基于低成本IMU的捷联航姿系统软件设计与实现

在已设计好的捷联航姿系统硬件平台基础上,集传感器信息处理模块、航姿解算模块和信息融合模块于一体,综合设计了基于低成本IMU的捷联航姿系统软件算法.特别是在信息融合模块中采用了基于模糊推理的变加权系数多传感器信息融合算法,从而实现对惯性数据的融合,减小了系统随时间积累的航姿误差,保证航姿系统的精度指标满足要求(静态航姿精度±1.0°,动态航姿精度±2.5°).软件算法的验证采用低成本MT9-B惯性测量组件的实测数据分别进行了静、动态实验.实验结果表明,所设计的软件算法可时实进行低成本陀螺的零偏估计与补偿,并能准确地进行多传感器信息融合,从而能够有效地提高系统的航姿精度.     

基于点线视觉/惯性SLAM和目标检测的测距方法

针对无人平台在未知环境中自身定位和对远距离目标测距精度不高的问题，利用单目相机和惯性器件组成视觉/惯性导航定位系统，结合目标检测提出“动态基线+三角测距”方法实现自身定位和对目标测距。首先，建立基于点线融合的视觉/惯性系统模型，提高系统自身定位精度，给出运动前后相对位姿变化；其次，利用目标检测算法对目标进行检测和识别，得到运动前后物体对于图像平面的视差；最后，通过三角测距实现对目标的高精度测距。公共数据集实验测试结果表明，引入线特征的视觉/惯性系统的平均定位均方根误差（RMSE）为0.15 m。无人平台搭载系统对目标进行测距实验表明，系统在100 m以内对目标测距的误差小于测距距离的2%。     

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%。     

载波相位时间差分辅助的SINS/GNSS紧组合导航方法

为提升无基准站辅助条件下的单站微惯性/卫星组合实时导航性能,提出了一种基于载波相位时间差分的改进微惯性/卫星紧组合导航方法。所提方法直接利用高精度的载波相位时间差分观测信息改善微惯性导航误差的在线补偿精度。分析比较了两种载波相位时间差分观测模型对组合导航精度的影响,通过抗差序贯卡尔曼滤波建立抵御GNSS观测粗差的紧组合滤波模型。城市内车载试验结果表明,相对于传统紧组合导航方法,所提算法能够有效提升定位、定速和定姿精度达29%、21%和42%。另外,相对较长GNSS中断(60 s)条件下,所提算法能够显著提升滑行位置、速度和姿态精度达46%、40%和51%。     

无人机动平台着陆惯性/视觉位姿歧义校正算法

针对无人机移动平台着网回收应用场景,提出了一套基于二维码的惯性/视觉位姿估计算法,重点解决无人机回收过程中位姿解算歧义问题,提升无人机动平台回收导航精度、鲁棒性与实用性。首先,设计多个二维码构建非共面二维码序列,使用非共面3D-2D点对打破位姿解算特征点的共面约束。然后,使用极小平面位姿估计算法(IPPE)进行平面二维码位姿估计,并融合惯性信息引入姿态约束,解决无人机着网回收过程中的相对位姿解算歧义问题。多架次飞行实验表明所提出位姿估计算法能有效消除位姿解算歧义,具有较好的鲁棒性,且作用距离大于30 m,回收末段达到厘米级定位精度,满足无人机动平台着网回收需求,具有较好的应用前景。     

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%。     

一种融合外部姿态信息的SLAM算法

在GNSS信号缺失、地磁受外界干扰等特殊环境下,同步定位与建图(SLAM)技术受到位姿累计误差的严重影响.为消除SLAM系统中的累积误差,提出了融合视觉和外部姿态信息的SLAM算法.建立图像关键帧和稀疏的外部姿态关键帧,分析了位姿协方差关系,并针对外部姿态具有三自由度的特点,推导了融合地理真实姿态的SLAM姿态图优化和...     

基于多传感器信息融合的双足机器人自主定位

针对单目视觉SLAM应用于双足机器人过程中易出现跟踪失败和传统位姿传感器累积误差较大的问题,提出了一种融合三种传感器信息的机器人定位方法。首先获取机器人关节编码器数据,运用运动学求解输出位置信息,再由基于特征识别的SLAM系统估计机器人头部单目相机位姿,经过尺度恢复和坐标系校正后输出位置信息,同时获取惯性测量单元的偏航测量,最后通过扩展卡尔曼滤波算法融合三种信息,从而更加精确稳定地对机器人进行定位。以双足机器人NAO为研究平台,在室内进行多组实验对所提出的方法进行验证,结果表明融合所得结果与传统位姿传感器输出信息相比,均方根误差明显降低;相比单目视觉SLAM跟踪失效率至少降低88%。     

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。     

基于内阻尼的捷联航姿算法

捷联惯性航姿系统自身的特征就是误差存在舒勒周期振荡和傅科周期振荡,这就限制了捷联惯性航姿系统的精度。为了提高系统精度,将传统的平台内阻尼的思想引入到捷联惯性航姿系统中,通过设计水平回路中误差通道的三阶内阻尼网络,利用系统自身的速度信息来阻尼周期振荡,同时在内阻尼思想基础上提出了基于内阻尼的捷联航姿算法。由于改变了舒勒调谐的条件,内阻尼算法只有在加速度较小的条件下才能适用。通过数字仿真证明,在载体加速度较小的条件下,新的算法能够抑制舒勒周期振荡和傅科周期振荡,提高了捷联惯性航姿系统的精度。     

柱塞气举工艺下基于重力观测的MEMS全姿态位姿测量系统

为解决柱塞小体积自主高精度位姿测量的难题,针对柱塞气举工艺,设计了一种基于重力观测的微机电系统（MEMS）全姿态位姿测量系统。首先,利用柱塞工作过程中大部分时间不存在非重力运动加速度的特性,设计了基于重力观测的自主导航算法提高位姿测量精度;其次,考虑到柱塞垂直运动过程中俯仰翻转时无解的问题,设计了全姿态解算算法。最后,对所设计的位姿测量系统进行了实物实验。实验结果表明：所设计的位姿测量系统进行作业时,水平姿态精度不大于0.05°、航向漂移小于0.5°/h、短时位置精度不大于0.8 m,验证了该系统可解决柱塞目前存在的小体积自主高精度位姿测量难题。     

基于双矢量定姿的摇摆基座粗对准算法分析与实验

通过分析将捷联惯导解析粗对准归纳为双矢量定姿问题.根据定姿算法中参考矢量构造方式的区别将解析粗对准算法分为传统算法和摇摆基座算法.研究了传统算法参考矢量构建过程,指出其不适用于摇摆基座环境.在双矢量定姿框架下推导了基于惯性空间重力积分矢量的摇摆基座算法.并通过摇摆台试验验证了该算法的有效性.     

模糊推理在捷联航姿系统中的应用

为了减小捷联航姿系统航姿解算过程中陀螺漂移和积分过程等因素对航姿精度的影响,结合各传感器输出与载体运动状态相关的特性,提出了一种基于模糊推理的IMU(惯性测量组件)/磁传感器信息融合方法.通过模糊推理系统判断出载体当前的运动状态,在准静态下对IMU中陀螺解算的姿态信息和加表解算的姿态信息进行融合可提高载体的姿态精度,对陀螺解算的航向信息和准静态下磁罗经提供的航向信息进行融合可提高载体的航向精度.经过跑车试验且与跑车过程中作为基准的光纤/GPS航姿系统的航姿结果进行比较,验证了该推理过程和融合算法的正确性.     

基于IMU预积分封闭解的单目视觉惯性里程计算法

将扩展卡尔曼滤波器作为后端的视觉惯性里程计算法由于其在实时性高的同时能保持较高的精度,从而被广泛地用于实际环境中。针对如何快速精确处理两帧图像之间的IMU数据的问题,提出了一种基于IMU预积分封闭解的算法,相较于传统基于优化的视觉惯性里程计算法在分段常数加速近似下采用离散四元数积分来简化所需的预积分值,IMU预积分封闭解算法在IMU时间周期内求解解析解,并应用于多状态约束下的卡尔曼滤波器(MSCKF)视觉惯性里程计框架下,来提高系统定位的精度。针对MSCKF算法观测方程参数化方法存在的数值稳定性的问题,提出了一种逆深度的参数化方法,克服了MSCKF算法在空间点坐标z轴深度值趋近于零时,系统观测值会出现奇点的情况,有效增加系统的鲁棒性。在公开EuRoc数据集六个飞行序列上的试验结果表明,所提出算法相较于传统的MSCKF视觉惯性里程计算法漂移较小,均方根误差减少约36.5%,定位精度得到有效提升。     

一种惯性/简化室内GIS组合的行人定位系统（英文）

惯性定位系统中的累积误差问题使得惯性定位系统无法长时间使用。室内地理信息系统(GIS)中的建筑物结构、地标点位置等信息可以用来修正和优化惯性定位算法,解决其累积误差问题,从而实现惯性定位系统的精度保持,延长系统使用时长。使用射频识别(RFID)系统和建筑物结构信息构建了简易室内地理信息系统,提出了一种基于GIS的增强型行人航迹推算(PDR)算法,通过该算法融合GIS与惯性定位系统。实验表明,融合简易室内GIS的惯性行人定位系统较传统行人定位系统性能更优。在GIS提供航向标定和步长估算系数标定的情况下,融合GIS的惯性系统能够在60 min之后,较惯性定位系统误差分别降低50%和67%;在GIS提供位置和高度标定的情况下,融合GIS的惯性系统并未出现误差累积的现象,在使用超过150 min后,依然能够将行人航迹推算误差保持在2 m范围之内(>80%概率)。     

旋转IMU在光纤捷联航姿系统中的应用

惯性测量单元输出信号的精度直接影响捷联惯性导航系统的精度,为了提高捷联系统的精度,以舰船光纤捷联惯性航姿系统为应用对象,采用了双轴旋转机构连续匀速旋转IMU的系统方法,把惯性测量单元输出信号中的漂移误差调制成正弦信号,通过捷联算法中的积分运算可以有效地消除陀螺和加速度计中的漂移误差,从而有效地提高捷联惯性航姿系统的精度,并进行了系统仿真实验。仿真结果表明:经过旋转以后的IMU输出信号误差较传统非旋转方法可以减小一个数量级。基于双轴旋转IMU的系统方法可以有效地减小IMU输出信号漂移误差和提高捷联惯性航姿系统的精度。     

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。     

基于先验特征地图匹配约束的视觉/惯性定位方法

单目视觉/惯性定位系统由于其低成本和高自主性被广泛使用.然而视觉/惯性里程计在长时间的运行后,会产生较大的累积误差,无法提供准确的位姿估计,并且在光线、路况复杂的环境系统存在特征点跟踪失败,无法解算当前位置,稳定性不高的问题.针对以上问题,提出了基于非线性优化的先验特征地图匹配方法,利用单目视觉/惯性SLAM建立的位姿...     

基于深度特征正射匹配的无人机视觉定位方法

在卫星拒止条件下无人机安全、可靠地完成各类作业的基础是获取高精度的定位信息,传统图像匹配方法保障困难、定位精度差且匹配约束多。因此,提出一种基于深度特征正射匹配的视觉定位方法,通过深度学习网络提取正射校正后的无人机航拍图像和商业地图的深度特征,获得匹配关系,进而计算无人机高精度位置信息。根据视觉测量机理模型分析不同因素对视觉定位精度的影响,使用中空航拍图像数据集进行离线实验,实验结果表明：相比传统基于方向梯度直方图（HOG）特征的模板匹配方法,所提方法的定位精度提高了25%,位置均方根误差（RMSE）优于15 m+0.5%H(5000 m以下),具有一定的工程应用价值。     

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。