XiaoMi-AI文件搜索系统
World File Search System机翼偏转
机翼形状的辅助惯性估计 - oatao
先进的大翼展飞机具有更大的结构灵活性，但可能出现不稳定或操纵性差。这些缺点需要稳定性增强系统，该系统需要主动结构控制。因此，飞行中机翼形状的估计有利于控制非常灵活的飞机。本文提出了一种基于扩展卡尔曼滤波估计柔性结构状态的新方法，该方法利用了辅助惯性导航系统中采用的思想。将不同机翼位置的高带宽率陀螺仪角速度集成在一起，以提供短期独立惯性形状估计解决方案，然后使用额外的低带宽辅助传感器来限制发散估计误差。所提出的滤波器实现不需要飞机的飞行动力学模型，简化了通常繁琐的卡尔曼滤波调整过程，并允许在机翼偏转较大和非线性的情况下进行准确估计。为了说明该方法，通过使用瞄准装置作为辅助传感器的模拟来验证该技术，并进行可观测性研究。与文献中基于立体视觉的先前研究相比，我们发现了一种传感器配置，仅使用一个摄像头和多个速率陀螺仪分别用于卡尔曼滤波更新和预测阶段，即可提供完全可观察的状态估计。
用于飞行测试的高速标记跟踪
摘要 — 飞行测试是确保正常运行期间安全并在认证阶段评估飞机的强制性过程。由于试飞可能是一种高风险活动，可能导致飞机损失甚至生命损失，因此模拟模型和实时监控系统对于评估风险和提高态势感知和安全性至关重要。我们提出了一种基于 CNN 的新型检测和跟踪模型，该模型使用基准标记，称为 HSMT4FT。它是光学弹道系统 (SisTrO) 的主要组件之一，负责在飞行测试期间检测和跟踪飞机外部存储、吊架和机翼中的基准标记。HSMT4FT 是一种实时处理模型，用于测量存储分离测试中的轨迹，甚至评估振动和机翼偏转。尽管有多个库提供基于规则的方法来检测预定义标记，但这项工作通过开发和评估三个用于检测和定位基准标记的卷积神经网络 (CNN) 模型做出了贡献。我们还比较了在 OpenCV 库中实现的角点检测的经典方法和在 OpenVINO 环境中执行的神经网络模型。评估了这些方法的执行时间和精度/准确度。在测试和基准模型中，其中一个 CNN 模型实现了最高的吞吐量、较小的 RMSE 和最高的 F1 分数。最好的模型足够快，可以在嵌入式系统中实现实时应用，并将在未来的实际飞行测试中用于实际检测和跟踪。
用于飞行测试的高速标记跟踪
摘要 — 飞行测试是确保正常运行期间安全以及在认证阶段评估飞机的强制性过程。由于试飞可能是一种高风险活动，可能会导致飞机损失甚至人员伤亡，因此模拟模型和实时监控系统对于评估风险、提高态势感知和安全性至关重要。我们提出了一种基于 CNN 的新型检测和跟踪模型，该模型使用基准标记，称为 HSMT4FT。它是光学弹道系统 (SisTrO) 的主要组件之一，负责在飞行测试期间检测和跟踪飞机外部存储、吊架和机翼中的基准标记。HSMT4FT 是一种实时处理模型，用于测量存储分离测试中的轨迹，甚至用于评估振动和机翼偏转。尽管有多个库提供基于规则的方法来检测预定义标记，但这项工作通过开发和评估三个用于检测和定位基准标记的卷积神经网络 (CNN) 模型做出了贡献。我们还比较了在 OpenCV 库中实现的经典角点检测方法和在 OpenVINO 环境中执行的神经网络模型。评估了这些方法的执行时间和精度/准确度。在测试和基准模型中，其中一个 CNN 模型实现了最高的吞吐量、较小的 RMSE 和最高的 F1 分数。最佳模型足够快，可以在嵌入式系统中实现实时应用，并将在未来的实际飞行测试中用于实际检测和跟踪。