5个研究背景和意义示例,教你写计算机传感器融合论文

今天分享的是关于传感器融合的5篇计算机毕业论文范文, 如果你的论文涉及到传感器融合等主题,本文能够帮助到你

基于嵌入式深度学习的图像与点云融合研究

这是一篇关于摄像头,LiDAR,二维激光点云,传感器融合的论文, 主要内容为目前,在疫情隔离、安防监控和自动驾驶等广泛应用的嵌入式视觉场景中,已获得成熟应用的成像传感器主要有摄像头和LiDAR等。其中LiDAR具有测量结果准确、抗干扰能力强等优点,但是在目标识别方面仍存在不足。而光学摄像头借助深度学习的不断发展,在目标识别上具有较高的准确度,但是容易受到光照、天气等环境影响。因此,在各种资源均受到限制的嵌入式平台下,如何将光学摄像头与LiDAR获取的图像信息进行融合来避免传感器自身的物理缺陷,已经逐渐成为研究的热点问题与重点方向。因此,针对上述摄像头和LiDAR的融合问题,本文首先从近年兴起的点云目标的深度学习检测方法入手;其次,通过分析光学图像和点云数据的特点,提出了传感器数据融合框架;最后,设计了相应的嵌入式系统测试平台,并对上述方法进行了实验验证。具体研究内容包括:(1)利用传统检测方法来检测二维激光点云中的目标,但是该方法需要手动设计各种不同的点云特征,且最后通过对比实验发现识别率较低。针对此问题,本文设计了一种基于卷积神经网络的二维点云目标检测方法。同时利用二维点云分布稀疏的特性,还设计了对应的点云数据转换方法,用于将每个点云及其附近点云一同送入网络之中。最后通过在不同数据集上测试表明,本文设计的激光点云卷积网络检测方法总体上优于传统的检测方法。(2)针对二维激光点云识别的结果具有较高的虚警率与摄像头识别的结果易受干扰等特性,本文设计了一种数据融合框架用于将两者结果进行融合。整个融合框架通过三个目标池对各个目标进行高效的管理。框架中主要通过目标关联来对不同传感器中得到的数据进行融合,之后通过借鉴卡尔曼滤波的思想来对融合目标的各个状态进行修正,同时预测其下一刻的状态,并用于融合对象的生命周期管理中。(3)基于上述内容,本文在嵌入式设备上设计并搭建了一套测试平台用于实验,并选取常见的行人作为测试的目标对象,通过将上述算法部署到设备中来测试整套融合框架的可行性。本文所提出的融合框架能够在一定程度上解决单一传感器因为各种环境或者系统的问题而造成的误检或者漏检。同时,通过对网络模型进行适当的优化,使得网络模型在检测精度方面仅下降0.7%的同时,其模型大小减小了31%,而显存占用和推理时间较未优化的网络更是分别下降了81%和56%,大幅度减小了网络模型对嵌入式设备资源的消耗。本文选取一般场景中可能存在的摄像头与LiDAR作为主要传感器,研究了从摄像头与LiDAR中检测目标并进行融合的技术,并在最后通过对网络模型进行适当的优化,从而大大的减小了其在嵌入式平台上的资源占用,提高了系统的实时性与容错性。对于疫情隔离、安防监控、自动驾驶等一些需要融合摄像头与LiDAR数据的场合具有一定的借鉴意义。

基于嵌入式深度学习的图像与点云融合研究

基于单目视觉与IMU融合的SLAM系统设计与实现

这是一篇关于VIOSLAM,光流跟踪,单目视觉,传感器融合的论文, 主要内容为近年来,送餐机器人、物流机器人、扫地机器人等一系列移动机器人已在日常生活中被广泛使用。未来,移动机器人将在更多领域为人类服务。同时定位与建图(SLAM)技术的实现,是移动机器人能够施展自身基本功能的前提。使用昂贵的传感器,例如激光雷达、深度摄像头等,固然能够达到精准的建图定位效果,但这显然不利于移动机器人的普遍使用。因此,本课题旨在,在对精度不苛求的应用场景中,以低成本实现同时定位与建图技术,且达到较好的效果。针对需要设计价格低廉且通用的SLAM系统这一目标。首先,制定了单目视觉与IMU传感器联合实现SLAM系统的硬件方案。其次,以视觉SLAM经典框架为模板对本课题需要设计的系统进行了系统需求分析与系统结构设计。最后,对SLAM系统各个模块做了基本功能定位,完成了系统的概要设计。针对现有光流跟踪算法依赖光度不变性的强假设准确率不高这一问题,对现有光流跟踪算法进行了改进。优化后的光流跟踪算法在劣质图像数据下能够快速提供高准确率的角点跟踪信息,有利于提升SLAM系统运行时的鲁棒性。以系统的需求分析与概要设计为蓝本,对系统的基于改进光流法前端模块、基于因子图的后端模块、基于松耦合的初始化模块、基于DBow的闭环模块进行了详细的理论分析与设计,实现了完整的基于单目视觉与IMU融合的SLAM系统。在数据集与自建平台上,做实验验证了本课题设计的SLAM系统运行效果较好,符合预期。在数据集上的表现,本SLAM系统优于开源框架VINS-Mono;在自建平台上,本SLAM系统在真实场景中稳定运行,完成实时建图定位任务。

煤矿复杂环境移动目标精确定位技术研究

这是一篇关于矿井定位,传感器融合,UWB定位,IMU增量解算,定位误差抑制的论文, 主要内容为随着定位系统以及传感器技术的发展,位置服务已经成为数字化生产、生活不可缺少的基础服务。当前,我国煤炭开采正在从自动化向智能化方向迈进,智能化矿山、无人化矿井已成为行业共同发展目标。煤矿作为资源开采场所,智能矿山建设亟需高精度定位服务提供支撑。然而,在煤矿巷道等特殊复杂环境下,单一定位技术受限于环境因素,各类传感器融合以提高定位精度符合未来智能矿山发展需要。因此本课题以井下移动运输系统传感器信息融合为研究目标,结合UWB射频定位与IMU增量定位两种不同类型定位技术,通过机器学习与滤波算法的融合与创新,从而对不同阶段的传感器定位数据进行互补融合,抑制误差并提升定位精度。本课题的主要工作包括以下几个方面:(1)定位方案设计与定位信号采集。煤矿井下环境恶劣,具有高温度、高湿度、高粉尘以及信号干扰等特征,因此需要设计定位方案,开发信号采集系统。首先,实现各传感器定位数据同步采集,设计定位传感器信号采集与传输系统。其次,实现射频定位与增量定位信号的实时同步计算。最后,于不同场景使用多种设备进行真实实验验证,对数据进行清洗标注形成实验数据集。(2)矿井短时非视距测距跳变检测与测距修正定位。测距误差是射频定位误差的重要影响因素之一,而非视距现象引起的测距波动影响最为显著。因此,从检测非视距干扰的测距正值跳变出发,首先利用SVM学习测距跳变特征。然后结合IMU传感器数据与历史测距数据,借助联邦滤波实现多传感器数据融合,对非视距测距进行修正。最后根据检测到的非视距结束特征,结束对测距信息的校正。通过对测距信息的校正减少三边定位误差,提升定位精度。(3)运动惯性估计的自适应卡尔曼滤波融合定位。通过引入历史航向估计与惯性置信参数实现卡尔曼滤波数据融合。首先,借助井下巷道特线性特征,提取目标运动惯性规律并进行表示,并与新时刻UWB与IMU定位数据进行线性对比。然后引入差异放大机制与归一化操作,形成动态的误差矩阵系数对,参与卡尔曼滤波的计算。最后通过扩大或缩小误差协方差矩阵的方式调节两种定位融合权重,实现自适应卡尔曼滤波。(4)煤矿井下辅助运输定位系统设计与实现。采用面向对象设计思想,应用层次化、模块化设计思路,集成本课题的研究成果,设计并实现了基于B/S架构的煤矿井下辅助运输定位系统。该系统不仅实现了煤矿井下辅助运输工具的位置与路径可视化,还能够对各类工具运行数据进行分析,实现各种传感器的接入以及参数设置。本课题的成果在多个煤矿井下取得了较好的应用效果。