低光照环境下的点线特征融合视觉惯性里程计

研究问题

本研究主要解决的问题是在低照明条件下，视觉里程计（Visual Odometry, VO）性能下降导致定位系统的准确性和可靠性显著降低。传统方法仅依赖于视觉特征，在光线不足的情况下会因特征检测和跟踪能力的减弱而受到影响。该研究旨在通过整合点线特征来增强视觉惯性里程计（Visual Inertial Odometry，VIO），以提升在昏暗环境下的鲁棒性能。

提出方法

本研究所提出的方法采用了一种融合策略，在统一框架内结合了点和线特征的优势进行VIO处理。具体步骤如下：

  • 特征检测：利用专门针对低光条件优化的先进算法来识别图像中的点和线特征。
  • 特征跟踪：在连续帧中持续追踪这些特征以估计运动参数。
  • 数据融合：通过卡尔曼滤波器将提取出的视觉信息与惯性测量单元（IMU）的数据进行合并，该滤波器根据不同来源数据的可靠性对其进行优化加权。

创新点

  1. 混合特征利用：同时使用点和线特征的方法最大限度地在各种光照条件下提高了可用特征的数量。
  2. 增强鲁棒性：将IMU数据整合后，系统能更好地应对视觉信息有限的场景。
  3. 低光环境下算法优化：开发专门用于检测与跟踪昏暗环境中的特征的算法。

结论

本研究表明，在VIO系统中结合点线特征识别和惯性测量可以有效缓解在不良照明条件下的性能下降问题。所提出的方法通过提供更精确的定位结果以及更高的稳定性，超越了传统方法，并能在更具挑战性的环境中表现优异。未来的工作将集中在进一步优化算法效率并扩展其应用于更多种类的机器人平台。

原文链接

https://ieeexplore.ieee.org/abstract/document/10703877/

基于信号稳定性检测和自适应卡尔曼滤波器的核磁共振传感器漂移抑制方法

研究问题

如何有效抑制因技术及工艺限制导致的核磁共振（NMR）传感器随机漂移误差，提升其在小型化芯片级惯性导航系统中的精度？

提出方法

  1. 基于自回归滑动平均（ARMA）序列模型建立卡尔曼滤波器的状态空间模型；
  2. 提出了一种由信号稳定性检测辅助的自适应过滤方法，该方法利用先验信息的标准差来评估信号稳定性，并根据这一评估调整增益矩阵。

创新点

  • 基于ARMA序列建模建立了NMR传感器的随机漂移模型，为漂移抑制提供了理论基础。
  • 引入了SSD-AKF方法，通过补偿传统AKF在处理不稳定噪声时精度下降的问题来增强滤波精度。
  • 实验验证证明了所提出的方法的有效性和实用性。

结论

本研究成功提出了并验证了一种基于信号稳定性检测（SSD）和自适应卡尔曼滤波器（AKF）的NMR传感器漂移抑制方法。该方法解决了NMR传感器随机漂移的技术挑战，提高了其在高精度应用如惯性导航系统（INS）中的性能。未来的工作将重点放在进一步优化模型以及探索更广泛的应用场景上。

原文链接

https://www.sciencedirect.com/science/article/pii/S1051200424004378

基于特征图优化架构的LIO-SAM车辆定位方法

研究问题

车辆定位在自动驾驶和机器人导航中至关重要。本文旨在提出一种基于Feature Graph Optimization (FGO) 架构的LIO-SAM方法，以提高车辆定位精度。

方法

通过结合激光雷达惯性里程计（Laser-Inertial Odometry, LIO）与滑动窗口稀疏姿态图优化（Sliding Window Sparse Pose Graph Optimization, SAM），本研究提出了一种新的LIO-SAM框架。该方法利用FGO架构，有效处理了传感器数据的噪声和不确定性，并提高了系统的鲁棒性和实时性。

创新点

  1. 新颖的架构设计：本文首次将FGO应用于车辆定位系统中。
  2. 提高精度与效率：通过优化算法减少计算复杂度，实现高效且精确的车辆定位。
  3. 增强鲁棒性：改进了传感器数据融合技术，使得系统在不同环境下的性能更加稳定。

结论

实验结果表明，基于FGO架构的LIO-SAM方法显著提高了车辆定位系统的精度和稳定性。该研究为自动驾驶领域的进一步发展提供了新的视角和技术支持。

原文链接

https://ieeexplore.ieee.org/abstract/document/10701707/

面向5G室内定位的综合框架

研究问题

在遗留的私有5G网络中进行室内定位是一项艰巨的任务，需要利用商用现成专有硬件解决这一问题。尽管一些先前的研究集中于实验分析，但还没有任何研究致力于基于商业设备开发现实可行的解决方案。

提出方法

通过对3GPP协议和功能进行改进，提供了开放、集中化和通用化的定位功能。引入了一个新的参考地图范式，称为基于光分析的光学射频功率估计（ORPELA）。实际世界的实验证明了该方法具有可重复性，并且比现有的射频规划软件更加准确。

创新点

  • 开发了一种机器学习模型，通过比较信号强度与参考无线电功率图来推断用户定位。
  • 引入了ORPELA，一种新的参考地图范式以提高定位精度。
  • 进行大规模实验验证了该框架在各种室内场景中的有效性。

结论

本文介绍了一个结合指纹识别和E-CID方法的创新5G室内定位框架。通过实际世界的实验展示了改进后的准确性和潜在的应用价值。

原文链接

https://www.sciencedirect.com/science/article/pii/S0140366424003153

大规模尺寸计量中的多边测量法

研究问题

如何将用于GNSS定位的多边测量方法适应并结合激光跟踪技术，以实现低成本、环境干扰鲁棒性强的大尺度尺寸准确测量？

提出方法

GNSS定位中多边测量法的实施

  • 原理：利用来自多个卫星（信标）的距离来计算接收器的位置。
  • 模型：类似于通过惯性矩原则确定质心在力学中的应用。

激光跟踪仪中多边测量法的实现

  • 激光跟踪仪：用于大尺度精密测量的设备。
  • 误差评估：采用背对背、同路径单次通路和双通路方法来评估范围误差。

提出的混合模型

结合GNSS多边定位精度与激光跟踪器鲁棒性，以增强大规模尺寸计量性能。

创新点

  1. 适应GNSS技术：将GNSS定位原则应用于大尺度制造测量。
  2. 误差缓解技术：在混合模型中使用激光跟踪仪的误差评估方法。
  3. 成本与鲁棒性的权衡：旨在以较低成本获得准确的测量结果，同时保持对环境因素的抵抗力。

结论

用于GNSS定位中的多边测量法可以被适应以增强大规模尺寸计量。这种结合为在各种条件下实现高精度提供了有前景的方法，并且成本更低、可靠性更高。应用包括机器人计量学、航空航天组装和大尺度CMM校准。

原文链接

https://www.wasyresearch.com/manufacturing-and-space-multilateration-using-ranging-signals-for-large-scale-dimensional-metrology/

适用于5G室内定位的综合框架

研究问题

本文所解决的研究问题是使用商用现成专有硬件在传统的私有5G网络中进行室内定位的挑战。这涉及到基于商用设备开发解决方案，并将其与现有的3GPP协议和功能集成，以提供开放、集中化和通用化的定位服务。

提出方法

提出的方法包括：

  • 将指纹识别技术与3GPP增强小区ID（E-CID）方法相结合。
  • 改进3GPP协议和功能，以提高信号处理能力和定位精度。
  • 引入一个新的参考图范式——基于光分析的光学无线电力估算（ORPELA）。
  • 在极其复杂的无线电环境中设计、训练并优化机器学习模型。
  • 通过真实世界实验来验证所提出的框架。

创新点

  1. 指纹识别与E-CID方法结合：首个集成指纹识别技术和增强小区ID（E-CID）方法的5G室内定位框架，提供更加稳健和准确的解决方案。
  2. 改进3GPP协议：对现有3GPP协议进行升级以提高信号处理能力，并提供通用化的定位功能。
  3. ORPELA范式：一种新的参考图范式——基于光分析的光学无线电力估算（ORPELA），显示比传统无线电规划软件更高的精度。
  4. 机器学习模型开发：为复杂的室内无线环境定制机器学习模型，增强定位服务的精确性和可靠性。

结论

本研究通过将指纹识别技术和E-CID方法相结合，并改进3GPP协议和引入新的参考图范式（ORPELA），提出了一种开创性的5G室内定位方案。所提出的框架已通过大规模的真实世界实验验证其有效性，展示在现实的私有5G网络中的精确位置服务潜力。

关键词

室内定位，5G，路径追踪，实际应用实验

原文链接

https://www.sciencedirect.com/science/article/pii/S0140366424003153

基于多层感知器的Wi-Fi物联网环境室内定位有效性研究

研究问题

本文所解决的研究问题是，在物联网（IoT）环境中，使用Wi-Fi信号准确地确定室内的位置。该研究重点在于评估一种人工神经网络类型——多层感知器（MLP）的有效性，并与传统方法进行比较，以提高定位精度。

提出方法

作者利用从室内环境中的多个接入点收集到的接收信号强度指示符（RSSI）数据。他们使用多层感知器模型来处理和分析这些RSSI数据。欧几里得距离（ED）被用作评估定位精度的主要指标。该研究将MLP的表现与指纹法等传统技术进行了比较，重点关注训练效率和预测准确度。

创新点

关键创新之处在于证明了多层感知器能够比传统方法实现更高的室内定位精确性。这种方法利用神经网络的计算能力有效地处理物联网环境中的复杂空间数据模式。

结论

研究得出结论，在基于Wi-Fi信号的物联网设置中，采用多层感知器显著提升了室内定位系统的准确性和可靠性。实验结果显示，MLP在性能上超过了传统方法，因此成为需要精确位置跟踪的真实应用场景中有前景的技术工具。

注：该论文发表于《印度工程师学会杂志》系列B。

原文链接

https://link.springer.com/article/10.1007/s40031-024-01164-2

基于RSSI的无线室内定位技术综述

研究问题

室内定位系统面临诸多挑战，包括由于障碍物引起的信号衰减（阴影效应）、在最少参考点的情况下精确位置估算的需求（锚节点），以及在室内外环境中的精度保持。主要目标是开发能够克服这些限制并最小化硬件需求的稳健定位方法。

提出方法

研究利用了理论分析、模拟建模和实证评估等多种方法，涵盖了各种场景下的应用。关键的方法包括：

  • 基于RSSI的三角测量模型用于节点位置。
  • 将非度量多维标度（NMDS）与RSSI数据相结合以提高定位精度。
  • 数据增强技术以改善应用于室内定位任务中的机器学习算法的训练数据集性能。

工具和技术

  1. 模拟模型：使用Flora和OMNeT++等模拟工具来评估各种三角测量模型的有效性。
  2. 机器学习改进：引入了一种新颖的数据增强技术（DataLoc+）以丰富用于室内定位任务的机器学习算法训练数据集。

创新点

  1. 缓解阴影效应的RSSI定位方案
    • 提出了专门针对由建筑物内部物理障碍物引起的信号衰减处理而设计的一种基于RSSI的定位方法。
  2. 结合NMDS与RSSI数据进行位置估算
    • 引入了一种独特的方法，将非度量多维标度和RSSI值相结合，提高物联网环境中室内定位系统的精度。
  3. 数据增强技术（DataLoc+）
    • 开发了一项创新的数据增强策略以丰富机器学习模型的训练数据集，从而在房间级定位任务中表现出更好的性能。

结论

本文提出的方案为基于RSSI测量的室内定位技术面临的常见挑战提供了重要的改进。这些创新不仅提升了此类系统的准确性和可靠性，还为智能医疗、建筑监测和物联网部署等领域的广泛应用奠定了基础，在这些领域精确的位置信息至关重要。 这项研究强调了将先进的机器学习技术与传统信号处理方法相结合以实现更有效的室内定位解决方案的潜在益处。未来的工作可能会探索进一步优化以及现实世界的验证来充分实现这些技术创新。

原文链接

https://journalcrd.org/wp-content/uploads/5-CRD2359.pdf

Last Updated:
Contributors: zhanglei