基于K-OPLS的无线传感网络室内定位跟踪算法

针对基于指纹的无线传感网络室内定位,提出了一种基于核隐变量正交投影(Kernel-based orthogonal projection to latent structures,K-OPLS)的定位算法。在O-PLS的模型框架下,K-OPLS算法应用"核技巧"将描述变量映射至高维特征空间,给出了描述变量和响应变量之间的非线性关系,以实现对模型的预测成分及与响应-正交成分的计算。K-OPLS算法集核偏最小二乘建模和正交信号校正预处理方法于一体,在一定程度上有效地改进了模型性能,增强了模型解释性。基于RSSI指纹信息,构建锚节点与处于参考位置的非锚节点之间的非线性映射关系,K-OPLS算法可以实现WSN的室内定位跟踪。将所提出的算法应用于仿真与物理环境下的不同实例中,在同等条件下,还与核岭回归(KRR)、核极限学习机(KELM)、核信噪比(KSNR)、核偏最小二乘(KPLS)、核自适应滤波等其他核学习算法进行比较。仿真实验中,基于小波核的WK-OPLS算法在无噪声和有噪声环境下的跟踪估计误差分别为0. 232 6、1. 320 5 m。物理实验中,基于小波核的该算法跟踪估计误差为0. 249 3 m。实验结果表明,所提算法有效提高了定位精度,而且具有一定的除噪能力。     

UWB精确定位自适应无迹卡尔曼滤波算法

针对超宽带定位(UWB)过程中的非视距(NLOS)误差和非线性滤波问题,提出一种基于峭度识别的UWB精确定位自适应无迹卡尔曼滤波算法。通过分析基于到达时间定位原理,建立了NLOS误差模型。使用峭度作为衡量UWB信道环境的参数,设定阈值鉴别NLOS误差。在无迹卡尔曼滤波过程中引入自适应因子,利用残差向量不断修正增益矩阵,从而减小误差。试验证明,视距环境下,此算法定位精度可达厘米级;非视距环境下,定位精度达到亚分米级。     

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GNSS/MIMU/DR的农业机械组合导航定位方法

为解决实际农田环境中农业机械自动导航系统的位姿信息易受跟踪卫星数动态变化、天线遮挡、数据传输错误等因素影响,造成定位精度和稳定性变差的问题,采用全球导航卫星系统(GNSS)、微机械惯性测量单元(MIMU)及航位推算(DR)相融合的组合导航定位系统,建立了农业机械两轮运动学定位模型,针对系统状态噪声不稳定的因素,提出了一种根据当前估计值与预测值的偏差自适应地调节系统状态协方差阵的扩展卡尔曼滤波算法,并分别基于静止状态和直线导轨运动状态进行了试验验证。试验结果表明,在静止状态和直线导轨运动状态下,采用自适应滤波算法的航向角平均值绝对偏差分别为0.001 4°、0.024 5°,标准差分别为0.047 4°、0.251 1°;位置距离平均偏差分别为0.003 7 m、0.007 6 m,标准差分别为0.001 0 m、0.004 4 m,与固定值滤波算法相比,自适应滤波算法的各项评价指标得到了明显改善,进一步验证了算法改进的必要性和优越性。     

农机车载GPS和DR组合导航系统定位方法

为提高农机车载GPS和DR组合导航系统定位的精度,将模糊逻辑和卡尔曼滤波相结合,研究了模糊自适应卡尔曼滤波算法,在线修正系统量测噪声协方差阵.该算法在改装的农机车上进行了试验.试验表明,模糊自适应卡尔曼滤波能抑制异常值对系统定位精度的影响,定位精度较单个GPS高.系统使用模糊自适应卡尔曼滤波后,x方向和y方向平均误差分别为0.13m和0.20m,定位曲线得到了平滑.     

核最小均方算法的特征映射和参数选择

核函数定义了输入空间到高维特征空间的映射。运用多项式定理,推导多项式核函数和高斯核函数的特征映射函数,找到无限维向量的定义,比较两种特征映射的关系。结合最小均方算法,分别使用两种核函数解决非线性时间序列中高斯噪声时短期预测问题,比较了两种核函数下的核最小均方算法,分析了两种算法在非线性系统短期预测中的鲁棒性和收敛性能,并进行参数选择,提供了一种易于操作的非线性滤波器设计方法。     

复杂动态场景下基于光流分割SLAM算法研究

针对目前主流SLAM(同时定位与建图)算法在动态环境中存在精度大幅下降的问题,提出了一种基于光流分割去除动态物体干扰的DY-SLAM(SLAM In Dynamic Environment)算法。该算法采用实例分割算法结合相邻帧图像之间的稠密光流对动态物体进行分割,在SLAM系统图像帧间匹配前剔除动态物体特征点,提高动态环境下的定位精度。使用公开数据集对算法进行评估,算法的RMSE提升最大可达21.59%,能够有效提高系统在复杂动态环境下的定位精度及鲁棒性。     

基于KPLS和BA的直线进给系统伺服参数优化

直线电机驱动的直线进给系统在数控机床领域应用广泛,然而其驱动性能由于自身的强耦合性和非线性等因素受到影响。为满足机床加工高速度和高精度的性能要求,提出一种基于核偏最小二乘(KPLS)和蝙蝠算法(BA)的伺服系统PID参数优化方法,保证系统输入输出模型准确度的前提下避免了使用仿真模拟的离线和低效等缺点。基于KPLS建立速度超调量和上升时间与PID参数之间的关系模型,采用蝙蝠算法优化伺服参数组合。实验结果表明,该方法能够有效优化伺服系统PID参数,在一定的速度超调量约束条件下可明显缩短上升时间,提高直线进给系统驱动性能。     

基于KFCM和改进分水岭算法的猪肉背最长肌分割技术

提出一种利用核模糊C均值聚类(KFCM)和改进分水岭算法分割猪肉眼肌切面图像中背最长肌区域的方法.该算法对经中值滤波去噪后图像的R分量利用最大方差自适应阈值(OTSU)去除背景,再采用KFCM提取出肌肉组织,然后进行空洞填充,最后由改进的分水岭算法分割出背最长肌区域.利用该算法对采集的60幅猪肉眼肌图像进行处理,分割正确率为86.67%;与传统的形态学算法相比,该算法能真实、完整地恢复出背最长肌区域.结果表明:该算法能有效地分割出猪肉眼肌图像中的背最长肌区域,与改进前分水岭算法相比,能避免背最长肌区域出现欠分割.     

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。     

移动机器人RGB-D视觉SLAM算法

针对移动机器人视觉同步定位以及地图构建(Simultaneous localization and mapping,SLAM)研究中存在精确度较低、实时性较差等问题,提出了一种用于移动机器人的RGB-D视觉SLAM算法。首先利用定向二进制简单描述符(Oriented fast and rotated brief,ORB)算法提取RGB图像的特征点,通过基于快速近似最邻近(Fast library for approximate nearest neighbors,FLANN)的双向邻近(K-nearest neighbor,KNN)特征匹配方法得到匹配点对集合,利用改进后的随机抽样一致性(Re-estimate random sample consensus,RE-RANSAC)算法剔除误匹配点,估计得到相邻图像间的6D运动变换模型,然后利用广义迭代最近点(Generalized iterative closest point,GICP)算法得到优化后的运动变换模型,进而求解得到相机位姿。为提高定位精度,引入随机闭环检测环节,减少了机器人定位过程中的累积误差,并采用全局图优化(General graph optimization,G2O)方法对相机位姿图进行优化,得到全局最优相机位姿和相机运动轨迹;最终通过点云拼接生成全局彩色稠密点云地图。针对所测试的FR1数据集,本文算法的最小定位误差为0.011 m,平均定位误差为0.024 5 m,每帧数据平均处理时间为0.032 s,满足移动机器人快速定位建图的需求。     

基于改进ORB-SLAM2的果园喷药机器人定位与稠密建图算法

针对果园喷药机器人视觉导航过程中定位精度低、地图构建效果差等问题，本文提出一种新的视觉定位与稠密建图算法。该算法基于ORB-SLAM2算法架构，首先，通过优化FAST角点、描述子阈值，并采取图像金字塔法与高斯滤波算法，剔除劣质ORB特征点，以提升图像关键帧质量和特征匹配精度。其次，引入稠密建图线程，利用点云恢复算法、统计滤波方法形成点云队列，采取点云拼接技术与体素滤波算法输出稠密点云地图，并在ORB-SLAM2算法的ROS节点中增加关键帧输出接口与位姿发布话题，通过NeedNewKeyFrame函数选取ORB-SLAM2算法所生成的关键帧，减少系统计算量。最终，由RGB-D相机实现果园喷药机器人的精准定位与稠密建图。为验证本文算法的有效性与实用性，进行TUM数据集仿真分析与真实场景测试，结果表明：相较ORB-SLAM2算法，本文算法的绝对轨迹平均误差降低44.01%、相对轨迹平均误差降低7.93%,ORB特征点匹配数量平均提升19.03%,定位精度与运行轨迹效果均有显著提升，此外，还能获取较高精度的果园喷药机器人工作场景信息。本文算法可为果园喷药机器人的自主导航提供理论基础。     

农业机器人自主导航改进自适应滤波控制器研究

为提高导航精度与控制精度,对农业机器人的自主导航控制进行研究。结合Sage-Husa自适应滤波与强跟踪卡尔曼滤波两种算法优点,利用严格收敛判据,设计了改进的自适应卡尔曼滤波算法。新算法保证了系统的实时性和稳定性,且具有更好的滤波精度。利用变结构切换方法来阻止PID控制器积分饱和现象,有效解决了控制器过饱和问题。将改进的自适应滤波算法与变结构PID控制器相结合,可提高导航系统的稳定性和精度。对所提理论进行仿真与试验,结果表明该方法大幅度提高了滤波器抑制发散的能力和导航的控制精度。     

玉米籽粒直收机夹带损失检测系统设计与试验

针对目前玉米籽粒直收机籽粒损失检测系统缺乏检测夹带损失技术的问题,设计了基于嵌入式单片机的玉米籽粒直收机夹带损失检测系统。该检测系统包括损失检测传感器、数据采集器和数据显示终端,可以同时监测收获机的清选损失和夹带损失,实时反馈收获机的收获损失速率以及损失量。通过模态仿真软件对不同材料、不同厚度的监测板进行有限元分析,选择厚0.5 mm的不锈钢板作为监测板;运用Multisim对滤波器性能进行仿真分析;设计基于STM32系列单片机的自适应限时滤波算法,可以有效抑制谷物撞击引起的的余振干扰。在试验台架上,对不同大小的玉米籽粒、杂余以及玉米穗进行标定试验,获取信号特征;经装机试验表明,玉米籽粒夹带损失检测结果最大误差为9.96%,平均误差约为6.52%,损失速率变化趋势反馈及时,能够辅助工作人员进行作业决策。     

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。     

基于激光雷达的巡检机器人导航系统研究

智能巡检机器人能够高效、可靠地完成巡检任务,降低工作人员的劳动强度,准确、稳定的导航定位是巡检机器人执行巡检任务的基础。本文研究了基于激光雷达的巡检机器人导航系统,可实现机器人在室内外环境下的地图建立、路径规划和导航定位。导航系统由远程监控平台与巡检机器人组成,远程监控平台发布巡检任务、监控机器人状态、查询与存储检测数据,巡检机器人可实现自主导航定位、遍历检测点、执行数据采集等巡检任务,二者通过无线网络实现远程数据交互。融合激光雷达与编码器信息,使用高鲁棒性Gmapping算法建立二维环境地图。根据地图与检测点信息,采用分支界定算法搜索最优巡检路线,以减少巡检时间和能源消耗。使用自适应蒙特卡罗定位(AMCL)算法估计机器人位置和姿态,结合巡检路线,进行导航定位。根据横向偏差与航向偏差,通过经典的PID算法完成机器人驱动控制。机器人搭载可见光相机与红外相机,可对目标进行可见光通道与红外通道的融合图像检测。对巡检机器人进行了室内导航定位试验,试验结果表明,在1 m/s的速度下,位置与航向偏差的平均绝对误差(MAE)分别小于5 cm和1.1°,标准差(SD)分别小于5 cm和1.5°,能够满足巡检导航定位的要求。     

地下管网无线监测系统节点定位方法

研究了国内外监测节点定位方法,根据市政地下管网具体应用环境,结合地下管网无线监测系统应用特点,提出了一种在线优化训练关系函数的递增式测距定位算法,并采用多种定位修正方法提高节点定位精度。      

面向立木识别的有效K 均值聚类算法研究

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的K-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素点的树干边缘,提取3次连续扫描的混合像素及其近邻点组成滤波窗口,进行最大阈值滤波,结果显示50次试验中仅有2个混合像素点未被滤除,混合噪声的滤除率高。在K-均值算法优化方面,针对算法需预先确定聚类数和初始聚类中心的不足,提出利用斜率变化确定聚类数的方法,试验对5个不同距离下5组立木分别进行100次测量,结果显示错误测量次数仅为3次,并可在试验前期通过人工方式去除,算法合理有效;对哈夫曼树法确定立木扫描点聚类中心的性能进行了试验分析,3种不同树干分布类型下分别运用随机抽样法和哈夫曼树法进行K-均值聚类,前者平均正确率仅为76.4%,后者则为95.5%;同时分析了Ⅰ型分布下2种算法聚类的迭代次数和耗时,5个不同距离下,随机抽样法的平均迭代次数明显高于哈夫曼树法,平均运行耗时上,哈夫曼树法则高于随机抽样法,前者变化范围为120~220 ms,后者为50~85 ms,该范围为林区测绘的可接受范围。试验证明,基于斜率变化确定聚类数和基于哈夫曼树法确定聚类中心的K-均值算法是林区立木点云聚类的有效算法,可应用于林区的立木检测。