XiaoMi-AI文件搜索系统
World File Search System测量单元
智能车辆定位的自适应多传感器融合
I。i ntelligent i ntelligent载体（IV）是行业和学术界的热门话题[1]，而本地化是IV的关键组成部分，可提供对其状态的强大和准确估计[2] - [4]。IV配备了许多传感器，例如GPS，惯性测量单元（IMU），光检测和范围（LIDAR）和相机。IMU给出了IV状态的连续性解决方案，其陀螺仪遭受了时间变化的偏见和不确定的声音，以及IMU的位置和方向估计的准确性随着时间的推移而恶化。在[5]中，提出了一个结合深神经网络的Kalman滤波器（KF），以估算死亡折线的噪声参数。在[6]中，使用仅具有IMU数据的神经网络获得了位移分布的先验。然后，将先验信息与扩展的KF（EKF）集成以估算状态。此外，传感器融合用于在文献中提供更准确的结果[7]，[8]。许多GPS/IMU系统已开发用于IV定位。全球位置和速度由GPS提供，同时，从IMU估算了局部位置，方向和速度。GPS/IMU系统可以在许多情况下提供强大的本地化解决方案。但是，GPS在
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。
用于...的高频传感器数据采集系统 (SDAC)
本文介绍了一种用于中小型无人机 (UAV) 飞行控制和气动数据收集研究的高频传感器数据采集系统 (SDAC)。该系统重量轻、功耗低，工作频率为 100 Hz，具有以下特点：高频、高分辨率六自由度 (6-DOF) 惯性测量单元 (IMU)，配有全球定位系统 (GPS) 接收器、3 轴磁力计、皮托管、七个 10 位模数转换器 (ADC)、十六个 12 位模数转换器、一个 14 位模数转换器、二十个数字输入/输出 (I/O)、八个脉冲宽度调制 (PWM) 信号输入、一个 40 英里下行链路收发器、一个开放串行端口和一个开放 CANbus 端口，以及高达 64 GB 的板载存储。数据采集系统完全由商用现货 (COTS) 组件制成，从而降低了系统成本和实施时间。SDAC 将各种传感器流组合成统一的高保真状态数据流，该数据流被记录下来以供以后进行空气动力学分析，并同时转发到单独的处理单元，例如自动驾驶仪。
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。
基于几何模型的手势方法...
摘要 — 通过技术手段进行手臂和手部跟踪可以收集可用于确定手势含义的数据。为此，机器学习算法主要被研究以寻求最高识别率和最短识别时间之间的平衡。然而，这种平衡主要来自统计模型，而统计模型很难解释。相反，我们提出了 µC 1 和 µC 2 ，这两种基于几何模型的手势识别方法支持识别过程的可视化和几何解释。我们将 µC 1 和 µC 2 与两种经典机器学习算法 k-NN 和 SVM 以及两种最先进的深度学习模型 BiLSTM 和 GRU 进行比较，实验数据集包含意大利手语 (LIS) 中的十个手势类别，每个手势类别由五名缺乏经验的非母语手语者重复 100 次，并使用可穿戴技术（传感手套和惯性测量单元）收集。结果，我们在高识别率（> 90%）和低识别时间（< 0 .1 秒）之间取得了折衷，这足以实现人机交互。此外，我们基于几何代数详细阐述了算法的几何解释，这有助于理解识别过程。
Myokey：惯性运动感测和基于手势的QWERTY键盘扩展现实
摘要 - 在扩展现实（XR）的背景下对文本输入的挑战和社会接受，激发了新型输入方式的研究。我们研究了使用Qwerty-layout虚拟键盘应用于文本条目的惯性测量单元（IMU）控制和表面肌电图（SEMG）手势识别的融合。我们设计，实施和评估了名为Myokey的提议的多模式解决方案。用户可以通过手臂运动和手势组合选择字符。Myokey采用轻量级卷积神经网络分类器，可以在具有微不足道的推理时间上部署在移动设备上。我们通过在三种情况下招募12名参与者并测试了三组抓地力微观手机，证明了与Myokey无中断的文本条目的实用性：空手文本输入，三脚架抓握（例如，笔）和圆柱形掌握（例如，pen）。使用Myokey，用户的平均文本输入率为每分钟9.33个单词（WPM），8.76 wpm和8.35 wpm，分别为徒手，三脚架掌握和圆柱形掌握条件。
Ellipse AHRS 和 INS 用户手册 - Northwind
ADC：模数转换器 AHRS：姿态航向参考系统 CAN（总线）：控制器局域网 DHCP：动态主机配置协议 DVL：多普勒速度计 EKF：扩展卡尔曼滤波器 EEPROM：电可擦可编程只读存储器 FIR：有限脉冲响应（滤波器） FTP：文件传输协议 FS：全量程 FOG：光纤陀螺仪 GNSS：全球导航卫星系统 GPS：全球定位系统 IIR：无限脉冲响应（滤波器） IMU：惯性测量单元 INS：惯性导航系统 IP：互联网协议 LBL：长基线 MAC（地址）：媒体访问控制 MEMS：微机电系统 NED：东北向下（坐标框架） NA：不适用 NMEA（NMEA 0183）：国家海洋电子协会（标准化通信协议） PPS：每秒脉冲（信号） RAM：随机存取存储器 RMA：返回商品授权 RMS：均方根 RTCM：海事无线电技术委员会（协议） RTK：实时运动学 SI：国际单位制 TBD：待定义 TCP：传输控制协议 UDP：用户数据报协议 UTC：协调世界时 USBL：超短基线 VRE：振动校正误差 WGS84：世界大地测量系统 1984 WMM：世界磁模型
使用低成本 GNSS 测量的飞行高度精度……
摘要：飞行高度是校正机载测量期间测量的陆地放射性核素产生的伽马信号的基本参数。无人机辐射测量的前沿需要轻便而精确的高度计，飞行高度距离地面约 10 米。我们为飞机配备了七个高度传感器（三个低成本 GNSS 接收器、一个惯性测量单元、一个雷达高度计和两个气压计），并分析了在 (35–2194) 米高度范围内在海上收集的约 3 小时的数据。在低海拔（H < 70 m）下，雷达和气压高度计提供最佳性能，而 GNSS 数据仅用于气压计校准，因为它们受到来自海上的多径引起的大噪声的影响。50 m 高度的 ~1 m 中位标准偏差影响地面放射性同位素丰度的估计，不确定度小于 1.3%。GNSS 双差分后处理显著提高了 H > 80 m 的数据质量，包括高度中位标准偏差以及重建和测量的 GPS 天线距离之间的一致性。在 100 m 高度飞行时，由于飞行高度的不确定性，地面总活动的估计不确定性约为 2%。
洛克希德·马丁公司空间升级服务系统
LM LINUSS 系统是一对 LM 50™ 12U 立方体卫星，每个卫星大小与四片烤面包机相当，旨在展示小型卫星如何在任何轨道上发挥关键太空架构维持的重要作用。LM LINUSS 系统采用内部资金开发，在地球同步轨道 (GEO) 进行了多次演示。LM LINUSS 任务是验证洛克希德马丁公司 (LM) 未来太空升级和服务任务的基本机动能力，以及展示微型空间领域感知能力。LM LINUSS 任务还展示了 Innoflight 成熟的新型机载高性能处理技术、VACCO 的低毒推进技术、惯性测量单元、机器视觉、3D 打印组件和 LM 的 SmartSat™（变革性在轨软件升级架构）技术。作为洛克希德马丁公司 LM50 系列小型卫星的一部分，两颗 LM LINUSS 航天器（尺寸约为 8x8x12 英寸）是该公司任务电光有效载荷甲板与 Tyvak Nano-Satellite Systems（Terran Orbital 公司旗下一家公司）的下一代 12U 总线的协作集成。本文提供了 2023 年第一季度的在轨性能数据。
蒙版视频和肤色imu自动编码器用于以自我为中心动作识别
摘要。与视觉信号相比，放置在人体四肢上的惯性测量单元（IMU）可以捕获准确的运动信号，同时对照明变化和遮挡具有鲁棒性。尽管这些角色 - 在帮助以以上为中心的行动识别方面是有价值的，但IMU的潜力仍然不足。在这项工作中，我们提出了一种新颖的动作识别方法，该方法将来自人体磨损的IMU的运动数据与以自我为中心的视频相结合。由于标记的多模式数据的稀缺性，我们设计了一种基于MAE的自我监管预处理方法，通过对视觉和运动信号之间的自然相关性进行建模，从而获得了强大的多模式表示。为了建模整个体内的多个IMU设备的复合关系，我们利用了多个IMU设备中的协作动力学，并建议将人类关节的相对运动特征置入图形结构中。实验表明我们的方法可以在多个公共数据集上实现最新性能。在更具挑战性的场景中，我们的基于MAE的预培训和基于图的IMU建模的有效性得到了进一步的验证，包括部分缺少IMU设备和视频质量损坏，从而促进现实世界中更灵活的用法。