【摘 要】
:
包含加速度计、陀螺仪和磁力计的微机电系统(Microelectronic Mechanical System,MEMS)MARG(magnetic,angular rate and gravity,MARG)传感器阵列被广泛应用于多运动载体姿态测量。目前,多传感器数据融合理论发展迅猛,众多MARG数据融合方法被提出以估计载体的位置、速度和姿态。然而对于多载体协同MARG姿态估计,依然面临运动加速度
论文部分内容阅读
包含加速度计、陀螺仪和磁力计的微机电系统(Microelectronic Mechanical System,MEMS)MARG(magnetic,angular rate and gravity,MARG)传感器阵列被广泛应用于多运动载体姿态测量。目前,多传感器数据融合理论发展迅猛,众多MARG数据融合方法被提出以估计载体的位置、速度和姿态。然而对于多载体协同MARG姿态估计,依然面临运动加速度干扰、磁场畸变和传感器故障等问题。基于此,本文以多运动载体为研究对象,解决多载体协同MARG姿态估计过程中的相关问题,论文的主要研究内容包含如下三个方面:(1)针对MARG传感器姿态估计过程中可能存在的环境干扰及传感器失效情况,提出运动加速度存在及磁场干扰情况下的姿态估计策略,实现鲁棒性的MARG传感器数据融合。在进行MARG传感器数据融合前,首先进行传感器异常检测,借助陀螺实现运动加速度与磁场干扰检测。针对加速度计输出中包含的载体运动加速度,通过滑窗进行运动加速度估计与补偿。根据检测结果建立相应的滤波量测方程,结合利用角速率信息建立的滤波状态方程,实现载体姿态估计。(2)针对多载体协同场景下的环境磁场干扰,提出多运动载体协同磁场干扰估计方法。对基于观测和引入状态模型两类求解方法进行讨论:对于基于观测的干扰估计,对单载体、多载体基于磁力计观测及多载体基于相互测量的姿态与磁干扰估计三类情况进行讨论,分析传感器噪声、载体姿态及姿态扰动对磁干扰估计的影响;对于引入状态模型的干扰估计,建立磁干扰变化模型,借助多运动载体间相互观测信息,在协同姿态估计过程中实现对环境磁场干扰矢量的估计。(3)针对多载体协同场景下的传感器故障情况,提出多运动载体协同传感器信息恢复方法。针对加速度计、陀螺与磁力计各自失效情况,分别建立相应条件下的动力学模型,基于载体间相互测量信息,对传感器非正常工作情况下的各种情况进行讨论,并分析传感器噪声、载体姿态及姿态扰动对信息恢复的影响。
其他文献
近年来,随着人工智能技术的发展,深度学习作为一种重要技术应用于自然语言处理和机器视觉等前沿领域。同时,动态演化网络广泛存在于现实生活中,包括社交网络、科研引用网络以及交通网络,动态网络的研究也成为了学术界的研究热点之一。目前学术界大量地将深度学习技术应用于网络表示学习的研究,通过对网络中的节点进行表示学习取得节点向量,从而方便对非结构化的网络图数据进行机器学习任务,包括节点分类、链接预测和可视化等
集群系统协同控制是通过成员之间的信息交互,完成更加复杂的任务,已经成为当下军事和民用领域提升工作效率的重要手段。一致性问题作为集群控制的基础问题,是当下的热门研究话题。本文以系统模型不确定、存在外部扰动和具有通信约束等因素对集群系统行为的影响为切入点,研究集群鲁棒一致性控制方法,使系统稳定实现一致性跟踪和二部一致性等行为。主要研究工作及创新性成果如下:1.研究具有模型不确定性和未知扰动的集群系统鲁
与单个飞行器相比,飞行器集群具有低成本、高效率、抗损耗等特点。因此飞行器集群在战场上得到了广泛的应用,是未来战场环境发展的重要趋势,同时也给国防防御技术带来了巨大的挑战。采用低成本集群对抗集群的作战方式,能够有效的消除飞行器集群带来的威胁。论文面向飞行器拦截对抗空中集群目标的场景,在实际作战中飞行器为拦截导弹,拦截对象为集群无人机,研究多飞行器智能协同制导与控制问题,实现多飞行器自主协同作战,对未
伴随着深度学习的发展,尤其是卷积神经网络(Convolutional Neural Networks,CNN)的更新迭代,图像分类及目标检测方法获得了显著进步,但即使是最先进的模型也仅具有非常有限的旋转不变性。当输入数据在空间经过旋转后,由于原始模型的滤波器是在直立样本中打磨学习,因此模型将旋转前后的图像特征视为完全不相同的两类,导致最终的识别效果大幅度下降。已知的解决方法有训练数据的增强,以及通
深度学习发展至今,学术界逐渐将心电信号的研究目光转移至传统方法与深度学习相结合的研究上,原因在于心电信号的广泛数字化,促进了深度学习在心电信号上的应用。传统的心电信号标准化解释包含信号预处理、手工特征提取、以及心电信号分类三个部分,每个部分既相互独立又相互依赖,例如手工设计特征的泛化性与心电信号分类模型的性能息息相关。基于深度学习的心电信号分类能够做到端到端的训练,不依赖于信号预处理和手工特征选取
近年来,步态识别等生物特征领域的研究越来越被人们所关注。步态识别不同于人脸、虹膜识别等静态识别,这种方法可以通过在远处拍摄视频来进行识别,而不需要使用过多局部细节,克服了当前生物识别的一些局限性。步态识别技术优势明显,可以克服当前人脸识别等方法的缺点,能够在复杂场景下获得较为广泛的应用。提高步态身份识别的准确率有助于提升效率、减少工作量,尤其在车站行人身份检测、身份验证等方面的效率将会有非常大的进
随着人工智能与智能制造逐渐兴起,为适应复杂多变的外部环境,智能化技术成为当前的研究热点。为提高控制系统的智能化程度,本文搭建了视觉感知的智能欠驱动机械臂平台,设计了基于机械臂末端视觉的目标检测、跟踪算法,并对其性能进行了验证。本文的主要工作有:一、设计了用于图像特征提取的视觉感知模块。本模块经图像预处理、目标检测、特征点提取及更新的流程后,可实现对目标特征点的有效提取。基于对本文环境下相机成像特点
近年来,随着定位导航技术的逐渐成熟,使移动机器人在未知环境中的自主导航成为可能。但是即使是当前最先进的同步定位与建图(SLAM)技术,也会因为传感器中的噪声而给地图中障碍物的定位带来不确定性。典型的路径规划算法都关注如何降低这种不确定性,而本文将从另一个角度来解决这种信息的不确定性。针对环境信息的不确定性问题,提出了一种基于Voronoi图与不确定性势场算法的路径规划方法,使移动机器人在信息不确定
推荐系统作为一种个性化的信息过滤工具,随着大数据时代的到来得到了越来越广泛的应用。与此同时,推荐系统也面临着发展和挑战,比如数据稀疏性、缺乏可解释性等问题。现有的推荐模型难以处理稀疏的结构化数据,忽略了用户行为序列蕴藏的偏好信息,并且无法为推荐结果提供合理的解释。为解决上述问题,本文围绕点击率预测任务,深入研究基于深度学习的推荐算法,提出了两种可解释个性化推荐模型,并设计实现了一个金融产品推荐系统
自从第一个巡航遥控机器人“月面巡视器1号”降落在月球上,开发一种能够自主探测月球和火星等地外天体的星表巡视器成为了航天领域长期关注的热点问题之一。路径规划是月面巡视器在星表自主作业、安全漫游与探测的重要保障。目前月面巡视器路径规划的研究工作多集中于地形可通过性分析上,很少涉及光照、通信等潜在约束条件。人类的决策有助于巡视器应对自主导航功能无法处理的突发情况,提高整个路径规划系统的性能。本文针对现有