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的多传感器融合定位算法研究

针对室外移动机器人定位系统精度依靠传感器融合存在累计误差的问题,提出一种基于扩展卡尔曼滤波（EKF）的多传感器融合的室外移动机器人定位方法。通过实时差分定位（Real-Time Kinematic,RTK）和里程计信息、IMU信息对室外移动机器人进行扩展卡尔曼滤波融合定位,在真实室外环境中进行实验。实验结果表明：该算法能消除累计误差,提高机器人的定位精度,动态定位精度可达2.5 cm以内,相较于里程计-IMU融合定位,误差减少了92.4%左右,相较于传统的RTK算法,定位精度提高了55.4%。多次实验表明,该算法具有较好的鲁棒性。     

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。     

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%。     

融合IMU的四足机器人腿部里程计

针对四足机器人腿部里程计问题,提出了一套融合IMU和四足机器人运动学的腿部里程计算法。首先介绍了四足机器人的结构和参数,对四足机器人进行运动学分析;然后通过分析接触力,计算腿部的接触概率;最后利用卡尔曼滤波将四足机器人运动学和IMU信息进行融合并计算四足机器人腿部里程计,通过实验验证腿部里程计的实际性能。     

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GNSS的农田平整定位精度优化与试验

基于全球卫星导航系统（Global navigation satellite system, GNSS）农田平整作业中,GNSS定位数据不仅是地形测量和基准面设计的基础,而且在平地作业中实时影响农田平整的精度。针对当前GNSS定位数据误差分析较少,提出一种基于联合滤波算法的GNSS定位数据分析处理方法。分析平地作业过程中GNSS定位数据的误差源,结合多路径效应和随机噪声,提出因地形起伏引起的振动误差校正方法,利用卡尔曼、小波变换联合滤波算法,校正数据误差提高定位精度,农田定位对比试验分析表明,高程定位精度明显提高,平地工作中,GNSS定位实际高度波动范围缩小20%,能够更好的指导农田平整工作。     

基于多传感器融合的拖拉机侧滑量估计方法及其验证

针对丘陵山地中拖拉机的侧滑估计,提出了一种融合机器视觉与全球卫星导航定位系统（Global navigation satellite system,GNSS）的多传感器信息融合算法。首先提出了简化的拖拉机运动学模型,再阐述基于GNSS与机器视觉技术的侧滑量估计方法。并通过CarSim和Simulink的联合仿真验证侧滑估计方法的可行性。引入卡尔曼滤波和权重函数对传感器数据进行融合和动态调节。搭建模拟丘陵山地实验平台,在不同的地面倾角、GNSS遮挡条件以及路面条件下进行了实验。实验结果表明,在干燥路面且GNSS遮挡条件下,拖拉机在9°、18°路面条件下行驶时最终融合后的总侧滑量分别为0.322m和0.432m,相对误差分别为7.86%和6.00%,即在GNSS信号遮挡的情况下依然能够准确地估计出拖拉机的侧滑量。研究可为拖拉机的精确横向控制提供新的方法和实验基础。     

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。     

基于单目SLAM的实时场景三维重建

针对单目SLAM(实时定位与重建)三维重建点云精度与运动实时性成负相关的问题,提出了一种基于单目视觉里程计融合激光传感器的方法,实现运动物体周边环境的实时点云自动配准与场景三维重建,在保证实时性的情况下获得更为精确的点云数据。针对图像传感器和激光传感器返回数据的特点,提出一种相机与激光传感器空间相对姿态的标定方法。针对单目视觉里程计的尺度模糊问题,提出了一种基于激光传感器的离线尺度标定算法,从而实现了里程计的位姿信息与激光传感器数据的匹配,达到实时点云自动配准的效果。     

果园自主导航兼自动对靶喷雾机器人

为同时实现果园智能植保机自主导航及自动对靶喷雾,研制了一种果园自主导航兼自动对靶喷雾机器人。首先采用单个3D LiDAR（Light Detection and Ranging）采集果树信息确定兴趣区（Region of Interest,ROI）,对ROI内点云进行2D化处理得到果树质心坐标,通过随机一致性（Random Sample Consensus,RANSAC）算法得到果树行线,并确定果树行中间线（导航线）,进而控制机器人沿导航线行驶。通过编码器及惯性测量单元（Inertial Measurement Unit,IMU）确定机体速度及位置,IMU矫正采集到的果树分区冠层信息,最后通过程序判断分区冠层的有无控制喷头是否喷雾。结果表明,机器人自主导航时最大横向定位偏差为21.8 cm,最大航向偏角为4.02°,相比于传统连续喷雾机施药液量、空中漂移量及地面流失量分别减少20.06%、38.68%及51.40%。本研究通过单个3D LiDAR、编码器及IMU在保证喷雾效果的前提下,实现了喷雾机器人自主导航及自动对靶喷雾,降低了农药使用量及飘失量。     

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。     

LiDAR传感器及技术在农业场景的应用进展综述

农业传感器是实现农业现代化发展的关键支撑技术,先进成熟的工业传感器向农业领域拓展应用有效补充了农业传感器的体量。LiDAR传感器由于其较强的抗干扰能力,在复杂多变的农业场景中应用越来越广泛、深入。首先,介绍LiDAR传感器的性能特点,工作原理与分类,市场应用与新技术;然后,基于国内外大量相关研究,系统介绍LiDAR传感器及技术在森林参数测量、果树靶标几何特征探测、作物几何表型特征检测、农业车辆自主导航定位以及农药雾滴飘移检测这5个农业场景的应用进展;同时,针对农业场景中探测对象的特殊性,讨论分析LiDAR传感器及技术在上述5类农业场景应用中的发展趋势;最后,展望LiDAR新技术在农业场景应用中的发展方向,即通过集成自动化采集系统装备与数据智能分析方法进一步提升LiDAR数据精准性、全面性、丰富性和实时性。     

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。     

农机INS/GNSS组合导航系统航向信息融合方法

为解决农机自动导航系统在田间作业过程中因防风树林等对卫星信号产生遮挡与干扰,导致其难以准确获取航向信息等问题,采用惯性导航系统（INS）和全球导航卫星系统（GNSS）航向信息融合方法进行了试验与研究,结合自适应卡尔曼滤波算法构建了综合滤波模型,提出了一种以GNSS信号品质与航向角变化幅度信息为指导的INS/GNSS航向信息融合策略,通过仿真试验以及实际应用测试对航向信息融合效果进行了验证。试验结果表明：以双天线GNSS航向角测量值作为参考基准,在直线行驶过程中,融合航向数据的平均绝对误差为-0.02°,标准差为0.50°;在转向行驶过程中,融合航向数据的平均绝对误差为0.62°,标准差为2.42°;融合后的航向输出结果明显提升了单独使用INS或GNSS时航向数据的精度,且在滤除GNSS航向角测量噪声的同时提高了GNSS航向角解算值的更新速率。该航向角融合算法能够增强农业机械自动导航系统航向角测定的准确性,可为导航系统实际田间作业情况下的抗环境扰动能力提供服务。     

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。     

基于TD-LTE的多机协同导航通信系统研究

为实现多个农机在农田环境中自主导航协同作业,设计了基于TD-LTE的多机协同导航通信系统。该系统由导航定位传感器、无线通信模块、车载控制终端和远程通信软件组成,其中：传感器包含GNSS接收机、惯性测量单元（IMU）和角度传感器,用于获取每台农机的地理位置、自身姿态和车辆转向角信息。无线通信模块采用4G DTU作为系统通信设备,与车载终端串口相连,实现RS232串口转TD-LTE网络功能。4G DTU经配置软件配置好串口参数等信息后,连接目的服务器IP地址和端口号,将车载传感器采集的数据按设计好的通信协议经TD-LTE网络传输到远程服务器的通信软件中。车载控制终端采用工控机（IPC）,实现农机自动导航控制与人机交互。远程通信软件应用Socket网络编程开发了数据接收显示与数据发送的功能模块。系统对每台农机的状态信息实时上传的同时也可以接收远程服务器端对多台农机的协同控制命令,对于软件界面中显示的在线农机,可以根据优先级有选择的进行通信。以4台雷沃欧豹拖拉机为试验平台,每台农机状态信息的发送频率为5Hz,进行了系统稳定性试验测试,丢包率均为0.1%,且均无延迟,系统具有较高的可靠性与实时性。     

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...     

基于改进Gmapping算法的果园二维环境地图精准构建

果树树冠的季节性变化及果树成长和衰老造成的果树特征变化会影响已构建的果园三维环境地图的匹配，故本文提出一种基于改进Gmapping算法的果园二维环境地图精准构建算法。首先该算法对Gmapping算法的前端里程计和后端优化部分分别进行改进，以提高果园二维环境地图的构建精度。对于前端里程计部分采用改进的R-GPF地面分割方法提高其初始定位精度，对于后端优化部分采用BAT启发式自适应重采样方法提高其最终定位精度。然后进行梨园环境对比试验。通过改进R-GPF方法与原始R-GPF方法的对比，改进R-GPF方法的激光雷达里程计输出频率可达到15.58Hz，最大横向偏差小于25cm，横向偏差均值为12.7cm，标准差为 13.4cm，其各方面性能都优于原R-GPF方法的激光雷达里程计。通过新算法与基于原R-GPF的Gmapping算法对比，新算法所得的梨树列间距离偏差始终保持在20cm范围内，行间距离偏差均值为10.3cm，标准差为6.3cm，比基于原R-GPF的Gmapping算法分别减小50%、43.41%和32.26%；同时，梨树行间距离偏差相对于里程计横向偏差的减小侧面反映出后端BAT启发式自适应重采样方法的有效性。本文提出的算法能够提高果园二维地图构建精度，可以满足后续重定位、导航等作业的精度要求。     

基于信息融合的拖拉机组合导航定位系统研究

针对拖拉机在田间作业时因地形倾斜、土质硬度不均、连续转弯而导致的定位误差问题,设计了一种基于GABP神经网络算法的多传感器信息融合导航定位系统。该组合导航系统主要由RTK-GPS和IMU组成,融合了GA-BP卡尔曼算法和误差分析,根据多传感器的导航参数,修正拖拉机的定位误差,使拖拉机的行驶轨迹更加平稳。根据基于MK904型拖拉机建立的导航定位系统试验平台,在洛阳孟津一拖产品试验基地得到原始的导航定位信息,在Matlab中进行算法验证。试验结果表明:在拖拉机直线行驶情况下,该组合导航定位系统侧倾角精度提高了0.01 rad;在连续转弯过程中,左倾时侧倾角精度提高了0.02 rad,右倾时侧倾角精度提高了0.04 rad。说明基于GA-BP神经网络卡尔曼算法的组合导航系统能在一定程度上修正因田间地面起伏不定、土质硬度不均、连续转弯而导致的GPS定位误差,使拖拉机的行驶轨迹更加平稳。