基于多传感器融合的室内AGV定位导航研究
这是一篇关于室内AGV,多传感器融合,室内定位,自主导航的论文, 主要内容为针对AGV在物流运输环节易出现定位精度低,传感器信号丢失,导航轨迹误差大等问题。本文开展了有关室内AGV驱动系统和定位导航系统研究。在室内分拣运输环节,货物杂多,同一环境下多个AGV同时运行,传统的磁导航AGV并不适用。本文在此基础上设计了一款基于多传感器融合的室内AGV。新设计的室内AGV采用两组麦克纳姆轮结构,使得AGV具备全向运动的能力。首先,设计了室内AGV的驱动单元,并根据尺寸要求,设计了本体构型。接着,开展AGV运动学模型研究,得出AGV逆/正运动学模型。最后,开发了室内AGV的软硬件系统,为后续多传感器融合研究奠定基础。AGV在室内进行定位导航时易出现位置偏差大,定位不精准的问题。针对这一问题,本文提出了新型的多传感器融合方案。首先,分析了AGV使用环境以及使用要求,选择合适的传感器。接着,对传感器融合进行研究,提出了一种基于轮式里程计、惯性测量单元、超宽带定位系统以及激光雷达的融合定位框架。在实现该框架前,先开展了有关扩展卡尔曼滤波和自适应蒙特卡洛算法的研究。最后,将传感器数学模型带入算法中,从而设计出室内AGV自主定位导航算法。此外还针对自适应蒙特卡洛算法粒子初始化困难这一问题,改进了原有算法。为了更好运行AGV自主定位导航算法,在ROS系统上开发了上位机软件。通过搭建仿真环境,测试了室内AGV定位精度和系统鲁棒性,并运用Matlab自带的tag工具绘制了定位误差图。实验表明,基于多传感器融合的室内定位相较于单一传感器定位在精度上有较大提升。最后,验证了改进后的自适应蒙特卡洛算法可行性。
基于多传感器融合的车辆纵向动力学鲁棒控制方法研究
这是一篇关于车辆状态估计,多传感器融合,H∞/AKF,纵向动力学控制,鲁棒控制的论文, 主要内容为近几年,自动驾驶技术高速发展,成为了汽车专业领域的热点话题。市面上的自动驾驶汽车已经具备了在一些特定典型场景中实现无人驾驶运行的能力,但面对多种多样的突发情况,还是无法完全保证车内人员的安全。主要原因在于车辆的感知系统与控制系统易受环境噪声和系统噪声的干扰,导致汽车感知与控制误差较大。针对以上问题,本文针对基于多传感器融合的车辆纵向动力学鲁棒控制方法展开研究,主要研究工作如下:(1)车辆动力学状态估计。考虑在实际中车辆的横纵向车速、轮胎-路面摩擦系数、轮胎刚度等车辆状态参数测量比较困难,提高对本车辆运动状态的观测精度和鲁棒性,设计了三个模块化状态观测器对车辆的行驶状态进行估计。首先,针对实际车辆中车轮转速传感器易受环境噪声干扰的问题,基于车轮动力学模型设计了车轮转速观测器,并基于李雅普诺夫理论证明了观测器的稳定性;然后,考虑到环境中加性噪声的干扰,基于车辆七自由度动力学模型和Dugoff轮胎模型,针对车辆的横纵向车速、横摆角速度和轮胎-路面摩擦系数设计了非线性状态观测器,并基于李雅普诺夫稳定性求解了观测器的增益范围,同时证明了所设计观测器的收敛性和鲁棒性;最后,基于Dugoff轮胎模型,利用递归最小二乘(Recursive Least Square,RLS)方法对轮胎的侧偏刚度和扭转刚度进行了估计,并引入了遗忘因子以调节观测值的收敛速度。(2)多传感器数据融合。考虑环境的动态不确定性以及传感器系统的随机干扰,为提高感知系统的冗余度、鲁棒性和精确性,提出了一种新的多传感器数据融合方法。首先,基于匈牙利算法对多传感器的感知障碍物进行目标关联,减小因多传感器感知目标匹配错误而引起的融合误差;然后,考虑到系统建模不确定性、环境噪声不确定性等干扰,结合H∞滤波和自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)的优势,提出了一种混合H∞/AKF的数据融合方法,并在AKF中引入了衰减因子,避免因环境噪声导致的误差累积引起系统发散。最后,考虑到道路曲率带来的横向偏移量,设计了本车道最近目标车辆(Closest In-Path Vehicle,CIPV)的筛选逻辑,并将CIPV的多传感器融合信息用于车辆纵向动力学控制。(3)车辆纵向动力学控制。针对车辆系统的不确定性问题,考虑智能车的安全性、舒适性等约束条件,提出车辆纵向动力学鲁棒最优控制算法,基于H∞控制理论建立车辆纵向动力学鲁棒性设计准则,实现车辆的纵向鲁棒控制。首先,基于卡尔曼滤波(Kalman Filter,KF)算法,融合传感器感知的车道信息和车辆动力学信息对道路的曲率进行估计;然后,基于融合的道路曲率对跟车时距和安全车速进行设计,实现车辆在跟驰场景下的自适应控制;最后,考虑底盘系统不确定性和系统建模不确定性的扰动,利用李雅普诺夫稳定性理论设计了基于H∞的车辆纵向动力学闭环控制器。(4)硬件在环验证。针对本文所提出的方法,建立了多种不同的硬件在环测试场景进行验证,结果表明,所提出的基于多传感器融合的车辆纵向动力学鲁棒控制方法能满足车辆的舒适性、安全性、鲁棒性和实时性要求,可应用于实际的车辆控制器和智能驾驶场景。
牛项圈研制与牛只个体行为分类研究
这是一篇关于牛项圈,多传感器融合,行为识别,DeepConvLSTM,GRU的论文, 主要内容为牛只行为是反映牛只健康状况的一种重要表现,准确高效地监测、分析牛只行为有助于了解牛只的生理、健康和福利状况。本文以牛只为研究对象,设计基于多传感器融合的牛项圈,实现对牛只行为姿态(加速度和角速度)、体表温度、室内位置4项基本序列数据,以及叫声(正常、发情)和吞咽声3项音频数据的采集。对采集到的数据进行增强、去噪、归一化等预处理,采用SVM、KNN、RF机器学习算法以及Deep Conv LSTM深度学习方法对牛只躺卧、站立、行走、进食4种行为进行分类;采用双层双向GRU网络实现对牛只声音的识别。本文主要工作总结如下:(1)为监测牛只行为状态和体征信息,设计一款基于多传感器融合的牛项圈。首先基于功能需求进行器件选型与系统的总体设计。然后对系统各模块的硬件电路进行设计,包括数据采集模块以及数据存储模块。在硬件设计的基础上,实现各模块的软件功能编写,包括通信驱动设计,姿态数据、体表温度、音频数据的采集程序设计,以及基于蓝牙接收信号强度(Received Signal Strength Indicator,RSSI)的定位程序设计。最后对牛项圈进行辅助穿戴设计,进而实现完整的牛项圈研制。(2)为验证项圈整体功能和数据采集的准确性,对项圈进行测试与数据预处理。首先在牛场环境下使用最小二乘法对路径损失函数进行拟合,然后进行牛只定位测试,其平均误差约为1m;采用二元曲线拟合以及考虑时间的3维多项式曲面拟合方法,实现牛只体表温度与直肠温度的校正,2=0.9854;同时对获取到的姿态信息与音频信息进行分析。测试结果表明,该项圈采集到的数据有效可用。最后对采集到的数据进行增强、去噪、标准化等相关预处理,获得260084条序列数据及258条音频数据,为牛只行为识别分类提供可靠的数据基础。(3)利用牛项圈采集到的数据,实现牛只行为与声音的识别。首先基于手动提取特征的方式对牛只行为数据进行统计量、谱统计量和信息熵三方面特征提取;使用方差过滤法、卡方过滤法和主成分分析(Principal Component Analysis,PCA)对冗余特征进行过滤与降维;最后使用SVM、KNN、RF机器学习方法对牛只行走、站立、躺卧、进食4种行为进行分类识别,其中RF准确率最高,达到了99.59%。然后使用Deep Conv LSTM模型,对比分析不同数据集(是否集成位置信息)对牛只行为的分类性能,结果表明加速度传感器与位置信息的集成可以更准确的监测牛只行为活动。最后,基于双层、双向的GRU网络对牛只叫声(正常、发情)、吞咽声进行识别。其中,吞咽声的F1分数最高,达到了93.87%;正常情况下的牛只叫声F1分数最低,为87.66%。
受限空间智能灭火系统研究与设计
这是一篇关于火灾识别,多传感器融合,深度学习,快速灭火,受限空间的论文, 主要内容为公共交通客舱、图书馆、高层住宅等受限空间具有空间受限、可燃物种类复杂、消防人员难以及时救援等特点,若发生火灾,容易造成严重的人员伤亡与财产损失。当前受限空间一般采用单传感器识别火灾,识别时间长、易误报漏报,灭火装置一般为灭火器或水喷淋系统,灭火效率低,难以应对严峻的消防形势。针对以上情况,本文设计了一款针对受限空间的智能灭火系统,提出了多传感器数据融合的火灾识别技术,设计了高效灭火系统主机,实现了快速识别、快速灭火功能,并搭建了系统平台完成了验证工作。首先,针对单传感器识别误报率高、时间长的缺点,本文提出一种基于摄像头与温感、烟感、CO等传感器融合的火灾识别算法。基于温度、烟雾、一氧化碳传感器,设计了结合时间趋势的识别算法MK-XGBoost,仿真准确率达到98.4%。基于可见光视频摄像头,本文提出一种改进的火灾识别算法:先采用运动检测和颜色检测进行火灾初步判断,然后采用基于改进Ghost-Res Net50的深度学习算法进行识别,仿真表明每秒可采样7帧图像,准确率达到97.8%。在此基础上,基于层次分析法实现融合的火灾分级预警,其准确率更高,降低了误报率。然后,针对目前受限空间原有设备灭火效率较低等问题,本文完成了受限空间灭火主机的设计,其中包括电源配置、喷淋装置配置、控制器配置,设计了灭火主机控制方案,包括主回路控制、喷淋信号响应控制与运行监控。基于物联网技术,开发了针对智能灭火系统的多设备云管理平台。云管理平台采用B/S架构,使用了Spring MVC框架完成了云管理平台开发,实现了对灭火主机的远端管理与监控。最后,基于上述设计分别搭建了火灾识别模块与针对公交客舱的灭火主机,完成了测试工作,并在公交客舱上进行了灭火系统性能测试。测试结果表明该系统识别速度快、灭火速度快,火灾发生后,该系统火灾可在13s内扑灭汽油引起的火灾。
基于多传感器融合的线控转向系统控制研究
这是一篇关于线控转向,多传感器融合,双电机控制,滑模控制,数据处理的论文, 主要内容为线控转向控制系统取消除转向盘和转向执行机构之间的机械连接,利用搭载多种传感器的电子系统控制转向电机与路感电机实现转向操作,是智能车辆安全行驶的重要系统之一。为了保证线控转向系统能精准稳定的执行转向,本文展开了多传感器融合的线控转向系统研究,主要研究内容如下:(1)根据线控转向系统工作原理,设计多传感器融合的线控转向系统硬件方案。以线控转向系统的转向精准度和稳定性作为控制目标,分析转向电机与路感电机、转速传感器、转角传感器和电流电压传感器的功能及特性,并进行选型。(2)为了满足转向系统的模拟路感和转角跟随的设计要求,本文提出了一种积分变结构与扰动观测器复合的滑模控制方法,利用扩张滑模观测器观测电机参数变化及负载转矩的扰动值,并将扰动值作为速度控制器的补偿,以增强滑模控制的抗干扰能力。在此基础上,设计模糊角传动比,在滑模调速控制器上加入位置控制器实现方向盘与转向电机的转角跟随。其次,设计力传动比将转向电机的反馈力矩转换成电流控制路感电机,从而模拟路感信息反馈给驾驶员获取舒适的操纵性。最后,设计路感电机与转向电机的控制电路,并将控制策略嵌入到控制器中验证路感电机与转向电机协同控制的有效性。(3)为了能提供安全可靠的转向决策,本文设计了倾角传感器、角度传感器及车速传感器采集电路,以获取线控转向系统的转向信息。同时,提出了Kalman滤波与数字滤波相结合的滤波方式,滤除总线电压和车速信息中的电磁干扰。其次,利用角度传感器与多点采样过零检测法测量方向盘角度,再以角度传感器测量数据为基准对多点采样过零检测法测量数据进行矫正,提高方向盘转角与电机转角的跟随精度。最后,利用JY901B传感器内部的动力解算和Kalman滤波,削弱采集转向姿态信息而产生的系统误差和干扰噪声,并将各个传感器采集的转向信息上传到显示界面,实现线控转向系统的转向数据实时检测。验证控制方法的有效性,采用示波器测试电机硬件电路的控制信号,并结合电机控制平台验证路感电机与转向电机协同控制的性能。同时利用传感器监测线控转向系统的转向姿态,保障线控转向系统安全稳定的操纵性。
基于激光雷达与相机融合的实时动态多目标检测
这是一篇关于机器人,相机,激光雷达,多传感器融合,目标检测的论文, 主要内容为社会发展使得人力资源短缺问题加剧,人们倾向于使用配备视觉传感器的移动机器人以提高生产效率。目前,由于腿足机器人行走时晃动的运动特性,且动态目标的速度或加速度的变化,致使机器人动态目标检测速度不佳、精度不足、被遮挡目标和小尺度目标漏检率高。针对这些问题,本文基于激光雷达与相机传感器融合的方法来识别目标并预测碰撞时间,克服了单一传感器目标检测的缺陷,在保证实时性的前提下,提高了机器人目标识别、定位及碰撞预测的精度。主要研究内容如下:(1)对于激光雷达,主要通过软体素化代替硬体素化来改进Voxel Net模型进行目标检测,检测过程首先基于坡度的地面提取算法来滤除地面,然后使用随机采样一致性算法对点云聚类,最后基于主成分分析拟合矩形框边界框。试验结果表明改进的Voxel Net模型有效缓解了硬体素化带来的性能抖动,相较原先的模型检测速度快、精度高约3%,但是比起用相机检测的精度还差很多。(2)对于相机目标检测,分析相机成像原理及几个坐标系之间的转换对相机进行内参标定,并通过YOLOv3模型进行检测目标边界框及置信度,并提取与匹配图像的特征点来预测碰撞时间,实验表明用相机来检测目标边界框还是很可靠的,其检测速度和精度都很高,但是检测位置的精度不高以致预测的碰撞时间不准确。(3)对于激光雷达和相机融合识别目标,首先图像数据通过YOLO检测边界框,随后将基于标定板关键点的联合标定算法改进为3D-3D的联合标定算法,得出误差更小的激光雷达到相机的转换矩阵,再通过ROS进行时间同步,将点云实时投影到图像,基于视场(FOV)划分技术优化基于密度的噪声应用空间聚类算法(DBSCAN)来聚类点云,以得到更准确的边界框,最终融合相机检测的边界框和激光雷达检测的边界框并预测碰撞时间。实验结果发现融合检测比仅使用激光雷达或相机传感器检测具有更高的精度,并且FPS值也能达到实时检测的要求。对于配有实时识别系统机器人,通过本文的程序就可以使真实机器人更好的实时检测静态动态目标,预测碰撞时间并躲避障碍物。实验验证表明了本文所提算法的有效性和可靠性。
基于多传感器融合的车辆纵向动力学鲁棒控制方法研究
这是一篇关于车辆状态估计,多传感器融合,H∞/AKF,纵向动力学控制,鲁棒控制的论文, 主要内容为近几年,自动驾驶技术高速发展,成为了汽车专业领域的热点话题。市面上的自动驾驶汽车已经具备了在一些特定典型场景中实现无人驾驶运行的能力,但面对多种多样的突发情况,还是无法完全保证车内人员的安全。主要原因在于车辆的感知系统与控制系统易受环境噪声和系统噪声的干扰,导致汽车感知与控制误差较大。针对以上问题,本文针对基于多传感器融合的车辆纵向动力学鲁棒控制方法展开研究,主要研究工作如下:(1)车辆动力学状态估计。考虑在实际中车辆的横纵向车速、轮胎-路面摩擦系数、轮胎刚度等车辆状态参数测量比较困难,提高对本车辆运动状态的观测精度和鲁棒性,设计了三个模块化状态观测器对车辆的行驶状态进行估计。首先,针对实际车辆中车轮转速传感器易受环境噪声干扰的问题,基于车轮动力学模型设计了车轮转速观测器,并基于李雅普诺夫理论证明了观测器的稳定性;然后,考虑到环境中加性噪声的干扰,基于车辆七自由度动力学模型和Dugoff轮胎模型,针对车辆的横纵向车速、横摆角速度和轮胎-路面摩擦系数设计了非线性状态观测器,并基于李雅普诺夫稳定性求解了观测器的增益范围,同时证明了所设计观测器的收敛性和鲁棒性;最后,基于Dugoff轮胎模型,利用递归最小二乘(Recursive Least Square,RLS)方法对轮胎的侧偏刚度和扭转刚度进行了估计,并引入了遗忘因子以调节观测值的收敛速度。(2)多传感器数据融合。考虑环境的动态不确定性以及传感器系统的随机干扰,为提高感知系统的冗余度、鲁棒性和精确性,提出了一种新的多传感器数据融合方法。首先,基于匈牙利算法对多传感器的感知障碍物进行目标关联,减小因多传感器感知目标匹配错误而引起的融合误差;然后,考虑到系统建模不确定性、环境噪声不确定性等干扰,结合H∞滤波和自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)的优势,提出了一种混合H∞/AKF的数据融合方法,并在AKF中引入了衰减因子,避免因环境噪声导致的误差累积引起系统发散。最后,考虑到道路曲率带来的横向偏移量,设计了本车道最近目标车辆(Closest In-Path Vehicle,CIPV)的筛选逻辑,并将CIPV的多传感器融合信息用于车辆纵向动力学控制。(3)车辆纵向动力学控制。针对车辆系统的不确定性问题,考虑智能车的安全性、舒适性等约束条件,提出车辆纵向动力学鲁棒最优控制算法,基于H∞控制理论建立车辆纵向动力学鲁棒性设计准则,实现车辆的纵向鲁棒控制。首先,基于卡尔曼滤波(Kalman Filter,KF)算法,融合传感器感知的车道信息和车辆动力学信息对道路的曲率进行估计;然后,基于融合的道路曲率对跟车时距和安全车速进行设计,实现车辆在跟驰场景下的自适应控制;最后,考虑底盘系统不确定性和系统建模不确定性的扰动,利用李雅普诺夫稳定性理论设计了基于H∞的车辆纵向动力学闭环控制器。(4)硬件在环验证。针对本文所提出的方法,建立了多种不同的硬件在环测试场景进行验证,结果表明,所提出的基于多传感器融合的车辆纵向动力学鲁棒控制方法能满足车辆的舒适性、安全性、鲁棒性和实时性要求,可应用于实际的车辆控制器和智能驾驶场景。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:源码港湾 ,原文地址:https://m.bishedaima.com/lunwen/46501.html