBL/DVL组合导航算法

为提高深海水下拖曳系统的定位精度,分析了深海拖曳系统压力传感器与超短基线定位系统(USBL)以及多普勒计程仪的耦合原理,给出了基于垂直约束下的USBL定位的基本原理及拖曳体直线运动状态下的开窗平滑算法。采用非线性的无迹卡尔曼滤波模型对超短基线定位、多普勒测速、深度、斜距、姿态及角速率信息进行融合。针对声学数据常见的粗差观测,结合自适应抗差滤波算法,提出基于垂直约束的自适应抗差卡尔曼滤波算法。最后仿真和实测实验证明在5000 m水深条件下,在航行方向上位置精度较传统滤波算法提高了近2 m。基于垂直约束自适应抗差无迹卡尔曼滤波算法可充分利用高精度观测信息,提高深海拖曳系统的定位精度和容错性。     

基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法

针对在卫星信号拒止、视觉系统退化场景中无人机MEMS-IMU零偏无法准确估计并补偿导致导航误差迅速发散的问题,提出一种基于改进长短时记忆（LSTM）网络的零偏在线标定方法。首先,为解决MEMS-IMU零偏数据非线性强、传统循环时间网络训练效果差的问题,设计序列到序列的LSTM神经网络结构,引入教师强迫机制,提高了网络特征学习能力。然后,在导航过程中使用训练后的网络对MEMS-IMU零偏在线标定,补偿后的IMU量测与视觉信息联合优化,保证了导航定位精度。实验结果表明,在纯惯性导航实验中,所提方法的绝对位置误差比传统LSTM方法减小了6.5%;在EUROC数据集下进行的视觉惯性组合导航实验中,所提方法的平均绝对位置误差比传统LSTM方法减小了15%。     

一种基于M估计的抗差自适应多模型组合导航算法

针对复杂环境下因量测噪声统计特性时变及量测粗差而引起的组合导航精度下降的问题,提出了一种基于M估计的抗差自适应多模型组合导航算法。所提算法突破了传统交互式多模型算法定结构的限制,凭借所提出的模型集自适应调整策略,能够快速估计量测噪声统计特性,并利用模型概率信息对模型转移概率矩阵进行实时修正;引入了基于M估计的抗差Kalman滤波算法,以提高滤波抗差能力。以SINS/DVL组合导航系统为例,通过仿真和长江试验对所提算法进行了验证,结果表明所提算法有效降低了量测噪声统计特性时变及量测粗差对滤波精度的影响。在长江试验中,所提算法相比AIMM算法,东、北向速度误差和位置误差的均方根误差分别下降了44%、36%和41%、53%,水平定位精度提升了约45.9%,定位精度提升显著。     

基于微惯性/偏振视觉的组合定向方法

本文针对目前偏振视觉定向难以满足三维空间内运动水平姿态变化时的定向需求、动态适应性差以及微惯性系统漂移大的问题,提出了一种基于微惯性/偏振视觉的组合定向方法。首先,为了减少偏振测量噪声,利用标准大气Rayleigh散射模型,给出了一种基于大气偏振视觉图像的太阳矢量优化估计算法;其次推导了基于卡尔曼滤波的微惯性/偏振视觉组合定向算法,该算法利用微惯性信息对偏振视觉定向进行水平角补偿,可以获得三维空间内的运动姿态并且动态性能高;最后进行了飞行仿真与车载实验验证。实验结果表明,融合微惯性信息补偿水平姿态与组合滤波后,车载航向误差不随时间累积且均方根误差仅为0.75°,与偏振视觉定向相比,定向精度提升可达60%以上。同时在不增加偏振图像计算量的基础上,将定向输出频率从1 Hz提高至100 Hz,显著增强了偏振视觉定向的动态适应性,具有较大的应用前景。     

基于分布式协同导航的行人三维惯性SLAM方法

针对仅依赖惯性传感器数据进行零速修正的行人航位推算方法导致室内行人协同导航定位累计误差较大的问题,提出了一种三维环境下的分布式行人协同惯性SLAM方法。在行人间初始相对位姿未知的情况下,通过蓝牙检测相遇,使用基于奇异值分解的最小二乘方法求解行人间位姿的刚性变换;然后构建基于三维占用栅格的惯性SLAM地图,通过优化联合后验概率分布获得行人位姿与地图的最优估计,减小系统的累计误差;同时构建了一个分布式协同SLAM框架,使得每个行人的定位系统都能够独立运行。实验结果表明,所提出的算法能有效提升三维惯性行人协同导航系统的定位精度,在大约2000?m2、总长2000?m的多楼层双人协同实验中,算法的平均定位误差为1.22?m,与传统零速修正方法相比,定位精度提升80%以上。     

一种单目视觉ORB-SLAM/INS组合导航方法

针对惯性/卫星组合导航系统在卫星导航失效时无法使用的问题,提出了单目视觉ORB-SLAM/INS组合导航方法,用于扩展组合导航系统在强干扰环境和室内环境的应用范围。该算法分为两个阶段:初始化阶段,当ORB-SLAM形成闭环时设计算法在线估计单目视觉ORB-SLAM算法的尺度因子;导航阶段,ORB-SLAM系统输出的位置信息经过尺度变换后作为观测量进行卡尔曼滤波,估计INS导航系统的误差状态量从而修正惯导系统的误差。设计了硬件和软件平台对提出的组合导航方法进行试验验证。跑车实验结果表明:所设计的ORB-SLAM/INS组合导航系统具有较高的定位精度,导航时间6 min定位误差为1.162 m,且不随时间漂移,具有很强的应用价值。     

基于GPS的先验地图辅助视觉惯性定位方法

为提高视觉惯性导航系统定位精度，解决其航向缺失且无法提供绝对地理位置的问题，提出一种利用GPS生成先验地图来辅助视觉惯性同时定位与地图构建(SLAM)方法。将每一帧图像采集点的GPS地理坐标投影成绝对高斯坐标，与视觉关键帧信息同步，构建先验地图。利用词袋模型进行闭环检测，由视觉重投影误差因子、IMU残差因子、先验图像重投影误差因子共同构建目标优化函数，基于最小二乘法进行位姿估计与优化。通过地面车载和低空机载实验对该方法进行了验证，实验结果表明：相比于无先验地图的定位方法，x、y、z方向的平均定位误差分别降低了68.2%、75.1%、46.4%以上；相比于有先验地图(未融合GPS)的定位方法，x、y、z方向的平均定位误差分别降低34.9%、51.5%、19.4%以上，有效提高了视觉惯性导航系统在大范围环境中的定位精度。