1 长安大学 道路施工技术与装备教育部重点实验室, 陕西 西安 710064
2 中国铁建重工集团股份有限公司, 湖南 长沙 410000
3 南京信息工程大学 计算机与软件学院, 江苏 南京 210044
三维重建技术是机器视觉中最热门的研究方向之一，在无人驾驶和数字化加工与生产等领域得到了广泛的应用。传统的三维重建方法包括深度相机和多线激光扫描仪，但是通过深度相机获得的点云存在着信息不完整和不精确的问题，而多线激光扫描仪成本高，阻碍了该项技术的应用和研究。为解决上述问题，提出了一种基于转动式二维激光扫描仪的三维重建方法。首先，用步进电机带动二维激光扫描仪旋转运动来获取三维点云数据。然后，用多传感器融合的方法对激光扫描仪的位置进行标定，采用坐标系变换完成点云数据的匹配。最后，对采集得到的点云数据进行了滤波和精简处理。实验结果表明：相较于深度相机/IMU数据融合的重建方法，平均误差降低了0.93 mm，为4.24 mm；精度达到了毫米级别，误差率也控制在了2%以内；整套设备的成本相较于多线激光扫描仪大大降低。本文方法基本满足保留物体的外形特征、高精度和成本低的要求。
二维激光扫描仪 坐标系变换 多传感器融合 三维重建 2D laser scanner coordinate system transformation multi-sensor fusion three-dimensional reconstruction
1 湖北工业大学,武汉 430000
2 湖北省农机装备智能化工程技术研究中心, 武汉 430000
同步定位与建图(SLAM)技术是自主移动机器人的主要技术支撑, 成为当今的研究热点。介绍了SLAM 技术的发展历程及主要传感器, 梳理了基于视觉、激光雷达以及多传感器融合的SLAM技术, 并对常见的SLAM算法进行归纳总结, 对比分析各实现方案的优缺点。最后探讨了SLAM的技术难题和发展趋势。
同步定位与建图 激光雷达 视觉相机 多传感器融合 自主移动机器人 SLAM lidar vision camera multi-sensor fusion autonomous mobile robot
1 清华大学电子工程系, 北京 100084
2 中国人民解放军 31401部队, 吉林长春 130022
3 北京科技大学计算机与通信工程学院, 北京 100083
对于视觉惯性里程计(VIO), 视觉遮挡、运动物体等复杂场景可能带来异常的视觉测量, 导致系统定位精确度急剧下降。对此, 提出了一种新的 VIO异常视觉测量的检测和处理方法。通过选取检测指标、设置先验阈值和设计检测分类器, 实现对异常视觉测量的检测与分类；提出多传感器融合策略和自适应误差加权算法, 及时消除与实际运动不一致的异常视觉测量的影响；最后, 将异常视觉测量检测和处理算法整合到基于关键帧的视觉惯性里程计(OKVIS)系统中, 提出了视觉惯性里程计的异常检测和处理(EDS-VIO)系统框架。在复杂场景仿真数据集上的评测结果表明, EDS-VIO比 OKVIS取得了更好的性能, 定位误差均值从 1.045 m下降到 0.437 m。所提方法较好地提升了 VIO在复杂场景中的定位精确度和鲁棒性。
视觉惯性里程计 异常视觉测量 多传感器融合 自适应误差权重 复杂场景 Visual-Inertial Odometry abnormal visual measurement multi-sensor fusion strategy adaptive error weighting complex scene 太赫兹科学与电子信息学报
2022, 20(10): 1038
1 天津科技大学电子信息与自动化学院, 天津 300222
2 天津恒度量子精密仪器技术有限公司, 天津 300384
针对现有双护盾硬岩隧道掘进机(TBM)导向系统中前盾/支撑盾位姿测量方法普遍存在的结构复杂、可靠性差、成本高和精度低的问题,提出了一种基于工业相机和异形主动标靶进行非接触快速测量的新方法,利用机器视觉、空间位姿变换及多传感器融合/标定等技术,可以实现在强振动掘进状态下对双护盾TBM进行稳定导向的功能。实验结果表明,本文所提方法可实现前盾/支撑盾六自由度空间位姿的高性能测量,测量频率不低于20 Hz,盾构机特征点静态坐标测量误差小于5 mm@(3 m×2 m×6 m),动态坐标测量误差小于10 mm@(振幅为3 mm,频率为20 Hz),可以应用在双护盾TBM导向系统中。
机器视觉 非接触测量 双护盾导向 异形标靶 多传感器融合 激光与光电子学进展
2021, 58(24): 2415001
1 合肥工业大学光电技术研究院, 特种显示技术国家工程实验室, 安徽 合肥 230009
2 中国科学院合肥物质科学研究院智能机械研究所, 中国科学院传感技术国家重点实验室, 安徽 合肥 230031
3 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 中国科学院环境光学与技术重点实验室, 安徽 合肥 230031
针对国家环境空气质量监测站 (NAAQMS) 由于体积大、成本高而不利于大面积广泛布点的问题, 研制了一种微型空气质量监测系统, 用于监测大气中 CO、NO2、O3、SO2、PM2.5 和 PM10 的浓度。该系统分别采用电化学气体传感器和光学粒子计数器来测量气体污染物和颗粒物浓度。考虑到传感器在测量污染物浓度时容易受到大气温湿度的影响, 基于多传感器融合技术通过温湿度补偿算法对测量结果进行了修正, 并与 NAAQMS 发布的数据进行了比较, 分析表明二者具有很强的相关性。与 NAAQMS 的数据相比, 本系统 10 天监测数据的相关系数优于 0.7; 通过算法校正后, 某些污染物 (如 PM2.5) 的相关系数甚至可以提高到 0.9。新设计的空气质量监测系统具有鲁棒性强、体积小的特点, 适用于环境空气污染物的长期大面积分布式网络监测。
空气质量监测 优化设计 多传感器融合 小型化 air quality monitoring optimization design multi-sensor fusion miniaturization 大气与环境光学学报
2021, 16(4): 349
1 重庆邮电大学 智能传感技术与微系统重庆市高校工程研究中心, 重庆 400065
2 中国电子科技集团公司第二十六研究所, 重庆 400060
在全球卫星导航系统拒止的环境里, 导航信息难以获取, 基于红外、超声波、射频、Wi-Fi、超宽带(UWB)等室内定位方法均需要辅助电子标签, 传统航位推算法只适合前向步态的路径跟踪, 在后向、左向、右向步态模式下会出现反向或垂直的路径错误。针对以上问题, 该文借助移动终端的惯性测量单元数据, 在不依赖任何电子标签模式导航的情况下, 实现短时多模式步态行人跟踪。结果表明, 通过多次重复测试, 步态检测准确率≥92%, 以实际车库场景为实验背景, 该文方法可获得全步态模式下自主路径跟踪, 路径追踪误差小于3 m。
航位推算 惯性测量单元 多模式步态 自主定位 多传感器融合 dead reckoning IMU multi-mode of walking autonomous positioning multi-sensor fusion
中国航空工业集团公司雷华电子技术研究所, 江苏 无锡 214063
针对分布式多传感器融合系统中, 传统的航迹融合算法未充分考虑不同传感器探测跟踪性能不同带来的航迹质量的不确定度差异, 导致融合后的航迹质量下降的问题, 提出了一种基于跟踪质量熵的航迹融合算法。首先, 构建融合中心所有局部航迹的跟踪质量熵模型, 根据熵大小排序并划分不确定度等级; 然后, 选择质量熵排序队列的航迹作为参考数列, 利用灰度理论对不同局部节点的来自同一目标源的航迹进行聚类; 最后, 将聚类后的航迹, 根据不确定等级进行分群融合, 并把不确定等级较低的航迹融合后的状态反馈至各局部节点进行局部融合。该方法提高了局部节点的跟踪质量, 增强了航迹融合的正确性, 仿真验证了该方法的可行性和有效性。
分布式多传感器融合 航迹融合 质量熵 灰度关联 反馈信息 distributed multi-sensor fusion track fusion quality entropy gray correlation feedback information
中国电子科技集团有限公司第十一研究所, 北京 100015
基于柏林噪音理论构建了立体边防监视系统的地形模型, 设计了包含边海防感知层、边海防网络信息传输层、边海防智能应用层的立体边防监视系统, 并在建立多传感器组合簇数据库的基础上, 运用基于修正模糊理论和D-S证据决策的航迹关联算法对立体边防监视系统多传感器进行了融合算法。仿真实验证明, 基于多传感器组网探测的边海防立体监视系统的探测准确率要高于单一传感器的探测预警率。
立体边防监视系统 多传感器融合技术 D-S证据理论 3D frontier surveillance system multi-sensor fusion technology D-S evidence theory
1 郑州升达经贸管理学院信息工程系，郑州 451191
2 河南工业大学信息科学与工程学院，郑州 451000
提出一种新的基于广义交叉协方差(GCI)和平均边缘概率密度(AMD)的分布式多目标融合机制。传统的多传感器跟踪算法存在一些难以克服的缺点: 如航迹关联性能对关**数设置敏感, 航迹关联计算量随目标个数增加呈指数增加等。为解决这些问题, 提出一种适用于多目标的鲁棒性较好的分布式融合算法。首先, 将多目标联合后验概率密度近似为关于其AMD的积分布; 然后, 考虑到不同雷达节点之间的未知的互相关, 采用GCI融合算法进行融合。由于航迹关联过程被内嵌在航迹融合过程中, 所提分布式融合机制同时进行航迹关联和航迹融合, 理论上会更加完备。所提算法借助高斯混合模型实现, 试验结果证明其性能相比传统融合算法有很大改善。
多传感器融合 平均边缘概率密度(AMD) 广义交叉协方差(GCI)融合算法 高斯混合模型 后验概率密度 multi-sensor fusion Average Marginal Density ( AMD) Generalized Covariance Intersection (GCI) fusion a Gaussian mixture models posterior density
基于随机有限集(RFS)的多目标跟踪算法是近年来国际上多传感器信息融合领域的研究热点。分别论述了RFS框架下3种重要的近似滤波器即概率假设密度(PHD)、势化PHD(CPHD)和多目标多伯努利(MeMBer)滤波器的研究进展，并对它们进行了比较和总结；然后，着重梳理了它们在机动目标跟踪、非标准目标跟踪、多传感器融合、多目标跟踪性能评估等方面的研究现状；最后，对相关领域的未来研究方向进行了分析和展望。
多传感器融合 多目标跟踪 随机有限集 概率假设密度 多目标多伯努利滤波器 multi-sensor fusion multi-target tracking random finite set probability hypothesis density multi-target multi-Bernoulli filter
