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。
文摘针对直接法完全依靠梯度搜索来计算相机位姿、容易陷入局部最优的缺点,本文将惯性测量单元(IMU)数据紧密关联到图像跟踪过程,提供精确的短期运动约束和较好的初始梯度方向信息,并对视觉位姿跟踪结果进行校正,提高单目视觉里程计的跟踪精度.在此基础上,基于相机和IMU测量结果建立传感器数据融合模型,采用滑动窗口的方式优化求解,同时在边缘化过程中根据当前帧与上一关键帧之间的相机帧间运动大小,选择应边缘化的状态量和应加入滑动窗口的状态量,确保在优化过程中有足够准确的先验信息,确保优化融合的效果.实验结果表明,与现有的视觉里程计算法相比,本文算法在数据集上的定位角度累积误差在3°左右,位移累积误差小于0.4 m.
