第二章,定位系统设计及相关技术的介绍。首先进行了整体的需求分析,从定位算 法、显示平台软件、通信方式等方面分析了系统的需求,然后提出了系统的总体方案设 计,接下来对本课题涉及到的惯性导航技术和超宽带技术做了阐述,最后对比了 UWB 定位的几种方法,选择了超宽带系统的定位方式。 第三章,定位系统各部分的具体实现。首先基于 Python 的 Tkinter 界面工具库开发 了定位平台上位机软件,实时获取机器人的运行状态和位置显示。其次介绍了下位机硬 件设计的各个模块,包括核心电路板、电机驱动电路、蓝牙串口、IMU 传感器等。最后 分析了下位机软件部分,包括 IMU 数据读取、串口发送、以及串口通信协议的制定等。 第四章,研究了 UWB/IMU 信息融合方法。首先基于移动机器人的运动学模型推导 出了位置推算公式。之后提出了应用循环神经网络的变种 LSTM 网络算法对 IMU 的噪 声进行去除,分析了静态和动态状态下 LSTM 算法在 IMU 噪声去除中的效果。最后详 细介绍了卡尔曼滤波算法及其改进——扩展卡尔曼滤波算法的原理,推导了系统的状态方程以及观测方程。 第五章。在室内环境中搭建本文所提出的定位系统解决方案,并测试了本课题实现 的定位系统软硬件以及融合算法的效果。分别在视距环境和非视距环境下对机器人的多 种行走轨迹进行了测试,分析了组合定位算法得到的轨迹并对各自的定位精度进行了比 较。 第六章,总结和展望。对本文所实现的定位系统和达到的定位效果做了总结,分析 本组合定位系统解决方案仍然存在的不足和改进的目标。 3. 去噪、信息融合算法的实现。对 IMU 传感器获取到的角速度、加速度信息需要 进行去噪处理,对于 IMU 和 UWB 的位置信息需要进行融合,得到对系统噪声 的最优估计,解算出精确的位置。 4. 机器人运动轨迹绘制。将机器人运行过程的轨迹实时显示在定位平台上,并可 加载历史数据,用于直观地分析对比融合算法的效果。 这里就对比上了师兄们说的,我的matlab语言写的卡尔曼滤波不能实时运行,要在Python语言或者c++等上面写 或者像代哥说的用更底层的c语言之类的写 这种方法不用算距离,通过两个基站的角度信息就能确定目标点,因为两条直线会交于一点 为什么是三次 效果这么牛皮? 所以这个也用了深度学习???所以用深度学习做降噪效果很好??? 新大陆生成 高朋举你真的是个天才!!! 重点来了 要将就频率低的传感器也就是数据信息少的传感器 我真的想知道这些图是怎么得到的啊 是伪造的吗- - 无知的提问 very clever 这篇论文已经两个地方用到了简化的思想了 或者说替换 小伙子确实是个天才 老夫服了
|