XiaoMi-AI文件搜索系统
World File Search System姿态
基于深度学习的产科超声平面姿态回归
摘要 目的在产科超声 (US) 扫描中，学习者根据二维 (2D) US 图像在脑海中构建胎儿的三维 (3D) 地图的能力代表了技能习得中的重大挑战。我们的目标是构建一个 US 平面定位系统，用于 3D 可视化、训练和引导，而无需集成额外的传感器。方法我们提出了一个回归卷积神经网络 (CNN)，使用图像特征来估计任意方向的 US 平面相对于胎儿大脑中心的六维姿势。该网络在从幻影 3D US 体积获取的合成图像上进行训练，并在真实扫描上进行微调。训练数据是通过将 US 体积在 Unity 中以随机坐标切成成像平面并在标准经脑室 (TV) 平面周围更密集地切片来生成的。结果使用幻影数据，随机平面和靠近 TV 平面的平面的中位误差分别为 0.90 mm/1.17 ◦ 和 0.44 mm/1.21 ◦。对于真实数据，使用具有相同胎龄 (GA) 的不同胎儿，这些误差为 11.84 mm/25.17 ◦。平均推理时间为每平面 2.97 毫秒。结论所提出的网络可靠地定位了幻影数据中胎儿大脑内的超声平面，并成功地从与训练中类似的 GA 中推广了看不见的胎儿大脑的姿势回归。未来的发展将扩大预测范围，以预测整个胎儿的体积，并评估其在获取标准胎儿平面时基于视觉的徒手超声辅助导航的潜力。
回顾最先进的 6D 姿态估计及其在太空作战中的应用
现在，自主系统的增加要求这些系统能够在其环境中与其他物体近距离工作，并且需要在环境物体上完成许多任务，例如装配、运输、会合、对接或避开它们，如碰撞检测/避免、路径规划等。在这篇文献综述中，我们讨论了基于机器学习的算法，这些算法解决了基于视觉的自主系统的第一步，即基于视觉的姿势估计。本文对使用 2D 和 3D 输入数据的 6D 姿势估计的进展进行了批判性回顾，并比较了它们如何应对基于计算机视觉的定位问题所面临的挑战。我们还研究了算法及其在太空任务中的应用，如在轨对接、会合和空间视觉应用带来的挑战。在综述的最后，我们还强调了一些小问题和未来研究的可能途径。
TRAX2 姿态航向参考系统 (AHRS) 和数字罗盘
TRAX2 将 PNI 的高灵敏度磁感应传感器与高稳定性 3 轴 MEMS 加速度计相结合，可在各种条件下提供准确的航向信息，并能够克服局部磁场变化引起的误差。这提供了无漂移、高精度航向、俯仰和横滚以及长期静态精度。
航天器动力学与控制 - 第 15 讲：姿态动力学与控制
ˆ 大约 1 个对称平面 ˆ TDRS-A 于 1983 年发射（目前在墓地轨道） ˆ TDRS-B 搭载于挑战者号上。 ˆ 图片为第三代 TDRS（2011 年以后）
适用于姿态控制应用的柔性航天器模型的设计和验证
本论文的目的是评估在之前的论文和科学文章中研究的柔性航天器模型与在 MSC Adams 软件中实施的相同航天器之间的比较，旨在验证该模型。借助这一创新工具，可以评估用户可能希望获得的几个功能，进行非线性多体分析，从而提供更真实的数据集。法国航天局 (CNES) 的 Picard 卫星被用作航天器的主体，其动力学用刚体的欧拉方程表示。太阳能电池板和反作用轮的配置在位置和尺寸方面相对于 Picard 进行了修改，以便在 MSC Adams 中建造航天器时具有优势并拥有更通用的卫星类型。特别是，考虑了四个对称的太阳能电池板和位于航天器质心的三个反作用轮系统。这项工作最重要的方面是卫星的柔性部分，由四个太阳能电池板表示。使用 MSC Patran/MSC Nastran 进行有限元法 (FEM) 分析，以获得模型所需的自然模式和频率，并评估刚性和柔性部分之间的耦合矩阵。论文的第二部分是关于在 MSC Adams View 中实现航天器设计以及通过 MSC Adams 和 MATLAB/Simulink 环境进行的模拟阶段。在机动过程中，为姿态控制实施了一个简单的比例-微分 (PD) 控制器，目的是实现所需的欧拉角，旨在模拟指向特定目标的新指向方向的命令。对这两个模型进行了比较，以便更好地了解太阳能电池板柔性的影响以及 MSC Adams 中更复杂的分析与通过数学模型线性化、更近似的分析之间的可能差异。还评估了三块太阳能电池板发生故障时的姿态控制。 PD 控制器确保在操纵过程中具有良好的性能和稳定的响应，尽管系统受到外部（仅考虑重力梯度）和内部（太阳能电池板的振动）干扰。不过，如果太阳能电池板发生故障，这种基本控制器仍会出现一些问题。
基于稳健深度学习激光雷达的自主太空着陆器姿态估计
在太空着陆操作期间，准确估计航天器的相对姿态对于确保安全成功着陆至关重要。本文提出了一种基于 3D 光检测和测距 (LiDAR) 的 AI 相对导航架构解决方案，用于自主太空着陆。所提出的架构基于混合深度循环卷积神经网络 (DR-CNN)，将卷积神经网络 (CNN) 与基于长短期记忆 (LSTM) 网络的循环神经网络 (RNN) 相结合。获取的 3D LiDAR 数据被转换为多投影图像，并将深度和其他多投影图像输入 DRCNN。该架构的 CNN 模块可以有效地表示特征，而 RNN 模块作为 LSTM，可提供鲁棒的导航运动估计。我们考虑、模拟和实验了各种着陆场景，以评估所提出架构的效率。首先使用 PANGU（行星和小行星自然场景生成实用程序）软件创建基于 LiDAR 的图像数据（范围、坡度和海拔），然后使用这些数据对所提出的解决方案进行评估。建议使用 Gazebo 软件中的仪表化空中机器人进行测试，以模拟在合成但具有代表性的月球地形（3D 数字高程模型）上着陆的场景。最后，使用配备 Velodyne VLP16 3D LiDAR 传感器的真实飞行无人机进行真实实验，以在设计的缩小版月球着陆表面上着陆时生成真实的 3D 场景点云。所有获得的测试结果表明，所提出的架构能够通过良好合理的计算提供良好的 6 自由度 (DoF) 姿势精度。
利用来自气流传感器的丰富信息对微型飞行器进行仿生姿态控制
STARS 引文 STARS 引文 Shen, He，“利用来自气流传感器的丰富信息实现微型飞行器的仿生姿态控制”（2014 年）。电子论文和学位论文，2004-2019 年。1306。https://stars.library.ucf.edu/etd/1306
带涵道风扇的尾座式发动机的建模与控制
第 4 章 姿态控制 ..................................................................................................................................................................................39 4.1 姿态误差....................................................................................................................................................................................................41 4.1.1 四元数姿态误差....................................................................................................................................................................................41 4.1.2 解算倾斜扭转....................................................................................................................................................41 .................................................................................................................................................................................43 4.1.3 解析欧拉角....................................................................................................................................................................................49 4.1.4 姿态误差对比....................................................................................................................................................................................................61 4.2 姿态控制....................................................................................................................................................................................................................................61 62 4.2.1 PID . ... . ...
使用单比例因子自适应卡尔曼滤波器进行纳米卫星容错姿态估计
1 伊斯坦布尔技术大学航空航天学院，34469 伊斯坦布尔，土耳其，收到日期：2022 年 3 月 24 日 修订日期：2022 年 6 月 8 日 接受日期：2022 年 6 月 20 日 摘要 Özet 在本研究中，提出了一种集成自适应 TRIAD/扩展卡尔曼滤波器 (EKF) 姿态估计系统，其中 TRIAD 和自适应 EKF 相结合以估计纳米卫星的姿态。作为系统的第一步，TRIAD 算法利用磁力计和太阳传感器测量结果产生初始粗四元数估计，然后将该粗估计直接输入到自适应 EKF。将姿态信息直接输入到滤波器相对减少了 EKF 带来的计算负担。作为系统的第二步，自适应 EKF 滤波 TRIAD 解并给出最终的四元数估计。同时，自适应 EKF 在传感器故障时使用单个缩放因子 (SSF) 重新调整测量噪声协方差矩阵，使整个系统对传感器故障更具鲁棒性。进行了几次模拟，并针对两种不同的故障类型（即姿态传感器中的噪声增量和连续偏差）测试了所提出的系统的性能。