XiaoMi-AI文件搜索系统
World File Search SystemIMU
集成传感器定位 - OEEPE 测试
结合空中三角测量和 GPS/IMU 的图像定位主题（也称为集成传感器定位）最近受到了广泛关注。一个具有根本意义的主要问题是，是否以及在何种条件下，通过 GPS 和 IMU 直接确定外部方向参数可以完全替代空中三角测量。一个更实际的问题是使用最少的地面控制点对不同方法进行最佳组合的可能性。欧洲实验摄影测量研究组织 (OEEPE) 已着手进行一项研究这些问题的测试。测试的主要重点是确定外部方向元素和地面上独立点的大比例尺地形测绘中集成传感器方向的可获得精度。在本文中，我们描述了测试的细节，该测试在阿姆斯特丹的 ISPRS 大会上展示时，仍然开放给感兴趣的参与者参加。
空中线扫描相机 GFXJ 的几何校准
摘要 高分相机（GFXJ）是我国第一款自主研发的机载三线阵CCD相机，设计飞行高度2000m时，对地面三维点的GSD为8cm、平面精度为0.5m、高程精度为0.28m，满足我国1：1000比例尺测绘要求。但GFXJ原有的直接定位精度在平面方向约为4m，高程方向约为6m。为满足地面三维点精度要求，提高GFXJ直接定位精度，本文对GFXJ几何定标进行了深入研究。本次几何标定主要包括两部分：GNSS杆臂与IMU杆轴失准标定、相机镜头与CCD线畸变标定。首先，简单介绍GFXJ相机的成像特性。然后，建立GFXJ相机的GNSS杆臂与IMU杆轴失准标定模型。接下来，建立基于CCD视角的GFXJ镜头与CCD线畸变分段自标定模型。随后，提出迭代两步标定方案进行几何标定。最后，利用在黑龙江省松山遥感综合场和鹤岗地区获取的多个飞行区段进行实验。通过标定实验，获得了GNSS杆臂和IMU视轴失准的几何标定值。为前向、下视和后向线阵独立生成了可靠的CAM文件。实验表明，提出的GNSS杆臂和IMU视轴失准标定模型和分段自标定模型对GFXJ相机具有良好的适用性和有效性。提出的两步标定方案可以显著提高GFXJ相机的几何定位精度。GFXJ原始直接地理定位精度在平面方向约为4 m，在高程方向约为6 m。平面精度约为0.2 m，高程精度小于0.28 m。此外，本文建立的定标模型及定标方案可为其他机载线阵CCD相机的定标研究提供参考。利用GNSS杠杆臂和IMU视轴失准校准值以及CAM文件，GFXJ相机的定位精度可以在仅使用几个地面控制点进行空中三角测量后满足3D点精度要求和2000 m飞行高度1：1000的测绘精度要求。
Inertial Explorer 8.70 用户指南 - Microsoft .NET
1.1 Inertial Explorer 概述 17 1.2 Inertial Explorer Xpress 概述 17 1.3 安装 17 1.3.1 启动所需内容 17 1.3.1.1 激活 ID 17 1.3.1.2 安装文件 18 1.3.2 先决条件 18 1.3.2.1 操作系统 18 1.3.3 如何安装 Waypoint 软件 18 1.3.4 如何激活许可证 18 1.3.5 如何手动激活/返还许可证 20 1.3.5.1 手动激活流程 20 1.3.5.2 手动返还流程 21 1.3.6 软件实用程序 21 1.3.6.1 连接、切片和重新采样 21 1.3.6.2 复制用户文件 21 1.3.6.3 下载服务数据22 1.3.6.4 GPB 查看器 22 1.3.6.5 GNSS 数据转换器 22 1.4 开始使用 Inertial Explorer 23 1.4.1 如何启动 Inertial Explorer 23 1.4.2 转换和处理 GNSS 数据 23 1.4.3 转换 IMU 数据 23 1.4.3.1 如何转换 SPAN IMU 数据 24 1.4.3.2 如何转换第三方 IMU 数据 24 1.4.4 处理 SPAN IMU 数据 24 1.4.5 绘图和质量控制 25 1.4.5.1 姿态（横滚和俯仰） 25 1.4.5.2 姿态（方位角/航向） 25 1.4.5.3 姿态分离 25 1.4.5.4 IMU-GNSS 位置闭合差 26 1.4.5.5 平滑解决方案 26 1.4.6 导出最终坐标 26 1.5 文件菜单 26 1.5.1 新建项目 26 1.5.1.1 项目向导 27 1.5.1.2 空项目 27 1.5.2 打开项目 28 1.5.2.1 如何打开项目 28 1.5.3 保存项目 28 1.5.3.1 如何保存项目 28 1.5.4 另存为 28 1.5.4.1 如何另存为项目 28 1.5.5 添加主文件 29 1.5.5.1 主站位置 30 1.5.5.2 基准选择 30 1.5.5.3 历元选择 30 1.5.5.4 天线高度 30 1.5.5.5 天线模型 31
基于多传感信息融合的移动机器人定位与环境感知技术
本文重点介绍了位置准确性低的问题和在复杂环境中移动机器人的不良环境感知性能。它基于IMU和GP的机器人姿势信息和环境知觉信息进行了关键的技术研究，以检测机器人自己的姿势信息，以及激光雷达和3D摄像头，以感知环境信息。在“姿势信息融合层”中，粒子群处理算法用于优化BP神经网络。没有偏见的卡尔曼过滤，并实现了未经意识的卡尔曼滤波器，以实现INS-GPS松散耦合导航，从而减少了INS组件IMU的偏见和噪声。此外，当GPS信号丢失发生时，训练有素的神经网络可用于输出预测信息，以进行惯性导航系统的错误校正，提供更准确的速度，并将信息作为绝对位置约束。在环境感知融合层中，补偿的IMU预一整合性调查分别与次要水平分别与视觉探光仪和激光镜探测融合。这使机器人的实时精确定位和环境图的更精细结构。最后，使用实际收集的轨迹来验证算法，以进行multi传感器信息的两级融合。实验结果表明，该算法提高了机器人的定位准确性和环境感知性能。机器人运动轨迹和原始真实轨迹之间的最大误差为1.46 m单位，而最小误差为0.04 m单位，平均误差为0.60 m。
xgait：通过基于RF的步态识别的深层传感跨模式翻译
射频频率（RF）基于步态识别已成为一种有前途的技术，可以以普遍性和不受欢迎的方式对个体进行身份验证。但是，在同一环境中收集同一用户的大量数据时，仍然存在一个基本挑战。为了应对这一挑战，本文介绍了Xgait，Xgait是一个跨模式步态识别框架，不需要事先部署RF设备或显式数据收集。关键想法是利用现代移动设备中广泛使用的惯性测量单元（IMU）的信号，以模拟如果同一个人在RF设备附近行走，则会生成RF信号。尽管有直接的想法，但由于RF设备的多样性，IMU信号和RF信号之间的内在差异以及步态的复杂性，需要解决一些技术挑战。首先，我们提出了一种RF光谱生成方法，以始终在不同的RF信号上提取必需的RF步态数据特征。其次，我们提出了一种具有生成网络的IMU-RF转换方法，该方法将IMU数据准确转换为RF数据。最后，我们设计了RF步态频谱特异性变压器模型，以进一步提高识别性能。我们使用三种RF设备和七个移动设备对XGait进行了全面评估，涉及三十个不同环境中的三十个受试者。实验结果表明，在各种情况下，Xgait始终达到超过99％的前3个精度。
2025 年产品目录
定位方法 GNSS 多星座（GPS、GALILEO 等）在开放频段与专有 IMU 自动驾驶仪姿态滚转控制和专有制导系统混合飞行控制机电驱动控制翼引信模式点起爆（PD）和延迟（D）；近距（可选）
karnik ram
基于系统智能手机的室内导航项目 - 在智能手机上实现了实时的深度IMU和基于BLE的本地化系统。清洁移动机器人 - 在移动机器人上实施了室内导航，以进行拾取和位置任务。自动库存计数四轮驱动器 - 使用基于光流的探测器在定制的无人机上实现了车载导航。
倾斜相机的校准程序...
关键词：倾斜影像、相机校准、3D 城市模型、多传感器、视轴校准 摘要：除了创建虚拟动画 3D 城市模型、国土安全和城市规划分析外，准确确定倾斜影像中的几何特征也是当今的一项重要任务。由于单幅图像数量巨大，控制点的减少迫使人们使用直接参考设备。这需要精确的相机校准和额外的调整程序。本文旨在展示各种校准步骤的工作流程，并将展示使用最终 3D 城市模型进行校准飞行的示例。与大多数其他软件不同，倾斜相机不是作为与天底传感器共同配准的传感器使用，所有相机图像都作为单个预定向数据进入 AT 过程。这样可以实现更好的后校准，以便检测单个相机校准中的变化和其他机械效应。所示的传感器（倾斜成像仪）基于 5 台 Phase One 相机，其中天底相机配备 50 毫米镜头，像素为 80 MPIX，而倾斜相机使用 80 毫米镜头以 50 MPix 捕捉图像。相机牢固地安装在外壳内，以防止物理和热变形。传感器头还承载着一个连接到 POS AV GNSS 接收器的 IMU。传感器由陀螺仪支架稳定，陀螺仪支架可产生浮动天线 -IMU 杠杆臂。它们必须与原始 GNSS-IMU 数据一起注册。相机校准程序基于一次特殊校准飞行执行，共拍摄了 5 台相机的 351 张照片并记录了 GPS/IMU 数据。这项特定任务设计在两个不同的高度，每个飞行高度都有额外的十字线。每个曝光位置的五张图像没有重叠，但在区块中有很多重叠，导致每个点的测量次数高达 200 次。每张照片上平均有 110 个分布均匀的测量点，这对于相机校准来说是一个令人满意的数字。第一步，借助天底相机和 GPS/IMU 数据，计算出初始方向校正和径向校正。通过这种方法，整个项目只需一步即可计算和校准。在迭代过程中，分别打开摄像头的径向和切向参数，然后检查相机常数和主点位置并最终进行校准。除此之外，孔侧校准既可以基于天底相机及其偏移量进行，也可以独立于每个相机进行，与其他相机无关。无论如何，这必须在完整的任务中执行，以获得单个摄像头之间的稳定性。确定节点到 IMU 中心的杠杆臂需要比单个相机更加谨慎，特别是由于倾斜角度较大。准备好所有这些步骤后，您将获得一个高精度传感器，该传感器能够完全自动提取数据，并快速更新现有数据。然后可以在完全 3D 环境中频繁监测城市动态。
基于视觉的先进精密进近和着陆...
先进空中机动 (AAM) 飞机需要感知系统，以便在城市、郊区、农村和区域环境中实现精确进近和着陆系统 (PALS)。目前批准用于自动进近和着陆的最先进的方法将难以用于支持 AAM 操作概念。但是，来自其他应用和低 TRL 研究的技术和系统使用视觉、红外、雷达和 GPS 方法为 AAM 飞机进近和着陆提供基线感知和传感要求。本文重点介绍基于视觉的 PAL，以演示闭环基线控制器，同时遵守联邦航空管理局的要求和规定。共面算法确定姿势估计，并将其输入到扩展卡尔曼滤波器中。将 IMU 与视觉相结合，为 GPS 拒绝的环境创建传感器融合导航解决方案。状态估计会导致下滑道和定位器误差计算，这对于设计和推导 AAM PALS 的制导律和控制律至关重要。 IMU 和视觉导航解决方案为 AAM PALS 提供了有希望的模拟结果，更高保真度的模拟将包括计算机图形渲染和特征对应。