基于时间序列分析的卡尔曼滤波组合导航算法

GPS广泛用于农业机械导航研究中,其定位误差信号一般存在明显的自相关性,不能满足组合导航中常用的卡尔曼滤波算法观测噪声为高斯白噪声的要求。为此,建立了GPS定位误差AR模型,结合卡尔曼估计结果来预测和修正GPS定位误差,再将修正后的GPS定位信息应用于组合导航中的卡尔曼滤波过程。试验结果表明,无论GPS接收机是在静止还是在运动条件下,处理后的定位误差信号自相关性都明显降低,近似为白噪声;目标路径直线时的最大跟踪误差约为0.15 m,为曲线时,最大跟踪误差约为0.3 m。该方法为低精度GPS应用于农业机械导航提供了可行途径。     

融合里程计信息的农业机器人定位与地图构建方法

目前主流的农业机器人以低成本、低帧率的激光雷达作为即时定位与地图构建（Simultaneous Localization and Mapping, SLAM）的主要传感器,存在运动畸变和误匹配的问题。该研究针对这一问题提出了融合里程计信息的Gmapping建图算法,利用高频率里程计信息为每一个激光束匹配到近似的机器人位姿,获取机器人当前位姿下更为精确的激光数据,以减少激光雷达运动畸变对地图构建产生的影响。利用机器人搭载扫描频率为5 Hz的RPLIDAR A1激光雷达在玉米田及香蕉园中进行了SLAM建图精度测试试验。试验结果表明,在长度为12 m左右的玉米田区域,Gmapping建图算法的平均绝对误差为0.06 m,本研究算法建图平均绝对误差为0.01 m,相比于Gmapping建图算法降低了0.05 m,建图精度为99.5%;在长度为24.43 m的香蕉园区域,Gmapping建图算法的平均绝对误差为0.46 m,本研究算法建图平均绝对误差为0.07 m,相比于Gmapping建图算法降低了0.39 m,建图精度为99.1%。本研究算法有效地降低了低帧率激光雷达运动畸变对Gmapping建图的影响,可以基本满足农业环境下的高精度环境建图需求。     

基于Sylvester方程变形的荔枝采摘机器人手眼标定方法

针对视觉荔枝采摘机器人的Eye-in-Hand视觉与机器人关联方式的手眼标定问题,该文提出一种基于优化的求解齐次变换矩阵方程的手眼标定方法。该方法通过机器人带动其臂上的双目相机从多个位置观测标定板,使用Sylvester方程变形对手眼标定近似方程线性化,再对简单的初值进行优化计算,最终得到精确的标定结果。该方法的软件用C++/Open CV开发实现,并进行了多个试验。试验结果表明,视觉与机器人关联后,定位误差与机器人运动次数相关,当距目标1 m左右,静态时的视觉系统误差均值为0.55 mm;动态工作时,视觉关联机器人重复定位误差的均值为2.93 mm,标准差为0.45 mm,符合具有容错功能的视觉荔枝采摘机器人的实际使用需求。使用基于Sylvester方程变形的手眼标定方法标定的视觉荔枝采摘机器人,在野外环境下,总体采摘成功率达到76.5%,视觉系统成功识别、定位采摘点的情况下,采摘成功率达92.3%。     

基于LIO-SAM建图和激光视觉融合定位的温室自主行走系统

为解决传统导航方案在温室内无法应对光照变化大、作物行间距窄、接收GPS信号差等问题,该研究提出了基于即时定位与地图构建技术的激光视觉融合式自主导航算法。该系统利用三维激光雷达VLP-16(Velodyne LiDAR,VLP-16)和惯性测量单元获取温室环境信息,采用基于紧耦合的雷达惯导定位建图（tightly-coupled lidar inertial odometry via smoothing and mapping,LIO-SAM）算法构建导航地图,基于轮式里程计和视觉里程计采用扩展卡尔曼滤波器算法实现局部定位,融合激光点云配准算法和自适应蒙特卡洛定位算法实现全局定位。同时,在自主行走系统应用A*算法规划全局路径和动态窗口算法规划局部路径,从而实现自主导航。试验结果表明,LIO-SAM算法构建的温室导航地图最大相对误差、最大绝对误差和均方根误差分别为9.9%、0.081和0.063 m,在温室内改进后的定位算法横向偏差小于0.020 m,纵向偏差小于0.090 m;当自主行走系统以0.15、0.30和0.50 m/s的速度运行时,横向偏差、纵向偏差和航向偏角的平均值分别小于0...     

基于全视域GA-SVR模型的鱼类行为双目视觉观测系统标定

针对大视场水下环境鱼类行为视觉观测系统较难准确标定的问题,该文以双目立体测量系统为例,提出一种基于全视域GA-SVR(genetic algorithm-support vector regression)模型的鱼类行为三维观测系统标定方法。该方法选用具有圆点靶标的方形标定板为标定工具,通过设计具备前后左右移动能力的简易滑动轨道,实现了标定板的全视域空间定位。然后利用HALCON算子获取标定板靶点二维坐标,联立标定板空间位置,构建训练样本集。选取SVR模型对样本集进行训练,对比不同的寻优算法对支持向量回归模型的参数组合寻优结果,选用最优参数分别建立X,Y,Z轴标定模型。试验结果表明,利用遗传算法进行参数寻优构建的标定模型,其X、Y、Z轴测量均方误差分别为0.959、0.893和4.381 mm,互相关系数分别为0.999 988,0.999 998和0.998 356,优于差分进化算法和粒子群算法参数寻优的标定结果。与传统标定方法比较,该方法单点测量均方误差为1.861 mm,距离测量均方误差为0.706 mm,均低于空气中标定方法(单点均方误差27.75 mm;距离均方误差10.188 mm)和水下测量标定方法(单点均方误差8.215 mm;距离均方误差2.832 mm)的标定结果,有效的提高了鱼类行为视觉观测系统的定位精度。该研究可为鱼类行为量化方法研究和优化提供理论支持和技术参考。     

双激光雷达温室运输机器人导航系统研制

为解决机器人在温室环境下的自主导航问题,该研究研制了基于双激光雷达的温室运输机器人导航系统,实现温室环境下的地图构建、路径规划和定位导航。融合激光雷达与编码器信息,使用cartographer算法及时定位与地图构建。根据地图与检测点信息,采用Dijkstra算法规划全局路径,使用动态窗口算法规划局部路径,完成自主导航。试验表明,车载系统分别以0.2、0.5和0.8 m/s速度运行时,实际导航路径与目标路径的横向平均偏差小于13 cm,标准差小于5 cm;导航目标点处横向偏差、纵向偏差的平均值不超过9 cm,均方根误差不超过11.2 cm,标准差小于5 cm,航向偏差的平均值小于10°,均方根误差小于12°,标准差小于6°,满足机器人温室运输作业的导航精度需求。     

基于改进粒子滤波的农用车辆导航定位方法

针对农业机械导航系统中常用的Kalman滤波对多传感器数据进行融合的算法不适用于非线性农用车辆导航系统的问题,该文采用粒子滤波方法进行数据融合,以获得准确的导航定位信息;该算法增加抗野值步骤,有效削弱GPS跳变引起的误差;通过对重要密度函数进行改进,引入无迹卡尔曼滤波方法（UKF）,并采用不同重采样方法,有效抑制了粒子退化;增加MCMC步骤,减少了样本枯竭现象。仿真结果表明,改进后粒子滤波方法,可有效提高精度,减小导航误差,可满足农用车辆与作业机械的导航要求。     

基于卡尔曼滤波的车辆侧偏角软测量

针对车辆稳定性控制过程中难以在线测得车辆侧偏角的问题,该文基于参数软测量理论和离散信号滤波理论,并结合卡尔曼滤波和驾驶员—车辆闭环系统模型建立车辆侧偏角软测量模型。该方法通过易测变量横摆角速度和侧向加速度估算车辆侧偏角,以实现车辆侧偏角的状态估计。基于预瞄最优曲率控制理论和预测—跟随理论所建立的二自由度驾驶员—车辆闭环系统建立了软测量模型,并建立其状态方程和观测方程。为进行状态估计,对模型的状态方程和观测方程进行连续系统离散化,得到以横摆角速度和侧向加速度为观测量的系统离散观测方程。通过双移线试验与蛇形试验进行场地试验获取纵向速度、侧向速度、横摆角速度、侧向加速度及车辆侧偏角等试验数据。估计值和试验值比较显示,两者变化趋势一致,误差均值在试验值幅值的10%以内,试验表明,软测量算法能准确估算出车辆侧偏角是可行的。研究结果可为软测量技术在车辆稳定性控制系统上的应用提供参考。     

采用改进YOLOv5的蕉穗识别及其底部果轴定位

为提高香蕉采摘机器人的作业效率和质量,实现机器人末端承接机构的精确定位,该研究提出一种基于YOLOv5算法的蕉穗识别,并对蕉穗底部果轴进行定位的方法。将CA（Coordinate Attention）注意力机制融合到主干网络中,同时将C3（Concentrated-Comprehensive Convolution Block）特征提取模块与CA注意力机制模块融合构成C3CA模块,以此增强蕉穗特征信息的提取。用 EIoU（Efficient Intersection over Union）损失对原损失函数CIoU（Complete Intersection over Union）进行替换,加快模型收敛并降低损失值。通过改进预测目标框回归公式获取试验所需定位点,并对该点的相机坐标系进行转换求解出三维坐标。采用D435i深度相机对蕉穗底部果轴进行定位试验。识别试验表明,与YOLOv5、Faster R-CNN等模型相比,改进YOLOv5模型的平均精度值（mean Average Precision, mAP）分别提升了0.17和21.26个百分点;定位试验表明,采用改进YOLOv5模型对蕉穗底部果轴定位误差均值和误差比均值分别为0.063 m和2.992%,与YOLOv5和Faster R-CNN模型相比,定位误差均值和误差比均值分别降低了0.022 m和1.173%,0.105 m和5.054%。试验实时可视化结果表明,改进模型能对果园环境下蕉穗进行快速识别和定位,保证作业质量,为后续水果采摘机器人的研究奠定了基础。     

多光谱低空遥感图像光照辐射度校正

为了提高受云层阴影影响的遥感图像的信息提取准确度,该文以水稻小区试验过程中为进行氮素水平检测而采集的低空机载高分辨率多光谱遥感图像为对象,对受云层阴影影响的高光谱图像进行光谱校正,从而提高氮素水平检测的精度。试验中采用机载的双摄像机同步采集可见光和近红外的水稻遥感图像,并将两摄像机的图像进行几何校正后合成得到彩红外(color infrared,CIR)光谱图像;同时在图像采集区域布置3块不同反射率的1.2 m×1.2 m标定靶,利用便携式光谱仪测定标定靶的反射光谱曲线,并统计标定靶在图像中各通道的亮度均值。以标定靶在晴天无云和有云图像中的亮度值为节点,对G、R和近红外(near infrared,NIR)通道分别建立分段的线性变换模型进行校正。为验证校正精度,在遥感图像中分别选择大田水稻、小区试验田块和裸地3个不同区域的图像的G、R和NIR通道像素亮度均值及归一化植被指数(normalized differential vegetation index,NDVI)作为评价指标。试验结果表明,和传统的整体线性变换相比,采用分段线性变换校正具有较高精度,G、R和NIR通道校正后的平均误差为8.6%,9.1%和11.7%,NDVI平均误差为11.5%,有效提高了阴影条件下的遥感图像的信息提取精度,提高了受云层影响遥感图像的利用率。研究为低空遥感的图像校正提供了参考。     

农业机械全方位视觉定位系统的定位算法

农业机械全方位视觉定位系统根据标识方位角角度估算传感器相对于标识坐标系的绝对位置,包括系统校正、除噪、标识特征提取、方位角度估算和定位算法,其中定位算法是实现农业机械全方位视觉定位系统的关键部分。该文主要研究了4个标识和3个标识的定位算法,并通过室外30m×30m平地上的定点试验和传感器倾斜试验验证定位精度及传感器倾斜对定位精度的影响。试验结果表明,试验点坐标的估算值与实测值之间距离的均方根误差与平均绝对误差分别为14.75和14.06cm,最大绝对误差为25.72cm;倾斜角度越大,对定位精度的影响越大。研究表明本文定位算法是可行的,且算法简单、运行速度快;实用中当传感器倾斜角度大于5°或者凹凸不平明显的作业环境中,有必要考虑传感器倾斜造成的定位误差的补偿。     

基于三目视觉的自主导航拖拉机行驶轨迹预测方法及试验

为了实现自主导航拖拉机离开卫星定位系统时能够持续可靠工作,该文提出了基于三目视觉的拖拉机行驶轨迹预测方法。该方法将三目相机分解为长短基线2套双目视觉系统分时独立工作。通过检测相邻时刻农业环境中同一特征点的坐标变化反推拖拉机在水平方向上的运动矢量,并通过灰色模型预测未来时刻的运动矢量变化,最终建立不同速度下的前进方向误差模型。试验结果表明:拖拉机行驶速度为0.2 m/s时,46.5 s后前进方向误差超过0.1 m,对应行驶距离为9.3 m。行驶速度上升到0.5 m/s时,该时间和行驶距离分别降低到17.2 s和8.6 m。当行驶速度上升到0.8 m/s时,该时间和距离分别快速降低至8.5 s和6.8 m。行驶速度越高,前进方向误差增速越高。该方法可用于短时预测拖拉机的行驶轨迹,为自主导航控制提供依据。     

基于视觉里程计和自然信标融合的移动机器人定位算法

针对未知室内环境下移动机器人的定位问题,提出了一种基于单目视觉和自然信标融合的移动机器人定位算法。该方法采用普通摄像头和全景摄像头结合的方式进行定位。采用普通摄像头提取天花板特征,进行视觉里程计定位。全景普通摄像头提取周边环境及天花板信息,采用Harris-SIFT构建自然信标库,并且进行自然信标检测与识别。在两者的基础上,移动机器人进行实时定位。利用自然信标定位时,提出方向滤波器结合视觉里程计和惯导系统估计旋转角度,利用自然信标求取定位特征点,两者结合进行定位。该方法有效地结合了相对定位的快速性和绝对定位的准确性。在室内环境进行试验,其中自然信标定位在x,y方向的平均误差分别为38.66和31.54 mm。相比视觉里程计而言,结合自然信标定位的平均误差分别减小了32.53%和68.68%。融合视觉里程计的自然信标定位运算速度相比仅靠自然信标定位而言提高了约6倍左右,同时与视觉里程计定位处于同一数量级。试验结果表明相对于视觉里程计而言,所提算法大大提高了定位精度,同时不影响算法的实时性。     

利用无人机倾斜影像与GCP构建高精度侵蚀沟地形模型

为了提高侵蚀沟立体建模与监测的精度,该文采用消费级无人机作为低空遥感平台,以黄土高原一典型切沟为研究对象,通过无人机采集的倾斜影像与部署的地面控制点,采用多视立体运动恢复结构方法(structure from motion with multi-view stereo,Sf M-MVS)构建了高精度侵蚀沟表面模型,对其建模精度与数字高程模型、正射影像等成果进行分析,并与传统正射航图建模成果进行了比较。结果表明:构建的侵蚀沟稠密点云模型的水平均方根误差约为0.096 m,高程均方根误差约为0.018 m,满足1:500比例尺数字线划图与正射影像图的要求。与正射航图建模成果相比,高程误差减小了50%;侵蚀沟稠密点云的整体密度与地面激光雷达相当,且避免了后者多站拼接造成的密度不均问题。除了沟头部分的小块内凹区域,沟壁、沟头部分没有明显的空洞,植被覆盖的区域也能够正常建模。而正射航图的建模成果中在沟头内凹部分以及植被覆盖部分存在大块的空洞;由侵蚀沟的数字高程模型与等高线图可见,构建的侵蚀沟模型能够准确地反映切沟的形态特征。总体而言,该方法在侵蚀沟的高精度建模与监测方面具有显著优势,具有推广应用的潜力。     

基于集合卡尔曼滤波的地表水热通量同化研究

地表水热通量是研究地表能量转换与水文过程中的重要参数,本文借助通用陆面模式CLM3.0(Community Land Model3.0)为动力框架,利用集合卡尔曼滤波作为同化算法构建单站点的地表水热通量同化系统,并利用Ameriflux通量观测网上Chestnut Ridge、ARM SGP Main以及Tonzi Ranch三个站点的通量观测数据进行直接同化地表水热通量试验。结果表明,在三种不同下垫面下,RMSE直接同化水热通量能够很好地改善地表总水热通量的估算效果。经过同化通量观测值,模式输出的通量值的RMSE均有减小。在代表农田下垫面的ARM SGP Main站,感热通量的RMSE由67.49W/m2下降至14.07W/m2,潜热通量的RMSE由70.07W/m2下降至14.35W/m2;在代表森林下垫面的Chestnut Ridge站,感热通量的RMSE由82.56W/m2下降至48.56W/m2,潜热通量的RMSE由42.99W/m2下降至38.92W/m2;在代表草地下垫面的Tonzi Ranch站,感热通量的RMSE由62.99W/m2下降至17.85W/m2,潜热通量的RMSE由44.76W/m2下降至36.01W/m2。相对于通过同化地表温度和湿度间接改善地表水热通量预报的研究结果,直接同化地表水热通量的结果好于前者。但值得注意的是,针对集合同化方法,不同初始场误差、观测误差和大气强迫数据误差的扰动强度都会对同化结果造成影响。从同化系统对3种误差的敏感性分析结果来看:观测误差的影响最大且减小观测误差能够减小同化后的RMSE值,估计观测误差的方法是否合理会直接影响同化结果的好坏;初始场误差对同化后的RMSE值影响最小;另外,增加大气强迫数据误差和初始场误差能减小同化后的RMSE值。     

蔬菜嫁接机器人嫁接苗特征参数的视觉测量方法

嫁接用苗的直径、生长点坐标、苗长等特征信息,是判断能否嫁接匹配的有效参数特征,也是迅速获取机器人嫁接位置参数的重要依据。为了提取相关蔬菜嫁接机器人的嫁接用苗特征信息(嫁接苗生长点坐标、砧木苗子叶茎截面的长短轴直径、穗木苗子叶茎截面长短轴直径、砧木苗长度及穗木苗长度等),该文提出了一种图像处理综合算法。该算法首先确定采集后图像的初步目标范围,然后进行预处理,获得单色图像,利用灰度阶跃变化选定兴趣区域,而后对图像进行中值滤波和图像增强;利用基于高斯拟合、求反和基于大津法阈值分割相结合的信息提取方法,获得生长点横坐标,结合形态学开闭处理方法及逻辑搜索运算,引入有效行连续的概念,剔出强光噪声的干扰,获得了所需的各长短轴直径图像坐标;利用标定结果和相机图像到世界坐标转换的对应关系,获得最终各项指标信息。在自行研发的嫁接机器人样机上,以葫芦类砧木苗为试验对象,经过500次试验,与传统手工实际测量值相比,该算法实测值平均误差小于0.0053 mm,直径最大误差小于0.02 mm,从而验证了该算法的可行性和有效性。该算法能在线获取嫁接苗特征信息,满足嫁接实时要求。     

基于自监督学习的温室移动机器人位姿跟踪

为实现温室环境下机器人行进过程中的位置及姿态跟踪,该研究提出一种基于时序一致性约束的自监督位姿变换估计模型。模型用软遮罩,处理视频帧间静止造成的位姿预测值收缩现象,进一步用归一化遮罩,解决非刚体场景和目标遮挡问题。设计了一种星型扩张卷积,并基于该卷积,为模型构建自编码器。在采集自种植作物为番茄的日光温室视频数据上开展训练和测试试验。结果表明,与不采用遮罩处理的模型相比,采用软遮罩的模型,位置和姿态估计相对误差分别减少5.06个百分点和11.05个百分点,采用归一化遮罩的模型,这2项误差则分别减少4.15个百分点和3.86个百分点,2种遮罩均可显著提高模型精度;星型扩张卷积对降低模型误差是有效的,在网络参数不变的前提下,该卷积使姿态估计相对误差减少7.54个百分点;时序一致性约束使姿态估计均方根误差下降36.48%,每百帧累积姿态角误差降低54.75%,该约束可用于提高模型精度及稳定性;该研究的位置及姿态估计相对误差分别为8.29%和5.71%,与Monodepth2相比,减少了8.61%和6.83%。该研究可为温室移动机器人导航系统设计提供参考。