管廊中超宽带定位研究及软件设计
这是一篇关于UWB,TDOA,定位精度,锚点部署,软件开发的论文, 主要内容为随着导航定位和无线通信技术的发展,超宽带定位技术在管廊中的应用受到了更加广泛的关注。针对管廊内部复杂环境带来的定位精度降低,以及管廊实时监控、人员管理、安全保障等定位服务软件需求,开展了超宽带定位技术研究和软件设计。本文首先分析了管廊定位系统的技术需求和指标。基于到达时间差(time difference of arrival,TDOA)的极大似然估计定位算法在管廊环境的实际测试中,由于锚点数量少或者部署位置不合理,会导致部分区域出现较大的定位偏差。通过理论分析得到算法产生偏差的原因,并进一步仿真得到可能出现偏差的区域。为了消除偏差,利用管廊环境和物体运动状态作为先验知识辅助算法选解,同时加入卡尔曼滤波,提高了实际定位精度,并且在管廊环境下进行仿真测试和实际应用测试。针对管廊这种特定环境,研究了锚点部署方式对定位精度的影响。先在给定点情况下通过TDOA的克拉美罗下界公式分析了锚点部署对定位精度的影响因素,并给出定点定位时锚点部署的优化准则。类比定点定位,分析了在给定区域中,锚点的相对位置、倾角、间距对定位精度的影响,并在此基础上给出了成本优化的锚点部署准则。采用B/S架构设计了超宽带(Ultra Wide Band,UWB)上层定位服务软件系统的整体结构,包括位置解算中心、业务服务中心、基于位置的服务中心三层架构,结合三层架构给出数据流图和开发难点。系统具有定位解算、创建和加载地图、设置警戒区域、设置工位、警戒区出入记录、工时记录、标签配置、标签定位记录、锚点信息、锚点状态记录、设备监控等功能,按照功能划分完成了开发工作并展示使用效果。最后,对开发的系统进行了功能测试。重点对警戒区报警、流水线工时统计、改进算法和锚点部署等方面进行了测试。测试结果表明,系统运行正常,定位精度符合要求,满足管廊实时监控、人员管理、安全保障等应用需求。
自主集群机器人的设计与实现
这是一篇关于集群机器人,自主系统,定位,UWB,嵌入式系统的论文, 主要内容为自然界中广泛存在着生物的集群行为,学术界研究这些生物个体之间的协作机制,并总结为集群算法在机器人平台上实现,希望将其应用在实际场景中以提高工作效率。集群算法通常要求机器人具备感知、定位、通信等功能,而现有的群机器人平台存在机器人感知范围小、定位依赖外部设备、通信范围小且不可靠、无法应用于室外等不足。针对这些不足,本文设计并实现了分布式自主集群机器人实验平台,设计的机器人具有自主移动、群体内通信、相对定位、环境感知等功能模块。本文对各个功能模块都进行了设计与实现,主要工作如下:(1)针对机器人自主移动的功能需求,设计了充电与驱动电路板,负责驱动机器人上搭载的减速电机;此外,为保证续航能力,机器人使用锂电池组供电,锂电池的充电管理电路也设计在该电路板上。(2)设计了导航控制板,该电路板上搭载了UWB模块,用于集群内的通信,同时,使用该模块构建了集群内的测距网络,实现了机器人之间的两两测距;此外,该电路板还负责电机的转速控制和集群算法的运行。(3)针对机器人相对定位的功能需求,为机器人设计了相对定位电路板,该电路板通过UWB的PDOA技术实现对其他机器人相对方位的测量,配合导航控制板上的测距结果,实现了对其他机器人的相对定位。(4)为了实现机器人对周围环境的感知,基于Open MV设计了环境感知板,该电路板负责测量环境中障碍物的边界与机器人自身的相对距离。(5)基于实时操作系统对各个功能模块进行了软件实现,最终在导航控制板上为集群算法提供了API函数,使其可以方便地使用机器人平台提供的各项功能。(6)为了对机器人各项功能进行测试,设计了一个环航编队算法,将其运行于本文设计的机器人平台,实验结果说明了机器人各模块均可正常工作。
基于UWB的隧道内人员定位系统设计研究
这是一篇关于UWB,人员定位,TDOA,TOF,粒子群算法的论文, 主要内容为目前我国铁路建设发展迅速,在施工建设高速发展的同时,对现场人员的安全管理也有着更高的要求。由于铁路隧道环境的特殊性,GPS(Global Positioning System)等室外定位技术无法使用,所以对铁路隧道内人员定位技术进行研究具有重要意义。常用室内定位技术有WIFI(Wireless Fidelity)、Zig Bee、超声波、UWB(Ultra Wide Band)等,其中UWB定位技术具有穿透性强、低功耗、抗多径等优点,对在隧道内等复杂环境中应用较为适合,于是本论文采用UWB定位技术,研制一套基于UWB的隧道内人员定位系统。首先对UWB几种算法进行研究,UWB定位技术常用的定位算法有TDOA(Time Difference of Arrival)和TOF(Time of Flight)算法,TDOA算法定位时间性能强,定位精度稍弱,TOF算法定位精度较高,但定位速度较慢。在两种算法的基础上,提出基于粒子群优化的TDOA+TOF融合定位算法。该算法仅需三次UWB通信即可实现定位,通过TDOA算法收集各基站与标签间距离,TOF算法根据最小二乘法对标签坐标进行解算,粒子群算法根据目标函数对解算坐标进行优化得出最全局最优解。仿真分析中对TDOA、TOF、基于粒子群优化的TDOA+TOF融合定位算法进行定位精度与时间性能的对比,结果表明基于粒子群优化的TDOA+TOF融合定位算法兼顾了定位精度与时间性能,能够良好的应用于复杂环境人员定位。然后在理论研究基础上,对系统实现方案进行设计,硬件设计部分包括主控芯片电路、DWM1000电路、电源电路、智能安全帽等。软件部分对各部分通讯协议、定位功能实现、上位机平台软件进行设计,完成系统总体方案。最后通过现场搭建测试环境,对系统各项功能及定位精度进行现场测试。功能测试结果表明定位系统的基站初始坐标设置、电子围栏报警、报警日志记录等功能满足使用需求。定位精度测试分为静态测试与动态测试,根据测试点的真实坐标与定测坐标误差分析,得出系统定位精度整体可以达到20 cm以内,可以应用于现场。
基于超宽带及领域知识融合的滑冰场定位系统设计与实现
这是一篇关于室内定位,UWB,领域知识,卡尔曼滤波的论文, 主要内容为随着国家对冰雪运动的大力发展,专业运动员和冰雪爱好者逐渐进入到室内冰场中运动训练、娱乐游玩。现有滑冰场希望引入高精度的室内定位系统为冰场中速度、位置变化频繁的滑冰人员提供辅助训练或娱乐服务。但因室内场馆对卫星信号的屏蔽,Wi-Fi/BLE等传统指纹定位精度不高、更新频率不足,致使无法使用北斗等卫星定位或传统指纹定位。超宽带(Ultra Wide Band,UWB)定位技术能够提供精度较高、更新频率较快的定位结果,现有UWB系统也都实现了简单的定位功能。本课题所依托横向项目要求在现有系统基础上设计实现针对滑冰场的高精度、低时延的UWB定位系统。但在实际生产过程中,还有以下问题亟待解决:(1)现有UWB定位系统定位精度无法满足课题需求,而传统优化方法没有利用滑冰者速度、运动状态等领域知识,针对滑冰场内人员速度变化大、运动状态多变的情况,其优化能力不足;(2)现有UWB定位系统缺乏用户管理、定位设施管理等系统管理功能,无法满足滑冰场定位系统需求。针对上述问题,本文将开展基于超宽带及领域知识融合的滑冰场定位系统算法研究及开发工作。该算法在经典卡尔曼滤波算法的基础上做了改进和优化,能够对分运动状态后的定位结果使用不同的优化方案,进一步提升定位精度,满足了课题需求。此外,根据冰场内人员定位需求,通过分析人员角色和用例图来确定系统的各项需求,并以原系统为基础增加新的功能。再由系统概要设计确定整体的系统架构,并划分系统的各部分功能模块。再通过ER图进行数据库分析以及数据库表设计,并对界面风格设计进行简单介绍。之后,设计并确定系统各功能模块类图与功能时序图,依照系统的详细设计进行编码。最后,在实验场地内进行充分测试,找到并改善系统中的开发、算法缺陷,确保系统能够满足各项需求。本课题已成功完成了 UWB定位系统全部工作,且在课题委托方的室内冰场中充分测试并成功上线运行。
基于UWB和IMU的人员定位与步态识别研究
这是一篇关于人员定位,步态身份识别,深度学习,UWB,IMU的论文, 主要内容为监狱作为一种特殊群体的监管场所,安全风险防控在其日常监管中扮演着极其重要的角色。伴随着智慧监狱建设的不断推进,人工智能、大数据分析、知识图谱等先进技术在安防系统的应用受到广泛关注。被监管对象的位置信息和身份信息获取对安全风险事件的分析、预警和防范具有重要作用。本文基于搭载超宽带(UWB)模块和惯性测量单元(IMU)的智能手环设备,研究融合UWB和IMU传感器的人员定位与轨迹跟踪算法和步态身份识别算法。主要研究内容与贡献如下:人员定位与轨迹跟踪算法方面,针对UWB测距定位算法容易受到环境因素影响出现较大误差的问题,提出了两种改进算法。首先,提出一种基于运动学建模的改进UWB测距定位算法。该算法通过相邻时刻的位移差分与时间差分得到速度信息,并将该速度信息用于下一时刻的位置估计中,通过运动态势与UWB测距定位的融合抑制环境干扰引起的位置偏差。实验结果表明,所提方法的定位精度优于传统的UWB测距定位算法,并且可以有效提升定位的稳定性。其次,为进一步提升定位精度和稳定性,基于深度学习技术,将UWB测距信息和IMU传感器信息相融合,提出一种基于残差收缩的多头时间卷积网络定位算法,并提出一种移动对数滤波器,进一步提升轨迹跟踪精度。实验结果表明,与传统的UWB定位算法和基于扩展卡尔曼滤波的融合算法相比,提出的融合定位与轨迹跟踪算法具有更高的准确性和稳定性,在两个测试数据集上所提算法的平均定位误差分别降至11.3cm和15.5cm,定位的误差标准差分别降至5.3cm和10.8cm。身份识别算法方面,结合IMU传感器的信息采集能力,提出一种基于深度学习的步态身份识别框架。该框架主要包含人员注册和人员身份认证两个阶段,涉及步态特征提取和特征相似度计算两项关键技术。针对步态特征提取,提出了一种基于双注意力机制的ConvBiGru-FCN网络。针对相似度计算,提出采用Tanimoto系数作为特征相似度的计算方法。为进一步提高步态特征提取网络的泛化能力,提出采用时间序列生成对抗网络对所采集的步态数据集进行增强。实验结果表明,提出的步态特征提取网络ConvBiGru-FCN相比于其他网络具有更高的特征提取能力,采用Tanimoto系数计算特征相似度比其他相似度计算方式更有利于提升身份识别精度,所采用的时间序列生成对抗网络能够有效提高步态特征提取网络的泛化能力,在所采集的步态测试数据集上所提出的方案达到了 94.07%的身份认证准确率。综上,本文提出的融合UWB测距信息和IMU传感器信息的定位与轨迹跟踪算法有效提升了精度和稳定性,提出的基于IMU传感器的步态识别技术使用便利,且可以获得较高的身份识别精度。
自主集群机器人的设计与实现
这是一篇关于集群机器人,自主系统,定位,UWB,嵌入式系统的论文, 主要内容为自然界中广泛存在着生物的集群行为,学术界研究这些生物个体之间的协作机制,并总结为集群算法在机器人平台上实现,希望将其应用在实际场景中以提高工作效率。集群算法通常要求机器人具备感知、定位、通信等功能,而现有的群机器人平台存在机器人感知范围小、定位依赖外部设备、通信范围小且不可靠、无法应用于室外等不足。针对这些不足,本文设计并实现了分布式自主集群机器人实验平台,设计的机器人具有自主移动、群体内通信、相对定位、环境感知等功能模块。本文对各个功能模块都进行了设计与实现,主要工作如下:(1)针对机器人自主移动的功能需求,设计了充电与驱动电路板,负责驱动机器人上搭载的减速电机;此外,为保证续航能力,机器人使用锂电池组供电,锂电池的充电管理电路也设计在该电路板上。(2)设计了导航控制板,该电路板上搭载了UWB模块,用于集群内的通信,同时,使用该模块构建了集群内的测距网络,实现了机器人之间的两两测距;此外,该电路板还负责电机的转速控制和集群算法的运行。(3)针对机器人相对定位的功能需求,为机器人设计了相对定位电路板,该电路板通过UWB的PDOA技术实现对其他机器人相对方位的测量,配合导航控制板上的测距结果,实现了对其他机器人的相对定位。(4)为了实现机器人对周围环境的感知,基于Open MV设计了环境感知板,该电路板负责测量环境中障碍物的边界与机器人自身的相对距离。(5)基于实时操作系统对各个功能模块进行了软件实现,最终在导航控制板上为集群算法提供了API函数,使其可以方便地使用机器人平台提供的各项功能。(6)为了对机器人各项功能进行测试,设计了一个环航编队算法,将其运行于本文设计的机器人平台,实验结果说明了机器人各模块均可正常工作。
无人值守方式下的工业仪表识别系统的设计与实现
这是一篇关于工业仪表盘检测与识别,模型压缩,UWB,AprilTag,语义分割的论文, 主要内容为工业制造领域经常需要我们去进行仪表盘视觉信息的采集与读数识别,传统的人工检测识别方法需要耗费大量的工作,导致了检测的效率以及准确率低下等问题。因此,设计一款工业仪表盘检测识别系统具有十分重要的意义。本文结合了无人机巡检以及深度学习技术设计并实现了一款工业仪表盘识别系统。为了实现一个无人值守工业仪表盘识别系统,需要将目标检测模型部署到嵌入式设备中。然而,现有的目标检测模型在嵌入式设备上运行时,检测速度会受到显著影响。为了提高目标检测模型在嵌入式设备上的检测速度,研究者们提出了模型压缩方法。本文采用了YOLOv7目标检测模型进行嵌入式端的模型部署。但是,对于YOLOv7模型,现有的模型压缩方法并不适用,因为它具有特殊的网络结构。此外,当无人机使用巡线方式对仪表盘进行检查时,光照、阴影和无人机移动等因素可能导致视觉模糊,从而影响巡检任务的完成。为了解决这个问题,研究者们提出了多种适用于无人机的传感器融合定位巡检的方法。然而,大多数研究都集中在室外的无人机巡检任务上,与本文所设计的系统的应用场景不同,本文所设计的系统需要完成室内的巡检任务。针对上述所提及的问题以及本系统的设计和实现,本文的主要研究工作及创新如下:(1)针对YOLOv7目标检测模型在嵌入式设备上部署时可能出现的速度下降问题,本文提出了一种模型压缩方法。该方法是基于改进的YOLOv7剪枝与量化结合的压缩算法,在考虑到YOLOv7所采用的RepConv模块后,对剪枝算法进行了改进,以确保剪枝的正确性。接着,引入量化算法对YOLOv7模型进行进一步压缩,从而大幅降低了其运算量,提升在移动终端上的运算速度。(2)针对无人机在仪表盘巡检过程中可能遇到的光照、阴影和视觉模糊等问题,本文提出了一种基于视觉和超宽带(Ultra Wide Band,UWB)融合的巡检算法。该方法包括巡线和定位两个阶段。在巡线阶段,利用下视摄像头作为视觉传感器进行图像分割,当视觉传感器所传输的图像发生异常时,自动转换至UWB定位导航模式,同时不断读取视觉传感器的回传信息,直到所传输的图像恢复正常。在定位阶段,采用AprilTag与UWB进行融合定位,通过融合AprilTag和UWB的输入结果,实现更加精确的无人机定位。(3)设计并实现了一款工业仪表盘检测识别系统。该系统包括移动无人机端和地面服务器端。无人机端通过(2)所提出的算法进行仪表盘巡检,使用(1)所提出的算法进行压缩后的YOLOv7模型对仪表盘图像进行初次检测与采集,并将采集的原始图像传输到地面端服务器。在服务器端,使用质量评估模型挑选质量最好的一张图像,再次使用YOLOv7模型对图像进行检测并滤除多余的背景信息。然后,通过U-Net语义分割模型提取仪表盘刻度线和指针信息,并使用传统图像处理方法对其进行处理。最后,利用角度法实现仪表盘的识别。此外,该系统可通过Flask技术所设计的网页客户端呈现上传的仪表盘图像及其识别结果。
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：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/48850.html
