XiaoMi-AI文件搜索系统
World File Search SystemIMU
基于传感器融合的运动补偿3D激光点云
摘要：本文提出了一种使用全球定位系统（GPS）和惯性测量单元（IMU）数据的传感器融合来补偿运动引起的3D激光点云数据中失真的方法。通过旋转镜子扫描环境的LIDAR传感器通常假设一个静态视图。但是，自我车辆的运动引入了假定和实际观点之间的差异，从而导致点云数据扭曲。为了解决这个问题，我们的方法融合了从IMU的高频运动动力学的GP的准确定位数据，以估算车辆的探射仪。此数据在东北方（ENU）坐标框架中对齐，并用于在每次激光扫描期间插入车辆的运动。然后根据插值探子仪调整点云中的每个点以纠正变形。利用来自GPS，IMU，相机和LIDAR传感器记录的Udacitic®数据，我们的方法有效地重建了周围环境的准确表示。此过程对于诸如自主驾驶和环境建模等应用程序至关重要，而在此过程中，精确且可靠的点云数据至关重要。
金属探测器探测物体的信号印记 - CORE
人道主义排雷任务是将操作员安全和时间消耗作为关键问题的活动。为了提高我们一直在使用的 ATMID 金属探测器的识别能力，我们扩展了探测器的功能，在探测器头部安装了惯性测量单元 (IMU)，并辅以两个光学距离传感器。这使我们能够根据 IMU 在所有三个轴上测量的加速度和角速率进行航位推算。光学距离传感器用于补偿目的和初始距离测量。我们的主要目标是将探测器感测到的磁性印记与其头部的精确定位互连，从而估算印记尺寸及其位置。由于基于低成本微机电系统 (MEMS) 的 IMU 实现，我们不得不处理不稳定的航位推算结果。为此，我们使用了我们设计的复杂磁性标记 (CMM)，它标出了搜索区域，并为我们提供了其两侧的精确定位。本文的主要贡献在于研究和识别了 CMM 磁印特征及其与 CMM 在排雷过程中使用的各个方面及其条件相关的差异。根据多项实验室实验研究和分析了 CMM 的特性，并给出了结果。
直接地理定位 - Semantic Scholar
国家测绘协调机构 (BAKOSURTANAL)，印度尼西亚芝比农 – aldino.rizaldy@bakosurtanal.go.id 第一委员会，第一工作组 /1 第二十二届 ISPRS 大会，墨尔本 2012 年 8 月 25 日 – 9 月 1 日 关键词：直接地理配准、数字摄影测量、GPS/IMU、外部方向 摘要：直接地理配准是摄影测量中的一种新方法，尤其是在数码相机时代。从理论上讲，这种方法不需要地面控制点 (GCP) 和空中三角测量 (AT)，即可将航空摄影处理为地面坐标。与旧方法相比，该方法有三个主要优点：在相同精度下数据处理速度更快、工作流程简单、项目成本更低。直接地理配准使用两个设备，GPS 和 IMU。GPS 记录相机坐标（X、Y、Z），IMU 记录相机方向（omega、phi、kappa）。两个参数合并为外部方向 (EO) 参数。此参数是摄影测量项目下一步工作所必需的，例如立体编辑、DSM 生成、正射校正和镶嵌。该方法的精度在印度尼西亚棉兰的地形图项目中进行了测试。使用 Vexcel 的大画幅数码相机 Ultracam X，而 GPS / IMU 是 IGI AeroControl。使用 19 个独立检查点 (ICP) 来确定精度。水平精度为 0.356 米，垂直精度为 0.483 米。具有此精度的数据可用于 1:2.500 地图比例项目。1. 简介
基于机器学习的预测，在使用IMU，心率和智能手表数据的户外娱乐过程中，基于机器学习的预测
背景：跑步提供了许多健康益处，但不幸的是，与跑步相关伤害的高风险（RRI），尤其是由于过度使用而导致的。疲劳监测方法，例如心肺运动测试（CPET）和乳酸浓度测量，对现实世界跑步条件是有效的，但不切实际。可穿戴传感器与新型机器学习（ML）算法相结合，为在现实的室外设置中进行连续实时的实时疲劳监测提供了有希望的替代方案。方法：十九个休闲跑者参加了这项研究 - 在第一实验部分中的第一和五。他们完成了三个不同的室外跑步课程：耐力，间隔和5公里的跑步。参与者配备了七个惯性测量单元（IMU），上面放置在胫骨，大腿，骨盆，胸骨和手腕上，以及心率监测器和智能手表，以收集运动学和生理数据。在第二个实验部分期间，在每次运行期间在特定点上使用感知的劳累（RPE）量表（0到10）的BORG等级测量疲劳，而在第一个实验部分中未收集此类反馈。一种随机的森林回归算法对第二个实验部分的已加工标记数据进行了训练，以每隔1秒的时间预测RPE。该模型是使用嵌套的一项受试者（LOSO）交叉验证框架开发的，并通过随机搜索进行了超参数调整。此机器学习框架被应用于选定的IMU传感器组合，以优化实用性并减少传感器设置。从第一个实验部分，在未标记的数据集上进一步验证了这些传感器配置的最佳模型。结果：单传感器配置（手腕）在RPE预测中达到了最佳性能，平均均方根误差（MSE）为1.89。两传感器设置（大腿）的MSE为2.26，而三个以上的传感器设置（胫骨，大腿和骨盆）记录了2.44的最高MSE。MSE为2.16的整体配置并没有胜过腕部传感器。在所有传感器配置中，耐力试验中的性能最高，然后进行间隔和5 km试验，5公里的试验显示了准确的预测最低的预测。结论：手腕单传感器配置达到了最佳性能，表现优于更复杂的多传感器设置。这些发现表明，更多的传感器不一定提高预测准确性，尤其是在稳定节奏的耐力运行中。未来的研究应着重于扩大样本量，整合更多的生物识别数据，并针对金标准疲劳评估方法（例如肌电图（EMG）和VO2 Max）验证该系统。
ORIMA 定向管理
ORIMA 功能 • 具有自校准功能的最先进的光束法平差 • 处理机载 GPS 数据和 IMU 姿态数据，包括 GPS 漂移和惯性测量单元 (IMU) 未对准参数 • 点测量期间显示多幅图像 • ORIMA DP-M 允许对 Leica Geosystems 的 ADS40 和帧图像进行三角测量 • 强大的统计技术用于检测和消除错误以及识别块中的薄弱区域 • 全自动连接点测量 (APM) • 新的 APM 方法允许 APM 在非常大的块上运行，使用可以同时或顺序运行的子块进程 • 支持多个 APM 进程，允许更好地利用多个处理器或多核处理器 • 立体或单声道半自动控制点测量 • ADS40 场景的快速控制点测量 • ADS40 方向数据的卓越内存管理 • 简单易懂且易于解释的块分析图形 • GPS 和 IMU 观测的自动加权 • GPS 和 IMU 的灵活输入格式数据，包括 Applanix POSPac 软件的直接交换格式 • 从地面到传感器的严格转换，包括地图投影或地理坐标 • 用于数字摄影测量 (DP) 的 ORIMA 支持 LPS 的立体查看器 • 对于数字摄影测量工作站 (DPW) 系统，可方便地在薄弱区域进行重新测量 • 图形输出可直接发送到打印机或绘图仪 • 完整
ORIMA 定向管理
ORIMA 功能 • 具有自校准功能的最先进的光束法平差 • 处理机载 GPS 数据和 IMU 姿态数据，包括 GPS 漂移和惯性测量单元 (IMU) 未对准参数 • 点测量期间显示多幅图像 • ORIMA DP-M 允许对 Leica Geosystems 的 ADS40 和帧图像进行三角测量 • 强大的统计技术用于检测和消除错误以及识别块中的薄弱区域 • 全自动连接点测量 (APM) • 新的 APM 方法允许 APM 在非常大的块上运行，使用可以同时或顺序运行的子块进程 • 支持多个 APM 进程，允许更好地利用多个处理器或多核处理器 • 立体或单声道半自动控制点测量 • ADS40 场景的快速控制点测量 • ADS40 方向数据的卓越内存管理 • 简单易懂且易于解释的块分析图形 • GPS 和 IMU 观测的自动加权 • GPS 和 IMU 的灵活输入格式数据，包括 Applanix POSPac 软件的直接交换格式 • 从地面到传感器的严格转换，包括地图投影或地理坐标 • 用于数字摄影测量 (DP) 的 ORIMA 支持 LPS 的立体查看器 • 对于数字摄影测量工作站 (DPW) 系统，可方便地在薄弱区域进行重新测量 • 图形输出可直接发送到打印机或绘图仪 • 完整
检测到的物体的金属探测器信号印记 - CORE
人道主义排雷任务是将操作员安全和时间消耗作为关键问题的活动。为了提高我们一直在使用的 ATMID 金属探测器的识别能力，我们扩展了探测器的功能，在探测器头部安装了惯性测量单元 (IMU)，并辅以两个光学距离传感器。这使我们能够根据 IMU 在所有三个轴上测量的加速度和角速率进行航位推算。光学距离传感器已用于补偿目的和初始距离测量。我们的主要目标是将探测器感测到的磁性印记与其头部的精确定位互连，从而估算印记尺寸及其位置。由于基于低成本微机电系统 (MEMS) 的 IMU 实现，我们不得不处理不稳定的航位推算结果。为此，我们使用了我们设计的复杂磁标记 (CMM)，它可以标出搜索区域，并为我们在其两个边缘提供精确定位。本文的主要贡献在于研究和识别 CMM 磁印特征及其与 CMM 在排雷过程中使用的各个方面及其条件相关的差异。根据几个实验室实验研究和分析了 CMM 的特性，并给出了结果。
lvi融合：强大的激光射击惯性大满贯方案
摘要：随着在自动驾驶领域的同时定位和映射技术的发展，当前的同时定位和映射方案不再是单个传感器，并且正在朝着多传感器融合的方向发展，以增强ro骨和准确性和准确性。在这项研究中，提出了一种基于相机，LIDAR和IMU的多传感器融合的定位和映射方案，称为LVI融合。不同的传感器具有不同的数据采集频率。为了解决异质传感器数据紧密耦合中时间不一致的问题，时间对齐模块用于对齐激光雷达，相机和IMU之间的时间戳。图像分割算法用于分割图像的动态目标并提取静态关键点。同时，进行了基于静态关键点的光流跟踪，并提出了强大的特征点深度恢复模型，以实现对特征点深度的强大估计。最后，LIDAR约束因子，IMU前综合约束因子和视觉约束因子共同构造使用基于滑动窗口的优化模块处理的误差方程。实验结果表明，所提出的算法具有竞争力和鲁棒性。