基于GPS与图像融合的智能车辆高精度定位算法

车辆自定位是实现智能车辆环境感知的核心问题之一.全球定位系统(Global Positioning System,GPS)定位误差通常在10 m左右,不能满足智能车辆的定位需求;惯性导航系统成本较高,不适于智能车辆的推广.本文在视觉地图基础上,提出一种基于GPS与图像融合的智能车辆定位算法.该算法以计算当前位置距离视觉地图中最近一个数据采集点的位姿为目标,首先运用GPS信息进行初定位,在视觉地图中选取若干采集点作为初步候选,其次运用Oriented FAST and Rotated BRIEF(ORB)全局特征进行特征匹配,得到一个候选定位结果,最后通过待检测图像中的局部特征点与候选定位结果中的三维局部特征点建立透视n点模型(Perspective-n-Point,Pn P),得到车辆当前的位姿,并以此对候选定位结果进行修正,得到最终定位结果.实验在长为5 km的路段中进行,并在不同天气及不同智能车辆平台测试.经验证,平均定位精度为11.6 cm,最大定位误差为37 cm,同时对不同天气具有较强鲁棒性.该算法满足了智能车定位需求,且大幅降低了高精度定位成本.     

基于多传感器数据融合算法的轴荷称重

为了提升轴荷动态称重系统在载荷任意位置加载时的称重精度,提出了基于多传感器的卡尔曼数据融合算法。通过分析均载与偏载下纯位移称重算法输出的称重数据,建立位移与车厢姿态角度关系的车厢数学模型;利用该模型建立位移与角度的卡尔曼数据融合算法;通过实车数据采集验证该算法的有效性。多传感器数据融合算法与单一位移称重算法相比,平均称重准确率提高了2.78%。     

基于激光与视觉融合的车辆自主定位与建图算法

定位与建图是车辆未知环境自主驾驶的基础,激光雷达依赖于场景几何特征而视觉图像 易受光线干扰,依靠单一激光点云或视觉图像的定位与建图算法存在一定局限性。本文提出一 种激光与视觉融合SLAM(Simultaneous Localization And Mapping)的车辆自主定位算法,通过融 合互补的激光与视觉各自优势提升定位算法的整体性能。为发挥多源融合优势,本文在算法前 端利用激光点云获取视觉特征的深度信息,将激光-视觉特征以松耦合的方式输入位姿估计模块 提升算法的鲁棒性。针对算法后端位姿和特征点大范围优化过程中计算量过大的问题,提出基 于关键帧和滑动窗口的平衡选取策略,以及基于特征点和位姿的分类优化策略减少计算量。实 验结果表明：本文算法的平均定位相对误差为 0.11 m 和 0.002 rad,平均资源占用率为 22.18% (CPU)和 21.50%(内存),与经典的 A-LOAM(Advanced implementation of LOAM)和 ORB-SLAM2 (Oriented FAST and Rotated BRIEF SLAM2)算法相比在精确性和鲁棒性上均有良好表现。     

多雷达传感器数据融合技术与应用

讨论了数据融合中特征层融合的基本概念,多雷达传感器数据融合中时空坐标变换和数据相关方法及应用,最后用软件模拟方法进行验证。     

基于方位合成的异类传感器航迹数据融合算法

针对纯方位传感器与二维雷达量测空间不一致的航迹数据融合问题,提出了一种基于方位合成的异类传感器航迹数据融合算法.该算法以纯方位传感器承载平台为融合中心,计算雷达和纯方位传感器探测的目标航迹相对于同一坐标系的方位量测,并用一种近似方法计算方位精度;采用基于最优权值分配原则的加权平均法对方位进行合成,用合成的方位对雷达探测的目标航迹进行修正,并将修正后的航迹作为融合航迹.该算法在获得融合航迹的同时,给出了融合航迹的精度.仿真结果表明,与雷达航迹精度相比,融合航迹的精度平均提高25.23%.     

基于多尺度Kalman滤波的多传感器数据融合

通过分析多尺度动态系统模型,提出了一种基于小波变换的Kalman多传感器数据融合算法。该算法结合了Kalman滤波的实时性、递归性和小波变换的多尺度特性,能对多传感器的观测数据有效地融合。算法首先将最细尺度上观测数据滤波后得到的估计序列小波分解到各尺度上;然后在各尺度上,利用该尺度上的传感器观测数据对小波分解系数进行更新;最后利用小波重构,达到更新原始估计序列的目的。仿真实验表明,该算法具有很好的数据融合效果。     

基于多传感器数据融合的目标分析

声场环境复杂,易引起单个声传感器所获得数据的不确定性,利用数据融合方法可以解决目标分析中信息的不确定性问题.文中建立了适合工程实用的基于多传感器数据融合的目标分析模型,利用该模型对三维情形下舰船通过过程进行了仿真.该方法的应用实现了对多传感器信息的优化利用,取得了较满意的结果,证明了模型的有效性.     

基于多传感器数据融合的齿轮箱故障诊断方法

为了解决单通道单维度振动信号输入不能全面表达齿轮箱故障特征的问题,提出一种基于多传感器多通道数据融合的诊断模型,结合卷积神经网络应用于齿轮箱振动信号的特征学习和故障分类中.利用连续小波变换对多通道数据进行二维时频变换,得到二维时频图像;构建神经网络诊断模型,以多通道的时频图作为输入,实现多通道信号特征的故障分类.通过动...     

数据融合综述

新兴的数据融合科学内容丰富且应用广泛,正确理解融合算法与层次分类,能帮助我们避免数据富有但信息贫乏的情况发生.     

浮动车辆数据在城市智能交通中的应用

道路实时车速监测是城市智能交通体系中最基础和重要的组成部分,利用出租汽车这一浮动车辆载体采集的道路车速实时信息,结合智能终端和系统平台处理,可实现城市道路的车速实时监测、发布和深度开发利用,对改善城市交通拥堵、节能减排、实现城市智能交通起到重要作用。     

A New Multi-sensor Data Fusion Algorithm Based on EMD-MMSE

A new multi-sensor data fusion algorithm based on EMD-MMSE was proposed.Empirical mode decomposition(EMD)is used to extract the noise of every time series for estimating the variance of the noise.Then minimum mean square error(MMSE)estimator is used to calculate the weights of the corresponding series.Finally,the fused signal is the weighted addition of all these series.The experiments in lab testified the efficiency of this method.In addition,the comparison in fusion time and fusion results with existing fusion method based on wavelet and average technique shows the advantage of this method greatly.     

基于模糊控制的智能车转向控制仿真研究

将模糊控制技术应用于智能车的转向控制中．对如何从摄像头采集的视频信号中提取出有效信息进行了探讨。然后依据摄像头获得的信号进行了模糊控制算法的研究。该控制算法改善了赛车弯道行驶性能．提高了赛车寻线的可靠性。     

���������ںϼ������߿�Э�������о�

通过数据融合技术确定车辆实际运行轨迹,本文首先基于三角形相似原理和图形透视原理建立了通过视频图像提取车辆轨迹的模型．在分析视频数据与GPS数据优缺点的基础上,提出利用视频数据标定GPS数据状态的数据融合方法．为了能够标定视频检测器未覆盖的路段的GPS数据状态,提出了标志速度方法．利用融合的车辆实际轨迹,能够实现在线评价线控协调方案的效果,解决了已有需要假设条件评价线控协调方案性能方法的不足．     

�����Ŵ��㷨�����ܽ�ͨ����Ԥ�ⷽ��

把遗传算法应用到智能经济预测的模型选择问题中.首先，通过对已有的模型库中的模型进行编码得到遗传操作的种群，然后通过变异、交叉操作产生新的模型或者模型的组合，接着运用生成的模型进行自适应调节、学习从而得到模型的评价，用该评价作为个体的适应度进行选择操作.得到了较好的预测模型进行数据的预测.最后，文章结合我国客运量预测的实例进行了分析.     

一种基于WSN和GPS融合定位的 浮动车路况优化研究与验证

为解决浮动车数据在城市范围内存在的“信号漂移”和“信号盲区”问题,提高地图道路 适配准确率和路况信息准确率,研究应用WSN无线定位技术以及地图匹配技术,设计数据融合 框架,提出基于WSN和GPS的融合数据路况优化算法及计算流程,监测车辆在路网上的行驶状 况和各路段的拥堵程度。通过选取广州市800 个车载传感器节点、20 个路侧传感器节点以及3 个路段进行现场数据验证,结果显示在加入WSN定位数据并采用上述算法处理后,地图道路适配准确率提高约4%,路况信息准确率提高约5%,同时路况信息的处理速度也得以提高。可见,基于该优化算法,WSN和GPS融合定位数据能有效提高浮动车路况的准确性和有效性。     

数据融合在轮速信号处理方面的研究

在轮速采集试验台采用双传感器采集数据,用多传感器卡尔曼滤波融合技术对其进行滤波处理,将处理结果和传统卡尔曼滤波比较,发现此方法能够比较精确的提取一些制动工况的特征参量,削减外界噪声,能够比较真实的反应制动规律。多传感器卡尔曼滤波融合技术能有效提高ABS控制性能。     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一,为解决现有预测算法模型精度低、相对误差大的问题,本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入,通过聚类和过滤封装式特征筛选,提取最优特征集合,并基于行驶片段样本量选择预测方法,通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度,通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035,平均相对误差为1.71%,能够精确稳定地实现行驶里程预测.