在利用惯性测量单元(Inertial Measurement Unit, IMU)对载体进行姿态解算时,机体震动和累计误差等因素会对解算结果产生较大影响。针对上述问题,提出了一种基于小波滤波和卡尔曼滤波的IMU噪声抑制方法。该方法通过高斯加权移动平均滤...在利用惯性测量单元(Inertial Measurement Unit, IMU)对载体进行姿态解算时,机体震动和累计误差等因素会对解算结果产生较大影响。针对上述问题,提出了一种基于小波滤波和卡尔曼滤波的IMU噪声抑制方法。该方法通过高斯加权移动平均滤波联合小波滤波对IMU中陀螺仪与加速度计的原始数据进行初步噪声抑制,采用比例积分微分(Proportion Integral Differential, PID)控制算法有效融合降噪后的陀螺仪与加速度计输出数据,从而减少累计误差和震动噪声影响。利用时间序列分析建立数学模型,为卡尔曼滤波器提供初始参数,通过卡尔曼滤波对融合后的数据进一步优化处理,提升噪声抑制效果。实验结果表明,所提方法相较于未滤波数据标准差下降了93.83%,显著抑制了震动噪声与累计误差,有效提高了IMU在姿态解算过程中的抗噪声性能。展开更多
针对无人农业机器人在复杂作业环境中因频繁非视距(non line of sight,NLOS)通信导致超宽带(ultrawide band,UWB)定位系统量测波动大、精度低的问题,提出一种改进误差状态卡尔曼滤波(error-state Kalman filter,ESKF)的UWB与惯性导航单...针对无人农业机器人在复杂作业环境中因频繁非视距(non line of sight,NLOS)通信导致超宽带(ultrawide band,UWB)定位系统量测波动大、精度低的问题,提出一种改进误差状态卡尔曼滤波(error-state Kalman filter,ESKF)的UWB与惯性导航单元(inertial measurement unit,IMU)紧耦合定位技术。首先,采用非对称双面双向测距法结合线性拟合校准优化UWB量测数据,设计基于改进的均值滤波算法剔除离群值;其次,基于改进ESKF框架实现UWB-IMU协同定位,利用IMU状态预测信息构建自适应因子,动态调整量测噪声协方差矩阵以削弱NLOS误差影响;最后,搭建四轮无人农业机器人平台,在典型NLOS农业场景下进行静态及动态目标定位试验验证。结果表明,在动态轨迹跟踪中,相较于纯UWB和传统EKF算法,总体定位精度分别提升53.38%和25.15%。该方法在复杂遮挡环境下具有良好的鲁棒性,可为无人农业机器人实现高精度自主导航定位提供技术支撑。展开更多
文摘在利用惯性测量单元(Inertial Measurement Unit, IMU)对载体进行姿态解算时,机体震动和累计误差等因素会对解算结果产生较大影响。针对上述问题,提出了一种基于小波滤波和卡尔曼滤波的IMU噪声抑制方法。该方法通过高斯加权移动平均滤波联合小波滤波对IMU中陀螺仪与加速度计的原始数据进行初步噪声抑制,采用比例积分微分(Proportion Integral Differential, PID)控制算法有效融合降噪后的陀螺仪与加速度计输出数据,从而减少累计误差和震动噪声影响。利用时间序列分析建立数学模型,为卡尔曼滤波器提供初始参数,通过卡尔曼滤波对融合后的数据进一步优化处理,提升噪声抑制效果。实验结果表明,所提方法相较于未滤波数据标准差下降了93.83%,显著抑制了震动噪声与累计误差,有效提高了IMU在姿态解算过程中的抗噪声性能。
文摘针对无人农业机器人在复杂作业环境中因频繁非视距(non line of sight,NLOS)通信导致超宽带(ultrawide band,UWB)定位系统量测波动大、精度低的问题,提出一种改进误差状态卡尔曼滤波(error-state Kalman filter,ESKF)的UWB与惯性导航单元(inertial measurement unit,IMU)紧耦合定位技术。首先,采用非对称双面双向测距法结合线性拟合校准优化UWB量测数据,设计基于改进的均值滤波算法剔除离群值;其次,基于改进ESKF框架实现UWB-IMU协同定位,利用IMU状态预测信息构建自适应因子,动态调整量测噪声协方差矩阵以削弱NLOS误差影响;最后,搭建四轮无人农业机器人平台,在典型NLOS农业场景下进行静态及动态目标定位试验验证。结果表明,在动态轨迹跟踪中,相较于纯UWB和传统EKF算法,总体定位精度分别提升53.38%和25.15%。该方法在复杂遮挡环境下具有良好的鲁棒性,可为无人农业机器人实现高精度自主导航定位提供技术支撑。
