基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法

为了提高无人机视觉/INS组合导航系统的位姿估计精度,提出了一种基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法。首先,针对视觉传感器数据易受外界因素干扰的问题,利用灰色预测理论建立基于视觉的位姿解算数据灰色模型,减小视觉解算数据误差对导航精度的不利影响;然后,引入萤火虫算法改进粒子滤波的重采样过程,并采用改进后的粒子滤波算法实现并提升视觉/INS组合导航系统的位姿解算精度。最后,自主搭建了四旋翼无人机实验平台。实验结果表明,采用扩展KF滤波的无人机组合导航算法将位姿估计的误差控制在3.2 cm内,所设计算法可以将误差控制在2.3 cm内,无人机位姿估计精度水平提高了39%。     

基于改进YOLOv4的扫描电镜磨粒图像智能识别

磨损颗粒分析是设备磨损故障诊断和预测的有效手段,为了提高磨粒检测的自动化和智能化程度,提出1种基于改进YOLOv4的目标检测算法,并应用于航空发动机扫描电镜磨粒图像识别.首先,新算法采用VoVNetv2-39替换YOLOv4原主干网络CSPDarknet53,并引入BiFPN特征金字塔结构与新主干相连,同时调整模型中所有3×3标准卷积为深度可分离卷积,以加强多层次特征融合,构造轻量级网络;其次,利用迁移学习解决扫描电镜磨粒图像数量较少的问题,并通过冻结训练加速模型训练过程;最后,应用实际发动机扫描电镜磨粒图像验证,结果表明：新算法相较于原YOLOv4网络,在保证精度的前提下,网络参数量大幅降低,识别速度提升51.1%,满足实际扫描电镜磨粒图像快速、简洁和高精度的检测需求,具备潜在的工程应用价值.     

智能车辆SINS/DGPS/视觉/数字地图组合导航技术

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。     

局部连续场下重力辅助导航模型构建算法

为了研究高精度的重力辅助导航模型以克服传统模型的局限,必须建立精度高且具有良好解析性质的局部重力异常场解析模型,同时考虑模型误差方程中的重力精准补偿问题。针对二维高斯样条函数逼近局部重力异常场中的局部支撑参数选择问题,通过对所涉及的系数矩阵、解误差、插值模型精度评估等问题进行分析,提出了一种新的最优局部支撑参数计算方法;基于此提出了一种高精度的基于高斯插值的重力辅助导航模型构建算法,该精准模型补偿了重力扰动矢量、标准重力值误差、厄特弗斯修正计算值对导航模型的影响。实验结果表明利用新型重力辅助导航模型构建算法,可使辅助导航系统位置精度提高1倍左右,姿态、速度精度提高1²倍,定位误差保持在1002倍,定位误差保持在100²00 m。     

水下图像导航技术在潜艇上的应用

潜艇传统的导航方法是采用惯导、无线电导航等技术,随着计算机技术=数字图像处理技术以及传感器技术的发展,在潜艇上采用视觉图像定位测距系统进行导航是一个新的发展方向,它可以实现潜艇自主导航,减少被敌方发现和干扰的机会,从而增强潜艇的隐蔽性及其发起攻击的突然性,因此,研究图像导航技术并将其应用到实际战斗单元上是迫切需要的,水下视觉图像包括声视觉和光视觉两种图像形式,中就水下图像导航技术的几个方面阐述目前的技术现状,指出将其应用于潜艇导航的可行性。     

基于因子图的AUV多传感器组合导航算法

针对自主水下航行器(AUV)多传感器组合导航系统中不同导航传感器信息更新频率不同步及其可用性动态改变问题,以及AUV所在水下复杂多变的环境与任务需求,提出了基于因子图的AUV多传感器组合导航算法。首先,对捷联惯性导航系统、多普勒计程仪、磁航向仪、地形辅助导航设备进行建模,构建基于因子图的AUV多源信息融合框架;然后,根据非线性优化理论对系统状态更新过程进行表示,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AUV多传感器组合导航系统的高精度导航。仿真结果表明,所提因子图方法能够连续稳定地输出较高精度的导航结果,有效实现惯性导航系统与不同导航传感器的非等间隔融合,与联邦卡尔曼滤波算法的导航解算精度相当,水平定位精度均保持在?5~+5 m以内,并且因子图方法具有更好的灵活性和扩展性。半物理仿真结果亦验证了所提方案的可靠性和有效性。     

基于微小型传感器的惯性/卫星/天文组合导航方法

为了实现基于微小型传感器的高精度导航,针对微小型导航传感器精度相对较低、误差相对较大的特点,对微小型惯性测量单元(MIMU)、微GPS卫星接收机、微小型星敏感器的测量误差进行了建模与分析;对多传感器的导航信息进行分散化处理,采用卡尔曼滤波进行局部估计;提出了基于部分信息融合的联邦滤波算法进行全局融合;并给出了利用全局融合结果对MIMU导航误差进行输出校正的算法.仿真结果表明,该组合导航方法能够利用微小型传感器实现较高精度的导航定位.     

海洋重力测量畸变的消除方法

重力辅助导航进行匹配计算过程中,需要得到当前实时海洋重力数据,而海洋重力仪为了抑制垂直方向上干扰加速度,往往施加强阻尼对由垂直扰动加速度引起的采样质量的位移进行大幅度地压缩,但这同时引起测量得到的重力信号的畸变.因此,消除由于传感器强阻尼造成的重力数据畸变,获得高精度实时重力值,成为一个迫切的问题.为消除此畸变,采用反滤波方法对测量数据进行处理,达到实时获取当前重力异常数据的目的.通过仿真研究表明:反滤波技术可以恢复原始重力异常信号,减小由于强阻尼造成的幅值衰减和相位延迟,提高测量精度.     

基于尾流时程目标识别的流场参数选择研究

浸入流场中的固体壁面会形成高度复杂且具有一定特征的尾流流场, 利用尾流所包含的信息对物体的外形特征进行识别具有重要的应用价值. 然而, 在较高雷诺数情况下尾流流场形态及其时序特征复杂, 难以通过传统的数学物理方法对流场信号进行特征的识别与提取. 本文提出了基于尾流时程数据深度学习的流场特征提取与分析方法, 实现了基于一点的物理量时程进行流场中物体外形的识别; 同时, 对流场中不同物理参数时程的识别精度与识别结果进行分析与研究, 得到适用于目标识别的最优物理量参数. 通过对圆柱和方柱的尾流数据研究结果表明, 本文提出的基于卷积神经网络的模型具有好的训练收敛性和高的预测精度, 能够识别并提取得到时程数据中包含的流场特征, 采用流场横向速度时程作为物体外形识别信号的模型准确率高. 证明了本方法用于浸入流场中物体外形识别的可行性, 是一种目标识别的高精度方法.      

航向信息辅助的MIMU/GPS高精度组合导航方法

为了在卫星颗数少于四颗时实现高精度低成本导航,提出了一种基于航向信息辅助的MIMU/GPS高精度组合导航方法。采用MIMU与GPS构成MIMU/GPS组合导航系统;针对GPS卫星颗数少于四颗而无法定位的问题,利用MIMU导航解算获得的位置信息与GPS星历数据信息构造等效伪距,将其与GPS输出的伪距对应相减作为组合导航量测之一;针对组合后航向精度较低甚至发散的问题,利用GPS输出的水平速度计算获得伪航向角,将MIMU导航解算获得的航向角与该伪航向角相减作为量测之二;采用卡尔曼滤波设计组合导航滤波算法。跑车实验结果表明,在多次出现卫星颗数少于四颗时,该组合导航方法的位置精度达到±10.3 m(3σ),水平姿态精度达到±20.1′(3σ),航向精度达到±19.5′(3σ)。因此,该方法有效解决了卫星颗数少于四颗时的高精度导航问题,而且显著提高了航向精度,特别是在失准角较大的情况下也能够实现滤波快速收敛。