一、多传感器信息融合技术综述(论文文献综述)
孔微雨[1](2021)在《基于多源信息的拖拉机安全预警及避障系统研究》文中研究指明随着农业发展进程的加快,我国对减轻农业作业劳动强度,提高农业生产效率提出了更高的要求。因此必须大力推行农业机械化、智能化,提高农业机械自动化水平。为提高农业机械行驶或作业过程中的安全性,安全预警和避障策略的研究具有重要的意义。本文针对适用于农业机械的安全预警模型精度较低以及单一传感器获取障碍物信息不全面的问题,以欧豹4040型拖拉机为研究平台,搭载激光雷达、摄像头、北斗导航设备和前轮转角传感器等硬件设备,基于多传感器信息融合技术,开展在非结构化农田环境下障碍物的检测、状态判定以及拖拉机安全预警、避障策略的研究。研究的主要内容和结果如下:(1)构建了拖拉机信息采集与控制平台。研究选择欧豹4040型拖拉机作为搭建平台,开发了基于激光雷达、摄像头的环境信息感知系统;搭建了基于北斗导航设备和前轮转角传感器的拖拉机状态信息采集系统;构建了基于Arduino单片机、继电器和LED报警灯的安全预警系统。整个平台的搭建为实现基于多源信息的拖拉机安全预警系统提供研究平台。(2)提出了一种障碍物检测与状态判定方法。选用DBSCAN聚类方法对激光雷达的点云数据聚类,实现了对障碍物的检测。由卡尔曼滤波和最小费用最大流算法对障碍物进行追踪获取障碍物信息;由拖拉机状态信息采集系统获取拖拉机信息,通过分析障碍物与拖拉机的相对运动关系实现了对障碍物状态的判定。障碍物相对拖拉机的速度与拖拉机的行驶速度差值的绝对值小于阈值k时,该障碍物被判定为静态;反之,该障碍物被判定为动态。实地试验结果表明该系统对不同状态的障碍物判定的准确率大于82.9%,表明了该方法对于障碍物识别及状态判定的有效性。(3)提出了一种拖拉机安全预警级别划分模型。针对不同状态的障碍物,提出了对应的安全预警级别划分模型。对于静态障碍物,以拖拉机是否能以最大转角转弯绕过该障碍物为临界条件,建立了一级、二级、三级一共三级预警级别。对于动态障碍物,提出了基于障碍物与拖拉机的相对运动关系和拖拉机安全刹车距离的危险评价指标δ,确定出三级预警级别。针对静态、动态障碍物分别进行了多组实地试验,两种状态的障碍物的试验结果准确率均大于82.1%,验证了本文所提出的安全预警级别划分模型的有效性,为提出的避障策略提供了基础保障。(4)完成了激光雷达与摄像头数据融合及提出了一种考虑多因素的避障策略。基于YOLOv3算法训练了一种适合用于田间环境的目标识别模型;利用投影法完成了激光雷达与摄像头数据的信息融合,得出单个、多个障碍物的类别和对应的距离、位置信息;提出了一种考虑拖拉机的行驶场景、障碍物的状态、障碍物的预警级别和障碍物的类别四个因素的避障策略,对单个、多个障碍物均进行了融合算法的测试,结果表明误差不超过3.7%。(5)集成障碍物状态判断与拖拉机安全预警系统并进行了实地试验。对障碍物检测系统和安全预警系统的硬件和软件进行调试,并通过实地试验完成对系统各项性能的检测。结果验证了本文提出的基于多源信息的拖拉机安全预警及避障系统的可行性和有效性。
赵炳巍[2](2021)在《基于多传感器信息融合移动机器人避障决策研究》文中研究表明随着移动机器人研究不断深入,使其具有越来越多的功能,能够完成不同任务。其中多传感器信息融合和避障决策是移动机器人技术应用中的重要研究方向,本文面向移动机器人在信息融合中融合精度不高,在已知环境和未知环境中避障决策方法效率低的问题,主要完成的研究内容如下:首先,构建移动机器人运动原理数学模型,完成移动机器人系统搭建和器件选型等工作。对于外部环境信息采集部分,测量障碍物距离信息传感器采用的是以超声波和红外线为主的传感器。其次,多传感器信息融合方法研究,包括了多传感器信息融合的基本原理、融合结构与层次和基本方法。根据所搭建移动机器人的系统结构,采用集中式融合结构和数据层次融合,并结合加权平均法和卡尔曼滤波法对传感器所测量的信息进行直接处理。在静态测量环境中提出一种加权卡尔曼滤波信息融合方法。在动态测量环境中采用扩展卡尔曼滤波信息融合方法。然后,移动机器人已知环境避障决策方法研究,分析了避障决策的基本方法和避障策略。综合基本避障决策方法,主要对人工势场法进行研究。针对传统人工势场法存在局部极小值问题,提出一种基于模拟退火算法的人工势场法。该方法主要过程为利用模拟退火算法在出现局部极小值的位置附近增设随机目标点,引导移动机器人逐渐逃离该区域继续向前运动。通过MATLAB仿真证明,所提出的方法不仅能使得移动机器人逃离局部极小值位置,成功到达目标点位置,并且与其他方法相比用时较短,更加稳定。再次,移动机器人未知环境避障决策方法研究,介绍了强化学习的主要内容。主要研究了强化学习中Q-learning算法,针对该方法缺少早期未知环境的认知信息的问题,导致移动机器人早期阶段搜索速度慢,未能快速寻到最短路径。因此提出了一种改进Q-learning算法,该方法的主要原理是利用人工势场法中引力场势能值作为未知环境早期认知信息对Q值函数进行初始化,解决了搜索初期速度慢,收敛效率低问题。通过仿真实验对比证明,改进Q-learning算法在训练次数较少的情况下获得了较好的寻优效果,具有较高的学习效率。最后,实验验证与结果分析,进行多传感器信息融合实验,分为静态测量融合实验和动态测量融合实验,验证了在不同情况下的融合方法均提高移动机器人测量融合精度。在已知环境和未知环境中进行移动机器人避障决策实验,验证了在不同环境下的两种改进的避障决策方法的可行性与优越性。
王欠欠[3](2021)在《水质检测中多传感器信息融合算法研究》文中指出水质检测中信息融合算法的研究,能够很好地描述水质等级,对水质中水质属性的选择、分析和水质保护有着重要意义。对多个同类或异类水质检测传感器所测的水质信息进行处理、融合,可获得比单一水质检测传感器所测的水质信息更加全面、可靠,对水质评估分析更切合实际,多传感器信息融合算法在水质检测中的研究显得尤为重要。论文以水质检测中的水质数据作为研究对象,着重对多传感器信息融合算法进行研究,主要研究内容包括:(1)对多传感器信息融合算法的相关理论知识做简要介绍。以水质检测传感器所获取的水质数据为研究对象,提出一种同等级水质下基于信息熵的模糊多属性决策算法。该算法结合主成分分析法,通过选取KMO>0.5、Bartlett<0.05的水质属性,用来做算法分析,并用于改进的模糊综合评判算法研究。首先利用传统的模糊综合评价法,得出水质等级。其次,在水质同等级的基础上,做基于信息熵的模糊多属性水质决策,利用信息熵来求取水质同等级下水质的优劣关系,使水质等级拥有更高的区分度。最后,结合主成分分析法能得出优劣关系的优点,对改进算法所得结果进行比对。该算法有效弥补了主成分分析法中不能对水质等级进行划分的缺点,解决了水质同等级下一概而论的模糊性,水质同等级基础上得出水质更高精度的区分度。(2)针对传统水质评价模型不能反映水质检测数据动态变化特征,构造一种基于直觉模糊多属性决策的水质评估模型。利用水质属性值区间范围内变化的不确定性信息,结合直觉模糊多属性决策中的隶属度和非隶属度来描述这种不确定的水质属性信息。首先,利用水质区间均值,结合传统模糊综合评价算法,决策出区间水质等级。在水质同等级的基础上,构造水质直觉区间多属性决策矩阵,规范化为直觉模糊多属性矩阵,构建水质属性最优权重,计算水样本的综合属性值。最终通过得分函数,得出水样本的得分值。该算法可以将水质的模糊本性更加细致的刻画,充分考虑了水质属性值在一定区间范围内变化的信息,有效拓展了区间水质评估算法的研究。同时结合模糊综合指数法,验证该算法的可行性。
宋琪[4](2021)在《基于多源传感器融合的无人车环境感知算法研究》文中指出伴随着智能化技术的发展与市场应用的增多,无人驾驶车辆也逐渐出现在我们的生活场景中,环境感知技术作为无人驾驶汽车的关键技术之一,直接或间接影响了汽车的智能化水平,是无人驾驶领域的一个研究热点。完备且准确的环境感知信息是无人驾驶车辆安全和平稳运行的数据基础,其重要性不可忽视。无人车环境感知功能的实现包括两个部分:环境信息的采集以及感知识别,其中车辆环境感知功能的实现以传感器对车辆周围环境信息的采集为基础,所采集数据的准确性与完整性直接影响到后续感知识别的准确性,而单传感器进行数据采集时往往存在环境鲁棒性低、稳定性差、检测盲区明显等缺点,这严重影响了无人驾驶车辆的行驶安全性。本文基于城市乘用车的感知需求,研究一种基于多源传感器融合的无人车环境感知算法,旨在有效提高无人车环境感知的准确度以及实时性,力求避免由于感知错误或不全面带来的安全隐患。本文所研究的无人车环境感知算法包括多源传感器融合策略以及环境感知算法研究两部分,具体研究内容如下:1.多源传感器信息融合能够有效弥补单传感器存在的检测盲区、易受周边行驶环境影响等问题,从而给后续的无人车环境感知提供可靠的、完整的驾驶环境信息,是整个无人驾驶系统的数据基石以及安全保障。所以在本文以多传感器融合为基础,进一步研究适用于无人驾驶车辆的环境感知算法。2.由于无人驾驶车辆对于算法处理的实时性有着很高的要求,而现有语义分割算法计算复杂度高、网络推论速度低,针对此类任务,本文中环境感知算法研究侧重于改进已有感知算法存在的“精度与实时性的矛盾”问题,旨在找到感知精度与实时性的最佳平衡点,除此之外,本文以多传感器数据作为输入,在获取驾驶环境语义类别的同时得到障碍物的运动信息,使得感知算法能够真正地走向应用的道路。论文基于计算复杂度公式分析研究了现有分割算法,并在此基础上提出了基于注意力机制的高实时性语义分割模型,该模型可以对Cityscapes数据集这种高分辨率图像进行实时性语义分割。3.最后,本文基于两个大型语义分割数据集进行了实验验证,本文所提出的网络在Cityscapes数据集上达到了实时性的要求,并且取得了领先的精度,例如71 FPS/79.9%m Io U、130 FPS/78.5%m Io U和180 FPS/70.1%m Io U。此外本文所提出的网络在ADE20K上的性能也处于领先地位。
成天宝[5](2021)在《基于多传感器信息融合的数控机床加工过程状态识别研究》文中提出数控机床状态监测作为机床智能化研究的核心,在保障机床安全稳定运行、提高加工质量及生产效率等方面发挥重要作用,而数控机床加工过程状态识别作为机床状态监测的关键部分,一直是国内外研究的重点。本文以数控机床的加工状态为研究对象,结合先进的信号处理及模式识别方法,展开其加工状态识别研究,对研究机床加工规律、切削参数优化、加工状态控制方法与策略具有重要意义。本文首先从数控机床的系统构成及工作原理出发,分析机床不同监测信号的特性,以明确机床加工过程状态识别研究的监测信号类型及传感器规格参数。然后从机床关键零部件的振动状态研究入手,提出了一种基于低维特征的机床主轴振动状态识别方法。一方面,利用局部判别小波包变换完成主轴振动信号的状态特征提取,系统地解决了小波包变换时的分解层数、基小波函数选择及冗余信号分解等问题。另一方面,对提取特征向量进行主成分分析,以降低特征维度和计算成本,并结合监督学习方法实现基于低维特征信息的状态识别。为克服机床关键零部件状态识别研究中单传感信息分析所存在的不确定性和局限性问题,分别从数据级和特征级层面研究多传感器信息融合的体系架构和方法论,提出一种多传感器信息融合的机床加工状态识别方法,可降低状态信息不足对识别结果的影响。为验证所提出的不同多传感器信息融合方法的可行性,设计了具体的叶片加工实验,并通过其加工过程的多通道振动和声音数据完成多传感器信息融合方法有效性验证。最后基于LabVIEW和MATLAB的混合编程方式开发了一个多传感器信息融合的机床加工过程状态识别系统,保留两个软件各自优势的同时,解决了数据采集和数据处理系统独立运行所带来的过程复杂、工作量大等问题。本文针对数控机床加工状态识别而提出的多传感器信息融合方法,综合利用了不同传感器的状态信息,与单传感器信息分析相比,提高了状态识别的准确率,可有效应用于数控机床状态监测中。
张浩岩[6](2021)在《基于野外环境目标检测物联网技术研究》文中研究指明野外自然环境下的目标检测物联网系统在国防军事应用领域起到至关重要的作用,能够在无人看守的自然条件环境下自行地识别入侵目标并向远程发送报警信息和识别结果,基于声音、震动、地磁等信号的多传感器能够对监测区域内出现的实时目标进行特征数据的采集,通过物联网数据传输通信技术向信息融合中心发送实时数据,融合中心采用设计的信息融合算法将各类传感器采集到的互补的数据加以融合进而完成对目标的位置判断及属性判断。相比于单传感器的目标识别,多传感器信息融合识别具有方位更加全面、证据更充分、识别准确性高等特点。本课题是基于野外无人值守的环境下,通过设计物联网系统中数据传输方法及通信协议结合目标识别算法开发出一套能够以针对野外环境下入侵的特征目标进行目标识别的物联网系统。本文研究工作具体如下:首先介绍国内外关于本课题的研究现状,分析并归纳总结其中的关键技术及本课题的具体研究工作。其中,为了解决物联网体系中数据传输的问题,引用Zigbee无线通信技术作为数据传输的网络环境,通过移植Zstack协议栈的方法可将传感器驱动程序加载至协议栈中实现向协调器传输数据的功能。第二步通过设计JNI中间件的方法实现了协调器与网关之间的串口通信,随后通过建立Socket服务框架完成了数据向客户终端的上传。并在应用层设计了系统内各部分之间的通信协议以达成数据可靠传输的功能。其次,为了解决对监测环境中出现的入侵目标的准确识别,根据传统信息融合的功能模型以及野外环境下可能出现的入侵目标的目标特征等因素设计出了野外环境下的数据融合系统模型。随后提出了单传感器预处理的方法完成对目标的预识别并得到报警信息的有效集,根据单传感器及多传感器有效集的时空关联方法实现了剔除虚警和目标的位置确定,最后,系统以Bayes推理算法和D-S证据理论为理论依据,提出了多传感器信息融合识别算法以达到对目标的准确识别,课题组将目标识别的物联网系统应用于实际,在野外环境下搭建系统,根据大量的实际实验验证了所设计的物联网系统运行的可行性和目标检测的有效性。
陈东鹏[7](2021)在《林业背包式激光雷达多传感器集成系统及数据融合的研究》文中研究指明近年来,随着遥感技术的日益发展和成熟,尤其是大区域森林制图、灾害监测等方面的应用,特别是三维激光雷达扫描系统的广泛应用,根据地基激光雷达中的背包式激光雷达系统当前研究现状,本文研发一种适用于林业测量环境下的背包式激光雷达多传感器(激光雷达探头、GNSS、IMU、CCD、双目相机等)集成系统,结合多传感器数据融合技术构建林木参数采集体系,提高林木参数采集的精准度,促进林业信息化和林业科学化管理发展。研究结果如下:(1)分析林业背包式激光雷达多传感器集成系统的背景和意义,以及进行多传感器数据融合的重要意义,总结了多传感器数据融合的国内外研究现状以及数据融合算法概述。进行林业背包式激光雷达多传感器集成系统的硬件构建,系统各传感器的选型、技术指标组成以及硬件驱动。实现林业背包式激光雷达多传感器集成系统的软件设计,完成系统硬件和软件的配合,软件方面的集成处理和控制处理,软件部分的设计,主要包括人机界面设计、嵌入式开发环境的搭建、软件主要功能的实现。(2)使用林业背包式激光雷达多传感器集成系统提取的人工林株数和胸径参数,采集精度要达到平原地区≥90%、山区≥85%,系统在50m测距精度误差≤30mm。为了达到这一要求,研究基于无迹卡尔曼滤波算法的数据融合实现,结合林业背包式激光雷达多传感器集成系统平台运用和点云数据以及当前的位置和姿态信息,获得非线性量测方程更新。并结合UKF和滤波器目标运动模型得到目标状态估计,最后完成系统测试,验证使用的可靠性和实用性,提高了系统多传感器数据融合精度。(3)确定林业背包式激光雷达多传感器集成系统的安装方式,在原有技术的基础上进行优化,使系统更具灵活性、便携性的特点,拆卸式连接结构使本系统维护维修成本更低。综上所述,对林业背包式激光雷达多传感器集成系统各传感器进行构建、选型、技术指标组成以及硬件驱动,设计出林业背包式激光雷达多传感器集成系统,该系统具有稳定性、同步性、精度高、灵活性的特点,通过融合多传感器的数据来改善采样精度,选取该算法能在保证较高滤波精度和稳定性的同时大大减少了计算量,实地参数提取测试验证了系统的稳定性和精准性。
杜佳佳,吴青青,薛文超[8](2020)在《智能数据融合分析算法研究》文中进行了进一步梳理大数据中还包含很多冗余和无效数据,在网络传输以及处理这些数据的过程中,将导致整体系统运作效率的降低,因此,尝试应用智能数据融合来解决这一问题。在介绍智能数据融合原理及其算法理论基础的前提下,从算法概念分类方面,对数据融合的算法进行较为详尽的总结,为下一步多传感器数据融合研究提供一定的理论依据。
刘帅[9](2020)在《基于多传感器信息融合的钢筋混凝土腐蚀检测研究》文中进行了进一步梳理钢筋混凝土腐蚀是影响建筑物结构耐久性的主要原因,当今社会钢筋混凝土的应用非常普遍,腐蚀会带来一系列的经济问题、资源问题和社会问题,因此及时获取建筑物中钢筋的腐蚀状况显得尤为重要。针对当前钢筋混凝土腐蚀检测传感器单一、腐蚀程度识别精度不高等问题,本文应用多传感器检测系统对钢筋混凝土进行腐蚀检测,利用自适应卡尔曼滤波算法对特征参数降噪,建立多传感器检测识别数学模型,实现钢筋混凝土腐蚀检测的信息融合。多传感器信息融合是利用传感器检测技术、数据滤波技术和神经网络识别技术等对钢筋混凝土的腐蚀情况进行及时的监控和评估,本文所做的研究工作包含以下内容:(1)钢筋腐蚀检测数据滤波方面:改进传统的卡尔曼滤波算法,利用最大概似估计准则,分别设计测量噪声、系统噪声和状态预测协方差估计器,实现估计模型的动态调整,降低检测系统中传感器测量噪声和系统噪声的干扰。(2)钢筋腐蚀程度识别方面:建立模糊神经网络数学模型,针对传统粒子群算法(PSO)在处理复杂搜索问题中容易提早收敛,局部寻优能力较差等问题,提出了PSO算法中惯性因子的调整方法,将改进的PSO算法优化模糊神经网络,并给出了粒子的位置收敛性和速度收敛性分析。通过改进的PSO算法得到优化的神经网络连接权值,提高算法的搜索速度和训练效率,降低钢筋腐蚀识别误差。(3)在此基础上,本文设计基于多传感器信息融合的钢筋混凝土腐蚀检测系统,该系统包括硬件设计和软件设计。硬件电路设计包括传感器信号采集电路、模数转换电路以及无线通信电路等,实现对钢筋腐蚀参数的数据采集;检测系统软件部分的开发包括下位机设计和上位机设计,利用多传感器信息融合算法,实现钢筋腐蚀参数的实时人机交互。(4)通过实验对本文提出的多传感器信息融合算法进行验证,实验表明钢筋腐蚀检测系统参数测量精度得到提升,降低了钢筋腐蚀程度识别模型的预测误差,从而验证了多传感器信息融合算法的可行性。
田甄[10](2020)在《基于场景增强的智能网联汽车多目标跟踪方法研究》文中研究指明智能汽车技术是未来汽车发展的重要方向,它涉及环境建模、多传感器融合感知、态势估计与认知、决策与控制等多个环节,属于人工智能、控制、通信、计算机等多个学科的交叉领域,对社会、经济的发展均具有极为强大的促进作用。环境感知技术作为智能汽车技术中最核心与最关键的技术之一,是当前研究的重点和热点,也是制约汽车智能化进程的主要瓶颈。传统的多传感器感知技术由于传感器自身的缺陷性,不能适应山区等复杂环境道路的感知需求。因此,针对山区城市复杂环境中车载传感器感知技术难度大的问题,本文一方面以场景信息作为环境感知技术研究的新切入点,提出考虑场景信息的车辆目标运动模型以及多传感器融合的新方法;另一方面结合网联信息,提出网联信息辅助的目标跟踪新系统。本文的研究对于提升车载传感器目标跟踪的准确性和可靠性有明显的理论意义和应用价值。本文主要内容有以下几个方面:(1)研究了低机动目标的运动模型构建方法。针对传统目标跟踪未考虑交通场景先验信息或者道路约束信息对目标运动造成的引导或约束影响,导致目标运动学模型建立不够精准的问题,提出一种基于微观交通势力场模型的车辆跟踪模型。通过在二维道路坐标系中考虑交通场景和道路约束,构建了微观交通势力场模型,并采用交互多模型对车辆的纵向和横向行为进行估计。此外,考虑到传统的交互多模型中转移概率矩阵通常由先验知识确定,本文提出一种具有自适应转移概率矩阵的拟贝叶斯递推算法来处理横向机动模型之间的切换,实现了横向模型的快速切换,提高了目标跟踪精度。该研究针对不同传感器的检测特性,分别建立点目标和扩展目标的跟踪框架,并构建完整的跟踪系统实现对车辆目标的跟踪。(2)研究了高机动目标的运动模型构建方法。针对目标跟踪中高机动目标模型变化快、估计难等问题,提出一种基于场景关联半马尔可夫模型的车辆跟踪方法。该方法基于逗留时间的半马尔可夫运动模型来实现对高机动目标的纵向行为建模,同时通过模型逗留时间自适应计算各模型之间的状态概率矩阵。为了估计模型的逗留时间,本研究结合动态场景信息,提出了场景关联的贝叶斯网络来估计半马尔可夫模型中每个模型的逗留时间。此外,为了对车辆目标的横向运动进行建模,本文利用道路中心点构建伪观测,对横向运动行为进行约束跟踪。本研究提出的高机动目标跟踪方法能够有效降低模型估计的不确定性,更加精准地处理模型之间的变换关系,从而提升对高机动目标跟踪的准确性。(3)研究了随机有限集框架下的多传感器融合框架与跟踪方法。面向车载多源异类传感器,提出一种随机有限集框架下的不确定性多传感器融合与跟踪方法。该方法构建了异类传感器统一的目标状态、运动学和观测模型,并将运动学模型与目标识别属性进行统一建模,提出了多源异类传感器多目标联合检测、识别和跟踪框架。针对异类传感器存在场景模糊观测的情况,建立随机有限集框架下的不确定性观测模型。结合传感器视角差异以及不确定性场景对各传感器观测的影响,提出一种考虑场景模糊信息的多传感器融合方法。该方法能保证车载传感器在复杂环境中能够可靠和稳定地感知周边目标,并极大限度利用最优传感器的观测信息,同时消除个别传感器对整个融合系统带来的不利影响。本研究采用随机有限集框架下的泊松多伯努利滤波方法对目标进行跟踪,并实现了多源异类传感器多目标联合检测识别与融合跟踪。(4)研究了网联辅助的智能网联汽车目标跟踪方法。面向不同类别的网联辅助信息,提出一个包含车与车、车与路和车与云通信的智能网联汽车目标跟踪系统。在车与车通信的辅助跟踪上,提出一种毫米波雷达和网联辅助信息融合的智能网联汽车目标跟踪方法,并建立对应的跟踪系统,该系统通过利用车与车通信发送的身份和位置信息,改善目标跟踪中的数据关联算法,减少数据关联计算量。同时,针对激光雷达的扩展目标跟踪问题,提出了激光雷达与网联辅助信息融合的目标跟踪方法和系统,该系统利用网联发送的形状和航向信息构造一个二重跟踪门,以减少激光雷达观测的杂波,提升跟踪效果。在车与路的融合跟踪方法上,对三种经典航迹融合方法进行了实验分析及验证,选取了最优的融合方法,构建了路侧设备与车载传感器的航迹融合系统。因此,本研究将车载感知扩展到网联与车载协同感知,增加了智能网联汽车的感知范围,提升了环境感知算法的可靠性及准确性。
二、多传感器信息融合技术综述(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多传感器信息融合技术综述(论文提纲范文)
(1)基于多源信息的拖拉机安全预警及避障系统研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 文献综述 |
1.1 研究背景和意义 |
1.2 国内外研究进展 |
1.2.1 障碍物检测研究现状 |
1.2.2 安全预警研究现状 |
1.2.3 障碍物追踪及农机自动避障研究现状 |
1.3 存在的问题 |
1.4 研究内容与技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
第二章 拖拉机信息采集与控制平台搭建 |
2.1 研究平台 |
2.2 信息采集及感知系统 |
2.2.1 激光雷达系统 |
2.2.2 视觉系统 |
2.2.3 导航定位系统 |
2.2.4 前轮转角检测系统 |
2.3 数据处理及决策系统 |
2.3.1 上位机系统 |
2.3.2 下位机系统 |
2.4 结果输出系统 |
2.5 软件平台搭建 |
2.6 本章小结 |
第三章 安全预警系统设计研究 |
3.1 基于DBSCAN的激光雷达点云聚类 |
3.2 障碍物追踪 |
3.3 坐标系的建立 |
3.4 障碍物状态判断 |
3.5 安全预警级别划分算法 |
3.5.1 静态障碍物 |
3.5.2 动态障碍物 |
3.6 安全预警软件系统 |
3.7 本章小结 |
第四章 信息融合与避障策略研究 |
4.1 障碍物信息融合 |
4.1.1 深度学习模型训练 |
4.1.2 摄像头与激光雷达联合标定 |
4.1.3 摄像头与激光雷达信息融合 |
4.1.4 信息融合系统测试 |
4.2 避障策略 |
4.3 本章小结 |
第五章 实车试验 |
5.1 障碍物状态判定试验与分析 |
5.1.1 静态障碍物试验 |
5.1.2 动态障碍物试验 |
5.2 安全预警级别判定试验与结果分析 |
5.2.1 静态障碍物预警级别判定试验 |
5.2.2 动态障碍物预警级别判定试验 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
致谢 |
个人简历 |
(2)基于多传感器信息融合移动机器人避障决策研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景 |
1.2 国内外研究现状 |
1.2.1 移动机器人研究现状 |
1.2.2 多传感器信息融合技术研究现状 |
1.2.3 避障决策研究方法现状 |
1.3 研究目的和意义 |
1.3.1 研究目的 |
1.3.2 研究意义 |
1.4 研究内容及各章安排 |
2 移动机器人系统结构搭建 |
2.1 移动机器人运动学建模 |
2.1.1 运动学数学模型 |
2.1.2 轨迹跟踪数学模型 |
2.2 移动机器人系统搭建 |
2.3 移动机器人器件选型 |
2.3.1 STM32F103主控系统 |
2.3.2 电机模块 |
2.3.3 超声波测距传感器HC-SR04 |
2.3.4 红外测距传感器GP2Y0A21YK0F |
2.3.5 红外光电测距模块 |
2.3.6 其他部分选型 |
2.4 传感器安装位置 |
2.5 本章小结 |
3 多传感器信息融合方法研究 |
3.1 多传感器信息融合主要内容 |
3.1.1 多传感器信息融合基本原理 |
3.1.2 多传感器信息融合结构 |
3.1.3 多传感器信息融合层次 |
3.1.4 多传感器信息融合方法 |
3.2 静态测量多传感器信息融合方法 |
3.2.1 卡尔曼滤波法基本原理 |
3.2.2 加权平均法基本原理 |
3.2.3 加权卡尔曼滤波融合方法 |
3.3 动态测量多传感器信息融合方法 |
3.4 本章小结 |
4 移动机器人已知环境避障决策方法研究 |
4.1 避障决策 |
4.1.1 避障决策基本方法 |
4.1.2 避障策略 |
4.2 人工势场法 |
4.2.1 人工势场法基本原理 |
4.2.2 人工势场法存在问题 |
4.3 基于模拟退火算法的人工势场法 |
4.3.1 基本原理 |
4.3.2 具体算法步骤 |
4.3.3 实验仿真对比分析 |
4.4 本章小结 |
5 移动机器人未知环境避障决策方法研究 |
5.1 强化学习主要内容 |
5.1.1 强化学习基本原理 |
5.1.2 马尔可夫决策过程 |
5.1.3 强化学习基本要素 |
5.1.4 强化学习的基本算法 |
5.2 Q-learning算法 |
5.2.1 Q-learning算法基本原理 |
5.2.2 Q-learning算法存在问题 |
5.3 改进Q-learning算法 |
5.3.1 改进Q-learning算法基本原理 |
5.3.2 改进Q-learning算法步骤 |
5.3.3 实验仿真对比分析 |
5.4 本章小结 |
6 实验验证与结果分析 |
6.1 多传感器信息融合实验 |
6.1.1 静态测量融合实验及结果分析 |
6.1.2 动态测量融合实验及结果分析 |
6.2 移动机器人避障决策实验 |
6.2.1 避障可行性实验 |
6.2.2 已知环境避障实验 |
6.2.3 未知环境避障实验 |
6.3 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文及获得成果 |
致谢 |
(3)水质检测中多传感器信息融合算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究问题 |
1.3 国内外研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 研究内容 |
1.4.1 研究对象 |
1.4.2 论文结构安排 |
1.5 本章小结 |
第二章 理论基础 |
2.1 多传感器信息融合理论基础 |
2.1.1 多传感器信息融合功能模型 |
2.1.2 水质检测传感器 |
2.2 属性指标值的规范化 |
2.2.1 多属性决策 |
2.2.2 属性风险分析方法 |
2.2.3 属性类型 |
2.3 模糊多属性决策理论 |
2.3.1 模糊集 |
2.3.2 模糊集的基本定理 |
2.4 直觉模糊多属性决策理论 |
2.4.1 直觉模糊多属性决策算法 |
2.4.2 直觉模糊集的基本运算规则 |
2.4.3 直觉模糊集的相似度和距离 |
2.4.4 直觉模糊集的得分函数与精确函数 |
2.5 主成分分析法理论 |
2.5.1 主成分分析法定义 |
2.5.2 主成分分析法过程 |
2.6 本章小结 |
第三章 同等级水质下基于信息熵的模糊多属性决策算法 |
3.1 改进的模糊综合评价算法流程 |
3.2 理论基础 |
3.2.1 信息熵的定义 |
3.2.2 传统的模糊综合评价法 |
3.3 数据处理过程 |
3.3.1 数据采集 |
3.3.2 主成分分析法流程 |
3.3.3 主成分分析法的数据处理 |
3.3.4 主成分分析法结果 |
3.3.5 同等级水质下基于信息熵的模糊多属性水质决策流程 |
3.3.6 同等级水质下基于信息熵的模糊多属性数据处理 |
3.3.7 同等级水质下基于信息熵的模糊多属性数据结果 |
3.4 算法分析 |
3.5 本章小结 |
第四章 基于直觉模糊多属性决策的水质评估模型 |
4.1 直觉模糊多属性决策的水质评估流程 |
4.2 理论基础 |
4.2.1 直觉区间多属性决策矩阵 |
4.2.2 水质属性量化与规范化处理 |
4.2.3 水质属性权重确定方法 |
4.3 权重未知的直觉模糊多属性水质评估步骤 |
4.4 数据处理过程 |
4.4.1 数据的采集 |
4.4.2 数据处理 |
4.4.3 同等级水质属性最优权重 |
4.4.4 水样本的综合评估 |
4.5 算法分析 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 工作展望 |
参考文献 |
致谢 |
个人简历 |
在校期间的研究成果及发表的学术论文清单 |
(4)基于多源传感器融合的无人车环境感知算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 研究背景与研究意义 |
1.3 多传感器融合研究现状 |
1.4 环境感知算法研究现状 |
1.4.1 传统图像分割 |
1.4.2 基于深度学习的图像语义分割 |
1.5 本文研究内容及组织结构 |
第2章 典型环境感知系统分析 |
2.1 环境感知传感器特性分析 |
2.1.1 摄像头 |
2.1.2 雷达 |
2.1.3 全球定位系统和惯性导航单元 |
2.2 环境感知传感器布置原则 |
2.2.1 单传感器存在的不足 |
2.2.2 环境感知传感器布置原则 |
2.3 典型环境感知系统分析 |
2.3.1 典型自主车辆的传感器布置方案 |
2.3.2 典型环境感知层架构 |
2.4 本章小结 |
第3章 多传感器信息融合策略 |
3.1 多传感器融合原理及意义 |
3.2 传感器选型及布局设计 |
3.3 多传感器融合级别的选择 |
3.4 多传感器融合策略 |
3.4.1 KITTI数据集 |
3.4.2 激光雷达与相机联合标定 |
3.4.3 传感器数据融合 |
3.5 本章小结 |
第4章 感知层算法研究与实现 |
4.1 感知层算法架构 |
4.2 感知算法分析 |
4.3 感知层算法实现 |
4.3.1 基础模型 |
4.3.2 整体网络架构 |
4.3.3 注意力融合模块 |
4.3.4 带状注意力模块 |
4.4 本章小结 |
第5章 实验结果与分析 |
5.1 实验设置与参数 |
5.1.1 数据集与评价指标 |
5.1.2 实验环境 |
5.1.3 实验设置 |
5.2 实验结果与分析 |
5.2.1 消融实验 |
5.2.2 对比实验 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
致谢 |
(5)基于多传感器信息融合的数控机床加工过程状态识别研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题来源 |
1.2 课题研究背景及意义 |
1.3 关键技术国内外研究现状 |
1.3.1 状态监测方法 |
1.3.2 多传感器信息融合技术 |
1.4 课题研究的主要内容 |
2 数控机床的系统构成及监测信号分析 |
2.1 引言 |
2.2 数控机床的系统构成及工作原理 |
2.2.1 数控机床的系统构成 |
2.2.2 数控机床工作原理 |
2.3 监测信号分析及传感器规格 |
2.3.1 监测信号选择 |
2.3.2 传感器规格参数 |
2.4 本章小结 |
3 基于振动信号的机床主轴振动状态识别 |
3.1 引言 |
3.2 状态特征提取方法研究 |
3.2.1 小波包变换 |
3.2.2 多信息域的特征提取 |
3.2.3 基于PCA的特征降维 |
3.3 BP神经网络状态识别方法 |
3.3.1 BP神经网络基本理论 |
3.3.2 基于BP神经网络的机床主轴振动状态识别 |
3.4 实验验证 |
3.4.1 实验设计 |
3.4.2 信号分析 |
3.4.3 结果讨论 |
3.5 本章小结 |
4 机床加工状态的多传感器信息融合方法研究 |
4.1 引言 |
4.2 信息融合技术的基本理论 |
4.2.1 信息融合的定义 |
4.2.2 信息融合系统的结构 |
4.2.3 信息融合技术的分类 |
4.3 数据级多传感器信息融合方法 |
4.3.1 自适应加权平均法 |
4.3.2 卡尔曼滤波 |
4.3.3 数据级融合估计算法 |
4.4 特征级多传感器信息融合方法 |
4.4.1 串行特征融合方法 |
4.4.2 并行加权特征融合方法 |
4.4.3 其他特征融合策略 |
4.5 本章小结 |
5 多传感器信息融合方法的实验验证及识别系统开发 |
5.1 引言 |
5.2 实验设计 |
5.2.1 前期准备实验 |
5.2.2 叶片加工实验方案 |
5.3 多传感器信息融合的机床加工状态识别 |
5.3.1 监测信号的特征提取 |
5.3.2 数据级信息融合的识别结果 |
5.3.3 特征级信息融合的识别结果 |
5.3.4 融合结果讨论 |
5.4 机床加工过程状态识别系统的开发 |
5.4.1 系统的框架设计 |
5.4.2 功能模块设计 |
5.4.3 系统功能测试 |
5.5 本章小结 |
6 结论与展望 |
6.1 全文总结 |
6.2 研究展望 |
致谢 |
参考文献 |
个人简历、在学期间发表的学术论文及取得的研究成果 |
(6)基于野外环境目标检测物联网技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究意义及应用前景 |
1.2 国内外研究发展现状 |
1.2.1 物联网技术的发展现状 |
1.2.2 目标检测技术发展现状 |
1.3 论文的工作及组织结构 |
第2章 物联网系统结构设计 |
2.1 系统的结构框架 |
2.2 目标检测物联网系统的具体功能 |
2.3 开发工具与其具体工作内容 |
2.4 研究方法 |
2.5 本章小结 |
第3章 通信协议设计 |
3.1 通信环境背景介绍 |
3.2 协议栈软件设计 |
3.3 协调器节点软件设计 |
3.4 传感器与协调器间通信协议设计 |
3.5 网关与协调器串口程序设计 |
3.5.1 JNI中间件设计 |
3.5.2 网关与协调器间通信协议设计 |
3.6 网关应用层软件设计 |
3.6.1 Android用户程序设计 |
3.6.2 网关与客户端通信协议设计 |
3.7 网关与服务器绑定 |
3.8 本章小结 |
第4章 目标检测算法研究 |
4.1 多传感器数据融合系统模型 |
4.1.1 信息融合的功能模型 |
4.1.2 信息融合的层次 |
4.2 野外环境目标检测系统的构成 |
4.3 多传感器信息融合的主要任务 |
4.4 多传感器信息融合目标检测方法研究 |
4.4.1 单传感器数据预处理方法 |
4.4.2 多传感器数据关联与位置估计 |
4.4.3 基于贝叶斯推理的多传感器目标识别方法 |
4.4.4 基于D-S证据推理的多传感器目标识别方法 |
4.5 本章小结 |
第5章 目标检测系统运行测试 |
5.1 外场测试系统结构 |
5.2 目标检测现场实验测试 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和获得的科研成果 |
致谢 |
(7)林业背包式激光雷达多传感器集成系统及数据融合的研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景与意义 |
1.2 多传感器数据融合技术及其激光雷达应用上的研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 数据融合方法研究现状 |
1.4 本文主要研究内容 |
2 林业背包式激光雷达多传感器集成系统硬件构建 |
2.1 林业背包式激光雷达多传感器集成系统的性能与指标 |
2.2 林业背包式激光雷达多传感器集成系统各传感器硬件构成 |
2.2.1 激光雷达模块 |
2.2.2 CCD模块 |
2.2.3 组合导航系统模块 |
2.2.4 各传感器时空同步控制系统 |
2.2.5 供电模块 |
2.2.6 USB总线转换芯片驱动设计 |
2.3 总体设计方案 |
2.4 本章小结 |
3 林业背包式激光雷达多传感器集成系统软件设计 |
3.1 软件总体设计方案 |
3.2 嵌入式软件开发 |
3.2.1 嵌入式开发的特点 |
3.2.2 嵌入式开发环境的搭建 |
3.3 数据采集与存储 |
3.3.1 数据采集 |
3.3.2 数据实时存储 |
3.4 多任务处理功能 |
3.5 数据通信 |
3.5.1 USB通信文件的数据压缩与编码 |
3.5.2 界面USB通信功能 |
3.5.3 USB端口与PC机通信功能 |
3.6 多传感器采集数据的动态显示与回放 |
3.6.1 多传感器采集数据的动态显示 |
3.6.2 多传感器采集数据的回放功能 |
3.7 PC人机界面 |
3.7.1 PC人机界面主要功能构成 |
3.7.2 Qt显示界面设计 |
3.8 系统软件维护设计 |
3.9 本章小结 |
4 基于无迹卡尔曼滤波的多传感器数据融合算法研究 |
4.1 算法思路 |
4.2 无迹卡尔曼滤波 |
4.3 仿真结果与分析 |
4.4 本章小节 |
5 系统安装方式与现场测试 |
5.1 安装方式与结构优化 |
5.1.1 安装方式 |
5.1.2 结构优化 |
5.2 现场测试 |
5.3 本章小结 |
结论 |
参考文献 |
附录 |
攻读学位期间发表的学术论文 |
致谢 |
东北林业大学 硕士学位论文修改情况确认表 |
(8)智能数据融合分析算法研究(论文提纲范文)
1 引言 |
2 智能数据融合算法 |
2.1 估计算法 |
2.1.1 加权平均法 |
2.1.2 卡尔曼滤波法 |
2.1.3 最小二乘法 |
2.2 人工智能技术 |
2.2.1 神经网络 |
2.2.2 模糊集理论 |
2.3 参数方法 |
2.3.1 贝叶斯理论 |
2.3.2 D-S证据推理 |
2.3.3 产生式规则 |
2.4 识别算法 |
2.4.1 参数模板法 |
2.4.2 聚类分析法 |
3 应用领域 |
3.1 军事领域 |
3.2 工业过程控制 |
3.3 机器人 |
4 存在问题以及发展趋势 |
4.1 智能数据融合存在的问题 |
4.2 智能数据融合发展趋势 |
(9)基于多传感器信息融合的钢筋混凝土腐蚀检测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景及意义 |
1.2 国内外研究现状 |
1.2.1 混凝土腐蚀检测研究现状 |
1.2.2 多传感器信息融合研究现状 |
1.3 多传感器信息融合理论 |
1.3.1 信息融合基本概念 |
1.3.2 信息融合基本原理 |
1.3.3 信息融合层次 |
1.3.4 信息融合过程 |
1.3.5 信息融合典型算法 |
1.4 论文的组织结构 |
第2章 基于自适应卡尔曼滤波的多传感器数据降噪 |
2.1 前言 |
2.2 卡尔曼滤波算法数学模型 |
2.3 自适应卡尔曼滤波算法 |
2.3.1 基于新息的最大概似方程 |
2.3.2 测量噪声协方差估计器设计 |
2.3.3 系统噪声协方差估计器设计 |
2.3.4 状态预测协方差估计器设计 |
2.3.5 基于协方差估计器设计的自适应卡尔曼滤波 |
2.4 仿真实验结果分析 |
2.5 本章小结 |
第3章 基于改进PSO-FNN算法的决策级信息融合 |
3.1 前言 |
3.2 模糊神经网络融合算法设计 |
3.3 模糊神经网络检测模型 |
3.3.1 模型构建 |
3.3.2 权值修正 |
3.4 改进粒子群算法优化模糊神经网络 |
3.4.1 标准粒子群算法 |
3.4.2 改进粒子群算法及其优化 |
3.4.3 改进粒子群算法位置收敛性分析 |
3.4.4 改进粒子群算法速度收敛性分析 |
3.5 算法验证仿真实验 |
3.6 本章小结 |
第4章 多传感器信息融合系统设计及钢筋腐蚀实验 |
4.1 前言 |
4.2 硬件电路设计 |
4.2.1 模数转换电路 |
4.2.2 传感器信号采集电路 |
4.2.3 无线通讯电路 |
4.2.4 电源电路 |
4.3 钢筋混凝土腐蚀检测软件设计 |
4.3.1 下位机软件设计 |
4.3.2 上位机软件设计 |
4.4 系统实验介绍 |
4.5 实验数据分析 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间论文发表及科研情况 |
致谢 |
(10)基于场景增强的智能网联汽车多目标跟踪方法研究(论文提纲范文)
摘要 |
ABSTRACT |
英文缩写中文对照表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 目标跟踪技术国内外研究现状 |
1.2.1 车载传感器目标跟踪技术 |
1.2.2 道路先验信息约束的目标跟踪技术 |
1.2.3 网联辅助的目标跟踪技术 |
1.3 论文主要研究工作 |
1.3.1 现存问题分析 |
1.3.2 主要研究工作 |
1.4 论文结构安排 |
2 目标跟踪基础 |
2.1 贝叶斯框架的目标跟踪基础 |
2.1.1 贝叶斯跟踪框架 |
2.1.2 交互多模型 |
2.2 基于约束的贝叶斯滤波基础 |
2.3 基于随机有限集框架的滤波算法 |
2.4 本章小结 |
3 微观交通势力场模型的目标跟踪方法 |
3.1 引言 |
3.2 微观交通势力场的目标运动模型构建 |
3.2.1 车辆在二维道路坐标系中的表示 |
3.2.2 势力场模型 |
3.2.3 微观交通纵向交互力模型构建 |
3.2.4 微观交通横向交互力模型构建 |
3.3 低机动点目标的自适应多模型跟踪方法 |
3.3.1 车辆动力学方程在道路坐标系中表示 |
3.3.2 观测模型在二维道路坐标系中表示 |
3.3.3 纵向跟踪算法 |
3.3.4 横向跟踪算法 |
3.3.5 观测验证与数据关联 |
3.4 低机动扩展目标的自适应多模型跟踪方法 |
3.4.1 扩展目标在道路坐标系中的表示 |
3.4.2 扩展目标提取与滤波方法 |
3.5 算法实验 |
3.5.1 场景描述 |
3.5.2 算法参数设置 |
3.5.3 结果分析 |
3.6 本章小结 |
4 场景关联半马尔可夫模型的目标跟踪方法 |
4.1 引言 |
4.2 基于场景关联的半马尔可夫跳变模型 |
4.2.1 跳变马尔可夫模型 |
4.2.2 逗留时间交互多模型 |
4.2.3 场景关联的贝叶斯网络 |
4.3 高机动点目标的半马尔可夫模型跟踪方法 |
4.3.1 考虑静态场景的伪观测模型 |
4.3.2 UT变换 |
4.3.3 时间逗留半马尔可夫的变结构交互多模型 |
4.4 高机动扩展目标的逗留时间跳变模型跟踪方法 |
4.4.1 矩形扩展目标动力学模型 |
4.4.2 矩形观测模型 |
4.5 算法实验 |
4.5.1 场景描述 |
4.5.2 算法参数设置 |
4.5.3 结果分析 |
4.6 本章小结 |
5 随机有限集框架下的异类多传感器目标跟踪方法 |
5.1 引言 |
5.2 异类传感器的目标联合状态与运动模型 |
5.2.1 异类传感器的目标联合状态模型 |
5.2.2 交通场景下的目标运动模型 |
5.2.3 随机有限集下的多传感器观测模型 |
5.3 结合场景信息的异类传感器融合方法 |
5.3.1 场景信息在随机集合中的模糊表示 |
5.3.2 场景模糊观测的构造方法 |
5.3.3 结合场景的多传感器融合方法 |
5.4 目标泊松多伯努利滤波的跟踪方法 |
5.4.1 PMBM预测 |
5.4.2 PMBM更新 |
5.4.3 K-Best全局假设 |
5.5 算法仿真与实验 |
5.5.1 实验一:多传感器融合实验 |
5.5.2 实验二:多目标跟踪仿真实验 |
5.5.3 实验三:多目标跟踪实车实验 |
5.6 本章小结 |
6 网联辅助的智能汽车目标跟踪方法与系统 |
6.1 引言 |
6.2 智能网联汽车目标跟踪系统 |
6.3 毫米波雷达和网联信息融合的目标跟踪方法及系统 |
6.3.1 跟踪系统框架 |
6.3.2 数据配准及预处理 |
6.3.3 网联辅助的数据关联方法 |
6.3.4 网联辅助的场景下的贝叶斯滤波 |
6.3.5 系统实验与验证 |
6.4 激光雷达和网联辅助信息融合的目标跟踪方法及系统 |
6.4.1 跟踪系统框架 |
6.4.2 扩展目标跟踪门构建 |
6.4.3 系统实验验证 |
6.5 目标航迹融合方法及系统 |
6.6 本章小结 |
7.结论与展望 |
7.1 论文工作总结 |
7.2 下一步工作 |
致谢 |
参考文献 |
附录 |
A.作者在攻读博士学位期间发表的论文目录 |
B.作者在攻读博士学位期间取得的科研成果目录 |
C.作者在攻读学位期间参加的科研项目目录 |
四、多传感器信息融合技术综述(论文参考文献)
- [1]基于多源信息的拖拉机安全预警及避障系统研究[D]. 孔微雨. 西北农林科技大学, 2021(01)
- [2]基于多传感器信息融合移动机器人避障决策研究[D]. 赵炳巍. 西安工业大学, 2021(02)
- [3]水质检测中多传感器信息融合算法研究[D]. 王欠欠. 青海师范大学, 2021(12)
- [4]基于多源传感器融合的无人车环境感知算法研究[D]. 宋琪. 吉林大学, 2021(01)
- [5]基于多传感器信息融合的数控机床加工过程状态识别研究[D]. 成天宝. 重庆理工大学, 2021
- [6]基于野外环境目标检测物联网技术研究[D]. 张浩岩. 沈阳理工大学, 2021(01)
- [7]林业背包式激光雷达多传感器集成系统及数据融合的研究[D]. 陈东鹏. 东北林业大学, 2021(08)
- [8]智能数据融合分析算法研究[A]. 杜佳佳,吴青青,薛文超. 2020中国信息通信大会论文集(CICC 2020), 2020
- [9]基于多传感器信息融合的钢筋混凝土腐蚀检测研究[D]. 刘帅. 青岛理工大学, 2020(01)
- [10]基于场景增强的智能网联汽车多目标跟踪方法研究[D]. 田甄. 重庆邮电大学, 2020(02)