基于多传感器融合的定位技术概述

为进一步研究多传感器融合的定位技术,项目小组介绍了几种常见传感器融合的定位方法,涉及的传感器包括里程计（ODO）、激光雷达（LiDAR）、全球卫星导航系统（GNSS）、惯性测量单元（IMU）等。基于不同传感器的适用条件以及各定位方法的测试结果,总结了GNSS/IMU传感器融合、GPS/INS/磁力计传感器融合、里程计/LiDAR/GNSS传感器融合三类传感器组合定位技术的优缺点,其中里程计/LiDAR/GNSS传感器融合定位技术定位精度高,并以里程计/LiDAR/GNSS传感器融合定位技术为例进行详细剖析,建议从室内外无缝定位平滑过渡优化、定位精度优化两方面对多传感器融合的定位方案进行改进,以提高定位精度。     

基于多传感器融合的拖拉机驱动轮滑转率估算方法

拖拉机驱动轮滑转率的精确估计对提高拖拉机作业效率及安全性,实现拖拉机驱动防滑控制具有重要意义。本文提出了多新息并行扩展卡尔曼滤波算法,融合了包括机器视觉在内的多个传感器信息,并通过在线统计多传感器的新息,引入D-S证据理论进行决策,修正测量噪声矩阵,从而实现拖拉机驱动轮滑转率的精确估计。仿真结果表明,相较于普通的卡尔曼滤波算法,本文提出的融合算法估计滑转率的精度更高,滑转率估计值的均方根误差从2.34%降低到1.45%,且对干扰信号不敏感。试验结果表明,在多组工况下本文所提出的多传感器信息融合算法相较于单一视觉法或雷达法对拖拉机驱动轮滑转率估计的平均绝对误差、均方根误差均有所降低,从而验证了所提出的算法满足拖拉机驱动轮滑转率的精确估计,可对后续实现拖拉机驱动防滑控制提供依据。     

基于AprilTag的畜牧自主移动机器人建图与定位

为获取畜牧自主移动机器人在规模化养殖场中的位置信息,提出一种基于二维码(AprilTag)的建图与定位算法.利用在机器人上的单目相机对布置在环境中AprilTag进行观测,并融合轮式里程计对机器人运动的测量,基于扩展卡尔曼滤波(EKF)估计出机器人的状态,在此基础上推算每张AprilTag在全局坐标系中的位姿.在回环前...     

融合视觉和激光测距的机器人Monte Carlo自定位方法

针对移动机器人采用单类传感器很难成功定位的问题,提出一种室内环境下基于异质传感器信息融合的粒子滤波自定位方法。建立激光测距仪和视觉传感器各自感知模型后,利用融合的感知信息进行粒子集的更新,从而进行自主定位。实验表明,定位过程中激光测距的快速准确更新特性和视觉信息的全局性得到互补,粒子集比使用单类传感器时收敛得更快,提高了移动机器人的自定位精度和速度。     

基于GPS/SINS组合的农业导航定位系统设计与研究

设计了一种基于全球定位系统GPS和捷联惯性导航系统SINS组合的农业车辆导航定位系统,介绍了该系统的传感器组合及功用,阐述了系统的硬件结构和工作过程。考虑到农用车辆在运动过程中接收到的GPS数据存在较大的定位误差,提出了GPS和SINS联合导航算法,利用SINS提供的姿态信息修正GPS定位数据,提高系统定位的精度。为了准确测量姿态信息,对多传感器集成模块ADIS16355的信息融合处理,确定了基于卡尔曼滤波的融合算法用于测量姿态角。在构建实验平台的基础上进行了试验,结果表明:通过多传感器融合算法可准确测量姿态角,GPS定位误差有效减少,可更真实反映农用车辆的运动状态。     

基于视觉与IMU融合的采茶机器人位姿估计研究

为实现采茶机器人在室外复杂茶园环境中实时定位与移动轨迹跟踪,并以较低的计算代价获得较高的精度,使用双目摄像头与IMU作为传感器,采用视觉惯性里程计算法OKVIS,通过实验对比视觉里程计、松耦合的视觉惯性里程计与紧耦合的视觉惯性里程计。结果表明该算法精度较高。最终采用OKVIS算法,在室外茶园环境中验证采茶机器人的实时定位与轨迹跟踪。实验结果表明,所提方案实际运行结果良好,可以满足采茶机器人位姿估计要求。     

基于自适应系数卡尔曼滤波的农业移动机器人组合定位

基于全球导航卫星系统（Global navigation satellite system,GNSS）的定位导航技术在半结构化、半开放式农业应用场景的部分区域,可能由于存在作物遮挡而导致GNSS接收信号出现短暂丢失的情况,进而影响机器人定位导航精度,甚至对作物和工作人员造成伤害。针对这一问题,本文开展了农业遮挡环境下的GNSS与惯性导航系统(Inertial navigation system,INS)的组合定位方法研究。搭建了用于多传感器定位导航实验的农业机器人系统,该系统由履带式移动平台、GNSS、INS等硬件和ROS(Robot operation system)操作系统、远程操控界面等软件构成。提出了引入自适应系数的GNSS/INS组合定位卡尔曼滤波算法,当GNSS无法进行差分定位或定位数据产生跃变时,通过自适应卡尔曼滤波能够切换到INS定位,从而实现机器人自身位置、姿态的最优估计。在典型农业遮挡场景（果园）进行了实地组合定位实验,并通过GNSS单通道定位、INS单通道定位、常规卡尔曼滤波融合定位、引入自适应系数的卡尔曼滤波定位等4种定位方法的对比,验证了本文提出算法的有效性。现场实验表明：定位过程中,当100m×20m的实验区域内出现30m×6m的高遮挡区域时,与GNSS定位信息测量方法、INS航迹推算定位方法以及常规卡尔曼滤波组合定位方法相比,自适应系数卡尔曼滤波组合定位方法定位精度分别提升62.1%、48.5%、47.7%。     

温室作业机具室内定位方法研究

针对农机具在温室大棚内的定位、作业轨迹跟踪及作业面积核算需求,提出一种基于多源数据融合理论的温室机具室内定位优化算法。首先根据惯性导航测量技术预估被测目标定位初值,再利用无线RSSI测距技术使用加权质心算法获得定位测量结果,利用卡尔曼滤波算法进行定位信息最优化计算,以消除基于单一测量技术存在数据漂移、测试信号受遮挡、电磁干扰造成的误差,获得准确的定位信息,进而实现作业轨迹的实时跟踪以及作业面积的有效核算。在Matlab仿真分析中,首先建立定位算法评价指标以便于定位效果评估,通过仿真计算得出:基于多源数据融合的优化定位算法的定位精度及稳定性均优于单一无线RSSI室内定位算法。温室大棚田间试验的实际测试结果表明,室内定位精度不大于0.125 m,定位误差小于0.4%,能够较好地满足温室内作业机具的定位及作业轨迹实时获取与监测的需求。     

果园机器人LiDAR/IMU紧耦合实时定位与建图方法

针对果园环境中GNSS定位信号易丢失和传统SLAM算法鲁棒性较差的问题，本文提出一种基于LiDAR/IMU紧耦合框架的全局无偏状态估计果园机器人定位与建图方法。LiDAR/IMU紧耦合框架基于因子图进行多源约束的IMU里程计构建，实时输出高频位姿信息，IMU里程计因子和预积分因子优化LiDAR里程计并提供位姿先验约束IMU零偏。引入局部点云地图参与特征点云粗匹配和非特征点云递进式匹配进一步稠密化源点云，改善LiDAR里程计的性能。融合GPS信号与LiDAR/IMU紧耦合框架的地图构建，能够得到准确且高频连续的位姿信息，提高点云地图的复用率。在果园和苗木等场景验证了该算法的性能，实验结果表明，与LIO-SAM等算法相比，定位精度维持在0.05 m左右，均方根误差为0.016 2 m。本文算法使机器人具有更高的精度、实时性和鲁棒性，有效降低了系统累积误差，保证了所构建地图的全局一致性。     

基于EKF的农机智能体自主导航算法研究

为获得更加准确、全面、实时的农田障碍物信息,提高农业机械智能体自主导航定位的精度,提出一种基于北斗系统和视觉导航的组合定位方法。针对农田环境,选择BDS、视觉CCD为外部传感器,设计一种基于扩展卡尔曼滤波器(EKF)的数据融合算法,该算法融合了BDS和视觉传感器数据,实时定位农机智能体的位置。系统通过对导航角度和行驶进度进行跟踪,完成绝对定位。通过机器视觉图像处理,获取导航基准和作业目标信息,完成相对定位。通过试验验证该算法的有效性,并通过卡尔曼滤波算法(KF)的成果进行对比分析。结果表明：滤波后的路径更平滑,抖动偏差减小,坐标数据比KF滤波结果更稳定、更平滑。此外,距离的平均误差可以从滤波前的0.119 5 m降低到滤波后的0.07 0 m,有效地降低了过程噪声。且位置偏差在±0.1 m以内,精度较高,提升了农机智能体自主导航的定位精度。     

基于组合导航的整平机定位系统的设计与试验

无人驾驶是农用机械车辆未来的发展趋势。为此,选择GPS/INS组合导航的定位方式对整平机进行速度控制和精确定位。首先,利用卡尔曼滤波算法将惯性导航中的高精度惯性传感器与磁力计进行数据融合,由解算出的航向角可得到整平机的偏航信息;然后,利用扩展卡尔曼滤波算法将惯性导航与GPS输出的导航参数进行融合。实验表明:组合导航输出的导航参数能够精确跟踪整平机实际的位置和速度信息,输出的姿态角精度满足实际要求。     

基于无迹卡尔曼滤波的农用无人机定位研究

为提高农用无人机在作业时的定位精度,提出应用全球定位系统及惯性导航系统信息融合的方法实现无人机位姿状态的建模,得到导航系统测量信号与无人机状态间的非线性微分方程。对于系统中存在的非线性状态估计问题,创新性的提出采用适合于非线性系统的无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)进行处理,实现对基于多传感器信息融合的无人机姿态(翻滚角、俯仰角、偏航角)、速度和位置的准确而稳定的估计。现场试验采用改造升级后的极飞科技P10 2018植保无人机,配备改造升级后的机载电子和传感器系统。试验结果表明,与常见的扩展卡尔曼滤波器相比,UKF与多传感信息融合技术结合可实现对无人机位置信息(欧拉角)的高精度估计,其翻滚角、俯仰角和偏航角误差估算准确度分别提高30.3%、45.8%、70.2%,绝对值最大为0.57°。     

基于ISRCDKF的移动机器人同时定位与建图研究

为解决移动机器人在同时定位和建图(Simultaneous localization and mapping,SLAM)技术中普遍存在状态精度不高、稳定性差、计算复杂等问题,提出一种基于迭代平方根中心差分卡尔曼滤波(Iterated square root central difference Kalman filter,ISRCDKF)的SLAM自主定位算法,以满足SLAM过程中的实时性、准确性等要求。该算法使用中心差分变换处理SLAM的非线性问题,避免了泰勒公式展开中雅可比矩阵复杂运算;同时在滤波更新过程中,通过直接传递协方差矩阵的平方根因子减少算法的复杂度;在迭代观测更新过程中,使用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)优化方法引入调节参数,实时修正协方差矩阵,达到提高算法精度、增强稳定性的目的。仿真结果表明,在相同的数据模型和噪声环境下,本文提出的ISRCDKF-SLAM算法与基于扩展卡尔曼滤波(Extended Kalman filter,EKF)的SLAM算法、无迹卡尔曼滤波(Unscented Kalman filter,UKF)的SLAM算法和容积卡尔曼滤波(Cubature Kalman filter,CKF)的SLAM算法相比,均方根误差分别降低了47.3%、32.7%和25.0%;与相同计算复杂度的UKF-SLAM算法和CKF-SLAM算法相比,新算法的运行时间分别减少了15.1%和10.8%。将新算法嵌入到移动机器人平台进行现场实验验证,进一步证明了该算法的实用性和有效性。     

移动机器人视觉里程计技术研究综述

随着移动机器人技术不断发展,里程计技术已经成为移动机器人实现环境感知的关键技术,其发展水平对提高机器人的自主化和智能化具有重要意义。首先,系统阐述了同步定位与地图构建(Simultaneous localization and mapping, SLAM)中激光SLAM和视觉SLAM的发展近况,阐述了经典SLAM框架及其数学描述,简要介绍了3类常见相机的相机模型及其视觉里程计的数学描述。其次,分别对传统视觉里程计和深度学习里程计的研究进展进行系统阐述。对比分析了近10年来各类里程计算法的优势与不足。另外,对比分析了7种常用数据集的性能。最后,从精度、鲁棒性、数据集、多模态等方面总结了里程计技术面临的问题,从提高算法实时性、鲁棒性等方面展望了视觉里程计的发展趋势为：更加智能化、小型化新型传感器的发展;与无监督学习融合;语义表达技术的提高;集群机器人协同技术的发展。     

基于改进A*算法的果园移动机器人建图定位与路径规划方法与试验

为实现果园移动机器人室外自主导航,对机器人建图定位和路径规划进行研究.在建图与定位方面,提出一种紧耦合激光—惯性里程计方法,通过匹配提取到的关键帧点云线面特征来完成机器人的位姿估计与地图构建,将处理过的不同传感器的测量信息融入因子图进行优化得到全局一致位姿,运用滑动窗口的方法保证系统实时性,对历史关键帧进行边缘化处理以...     

基于测距值修正的温室植保机器人定位方法

针对温室植保机器人作业过程中，UWB节点之间频繁出现的非视距通信现象导致UWB系统定位精度低和稳定性差的问题，提出了一种基于UWB测距值修正的融合定位方法。首先，设计了基于测距残差的UWB节点间通信类型识别方法；其次，分析了视距和非视距通信下UWB测距误差产生原因并建立了两种通信条件下的测距值修正模型；最后，基于扩展卡尔曼滤波器设计了UWB测距修正值和IMU数据融合方法，实现了温室机器人作业过程中的可靠定位。在温室环境下的实际验证结果表明：非视距通信条件下，经过UWB测距修正的融合定位方法的定位误差为11.95 cm,相较于未进行UWB测距值修正的融合定位方法，定位误差降低83.11%,可为温室植保机器人提供稳定的高精度定位信息。     

基于激光雷达与深度相机融合的SLAM算法

针对单一传感器地图构建时存在环境表征不充分，无法为移动机器人自主导航提供完整环境地图等问题，本文通过将激光雷达与深度相机获取的环境信息进行互补融合，构建出更完整精确的栅格地图。首先，对传统ORB-SLAM2算法进行增强，使其具备稠密点云地图构建、八叉树地图构建以及栅格地图构建等功能。其次，为验证增强后ORB-SLAM2算法的性能，在fr1＿desk1数据集和真实场景下进行测试，数据显示增强后ORB-SLAM2算法绝对位姿误差降低52.2%,相机跟踪轨迹增长14.7%,定位更加精准。然后，D435i型深度相机采用增强型ORB-SLAM2算法，激光雷达采用的Gmapping-Slam算法，按照贝叶斯估计的规则进行互补融合构建全局栅格地图。最后，搭建实验平台进行验证，并分别与深度相机和激光雷达2个传感器建图效果进行对比。实验结果表明，本文融合算法对周围障碍物的识别能力更强，可获取更完整的环境信息，地图构建更加清晰精确，满足移动机器人导航与路径规划的需要。     

基于传感器的变量施肥机定位方法

简述了一种应用传感器代替GPS的变量施肥机定位方法。控制器读取传感器的脉冲信号,计算施肥机的行走距离,由自动网格识别算法实现施肥机自动网格识别。本文给出了传感器测距累积误差校正方法以提高定位精度。对于垄长为40m的网格,要使定位误差小于6%,累积误差应小于2.4m。实验结果表明,经过校正,拖拉机行走距离为250 m的时候,光电编码器和接近开关传感器测距累积误差分别为2.32 m和2.34 m(定位误差小于6%)。如果在此定位误差条件下,增加操作单元垄长方向划分的距离,可满足更长地块作业的定位要求。     

基于改进Bytetrack的群体机器人跟踪算法

针对群体机器人在实际跟踪场景中常常受到遮挡、目标密集、尺度变换等因素的影响导致漏检、轨迹中断和ID频繁跳变等问题,基于Bytetrack跟踪算法,改进了卡尔曼滤波的状态变量,提出了噪声尺度自适应卡尔曼算法（NASA-Kalman）,并在卡尔曼滤波中引入加速度参数（AMA）提高跟踪的准确性。实验表明,在MOTA、MOTP方面相较于原算法均有所提高。为了进一步验证跟踪算法的有效性,在MOT20数据集上对算法进行了评估,在MOTA、MOTP方面分别提高了0.65%和1.26%。     

基于图优化的激光雷达与IMU融合定位方法

针对目前3D激光里程计在室外场景应用中存在定位精度不高、鲁棒性不足的问题,提出一种融合激光雷达和IMU的定位与建图方法。首先,在前端里程计中,按曲率提取激光点云线面特征,进行帧间关联后得到残差函数,求解残差关于增量的雅可比,用高斯牛顿法解出相对位姿变换。其次,在后端优化中,建立IMU的预积分模型并求解残差及方差,将预积分约束、激光里程计约束和回环因子加入到图优化的框架中,最小化其误差并求解增量方程,最后得到全局一致的地图。在KITTI数据集上进行了仿真测试,相比于纯激光方法,绝对位姿误差大幅降低,表明所提的融合方法精度和鲁棒性均高于纯激光方法。