近年来,随着我国煤矿业的快速发展,智能化技术的运用越来越广泛。其中,露天煤矿环境的精确定位导航技术研发显得尤为重要。同步定位和地图构建(Simultaneous Localization and Mapping,SLAM)作为无人驾驶的关键技术,在露天煤矿中的应用...近年来,随着我国煤矿业的快速发展,智能化技术的运用越来越广泛。其中,露天煤矿环境的精确定位导航技术研发显得尤为重要。同步定位和地图构建(Simultaneous Localization and Mapping,SLAM)作为无人驾驶的关键技术,在露天煤矿中的应用面临诸多挑战。由于露天煤矿道路周围环境特征点较少,且环境退化严重,SLAM技术需要根据稀疏的特征点进行定位和地图构建,难度较大。此外,由于斜坡和道路不平,传感器易产生抖动,导致机器人运行时的运动畸变问题。针对这些问题,文中提出了一种新的解决方案。首先,对传感器外部参数进行重新标定,采用惯导和激光雷达融合的方式,以增强数据的一致性和准确性。在此基础上,采用全特征点匹配方式,直接对激光雷达采集的数据进行点云降采样提取。通过在算法前端对预处理后的激光点云数据添加迭代最近点(Iterative Closest Point,ICP)匹配提取出关键帧点云X,再结合惯导数据对点云信息进行畸变校正形成点云P,再次通过迭代最近点配准X和P。此外,后端采用因子图加入了回环检测提高约束的方法,进一步提高算法在露天煤矿环境下的定位精度和建图效果。试验结果表明,文中所提算法具有较高的定位精度和完整的建图效果,未产生明显的畸变。侧壁纹理清晰,具有一定的鲁棒性,有效提高了在露天煤矿环境下的鲁棒性和精度。展开更多
基于采样的快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法在面向智能车复杂障碍环境中进行运动规划时,普遍存在采样冗余、规划效率低及路径质量欠佳等问题。鉴于此,提出一种将深度学习与RRT算法相结合的DFNN-RRT最优运动规划...基于采样的快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法在面向智能车复杂障碍环境中进行运动规划时,普遍存在采样冗余、规划效率低及路径质量欠佳等问题。鉴于此,提出一种将深度学习与RRT算法相结合的DFNN-RRT最优运动规划方法。通过自动点云编码器实现复杂障碍物场景的拓扑特征提取与高维数据编码,将预处理后的环境点云数据嵌入到障碍物空间表征;将障碍空间特征与智能车起始位姿、目标位姿等状态空间变量进行多模态融合,构建时空联合输入表征以驱动规划网络训练。在前向传播过程中,网络通过渐进式优化生成具有目标导向性的知情采样样本;以规划点时间间隔为成本函数核心参数,量化路径生长过程的动态代价。同时构建后验预测状态与目标状态间的加权均方误差损失函数,通过梯度优化实现模型高效收敛。试验结果表明:损失率阈值为0.3时,全局最优解概率最高;5 Hz规划频率下,系统耗时最短;采样规模与计算耗时呈显著正相关。在相同环境配置下,DFNN-RRT在保持RRT算法概率完备性的同时,路径质量指标显著优化:相较于基准RRT算法,计算耗时、单位路径长度、路径曲率及采样密度分别优化38.5%,7.8%、42.85%和52.5%;横向对比偏置RRT、双向RRT时效提升27.1%和12.2%。通过仿真与实车测试验证,该方法在复杂障碍物场景下可稳定输出平滑轨迹,证明该方法具有时效性与可靠性优势。展开更多
利用傅里叶相位分析方法与最大相关法结合的云导风技术TCFM(Technique based on combination of Fourier phase analysis and maximum correlation),对2005-08-05的强热带风暴"麦莎"天气过程中静止气象卫星得到的30min间隔云...利用傅里叶相位分析方法与最大相关法结合的云导风技术TCFM(Technique based on combination of Fourier phase analysis and maximum correlation),对2005-08-05的强热带风暴"麦莎"天气过程中静止气象卫星得到的30min间隔云图时间序列进行导风计算,并将导风结果应用于中尺度数值模式ARPS(The Advanced Regional Prediction System),结合其资料分析系统ADAS(ARPS Data Analysis System),对台风"麦莎"登陆前的过程进行模拟。尽管洋面上常规资料稀缺,但卫星导风数据的同化使用结果表明,TCFM技术得到的导风资料能够显著改善台风眼壁东部区域的垂直气流活动,使台风螺旋雨带更加明显,符合实际。展开更多
文摘基于预处理后的无人机运动恢复结构点云数据,通过随机抽稀、间距抽稀和体素抽稀调整参数,减少数据冗余并均化密度.将优化后的点云结合反距离权重法、不规则三角网、克里金(Kriging)插值法,构建0.5 m分辨率的数字高程模型(DEM),采用平均绝对误差(M_(AE))与均方根误差(R_(MSE))指标评估误差.结果表明,3种抽稀和插值方法排列组合所得DEM的M_(AE)和R_(MSE)均整体随密度减小而增大;点云密度处于16~60个/m^(2)时宜采用体素抽稀和Kriging插值,体素抽稀和Kriging插值组合在点云密度为58.14个/m^(2)时,M_(AE)与R_(MSE)最小,分别为0.0023、0.0149 m,点云密度下降至17.21个/m^(2)时,M_(AE)与R_(MSE)变化趋于稳定,分别为0.0289、0.0546 m;点云密度处于10~16个/m^(2)时宜采用间距抽稀和Kriging插值,点云密度下降至14.55个/m^(2)时,M_(AE)与R_(MSE)变化趋于稳定,分别为0.0357、0.0670 m.
文摘基于采样的快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法在面向智能车复杂障碍环境中进行运动规划时,普遍存在采样冗余、规划效率低及路径质量欠佳等问题。鉴于此,提出一种将深度学习与RRT算法相结合的DFNN-RRT最优运动规划方法。通过自动点云编码器实现复杂障碍物场景的拓扑特征提取与高维数据编码,将预处理后的环境点云数据嵌入到障碍物空间表征;将障碍空间特征与智能车起始位姿、目标位姿等状态空间变量进行多模态融合,构建时空联合输入表征以驱动规划网络训练。在前向传播过程中,网络通过渐进式优化生成具有目标导向性的知情采样样本;以规划点时间间隔为成本函数核心参数,量化路径生长过程的动态代价。同时构建后验预测状态与目标状态间的加权均方误差损失函数,通过梯度优化实现模型高效收敛。试验结果表明:损失率阈值为0.3时,全局最优解概率最高;5 Hz规划频率下,系统耗时最短;采样规模与计算耗时呈显著正相关。在相同环境配置下,DFNN-RRT在保持RRT算法概率完备性的同时,路径质量指标显著优化:相较于基准RRT算法,计算耗时、单位路径长度、路径曲率及采样密度分别优化38.5%,7.8%、42.85%和52.5%;横向对比偏置RRT、双向RRT时效提升27.1%和12.2%。通过仿真与实车测试验证,该方法在复杂障碍物场景下可稳定输出平滑轨迹,证明该方法具有时效性与可靠性优势。
文摘利用傅里叶相位分析方法与最大相关法结合的云导风技术TCFM(Technique based on combination of Fourier phase analysis and maximum correlation),对2005-08-05的强热带风暴"麦莎"天气过程中静止气象卫星得到的30min间隔云图时间序列进行导风计算,并将导风结果应用于中尺度数值模式ARPS(The Advanced Regional Prediction System),结合其资料分析系统ADAS(ARPS Data Analysis System),对台风"麦莎"登陆前的过程进行模拟。尽管洋面上常规资料稀缺,但卫星导风数据的同化使用结果表明,TCFM技术得到的导风资料能够显著改善台风眼壁东部区域的垂直气流活动,使台风螺旋雨带更加明显,符合实际。
