XiaoMi-AI文件搜索系统
World File Search System位置误差
![arxiv：2403.05136v3 [cs.ro] 2024年11月24日](/simg/7\7ccb9318234ef0c3c1f022884cbb6b766eba2baa.webp)
arxiv：2403.05136v3 [cs.ro] 2024年11月24日
摘要 - 在本文中，我们提出了一个雷达射量结构，该结构直接利用雷达速度测量值来进行死亡计算，同时保持其在Kalman Filter框架内更新估计的能力。具体来说，我们采用了通过与陀螺仪数据结合使用的4D频率调制连续波（FMCW）雷达获得的多普勒速度来计算姿势。这种方法有助于减轻加速度计偏差和double集成而导致的高漂移。取而代之的是，通过重力测量的倾斜角度与雷达扫描匹配的相对距离测量以及过滤器测量更新的相对距离测量。另外，为了进一步提高系统的准确性，我们估计并补偿了雷达速度量表因子。通过五个现实世界中的开源数据集验证了所提出的方法的性能。结果表明，与最新的雷达 - 惯性融合方法相比，就绝对轨迹误差而言，我们的方法平均将位置误差减少62％，旋转误差平均减少66％。
在深空应用程序的视线导航上
视线（LOS）导航是一种光学导航技术，可利用从车载成像系统获得的可见天体的方向，以估算航天器的位置和速度。将方向馈送到估计过滤器中，其中它们与观察到的物体的实际位置匹配，该位置是从船上存储的胚层检索的。作为LOS导航代表了下一代深空航天器的一个真正有希望的选择，这项工作的目的是提供有关效果的新见解。首先，分析信息矩阵以显示航天器和观察到的行星之间的几何形状的影响。然后，使用Monte Carlo方法来研究测量误差的影响（范围从0.1到100 ARCSEC）和跟踪频率（从每天的四个观测值到每两天的观察范围）。通过两个指标对导航性能的影响进行了影响。首先是3D位置和速度均方根排出，一旦估计被认为是稳态的。第二个是收敛时间，它量化了估算到达稳态行为所需的时间。模拟基于一组四个行星，这些行星不遵循共同的以heliepentric动力学的速度，而是绕太阳旋转，并以相同的（无距离）角速度的角速度旋转。这种方法允许将方案依赖性行为与导航固有属性分开，因为在整个模拟过程中观察者和观察到的对象之间的相同几何形状是相同的相对几何形状。结果为下一代自主导航系统提供了有用的指南，既可以定义硬件要求和设计适当的导航策略。然后将注意事项应用于近地球小行星的任务方案，以定义导航策略和硬件要求。显示了航天器和行星之间相对角度的重要性。在单个球衣观察方案中，当航天器和行星的位置向量之间的角度接近无效的值时，估计误差会降低。在双行星观察方案中，当两个LOS方向之间的分离角接近90时，估计误差会降低。对性能的主要影响是由测量误差驱动的，当前技术被证明能够以几百公里的顺序提供位置误差，而较低的测量误差（0.1 ARCSEC）可能在100 km以下的位置误差。最后，可以证明跟踪频率在性能中起次要作用，并且只有在收敛时间明显地影响。2022 cospar。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
紧密耦合的全局位置测量融合...
摘要 — 为了实现长期自主导航中稳健、无漂移的姿态估计，我们在本文中提出了一种将全局位置信息与视觉和惯性测量融合在一起的方法，该方法是基于紧耦合非线性优化的估计器。与以前的松散耦合研究不同，使用紧耦合方法可以利用所有测量之间的相关性。通过最小化包括视觉重新投影误差、相对惯性误差和全局位置残差的成本函数来估计最新系统状态的滑动窗口。我们使用 IMU 预积分来制定惯性残差，并利用这种算法的结果来有效地计算全局位置残差。实验结果表明，所提出的方法实现了准确且全局一致的估计，优化计算成本的增加可以忽略不计。我们的方法始终优于松耦合融合方法。与室外无人机 (UAV) 飞行中的松耦合方法相比，平均位置误差降低了 50%，其中全局位置信息由嘈杂的 GPS 测量提供。据我们所知，这是第一项在基于优化的视觉惯性里程计算法中紧密融合全局位置测量的工作，利用 IMU 预积分方法定义全局位置因子。
自动集成的BIM启用机器人控制系统...
摘要3D混凝土印刷（3DCP）由于增强生产力和可持续性的利益而引起了显着关注。然而，现有的3DCP技术在将常规的钢筋增强与印刷混凝土结构整合在一起时面临着自动化和实用性的挑战。本研究提出了一个自动机器人系统，并加上建筑信息建模（BIM），以应对挑战。dynamo脚本用于生成打印路径，该算法进一步优化了用于结合钢筋增强的算法。采用了深度学习模型来识别具有较高纵横比的钢筋。钢筋识别的平均准确性为92.5％，位置误差在2 mm之内。开发了用于多个设备通信的集中控制系统，包括相机，机器人臂和抓手。最后，进行了实时演示，代表了自动化机器人系统的第一个实际演示，以将钢筋加固与使用BIM生成的数据在物理世界中的印刷结构相结合。
使用Snell窗口中的极化模式的生物启发的水下导航
针对水下无人车辆（UUV）的自主导航能力的要求，提出了一种基于Snell窗口内极化模式的水下导航的新型仿生方法。受到生物的启发，极化导航是一种无卫星的导航计划，并且有很大的潜力在水中使用。但是，由于水下环境复杂，是否可以实现UUV两极化导航令人怀疑。为了说明水下极化导航的可行性，我们首先建立了水下极化模式的模型，以证明Snell窗口内的水下极化模式的稳定性和可预测性。然后，我们基于开发的极化信息检测设备进行水下标题确定的静态和动态实验。最后，我们获得了水下极化模式，并在不同的水深度进行跟踪实验。水下极化模式的实验结果与模拟一致，这证明了所提出的模型的正确性。在5 m的水深下，跟踪实验的平均角度和位置误差分别为14.3508°和4.0812 m。可以说明水下两极化导航是可以实现的，精度可以满足UUV的实时导航要求。这项研究促进了水下导航能力和海洋设备的发展。
基于优化的视觉惯性里程计中的全局位置测量紧耦合融合
摘要 — 为了实现长期自主导航中稳健、无漂移的位姿估计，我们在本文中提出了一种将全局位置信息与视觉和惯性测量融合在一起的紧耦合非线性优化估计器。与以前的松散耦合的工作不同，使用紧耦合方法可以利用所有测量之间的相关性。通过最小化包括视觉重新投影误差、相对惯性误差和全局位置残差的成本函数来估计最新系统状态的滑动窗口。我们使用 IMU 预积分来计算惯性残差，并利用该算法的结果有效地计算全局位置残差。实验结果表明，所提出的方法实现了准确且全局一致的估计，而优化计算成本的增加可以忽略不计。我们的方法始终优于松耦合的融合方法。与室外无人机 (UAV) 飞行中的松散耦合方法相比，平均位置误差减少了 50%，其中全局位置信息由嘈杂的 GPS 测量提供。据我们所知，这是首次在基于优化的视觉惯性里程计算法中紧密融合全局位置测量，利用 IMU 预积分方法定义全局位置因子。
RoboGrav – 面向力敏感空间机械手
摘要 —本文介绍了 RoboGrav，这是一项专注于在第 42 次 DLR 抛物线飞行活动期间在零重力条件下测试全扭矩传感机械臂的任务。RoboGrav 与德国航空航天中心 (DLR)、KINETIK Space、iBOSS、慕尼黑工业大学 (TUM) 和 Novespace 合作进行，旨在推进扭矩控制机器人操纵器的开发和测试，用于在轨服务 (OOS) 和空间组装任务。本文强调了扭矩感应的重要作用，它增强了零重力条件下的操纵任务。进行了实验测试，以确保控制器在零重力下的自由空间运动期间的稳定性，使用针状末端执行器进行环境相互作用。采用外力感应来评估机器人在不同控制器上的准确性和性能。这也使得能够比较机器人在零重力和全重力环境中的行为，为将地球开发的算法转移到太空应用提供了宝贵的见解。使用 iBOSS“iSSi”接口进行的模拟卫星对接任务展示了机器人通过阻抗控制管理位置误差的能力，从而提高了操作稳定性。为该项目开发的技术，例如扭矩传感器的集成、所提出的基于 FPGA 的联合控制算法和通信接口、高级控制器和决策算法，可以转移到未来的太空任务中。RoboGrav 的扭矩传感器机械臂为未来的太空服务和太空组装任务提供了宝贵的经验和方法。
自动机器人手眼校准通过基于学习的3D Vision
抽象的手眼校准是基于视觉机器人系统的基本任务，通常配备协作机器人，尤其是对于中小型企业（中小型企业）的机器人应用。大多数手眼校准方法都取决于外部标记或人类援助。我们提出了一种新的方法，该方法可以使用机器人基础作为参考来解决手眼校准问题，从而消除了对外部校准对象或人类干预的需求。使用机器人底座的点云，从相机的坐标框架到机器人底座的转换矩阵被确定为“ i = axb”。为此，我们利用基于学习的3D检测和注册算法来估计机器人基础的位置和方向。该方法的鲁棒性和准确性是通过基于基础真实性的评估来量化的，并且将精度结果与其他基于3D视觉的校准方法进行了比较。为了评估我们的方法论的可行性，我们在不同的关节构造和实验组中使用了低成本结构化的轻扫描仪进行了实验。根据实验结果，提出的手眼校准方法达到了0.930 mm的翻译偏差，旋转偏差为0.265度。此外，3D重建实验表明旋转误差为0.994度，位置误差为1.697 mm。此外，我们的方法提供了在1秒内完成的潜力，这是与其他3D手眼校准方法相比最快的。相关代码在https://github.com/leihui6/lrbo上发布。我们根据手眼校准方法进行室内3D重建和机器人抓握实验。
PADELVIC：在...
计算机视觉和深度学习技术的最新进展为自动标记运动视频开辟了新的可能性。但是，对监督技术的本质要求是准确标记的培训数据集。在本文中，我们介绍了Padelvic，这是一项Ama-Teur Padel匹配的注释数据集，该数据集由多视频视频流组成，估计了法院内所有四个玩家的位置数据（以及其中一位参与者，准确的运动捕获数据的数据捕获数据），以及专门用于训练网络的训练集量的培训量，从培训中估算了培训的培训，该培训量估算了vides的估计。对于记录的数据，通过将最先进的姿势估计技术应用于其中一个视频来估算玩家位置，该视频会产生相对较小的位置误差（M = 16 cm，SD = 13 cm）。对于其中一位玩家，我们使用了一个运动捕获系统，该系统提供了1.5ºRMS的身体部位方向。最高准确性来自我们的合成数据集，该数据集提供了通过运动捕获数据动画的虚拟播放器的基础和姿势数据。作为合成数据集的示例应用程序，我们提出了一个系统，以从比赛的单视频视频中更准确地预测投影到法院平面上的玩家的质量中心。我们还讨论了如何利用玩家的人均位置数据，例如协同分析，集体战术分析和玩家概况生成等任务。
基于计算机视觉的实时识别桥梁结构性健康监测的车辆负载
摘要：各种加载条件的耦合效应可能会导致偏转，定居点甚至在服务桥梁的失败。不幸的是，尽管它是最关键的负载之一，但通过桥梁监控系统目前为可持续操作，很难实时捕获行驶车辆的加载条件。要充分了解桥梁的状态，必须在动态的交通环境中获得瞬时车辆负载分布。尽管有一些可以识别超重车辆的方法，但捕获的车辆相关信息却分散且不完整，因此无法支持有效的桥梁结构性健康监测（BSHM）。本研究提出了一种基于视觉的非接触式方法，用于识别车辆负载，以实时监测桥梁结构健康。该提出的方法由四个主要步骤组成：（1）使用Yolov7为车辆建立双对象检测模型，（2）在桥面上开发一个混合坐标转换模型，（3）为移动车辆的实时轨迹监视的多对象跟踪模型，以及（4）建立级别融资模型的车辆和位置，并为车辆的负载和位置确定型号和位置。所提出的方法有效地可视化3D时空车辆载荷分布，速度低30fps。结果表明，混合坐标转换可确保车辆位置误差在1 m以内，与传统方法相比降低了5倍。轴距是通过双对象检测和转换来计算的，是车辆位置校正的主要参考。与传感器测得的速度相比，保留了车辆的轨迹和实时速度，平滑速度误差均低于5.7％。作者设想所提出的方法可以构成一种新的方法来进行实时的服务桥梁。