1 北京信息科技大学自动化学院, 北京 100000
2 高动态导航技术北京市重点实验室, 北京 100000
3 现代测控技术教育部重点实验室, 北京 100000)
4 北京德维创盈科技有限公司, 北京 100000
针对惯性器件误差建模方法影响其误差补偿准确性进而影响导航系统精度的问题, 提出一种基于器件噪声统计特征还原的惯性器件误差建模方法。首先, 通过功率谱密度建模还原器件高频噪声误差; 其次, 根据低频噪声统计特征用对应的性能计算方法还原低频噪声误差, 既避免功率谱密度建模方法对器件低频噪声表征能力弱的问题, 又避免机器学习方法中前期工作量和计算量大的问题。与已有误差建模方法的对比实验表明: 器件数学模型的输出与其真实器件输出之间误差相比下降了一个数量级; 在行人导航应用中具有更高的器件误差补偿准确度, 补偿后导航位置误差降低了35.261%, 航向角误差降低了31.198%, 有效提升了行人导航系统精度。
惯性器件 噪声统计特征 误差建模 行人导航 器件误差补偿 inertial devices noise statistical characteristics error modeling pedestrian navigation device error compensation
北京信息科技大学高动态导弹技术北京市重点实验室, 北京 100101
随着无人机的广泛应用, 无人机对地面目标检测和追踪技术成为研究的热点。针对光流法对运动目标检测和追踪出现误检、丢失的问题, 应用运动目标纵向的边缘特征配合光流法的方法完成目标检测, 应用SIFT与光流法实现目标追踪, 并提出恒速模型与光流块匹配的方法解决追踪过程中建筑物等对目标的遮挡问题。实验结果表明, 所提方法能够对目标进行有效的识别与追踪, 并具有较强的鲁棒性。
无人机 空对地目标检测 光流法 目标追踪 UAV air-to-ground target detection optical flow method SIFT SIFT target tracking
北京信息科技大学高动态导航技术北京市重点实验室, 北京 100192
针对16线激光雷达负障碍检测过程中, 垂直分辨率低导致对负障碍检测和识别困难的问题, 提出了一种基于IMU-LiDAR的负障碍检测方法。建立了激光点云数据的融合模型, 有效利用历史点云数据与历史检测结果, 获得较多的环境信息, 提高了负障碍的检测精度。利用16线激光雷达与自研的惯性测量单元(IMU)传感器进行实验验证, 结果表明能够实现激光雷达点云的融合, 进一步提高激光雷达对负障碍的检测能力, 并且以较低的硬件成本实现更加高级的环境感知能力, 对无人驾驶等技术的研究具有实际应用价值。
激光雷达 点云融合 负障碍检测 LiDAR IMU inertial measurement unit point cloud fusion negative obstacle detection
:北京信息科技大学高动态导航技术北京市重点实验室,北京 100101
应用定性微分对策理论对无人机、无人车追逃问题进行分析, 给出在对局环境中存在障碍物的情况下, 躲避区与捕获区分界界栅的确定过程。设置对局场景, 建立对局双方的运动学方程, 针对双方的运动特性分析结局并得出对局策略。然后考虑讨论环境中障碍物的影响, 分析对局终止条件, 最终解算出界栅, 并给出实例说明。
无人机 无人车 借栅 追逃问题 定性微分对策 障碍 UAV UGV barrier pursuit-evasion game qualitative differential game obstacle