XiaoMi-AI文件搜索系统
World File Search SystemIMU
CheetahNav - Etion Limited
CheetahNAV 采用实时移动地图技术，为驾驶员和机组人员持续提供准确的态势感知信息。CheetahNAV 具有用户友好的图形导航功能，结合惯性、GPS 和指南针信息，可在预设航路点之间准确导航至最终目的地。集成的惯性测量单元 (IMU) 可确保无干扰操作，多语言选项可确保跨国联合行动取得成功。
室内定位和4D MMWave成像雷达
状态估计是成功实施机器人系统的关键组成部分，依赖于相机，LIDAR和IMU等传感器。然而，在现实情况下，这些传感器的性能是通过具有挑战性的环境来划分的，例如不利的天气条件和弱光场景。新兴的4D成像雷达技术能够在不利条件下提供强大的感知。尽管有潜力，但对于嘈杂的雷达数据没有明确的几何特征而言，室内环境仍然存在挑战。此外，雷达数据分解和视野（FOV）的差异可能导致不准确的测量结果。虽然先前的研究探索了基于多普勒速度信息的雷达惯性探测仪，但由于FOV和雷达传感器的分辨率差异，估计3D运动的挑战仍然存在。在本文中，我们解决了多普勒速度测量不确定性。我们提出了一种在管理多普勒速度不确定性的同时优化车身速度的方法。基于我们的观察结果，我们提出了双成像雷达配置，以减轻雷达数据中差异的挑战。为了获得高精度3D状态估计，我们引入了一种策略，该策略将雷达数据与消费级IMU传感器无缝整合，并使用固定lag平滑光滑优化。最后，我们使用现实世界3D运动数据评估了我们的方法，并演示了本地化和映射的流任务。
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。
基于学习的终端运动预测...
摘要：缺乏直观和活跃的人类 - 动物相互作用使使用上肢辅助设备很难。在本文中，我们提出了一个基于学习的新型控制器，该控制器直觉地使用发作运动来预测辅助机器人所需的终点位置。实施了一个由惯性测量单元（IMU），肌电图（EMG）传感器和机械学（MMG）传感器组成的多模式传感系统。该系统用于在达到五个健康受试者执行的任务期间获取运动学和生理信号。提取了每个运动试验的开始运动数据，以输入传统的回归模型和训练和测试的深度学习模型。模型可以预测手在平面空间中的位置，这是低级位置控制器的参考位置。结果表明，使用IMU传感器与提出的预测模型具有足够的运动意图检测，与添加EMG或MMG相比，该模型可以提供几乎相同的预测性能。此外，基于复发的神经网络（RNN）模型可以在短发时间窗口中预测目标位置以进行动作，并且适合在更长的视野上预测目标的目标。这项研究的详细分析可以提高辅助/康复机器人的可用性。
基于学习的运动观点预测上限辅助机器人的终点控制
摘要：缺乏直观和活跃的人类 - 动物相互作用使使用上肢辅助设备很难。在本文中，我们提出了一个基于学习的新型控制器，该控制器直觉地使用发作运动来预测辅助机器人所需的终点位置。实施了一个由惯性测量单元（IMU），肌电图（EMG）传感器和机械学（MMG）传感器组成的多模式传感系统。该系统用于在达到五个健康受试者执行的任务期间获取运动学和生理信号。提取了每个运动试验的开始运动数据，以输入传统的回归模型和训练和测试的深度学习模型。模型可以预测手在平面空间中的位置，这是低级位置控制器的参考位置。结果表明，使用IMU传感器与提出的预测模型具有足够的运动意图检测，与添加EMG或MMG相比，该模型可以提供几乎相同的预测性能。此外，基于复发的神经网络（RNN）模型可以在短发时间窗口中预测目标位置以进行动作，并且适合在更长的视野上预测目标的目标。这项研究的详细分析可以提高辅助/康复机器人的可用性。
通过滚动曲线在大规模点云中的全局本地化...
摘要 - 由于LiDar，Camera和IMU之间的固有互补性，最近对激光 - 视觉惯性大满贯付出了越来越多的努力。但是，现有方法在两个方面受到限制。首先，在前端，它们通常采用离散的时间表示，需要高精度硬件/软件同步，并基于几何激光功能，从而导致稳健性和可扩展性低。第二，在后端，视觉循环限制遭受了规模的歧义和点云的稀疏性，扫描到扫描环的检测恶化。To solve these problems, for the front-end, we propose a continuous-time laser-visual-inertial odometry which formulates the carrier trajectory in continuous time, organizes point clouds in probabilistic submaps, and jointly optimizes the loss terms of laser anchors, visual reprojections, and IMU readings, achieving accurate pose estimation even with fast motion or in unstructured scenes where it is difficult to extract meaningful几何特征。在后端，我们通过通过激光辅助视觉重新定位匹配预计的2D子包和6-DOF视觉约束来建立5-DOF激光限制，从而确保在大型场景中映射一致性。结果表明，我们的框架实现了高精度的估计，并且比载体在大型场景或快速移动时工作时更健壮。相关的代码和数据在https://cslinzhang.github.io/ct-lvi/ct-lvi/ct-lvi.html上进行开源。
MTi 用户手册 - 测量传感器
Xsens 的 MTi 产品组合目前有 7 个系列产品，功能范围从惯性测量单元 (IMU) 到完全集成的 GPS/INS 解决方案。所有产品都包含 3D 惯性传感器组件（ISA：陀螺仪和加速度计）和 3D 磁力计，并可选配气压计和 GNSS 接收器。MTi 产品系列分为两个系列，即 MTi 10 系列和 MTi 100 系列。MTi 10 系列是 Xsens 的入门级型号，具有强大的精度和有限的 IO 选项范围。100 系列是革命性的新型 MEMS IMU、方向和位置传感器模块，提供前所未有的精度和广泛的 IO 接口。所有 MTi 均采用强大的多处理器核心设计，能够以极低的延迟处理滚动、俯仰和偏航，以及输出经过校准的 3D 线性加速度、转速（陀螺仪）、（地球）磁场和大气压力（仅限 100 系列）数据。MTi-G-700 GPS/INS 还提供 3D 位置和 3D 速度。MTi 接口可直接提供 50 多种不同的输出格式。每种产品的各种输出可在第 4.1 节中找到。本文档介绍了所有 7 种 MTi 的使用、基本通信接口和规格。它们之间的差异已明确标明。从机械和软件接口的角度来看，所有产品都设计为可互换。