一、一种不同坐标系之间的变换矩阵的转换方法(论文文献综述)
刘世斌[1](2021)在《磁梯度张量测量系统野外现场校正与标定方法研究》文中研究表明磁梯度张量是磁场矢量沿着笛卡尔坐标系三个坐标轴方向的空间变化率,与传统磁法勘探手段相比,磁梯度张量测量具有众多优点,因此在近二十多年以来引起国内外研究单位广泛关注,其测量技术也不断趋于成熟。然而,目前应用于张量仪的校正和标定技术都存在一定缺陷,这就造成张量探测结果中存在误差,测量精度难以保证,严重制约了其在相关领域的应用。张量仪误差来源是分层次的,因此,仪器标定之前需要先对其进行必要的校正。张量仪的校正又需要经过两个方面,其一是对张量各分量的梯度不平衡进行校正,目前采用的梯度不平衡校正方法由于存在一定的缺陷,导致梯度不平衡难以完全去除;其二是对张量各分量构成张量整体时引入的误差开展校正,该阶段的误差建模过程复杂,目前暂无针对此类误差的校正方法。除了仪器校正方面的困难外,另一个张量仪标定需要面对的难题是张量仪在野外复杂环境中进行测量时,测量环境与标定环境不一致,这引出目前张量仪标定的两个主流思路:一是优先保证标定环境,即在屏蔽环境下用麦克斯韦线圈产生精确梯度值,然后对张量仪进行标定,该方法虽然可以提供精确标定值,但标定环境与测量环境相差甚远;二是优先保证测量环境,即利用磁场均匀区域梯度为零作为约束完成标定,该方法虽然保证了测量环境与标定环境一致,但采用的约束条件是张量仪标定的必要非充分条件,标定依然无法全部完成。针对目前张量仪校正和标定方法中存在的各类问题,本文开展了以下研究工作:(1)磁梯度张量仪误差校正方法研究。针对张量整体误差校正,虽然不同测量方法获得的磁梯度分量所存在的误差各不相同,难以统一表达,但从梯度分量构建张量整体时存在的误差却基本类似,因此本文以差分式张量仪为例,建立了张量分量构建张量整体时的误差模型,然后借鉴磁矢量校正时常用的椭球拟合法,用张量的旋转不变量进行约束,完成该阶段的校正,仿真结果表明该方法可以有效对张量仪进行校正。针对梯度不平衡误差残留问题,本文分析了以往张量探测实验中测量数据的特征,根据梯度不平衡与仪器姿态和磁场测量值高度相关的特性,设计了阵列式自适应噪声抵消器,实验结果表明该方法可以有效减小残留的梯度不平衡。(2)航空磁梯度张量测量系统标定方法研究。由于张量仪标定方法存在的问题可以归结于缺少测量环境下的非零标定参考值,因此本文提出将磁总场梯度计与张量仪一起进行测量,然后通过广义希尔伯特变换计算得到张量值,作为标定参考值,完成对张量仪的标定。然而航空测量条件十分复杂,为了评估此方法获取的标定值的准确性,本文分析实际航空测量条件与理想条件的差异,对在实际条件下应用广义希尔伯特变换会产生的误差进行分类,并建立各类误差的模型,分析其传递规律,然后基于大量的仿真分析,设计各类误差的估计模型和准确性评估算法。最后基于飞行模拟器的仿真结果和实际的飞行实验表明该算法可以有效分析出实际飞行对应用广义希尔伯特变换的影响,指导我们获取准确标定参考值。为了进一步验证所提出的航空张量仪标定方法的正确性,本文还设计基于磁源辨识的校正和标定验证方法,即通过校正和标定方法处理之后的数据与原始测量数据辨识结果的对比来反映标定效果,开展基于飞行模拟器的仿真实验和实际航空探测实验,结果表明,用经过校正和标定的数据进行辨识大大提高了磁源位置和结构指数的辨识精度,证明了所提出方法的正确性。(3)井中磁梯度张量测量系统标定方法研究。采用先测量磁场三分量,用频率域求导法获取z轴上三个张量分量,并对这三个分量先进行标定,然后再将这三个分量的标定参数配合不变量约束,完成另两个标定参数的求取,最终完成五个独立分量的标定。仿真结果表明,相比于旋转不变量校正法,该方法可以进一步提升张量数据的精度。同样的,针对井中张量测量系统也采用基于辨识结果的验证方法。本文提出一种基于井中张量的磁层信息辨识方法,该方法先建立地下倾斜磁层在钻井中轴线产生的磁梯度张量模型,然后通过张量不变量辨识磁层厚度和倾角,再通过张量分量辨识磁层其它信息,最后通过少量迭代提高了算法精度和稳定性。仿真实验表明,经过不变量校正后,磁层的几何信息辨识精度得到了大幅度提升,再经过进一步标定后,磁层磁化信息的辨识结果也得到提升。最后设计了人造磁层探测实验,模拟井中探测时钻井穿过磁层的效果,结果表明本文的校正方法提升了磁层辨识精度,证明所提方法的正确性。
李鹏程[2](2021)在《基于多激光雷达的三维高精度地图生成算法研究》文中提出近年来,随着科学技术的迅猛发展,各行各界掀起了人工智能的研究热潮。而无人驾驶作为人工智能最重要的研究领域之一,更是吸引了无数的企业公司投身其中。无人驾驶技术分为感知、定位、决策、规划和控制。其中定位技术是实现无人车辆自主导航及决策规划的重要前提。随着城市化进程的加快,受环境遮挡和复杂路况等因素影响,传统的定位方案难以取得高精度的定位效果。而高精度地图的出现,为定位技术提供了新的思路,无人车辆通过高精度地图来实现定位,既保证实时性又有着高精度的定位效果。现如今大多数高精度地图是基于点云配准算法实现的,但传统的点云配准算法仍存在诸多问题。如ICP(Iterative Closest Point)算法存在耗时过多和迭代次数过大会导致算法陷入局部最优问题。NDT(Normal Distributions Transform)算法存在因稀疏点云不可靠的姿态解算问题。高精度地图中的点云多采用三维激光雷达获得。但单个三维激光雷达在性能上有着不可避免的缺陷,例如单个激光雷达实时采集的数据往往线数较少,点云较为稀疏。而点云稀疏会导致地图生成过程中特征点提取困难。在需要提取关键信息时,点云稀疏所获得的数据价值就会大打折扣,同时极大的影响了无人车对障碍物的检测和识别能力。针对上述问题,本文深入研究了基于多激光雷达配准高精度地图生成技术,并将改进后的算法应用于实际场景中。针对以上问题,本文主要完成了以下工作内容:(1)针对单个激光雷达点云稀疏问题,本文提出一种多激光雷达配准新方法。将萤火虫优化算法引入点云配准问题当中,解决了多激光雷达间姿态解算不精确、因点云稀疏导致配准误差过大等问题,达到了解算精确、配准误差更小的效果。(2)针对平面拟合中点集过多,迭代次数过大导致工作量过大、算法效率过低等问题。本文研究经典的RANSAC(Random Sample Consensus)算法,设计了一种基于模型适配的阈值设置方法,根据阈值大小设计对应的参数化模型,减少迭代次数,达到提高效率的目的。(3)针对地图生成过程中存在特征点提取困难问题,本文将多激光雷达配准算法引入LOAM-SLAM(Lidar Odometry and Mapping in Real-time)算法框架,解决了由于点云稀疏造成的特征点提取困难问题,更好的完成了地图的生成。证明了多激光雷达配准算法应用于LOAM-SLAM算法中具有一定的研究意义与实用价值。本文将萤火虫算法优化创新后引入到多激光雷达配准问题,优化了对姿态解算的求解;设计了一种基于模型适配的阈值设置方法应用于平面拟合当中,提高了拟合效率;将多激光雷达配准算法与LOAM-SLAM算法框架相结合,解决了地图生成过程中特征点提取困难问题,提高了提取效率和精度。
李根龙[3](2021)在《面向机器人装配的目标识别与位姿获取技术研究》文中研究说明随着工业机器人的广泛应用,我国制造业水平快速提高。然而,传统的示教型工业机器人已经不能适应多品种、小批量的生产装配模式。现阶段,具有视觉的智能化工业机器人逐渐成为制造企业未来发展的主方向。在实际生产过程中,要使机器人能够自主高效地完成产品的装配任务,零件的识别和位姿获取是机器人抓取和装配的前提。现有的目标识别和位姿估计方法受零件纹理单一、形状相似以及环境噪声等因素的影响,算法的精度和效率还有待提高。为此,本文以工业生产领域的装配零件为研究对象,将零件CAD模型点云与视觉点云数据相结合,研究基于深度相机的目标识别和位姿获取方法。本文主要工作如下:(1)KinectV2视觉系统的标定与点云数据预处理。基于KinectV2视觉系统标定原理,采用Zhang氏平面模板标定法完成了相机的标定;针对视觉点云数据量大、分布不均以及噪声较多的问题,采用点云滤波算法对其进行滤波,实现了视觉点云的降采样、杂乱背景去除以及噪声离群点的剔除;同时,采用RANSAC算法和基于欧式距离的聚类分割算法,实现了场景中零件视觉点云的分割。通过对视觉点云数据进行预处理,为后续的目标识别和位姿获取提供良好的数据基础。(2)基于点云全局特征的零件识别方法研究。基于零件三维CAD模型,通过设置虚拟相机,完成了点云模型库的构建;针对现有的VFH点云全局特征描述子对于相似位姿下的不同零件容易产生误识别的问题,提出一种改进的VFH特征描述子;采用基于kd-tree的最近邻搜索算法,完成视觉点云在CAD模型点云库中的检索识别。实验结果表明,本文识别算法对于不同类型零件的整体识别准确率为84.5%,在大拍摄角度[58.28°,90°]区间内,识别准确率可达到100%;对于同类型不同尺寸的零件整体识别准确率为54.6%,在大拍摄角度[58.28°,90°]区间内,识别准确率提升至77.5%。最后在仿真数据结果的基础上,建立了光轴零件视觉点云的长度尺寸失真与拍摄角度的关系模型,为仿真实验结论提供了理论依据。(3)基于点云配准的目标零件位姿估计方法研究。针对ICP算法在初始点云位姿相差较大的情况下迭代容易陷入局部最优的问题,本文将SAC-IA与NDT粗配准算法分别与ICP算法相结合进行点云配准。仿真实验结果表明,SAC-IA+ICP算法组合在配准误差和耗时方面均优于NDT+ICP算法组合;实际零件配准结果显示,SAC-IA+ICP算法的平均均方根误差为0.951mm,平均耗时为809ms,在配准精度和实时性方面均能满足实际装配要求。(4)面向装配的KinectV2目标识别与位姿获取实验。使用KinectV2相机分别采集不同类型零件以及同类型不同尺寸零件的视觉点云,完成了识别算法的精度验证实验,并对实验结果中出现的误识别原因进行了分析;基于手眼相机标定原理,完成了KinectV2相机的标定实验,建立了相机坐标系与机器人基坐标之间的转换关系;基于相对测量法,通过对机器人手爪进行任意旋转平移变换,计算变换前后的位姿相对值,并与真实位姿相对值进行比较来验证位姿获取算法的精度,实验结果表明,位姿获取算法的最大平移误差为3.178mm,最大旋转角度为1.433°。
卢伟清[4](2021)在《基于LSTM-FC与深度强化学习的移动物体抓取路径规划研究》文中研究指明高度智能化的机械臂抓取技术一直是机器人研发的重要目标之一。机械臂对于随机移动物体的抓取方法是实现工业生产线由自动化转向智能化所必要的重要功能。本文针对机械臂抓取移动物体的问题,研究了两方面问题。第一,传统基于预测机制的移动物体抓取方法预测精度较差,本文提出了一种结合长短时记忆网络模型(LSTM)和全连接网络结合的预测网络用于物体的移动轨迹预测,提高了轨迹预测准确性。第二,基于预测机制的移动物体抓取方法需要机械臂的精确模型和预测时间长导致的实时性差使其很难部署到真实机器人上。针对以上问题,本文重点提出了一种基于强化学习算法Soft-Actor Critic(SAC)的移动物体抓取系统,并且将该系统部署到真实机器人上成功地实现了抓取移动物体。主要工作如下:(1)提岀了一种结合长短期记忆(long short term memory,LSTM)网络和全连接层神经网络的移动物体轨迹预测模型(LSTM-FC)。该模型根据物体历史轨迹的运动特征,可以实现对物体未来移动轨迹的预测。首先基于Coppelia Sim作为仿真环境采集数据,采用多特征输入来描述移动物体历史轨迹的运动信息,训练网络模型,形成期望的输入-输出映射关系,进而预测物体未来的移动轨迹。同时在Coppelia Sim搭建抓取仿真环境并且环境利用预测模型进行了Baxter机械臂抓取移动物体的仿真实验,并与其他预测算法进行了对比。结果表明,对比传统的预测方法,LSTM-FC网络模型不仅能更加准确有效地处理序列数据,预测物体移动轨迹的精确度也更高,从而提高了抓取成功率。(2)基于预测机制的移动物体抓取方法需要机械臂的精确模型和预测时间长导致的实时性差使其很难部署到真实机器人上。针对以上问题,本文设计了一种基于深度强化学习算法Soft-Actor Critic(SAC)的移动物体抓取系统。该系统分为两部分:目标检测模块和基于深度强化学习(DRL)的机械臂控制模块。文章分别阐述了两个模块的详细设计。机械臂控制模块采用跟踪+抓取一体化策略,以保持机械臂末端与移动物体的位置和姿态相对差值不变为目标设置奖励函数,实现基于Soft Actor-Critic(SAC)控制机械臂末端对移动物体先稳定跟踪,再进行抓取的一体化操作。另外,对于使用的强化学习算法SAC做了一些优化加快收敛速度。同时在强化学习训练过程中引入2L正则化修正,避免神经网络训练时过度拟合,提高深度强化学习控制方法在机械臂控制中的泛化性。目标检测模块实时输出移动物体在机械臂基座坐标系下的三维坐标,使得基于DRL的机械臂控制模块成功部署到真实机器人上,最后,与基于ROS机器人控制框架结合,进行多次真实机器人抓取测试。实验抓取了不同移动轨迹的物体,均成功抓取物体。另一方面,多次测试抓取并记录机械臂处于不同抓取步骤的次数。数据展示了抓取系统的可行性与泛化性。
李荣成[5](2021)在《基于对偶数的分布式多体系统动力学建模方法研究》文中指出
高金鹏[6](2021)在《嵌入式图像处理平台在机器人快速堆叠系统中的应用研究》文中研究说明回转式空气预热器是大型火电机组的核心设备之一,本文针对回转式空气预热器的蓄热元件自动组装生产问题,设计了 一种整合机器视觉检测和机器人堆叠装框的全自动生产系统,提高了生产过程的自动化水平,显着降低了现场操作人员的劳动强度,应用了灵活的图像检测算法,可以适配不同规格尺寸的蓄热板。本文的主要研究工作包括:1、针对蓄热元件生产线的现场环境,本文提出一套基于机器视觉的动态抓取堆叠方案,对单目采集系统、图像处理平台、HIWIN机器人抓取系统以及桁架机器人装框系统进行选型,实现了硬件平台的搭建。2、针对不同尺寸蓄热板位置信息和姿态信息的检测问题,本文研究了改进的霍夫变换检测算法和最小外接矩形检测算法两种算法,基于类矩形的形状特征实现了蓄热板的识别与检测。本文通过设计图形界面实现了良好的人机交互功能,达到了灵活检测不同尺寸蓄热板的目的,为后续的机器人抓取打下基础。3、针对视觉引导的HIWIN机器人系统中不同坐标系的转换问题,本文研究了相机坐标系、传送带坐标系和机器人工具坐标系的标定方案,通过系统建模实现了整体抓取系统坐标系之间的位姿解算,达到了视觉系统和HIWIN机器人系统协同配合的目的。4、针对蓄热板的动态抓取问题,本文提出结合外触发器和编码器实时反馈的解决方案。机器人控制器利用编码器反馈的脉冲数统计传送带前进长度,计算拍照时刻与抓取时刻的位置变化量实现蓄热板动态定位,并通过修正梯形加速度曲线进行轨迹规划,实现了蓄热板的动态抓取。经过性能测试,绝对误差和相对误差为Ew=0.13cm,Ec= 0.24%,达到了位置及速度的精度要求,满足了实时性要求。
胡云峰[7](2021)在《六轴机械臂控制系统设计及仿真》文中研究说明工业机械臂是工业生产中的重要辅助工具,而六轴机械臂更是可以完成搬运、焊接、分拣等多种工作,是机械臂家族的重要成员。六轴机械臂组成包括机械结构和运动控制系统,运动控制系统的工作是通过控制机械臂的各个关节电机的旋转使得机械臂按照约定的空间轨迹运动。可以说运动控制系统是机械臂的核心部分,而运动控制系统又分为控制系统和驱动系统。控制系统通过对机械臂的路径进行规划将机械臂空间运动数据转化成机械臂的关节角度信息,驱动系统通过接受这些角度信息实现对机械臂关节的控制以实现机械臂的整体运动。本文主要工作是围绕着控制系统展开,通过对一款轻量级六自由度关节机械臂进行控制系统的设计。工作内容有,首先阐述了机械臂的运动学理论,为构建运动学模型提供理论基础。其次通过机械臂的3D模型获取机械臂的结构参数,运用这些参数来构建机械臂的连杆关系以实现关节坐标系的相对变换。根据标准的DH法来建立机械臂顺向运动学模型,并运用仿真软件对该模型进行仿真来验证其正确性。基于顺向运动学模型实现机械臂的逆解建模用于求解机械臂的各个关节角度。最后通过单一形式的轨迹规划算法实现了适合于机械臂三种工作方式的路径规划算法,并运用仿真软件对这些路径规划算法进行仿真,基于C#语言完成了对控制系统软件的编写。
李浩浩[8](2021)在《基于深度学习的可回收垃圾视觉分拣系统》文中进行了进一步梳理随着我国经济的发展,综合国力的大幅提升,人工智能和机器人领域也得到了高速的发展。传统的机械臂抓取多是通过示教完成,其抓取存在一定的局限性,对抓取位置有严格要求。人工智能技术己在服务业给人们带来巨大的便利,语音识别减少了文字交流的繁琐,人机交互增强用户的体验感,给人们的生活带来便捷,居家智慧机器人提高人们幸福指数。随着工业发展的需求,人工智能技术在工业领域也得到了发展,人们可以通过语音识别技术控制机器的运行并完成不同任务,通过深度学习视觉检测技术让工业机器人拥有“眼睛”,具备像人一样的识别和区分能力,可适应环境的变化。本文针对可回收垃圾中的瓶状目标物体设计基于深度学习的可回收垃圾分拣系统,代替传统分拣方式将工人从流水线中解放出来。主要研究工作如下:(1)介绍目标检测和分拣机器人中涉及的相关技术和发展现状。通过前期的学习和查阅相关资料,设计并确定整个分拣系统方案,整个系统由多个模块组成,包括视觉采集模块、目标检测模块、机器人本体控制、末端执行器抓取等模块。并完成系统中所需要的硬件设备的选型、相机连接图像采集与处理、机器人开发软件的学习和应用、目标检测算法的网络搭建各模块之间的通讯。(2)介绍双目视觉成像测距原理,根据实验环境和要求完成双目相机的固定,完成视觉平台的搭建,通过测距原理编写代码完成实验台上目标物体到镜头距离的测量。根据图像采集模块、目标检测模块和机器人抓取模块之间的关系,设计并完成系统的总体布局和工作台的搭建。通过双目相机拍摄不同角度下的标定板信息,使用MATLAB软件的工具包完成对相机内参数的标定和双目相机之间旋转矩阵和平移矩阵的求解,然后对标定结果进行分析和处理。拍摄多个标靶图片,通过读取示教器不同标靶位置的坐标,计算出外参矩阵,实现相机坐标系到机器人基坐标系的转换。(3)通过深度学习目标检测算法YOLOV4训练模型实现目标物体的定位和分类。首先根据目标检测算法思想使用Pytorch深度学习框架完成整体网络模型的搭建,根据自己获得的图片进行数据集制作和标注,分析目标检测算法的网络结构和检测原理,结合自己的数据集进行网络的提升和优化,对网络框架使用k-means维度聚类优化算法对数据集中的目标框做聚类分析,优化候选框的设置。设计Mosaic数据增强方法,将多张图片进行拼接,使网络可一次性输入多张图片进行训练,从而获得更好的模型,并提高对小目标的检测。(4)完成机械臂运动规划与实验验证,搭建工业机器人视觉分拣系统,将识别定位算法应用于该系统中。通过目标检测网络实现对垃圾的识别与定位,通过socket通讯将位置信息和类别信息发送至机器人控制系统实现机械臂抓取。对可回收瓶状垃识别率和分拣成功率分别为94%和86%,实验结果表明:基于深度学习的可回收垃圾分拣系统能够有效识别和定位目标物体,并通过机械臂完成抓取,验证了分拣系统的可行性。
杨文博[9](2021)在《应用惯性传感器的机载SAR传递对准技术研究》文中指出随着现代战争的发展,对敌地空目标的远距离侦测、监视与打击能力,已成为一个国家军事实力的地位象征。机载SAR能适应各种复杂气象条件,可以全天时地对地物目标进行监测,这些独特的优势使其在军事领域得到了广泛应用。运动补偿作为实现高分辨率机载SAR成像的关键技术,决定了战机对地空目标能否完成有效的监视与打击。基于惯性传感器的机载SAR运动补偿技术可在复杂电磁环境下提供天线相位中心短期和长期的姿态与位置信息,但前提是需要解决惯性传感器的系统误差以及天线相位中心处机体结构变形所带来的惯性传感器测量误差问题,因此本文重点研究应用惯性传感器的机载SAR传递对准技术。论文的主要研究工作分为以下几个部分:1.在介绍了惯性导航的基本工作原理基础上,对传统传递对准方法中的姿态匹配、速度匹配与“速度+位置”匹配方法进行理论分析,并在四种不同挠曲变形下,对“速度+位置”匹配所能达到的子惯导姿态精度做了仿真分析,仿真结果表明传统传递对准在处理挠曲变形方面具有很强的局限性且传递对准后的子惯导位置精度无法满足机载SAR运动补偿的需求。2.提出利用相对惯性导航算法来解决天线相位中心处机体挠曲变形无法进行精确建模、子惯导姿态与位置精度不能满足机载SAR运动补偿需求的问题。在阐述相对惯性导航算法的基本原理的基础上,对主、子惯导相对运动关系以及解算方法进行了详细的推导;对相对惯性导航算法在子惯导不加器件误差、初始相对姿态角误差的情况下进行了仿真分析,仿真结果表明利用相对惯性导航算法能对载机SAR天线相位中心处的挠曲变形进行实时跟踪,可获得子惯导处高精度的实时姿态、位置信息,但在子惯导存在器件误差、初始相对姿态角误差时,相对惯性导航算法解算得到的子惯导导航参数精度无法满足机载SAR运动补偿需求,也显示出该算法的局限性。3.给出了相对惯性导航传递对准误差方程的推导过程,建立了系统的状态空间模型,针对子惯导存在器件误差、初始相对姿态的误差问题,提出利用相对惯性导航传递对准方法解决此类误差问题,仿真结果表明利用相对惯性导航传递对准方法得到的子惯导姿态、位置精度可满足机载SAR运动补偿的需求。针对载机直接平飞机动导致相对惯性导航传递对准得到的子惯导姿态误差较大的问题,提出了一种载机平飞解决方案,仿真结果表明采用该方案可获得精度较高的子惯导姿态信息。通过设置三组不同初始相对姿态误差角,来对相对惯性导航传递对准的适用性做了仿真分析。将相对惯性导航传递对准与“速度+位置”传递对准进行了比较,仿真结果表明“速度+位置”传递对准的对准时间较短,但其对准精度较低。本文基于惯性传感器的机载SAR传递对准技术方面的研究工作在提高APC处子惯导精度方面具有重要的理论意义和应用前景。
陈廷广[10](2021)在《基于多源数据融合的室外AGV自适应定位与导航方法研究》文中认为随着我国制造业转型升级,智慧工厂和智能仓储得到快速发展,造成AGV需求的爆发式增长,出现了 AGV市场繁荣。但存在室外AGV需求量大、应用较少的问题,这主要受室外场景宏大、环境复杂等原因的制约。随着传感器性能提升和定位导航方法的深入研究,AGV的应用逐渐从室内环境拓宽至室外环境,如何保证AGV准确感知自身在外部周围环境中的位姿状况并持续可靠沿规划路径安全行驶成为研究热点,室外AGV正面临前所未有的发展窗口。本文针对室外环境下AGV的精确定位和稳定导航展开相关研究。针对车载单源传感器定位与导航系统信息在室外环境下存在局限性和脆弱性以及室外车体位姿估计的非线性问题,研究室外复杂场景下多源异质车载传感器信息融合定位方法。采用容积卡尔曼滤波算法作为基础融合算法,利用基于航迹推算的系统方程对车体位姿的估计值与GPS和IMU给出的量测值经由卡尔曼增益系数加权计算获得车辆位姿的最优估计。将迭代过程中QR分解简化的CKF误差协方差平方根矩阵代替包含由字长限制引起的积累定位误差的病态矩阵,解决了室外环境下中由病态协方差矩阵导致定位失稳甚至发散的问题。采用基于时间序列的序贯滤波设计了不同长度量测信息的融合定位算法,充分利用传感器观测信息,解决了车载传感器的最高采样频率不一致造成传感器信息利用率不足等问题。利用QR平方根滤波法保证定位稳定性,通过时间序列序贯滤波提高传感器信息利用率,实现了稳定行驶下的多传感器数据融合的室外AGV准确定位。针对室外环境的不确定因素影响室外AGV定位鲁棒性的问题,研究室外不确定条件下的自适应强跟踪定位方法。采用改进Sage-Husa自适应滤波算法,由残差新息对量测噪声进行实时估计调整并同时监测,当出现非正定矩阵时采用有偏估计方式重新计算,保证定位滤波的稳定性,自适应实时调整噪声参数,提高系统模型不确定情况下的定位精度。采用基于多渐消因子的定位强跟踪算法,根据由不同行驶状况突变类型导致的位姿参数影响计算多渐消因子,修正突变后的误差协方差矩阵,激活卡尔曼增益系数,加权量测信息,解决由不可预测因素造成的室外车辆位姿突变后长时间定位数据发散问题。该自适应强跟踪算法提高了模型参数不确定条件下的定位鲁棒性,增强了车辆位姿不确定条件下的定位跟踪可靠性和及时性,可以稳定连续提供AGV的绝对定位信息。针对由于AGV绝对定位信息与行驶道路间未建立联系导致曲线运动时导航偏差获取困难及绝对位姿信息缺失时准确进行路径跟踪问题,将笛卡尔坐标系下的绝对位姿转换至Frenet坐标用于计算导航偏差。当室外环境下GPS存在失锁情况时,考虑导航信息冗余性采用车载相机获取行驶路面状况,将具有桶形畸变的图像正畸处理后转换至HSV色彩空间,分离饱和度高、对比度强的路径标识线,突出路面导航目标信息。经形态学滤波和双边滤波的图像预处理去除路面纹理和背景噪声。采用边缘检测及霍夫直线检测获取路径行驶区域的角点坐标。根据基准图像的路径区域角点计算逆透变换矩阵,建立图像坐标与实际位置的关系推导出导航偏差,实现GPS失锁时的路径跟踪导航偏差实时准确获取。通过模糊PID路径纠偏控制的实例仿真验证了该方法可以有效保证室外AGV的道路跟踪正确性和行驶安全性。室外AGV定位与导航实验研究。通过车载感知系统(RTK-GPS、IMU、车载相机、视觉传感器)接受多源异质信息,采用C++编写了 WIN系统下的基于QR分解的强跟踪自适应改进容积卡尔曼算法对AGV位姿进行最优估计。通过对GPS静态定位精度标定及按照给定距离设置二维码定位标签建立了位置精度为±1mm,方位精度为±1。的室外绝对定位基准。在无传感器噪声先验数据条件下通过室外动态直线和曲线行驶定位实验验证了本文所提出的多传感器信息融合自适应定位方法的有效性和可行性,其位置定位误差<5cm,误差标准差<4cm。将基准位置路径识别区域测量值与基准图像配准后计算逆透矩阵,把图像坐标投影至实际道路模型中计算导航偏差。视觉导航的横向定位精度<5cm,方位定位精度<0.5°,满足了在GPS失锁情况下的路径导航偏差信息的精度要求。综上本文室外自适应定位组合导航算法可提供动态厘米级定位精度,当GPS失锁时,根据路面图像信息提供厘米级导航偏差数据,为室外AGV提供了可靠的定位导航信息。
二、一种不同坐标系之间的变换矩阵的转换方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种不同坐标系之间的变换矩阵的转换方法(论文提纲范文)
(1)磁梯度张量测量系统野外现场校正与标定方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 国内外磁梯度张量测量技术发展现状 |
1.2.2 国内外磁梯度张量仪校正和标定技术发展现状 |
1.2.3 现有磁梯度张量仪校正和标定技术存在的缺陷 |
1.3 研究意义和目的 |
1.4 本文研究内容及组织结构 |
1.4.1 本文研究内容 |
1.4.2 本文组织结构 |
第2章 磁梯度张量探测原理与测量系统构建 |
2.1 引言 |
2.2 磁梯度张量测量的物理学基础 |
2.2.1 地球磁场模型及主要特征 |
2.2.2 磁梯度张量基本概念与特征 |
2.2.3 磁梯度势场转换原理 |
2.2.4 磁偶极子梯度场空间分布模型 |
2.3 磁梯度张量探测技术 |
2.3.1 航空磁梯度张量探测技术简介 |
2.3.2 井中磁梯度探测技术简介 |
2.3.4 磁梯度张量探测坐标系 |
2.3.5 三轴磁传感器通用误差模型 |
2.4 磁梯度探测实验系统构建 |
2.4.1 磁梯度张量探测仪器 |
2.4.2 高精度总场梯度计 |
2.4.3 实验场地及航空实验载具 |
2.5 本章小结 |
第3章 磁梯度张量仪误差校正方法研究 |
3.1 引言 |
3.2 基于不变量的磁梯度张量仪误差校正方法研究 |
3.2.1 二维空间中张量仪分量之间非对准和非正交误差模型 |
3.2.2 三维空间中张量仪分量之间非对准和非正交误差模型建立 |
3.2.3 磁梯度张量仪误差校正模型建立 |
3.2.4 基于旋转不变量约束的校正系数求解方法 |
3.2.5 仿真验证 |
3.3 基于自适应噪声抵消器的梯度不平衡度校正方法研究 |
3.3.1 梯度不平衡的概念与分析 |
3.3.2 阵列式自适应噪声抵消器设计 |
3.3.3 仿真与实验验证 |
3.4 本章小结 |
第4章 航空磁梯度张量测量系统标定方法研究 |
4.1 引言 |
4.2 航空磁梯度张量测量系统间标定法研究 |
4.2.1 基于广义希尔伯特变换的间接标定法原理研究 |
4.2.2 广义希尔伯特变换法的误差模型建立 |
4.2.3 广义希尔伯特变换法误差估计方法研究 |
4.3 航磁梯度张量测量系统间标定法实验研究 |
4.3.1 基于模拟飞行器的仿真实验 |
4.3.2 实际飞行验证实验 |
4.4 基于航空磁梯度全张量数据的磁源辨识应用研究 |
4.4.1 NSS磁源辨识法基本原理 |
4.4.2 基于磁特性辨识的校正和标定效果验证方法仿真分析 |
4.5 野外航空磁梯度探测综合实验 |
4.5.1 实验设计 |
4.5.2 实验结果 |
4.6 本章小结 |
第5章 井中磁梯度张量测量系统标定方法研究 |
5.1 引言 |
5.2 井中磁梯度张量测量系统间接标定方法研究 |
5.2.1 井中磁测基本磁层模型 |
5.2.2 井中磁梯度张量测量系统间接标定原理研究 |
5.2.3 井中磁梯度张量测量系统标定方法仿真验证 |
5.3 基于井中磁梯度全张量数据的磁层辨识应用研究 |
5.3.1 倾斜磁层产生的磁梯度张量模型建立 |
5.3.2 基于井中张量数据的磁层辨识方法研究 |
5.3.3 基于井中张量数据的磁层辨识仿真验证 |
5.3.4 基于磁层辨识的张量仪校正与标定方法应用研究 |
5.4 井中磁梯度张量探测综合实验 |
5.4.1 旋转校正实验 |
5.4.2 模拟井中探测实验 |
5.6 本章小结 |
第6章 总结和展望 |
6.1 全文总结 |
6.1.1 本文主要研究内容及成果 |
6.1.2 本文主要创新点 |
6.2 未来展望 |
参考文献 |
作者简介及攻读博士期间科研成果 |
作者简介 |
攻读硕士、博士期间所取得的科研成果 |
致谢 |
(2)基于多激光雷达的三维高精度地图生成算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.3 国内外研究现状 |
1.3.1 无人驾驶技术国内外研究现状 |
1.3.2 点云配准国内外研究现状 |
1.3.3 高精度地图国内外研究现状 |
1.4 主要研究内容 |
1.5 文章研究思路、内容和结构安排 |
第2章 相关理论基础 |
2.1 点云概念 |
2.1.1 点云数据 |
2.1.2 点云获取 |
2.1.3 点云栅格化思想 |
2.1.4 刚性变换 |
2.1.5 点云配准 |
2.2 传统点云配准算法 |
2.2.1 ICP算法 |
2.2.2 NDT算法 |
2.3 萤火虫算法 |
2.4 RANSAC算法 |
2.5 LOAM-SLAM算法 |
2.6 本章小结 |
第3章 基于多激光雷达的点云配准优化算法 |
3.1 点云的预处理 |
3.1.1 点云二维栅格思想 |
3.2 多激光雷达配准算法 |
3.2.1 基于RANSAC平面拟合优化算法 |
3.2.2 基于萤火虫算法优化求解 |
3.3 基于多激光雷达配准的LOAM-SLAM的算法 |
3.3.1 点云特征提取 |
3.3.2 点云特征匹配及姿态解算 |
3.3.3 点云地图的生成 |
3.4 本章小结 |
第4章 实验步骤与结果分析 |
4.1 实验平台与软硬件配置 |
4.2 多激光雷达算法性能测试与结果分析 |
4.3 多激光雷达配准实验与结果分析 |
4.4 基于开源数据集的多激光雷达配准算法测试实验与结果分析 |
4.5 基于多传感器的地图生成实验与结果分析 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 文章总结 |
5.2 展望未来 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(3)面向机器人装配的目标识别与位姿获取技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 目标识别研究现状 |
1.2.2 位姿获取研究现状 |
1.3 主要研究内容及结构安排 |
1.3.1 主要研究内容 |
1.3.2 论文结构安排 |
2 KinectV2视觉系统的标定与点云数据预处理 |
2.1 引言 |
2.2 KinectV2视觉系统原理及硬件构成 |
2.3 KinectV2视觉系统的标定 |
2.3.1 摄像机模型 |
2.3.2 摄像机标定方法 |
2.4 点云数据预处理 |
2.4.1 三维点云数据 |
2.4.2 点云数据滤波 |
2.4.3 点云数据分割 |
2.5 KinectV2标定实验及点云预处理实验 |
2.5.1 KinectV2标定实验结果 |
2.5.2 点云预处理结果 |
2.6 本章小结 |
3 基于点云全局特征的零件识别方法 |
3.1 引言 |
3.2 点云数据表面法线 |
3.3 点云特征描述子 |
3.3.1 PFH/FPFH特征描述子 |
3.3.2 VFH特征描述子 |
3.3.3 改进的VFH特征描述子 |
3.4 零件点云描述子数据库的建立 |
3.4.1 单视角点云的构建 |
3.4.2 改进的VFH特征描述子数据库的建立 |
3.5 基于kd-tree的最近邻搜索算法 |
3.6 零件识别实验及结果分析 |
3.6.1 识别不同类型零件 |
3.6.2 识别相同类型不同尺寸零件 |
3.7 本章小结 |
4 基于点云配准的目标零件位姿估计技术研究 |
4.1 引言 |
4.2 点云配准原理 |
4.2.1 点云的刚体变换 |
4.2.2 刚体变换矩阵求解方法 |
4.3 点云粗配准算法 |
4.3.1 SAC-IA算法 |
4.3.2 3D-NDT算法 |
4.4 ICP精确配准算法 |
4.5 配准实验与分析 |
4.5.1 配准精度评价指标 |
4.5.2 实验对比与分析 |
4.6 本章小结 |
5 面向机器人装配的目标识别与位姿获取实验 |
5.1 引言 |
5.2 实验硬件平台 |
5.3 零件识别精度验证实验 |
5.3.1 不同类型零件识别实验 |
5.3.2 同类型不同尺寸零件识别实验 |
5.4 KinectV2相机手眼标定实验 |
5.5 零件位姿获取实验 |
5.6 零件位姿精度验证实验 |
5.7 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
(4)基于LSTM-FC与深度强化学习的移动物体抓取路径规划研究(论文提纲范文)
摘要 |
abstract |
主要符合说明 |
第一章 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.3 研究现状 |
1.3.1 移动物体抓取的研究现状 |
1.3.2 强化学习发展 |
1.3.3 强化学习在机械臂控制中的应用 |
1.4 本文研究内容 |
1.5 本文章节安排 |
第二章 基于LSTM-FC网络的移动物体抓取 |
2.1 问题描述 |
2.2 机械臂的运动学模型 |
2.2.1 机械臂正运动学 |
2.2.2 机械臂逆向运动学 |
2.3 LSTM预测模型 |
2.4 基于LSTM-FC的移动物体抓取路径规划 |
2.4.1 整体框架 |
2.4.2 历史轨迹特征选取 |
2.4.3 LSTM-FC网络结构 |
2.5 仿真实验 |
2.5.1 仿真环境搭建 |
2.5.2 数据采集与预处理 |
2.5.3 模型超参数设置 |
2.6 仿真实验结果 |
2.6.1 实时抓取移动物体下的预测结果 |
2.6.2 实时抓取移动物体下的抓取结果 |
2.7 本章小结 |
第三章 基于SAC算法的移动物体抓取策略 |
3.1 强化学习基本原理 |
3.1.1 马尔可夫决策过程 |
3.1.2 Soft Actor-Critic算法 |
3.2 基于改进SAC算法的跟踪-抓取控制策略 |
3.2.1 Q-函数训练 |
3.2.2 策略函数训练 |
3.2.3 L_2正则化 |
3.3 动作,状态空间以及奖励函数设计 |
3.3.1 密集奖励 |
3.3.2 稀疏奖励 |
3.3.3 状态空间和动作空间的定义 |
3.3.4 深度强化学习控制流程 |
3.4 强化学习仿真环境 |
3.4.1 抓取实验定义 |
3.4.2 仿真实验训练结果 |
3.4.3 训练模型抓取测试 |
3.5 本章小结 |
第四章 移动物体检测系统 |
4.1 坐标转换 |
4.1.1 位姿描述和坐标变换 |
4.1.2 系统总体坐标转换框架 |
4.2 YOLO检测结果 |
4.3 内参标定 |
4.4 外参标定 |
4.4.1 最小二乘法拟合 |
4.4.2 标定结果 |
4.5 本章小结 |
第五章 基于真实机械臂的跟踪-抓取控制策略部署 |
5.1 整体部署框架 |
5.1.1 强化学习策略部署 |
5.1.2 基于ROS的真实机器人控制组件 |
5.2 真实机械臂的抓取实验 |
5.2.1 实验一 |
5.2.2 实验二 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 研究结论 |
6.2 存在的问题与展望 |
参考文献 |
个人简历 在读期间发表的学术论文 |
致谢 |
(6)嵌入式图像处理平台在机器人快速堆叠系统中的应用研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景 |
1.2 国内外研究现状及意义 |
1.3 论文主要研究工作 |
2 基于视觉伺服的蓄热板抓取系统设计 |
2.1 系统组成与开发环境简介 |
2.1.1 蓄热板抓取系统总体结构 |
2.1.2 系统运动分析 |
2.2 图像处理平台 |
2.2.1 嵌入式处理平台 |
2.2.2 光源 |
2.2.3 相机 |
2.2.4 镜头 |
2.3 HIWIN机器人系统 |
2.4 桁架机器人系统 |
2.5 本章小结 |
3 基于类矩形轮廓的工件识别算法 |
3.1 图像获取 |
3.2 图像预处理 |
3.2.1 色域空间转换 |
3.2.2 闭运算 |
3.2.3 轮廓筛选 |
3.3 边缘特征提取 |
3.3.1 边缘检测概述 |
3.3.2 边缘检测算子介绍 |
3.3.3 边缘检测实验结果分析 |
3.4 工件识别方法概述 |
3.5 基于改进霍夫变换的类矩形检测算法 |
3.5.1 蓄热板检测方法研究 |
3.5.2 交点区域预判研究 |
3.5.3 交点匹配方法研究 |
3.6 基于最小外接轮廓的类矩形检测算法 |
3.6.1 获取最小外接轮廓 |
3.6.2 主轴法研究与分析 |
3.6.3 算法性能分析 |
3.6.4 矢量数据获取 |
3.7 本章小结 |
4 基于视觉引导的HIWIN机器人堆叠系统 |
4.1 相机建模 |
4.2 标定工具坐标系 |
4.2.1 相机坐标系标定 |
4.2.2 HIWIN机器人工具坐标系标定 |
4.3 传送带坐标系建模 |
4.3.1 相机-传送带-机器人位置关系 |
4.3.2 相机-传送带-机器人标定步骤 |
4.4 HIWIN机器人快速堆叠系统 |
4.5 目标的动态表示 |
4.5.1 单个目标表示 |
4.5.2 多个目标筛选 |
4.6 快速堆叠系统动作规划 |
4.6.1 快速堆叠系统路径规划 |
4.6.2 快速堆叠系统轨迹规划 |
4.6.3 计算抓取位置 |
4.7 本章小结 |
5 应用测试与分析 |
5.1 堆叠系统总体结构 |
5.2 现场总体软件流程介绍 |
5.3 软件调试 |
5.3.1 串口通信 |
5.3.2 相机SDK开发 |
5.3.3 性能测试 |
5.3.4 界面设计 |
5.4 应用检验 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
(7)六轴机械臂控制系统设计及仿真(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 引言 |
1.2 工业机械手臂的分类 |
1.3 工业机械手臂的国内外研究现状 |
1.4 研究内容及意义 |
1.4.1 研究意义 |
1.4.2 研究内容 |
1.5 本章小结 |
2 机械臂的结构设计及运动学理论介绍 |
2.1 机械臂结构设计 |
2.2 机械臂运动学理论 |
2.2.1 刚体位置描述 |
2.2.2 刚体姿态描述 |
2.2.3 刚体的位姿描述 |
2.2.4 刚体的旋转变换 |
2.2.5 刚体混合变换和组合变换 |
2.3 机械臂连杆关系构建方法 |
2.4 DH法构建正运动学模型 |
2.5 机械臂逆运动学算法 |
2.6 本章小结 |
3 六轴机械臂运动学建模 |
3.1 工具坐标系对运动学建模的影响 |
3.2 机械臂中的奇异点分析 |
3.3 机械臂正运动学建模 |
3.4 机械臂正运动学模型仿真 |
3.5 机械臂逆运动学建模 |
3.6 本章小结 |
4 机械臂控制系统设计 |
4.1 笛卡尔空间轨迹规划 |
4.1.1 常规插补算法分析 |
4.1.2 直线插补算法 |
4.1.3 空间姿态插补 |
4.1.4 实时插补算法 |
4.1.5 圆弧插补算法 |
4.2 上位机软件系统设计 |
4.2.1 软件界面设计 |
4.2.2 软件程序结构设计 |
4.3 机械臂硬件控制系统设计 |
4.3.1 STM32 微控制器系统 |
4.3.2 电机及减速器 |
4.3.3 电机驱动器 |
4.3.4 微控制器及驱动器电源 |
4.4 本章小结 |
5 总结与展望 |
5.1 研究工作总结 |
5.2 展望 |
参考文献 |
附录 本人在攻读学位期间所发表的论文及获奖 |
致谢 |
(8)基于深度学习的可回收垃圾视觉分拣系统(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外发展现状 |
1.2.1 分拣机器人的发展现状 |
1.2.2 目标检测的发展现状 |
1.3 研究思路与内容 |
1.3.1 研究思路 |
1.3.2 主要研究内容 |
1.4 本文章节安排 |
2 机器人视觉系统分析方案设计 |
2.1 视觉抓取系统的设计 |
2.2 软件介绍及通讯 |
2.2.1 软件介绍 |
2.2.2 系统之间的通讯 |
2.3 系统硬件组成及选型 |
2.3.1 视觉系统选型 |
2.3.2 机器人选型 |
2.3.3 控制箱选型 |
2.3.4 末端执行器选型 |
2.4 本章小结 |
3 双目视觉系统原理与标定 |
3.1 双目相机系统成像测距原理 |
3.2 相机标定 |
3.2.1 相机标定原理 |
3.2.2 张正友标定法 |
3.2.3 镜头非线性模型 |
3.2.4 相机标定实验与结果 |
3.3 机器人与相机标定 |
3.3.1 机器人视觉系统结构 |
3.3.2 手眼标定原理与结果 |
3.4 本章小结 |
4 深度学习目标识别与定位算法研究 |
4.1 神经网络模型原理 |
4.1.1 神经网络结构与目标检测概述 |
4.1.2 目标检测的性能指标 |
4.1.3 激活函数的设计 |
4.2 基于YOLO的分类检测算法 |
4.2.1 YOLO目标检测网络结构 |
4.2.2 YOLO的分隔思想 |
4.2.3 YOLO的损失函数 |
4.3 基于YOLOV4 的垃圾分类检测算法研究 |
4.3.1 垃圾分拣算法的构建 |
4.3.2 检测实验的环境 |
4.3.3 数据集建立 |
4.3.4 Pytorch框架的使用 |
4.3.5 算法模型的验证 |
4.4 本章总结 |
5 机器人分拣实验与结果分析 |
5.1 实验平台搭建 |
5.2 分拣机器人运动学分析 |
5.2.1 坐标系建立 |
5.2.2 正运动学分析 |
5.2.3 逆运动学分析 |
5.2.4 机器人抓取仿真实验 |
5.3 目标物体检测实验 |
5.3.1 网络模型的训练 |
5.3.2 检测结果与分析 |
5.3.3 自适应数据集的锚框选取优化 |
5.3.4 优化结果与对比 |
5.4 目标物体抓取实验 |
5.4.1 实验验证 |
5.4.2 实验结果分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间主要研究成果 |
(9)应用惯性传感器的机载SAR传递对准技术研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文研究内容与结构安排 |
2 惯性导航系统基本工作原理 |
2.1 惯性导航系统参数及常用坐标系 |
2.1.1 常用导航参数 |
2.1.2 各坐标系之间的转换关系 |
2.2 机载SAR对惯性传感器导航参数的精度要求 |
2.3 惯性导航系统比力方程 |
2.4 惯性导航系统误差方程 |
2.4.1 惯性器件误差模型 |
2.4.2 惯导系统误差方程 |
2.5 本章小结 |
3 基于传递对准的机载SAR导航信息获取研究 |
3.1 引言 |
3.2 传递对准技术基本原理 |
3.3 飞行轨迹生成器 |
3.3.1 轨迹仿真算法 |
3.3.2 仿真分析 |
3.4 机体结构变形模型 |
3.4.1 机体振动变形 |
3.4.2 机体挠曲变形 |
3.4.3 仿真分析 |
3.5 卡尔曼滤波 |
3.6 传递对准匹配方法 |
3.6.1 姿态匹配 |
3.6.2 速度匹配 |
3.6.3 位置匹配 |
3.6.4 速度+位置匹配 |
3.7 仿真分析 |
3.7.1 仿真条件 |
3.7.2 结果分析 |
3.8 本章小结 |
4 基于相对惯性导航算法的机载SAR导航参数精度仿真 |
4.1 引言 |
4.2 主、子惯导相对运动解算 |
4.2.1 主、子惯导相对运动关系 |
4.2.2 相对惯性导航算法微分方程 |
4.3 基于相对惯性导航算法的机载SAR导航信息获取方案 |
4.3.1 仿真条件设定 |
4.3.2 仿真分析 |
4.4 相对惯性导航算法性能的影响分析 |
4.4.1 惯性传器件误差对算法性能的影响 |
4.4.2 初始相对姿态误差角对算法性能的影响 |
4.5 本章小结 |
5.基于相对惯性导航传递对准的机载SAR导航精度提高策略 |
5.1 引言 |
5.2 相对惯性导航传递对准状态空间模型 |
5.2.1 相对惯性导航状态方程 |
5.2.2 相对惯性导航量测方程 |
5.3 基于相对惯性导航算法的传递对准方案 |
5.3.1 仿真条件设定 |
5.3.2 仿真分析 |
5.4 载机平飞解决方案 |
5.4.1 可观测性分析 |
5.4.2 仿真分析 |
5.5 初始姿态对相对惯性导航传递对准的影响 |
5.5.1 仿真条件设定 |
5.5.2 仿真分析 |
5.6 两种传递对准方法对比 |
5.7 本章小节 |
6 总结与展望 |
6.1 本文工作总结 |
6.2 研究展望 |
致谢 |
参考文献 |
攻读硕士期间的研究成果 |
(10)基于多源数据融合的室外AGV自适应定位与导航方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究目的及意义 |
1.2 国内外研究现状 |
1.2.1 室外AGV的定位方法研究现状 |
1.2.2 室外AGV的路径导航方法研究现状 |
1.3 本文主要研究内容 |
第2章 多传感器数据融合定位方法研究 |
2.1 容积卡尔曼滤波算法 |
2.1.1 多传感器融合系统与观测方程 |
2.1.2 容积卡尔曼滤波算法 |
2.2 传感器多频率下的最大信息利用率方法研究 |
2.3 仿真实验 |
2.3.1 非线性位姿变化的定位稳定性对比仿真 |
2.3.2 传感器频率不同时定位对比仿真 |
2.4 本章小结 |
第3章 不确定条件下的自适应定位方法研究 |
3.1 模型参数不确定下的自适应定位方法 |
3.1.1 模型不确定下的定位问题描述 |
3.1.2 系统稳定性判断 |
3.1.3 基于改进Sage-husa的自适应算法 |
3.2 车辆位姿突变情况下的定位方法研究 |
3.2.1 状态突变情况下的定位问题描述 |
3.2.2 基于多渐消因子的误差协方差修正 |
3.2.3 强跟踪算法研究 |
3.3 仿真实验 |
3.3.1 模型不确定下自适应算法对比仿真实验 |
3.3.2 状态突变的强跟踪仿真实验 |
3.4 本章小结 |
第4章 室外AGV的路径跟踪导航方法研究 |
4.1 计算路径导航偏差 |
4.1.1 组合导航偏差计算 |
4.1.2 路径标识线提取 |
4.1.3 视觉导航偏差计算 |
4.2 基于模糊PID的路径跟踪 |
4.2.1 模糊PID控制器设计 |
4.2.2 路径跟踪仿真实验 |
4.3 本章小结 |
第5章 室外AGV定位与导航实验研究 |
5.1 实验平台 |
5.1.1 实验平台硬件构成 |
5.1.2 实验平台软件构成 |
5.1.3 车载传感器数据处理 |
5.2 室外定位与导航偏差实验 |
5.2.1 定位基准设定 |
5.2.2 室外动态定位实验 |
5.2.3 车载视觉导航实验 |
5.3 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
四、一种不同坐标系之间的变换矩阵的转换方法(论文参考文献)
- [1]磁梯度张量测量系统野外现场校正与标定方法研究[D]. 刘世斌. 吉林大学, 2021(01)
- [2]基于多激光雷达的三维高精度地图生成算法研究[D]. 李鹏程. 吉林大学, 2021(01)
- [3]面向机器人装配的目标识别与位姿获取技术研究[D]. 李根龙. 西安理工大学, 2021
- [4]基于LSTM-FC与深度强化学习的移动物体抓取路径规划研究[D]. 卢伟清. 华东交通大学, 2021(01)
- [5]基于对偶数的分布式多体系统动力学建模方法研究[D]. 李荣成. 哈尔滨工程大学, 2021
- [6]嵌入式图像处理平台在机器人快速堆叠系统中的应用研究[D]. 高金鹏. 西安理工大学, 2021(01)
- [7]六轴机械臂控制系统设计及仿真[D]. 胡云峰. 武汉纺织大学, 2021(08)
- [8]基于深度学习的可回收垃圾视觉分拣系统[D]. 李浩浩. 西安理工大学, 2021
- [9]应用惯性传感器的机载SAR传递对准技术研究[D]. 杨文博. 西安理工大学, 2021(01)
- [10]基于多源数据融合的室外AGV自适应定位与导航方法研究[D]. 陈廷广. 西安理工大学, 2021(01)