智能手机驱动的自主飞行机器人

消费级技术中的摄像头和手机已经导致了性价比急剧下降

在过去十年中自动地。我们正在看到在ro中类似的趨勢 利用此技术的机器人。最近发展趋势是谷歌、苹果和高通等公司对配备摄像头和惯性测量单元(IMU)等传感器的高端通信设备产生兴趣 配备了诸如摄像头和惯性测量单元(IMU)之类的传感器并且具有强大的计算能力‐ 谷歌,例如,正在开发一款定制手机,配备有常规和深度相机。本文探讨了文章探讨了快速集成廉价的常规‐sumer‐grade electronics with the off‐the‐shelf robotics technology for 家庭和办公室的自动化。我们简要说明标准硬件平台(机器人、处理器和智能手机)(robots, processors, and smartphones) 如何通过简单的软件进行集成 用于构建自主四轴飞行器的建筑 能够导航和建图未知的室内环境。我们展示了如何四旋翼飞行器可以被稳定并控制以实现自主飞行和生成用于探索的三维(3D)地图并利用该应用对室内建筑进行建图智能家庭、搜救和建筑领域。这为任何消费者提供了可能使用市面上可购买的机器人平台和一部智能手机,自动创建其家庭或办公室的三维地图的过程。

飞行智能手机 Flying Smartphones

作者:朱塞佩·洛亚诺、加雷斯·克罗斯、曲超、雅什·穆尔高卡尔、乔尔·赫施和维贾伊·库马尔
消费电子产品实现的自动飞行
24 • IEEE机器人与自动化杂志 • JUNE 2015 1070‐9932/15©2015IEEE
数字对象标识符 10.1109/MRA.2014.2382792 出版日期:2015年5月11日 图片由 graphic stock授权

C
本文档由 funstory.ai 的开源 PDF 翻译库 BabelDOC v0.5.10 (http://yadt.io) 翻译,本仓库正在积极的建设当中,欢迎 star 和关注。

25
6月 2015 • Ieee机器人与自动化杂志 •

空中机器人自动化

处理器、传感器和网络基础设施的性价比在过去十年中显著下降,这催生了基于计算、感知与计算融合的新应用。最近一份通用电气报告[1]将这种融合称为工业互联网,并指出工业互联网可能带来的宏观经济效益可与20世纪末互联网革命所带来的经济生产力提升相媲美。其他人则称之为物联网,并预测其经济影响将达到数万亿美元[2]。超过75%的受访企业领导者预测这项技术将对他们的业务产生直接影响[3]。这种融合在机器人自动化方面也展现出巨大前景,机器人“强调效率、生产力、质量和可靠性,专注于在结构化环境中长期自主运行的系统”[4]。

在本文中,我们探讨了空中机器人技术领域内推动自动化发展的多种技术融合,该领域在过去十年中也取得了显著进展。处理器和传感器的性价比大幅下降,推动了微型无人驾驶飞行器(无人机)的发展,其长度介于0.1至1米之间,质量为0.1至2千克。这些低成本平台相较于用于军事应用的昂贵无人机更易于制造。据估计,“捕食者无人机”和“全球鹰无人机”的数量约为 1,000架。消费电子行业(以低成本生产数百万甚至数十亿个分量)的增长带来了用于感知和计算的低成本硬件。这些进步,结合用于构建四旋翼飞行器等机器人的开源工具[5], ,催生了创新型的低成本玩具和业余套件(例如 diydrones.org)。机器人技术和自动化的真正机遇在于利用这些工具(以及计算、感知和通信技术的融合),开发出比军用设备更经济、功能性的且鲁棒的空中机器人。它们可用于检测[6], 、与环境交互[7],[8], 、搜救[9], 、建筑[10],[11],以及家庭和办公室的建图等任务。

早期的四旋翼飞行器主要是实验性系统,但随着设计和软件工具的不断改进,其可靠性和成本效益得到了显著提升。如今,四旋翼飞行器已发展成为成熟的消费级设备。需要重申的是,这在很大程度上得益于自主导航传感器价格性能比的持续下降,这些传感器包括全球定位系统(GPS)、摄像头、惯性测量单元(IMU)以及激光扫描仪[7],[12]–[16]。在此背景下,低成本测距传感器为室内导航与建图、监控以及自主机器人等应用提供了相较于高端激光扫描仪和3D摄像头更具吸引力的替代方案。

消费级测距传感技术使得许多设备进入市场,例如微软Kinect传感器和华硕Xtion传感器(PrimeSense 2010;见图1)。传感器提供的数据丰富且成本低廉,吸引了众多来自建图、三维模型和重建领域的研究人员。华硕Xtion传感器比第一代产品重量更轻生成红色、绿色、蓝色和深度(RGB‐D)摄像头(不含外部外壳约70克)。(尽管这种特定传感器目前已无法获得,但已有其他正在开发的传感器,未来可能会上市。)它仅需标准的通用串行总线(USB)端口供电,且体积小巧。因此,此类规格的传感器在科学界受到了广泛关注,特别是在无人机[16],[17]的环境建图与监测应用中。

本文探讨了使用现成的四旋翼平台和商用现货 RGB‐D摄像头(见图2)的方案。目前基于RGB‐D相机的算法需要大型平台以及特定的定制化硬件处理器,而这类处理器并不普及。这些算法通常只能在笔记本电脑或台式计算机上无限制地运行[18],[19]。此外,复杂算法在研究领域的应用与普通用户在日常场景中的使用之间仍存在差距。谷歌的Project Tango通过创建一个原型[20]智能手机弥合了这些差距

示意图0

RGB相机 红外相机
红外投影仪

示意图1

26
• IEEE机器人与自动化杂志 • 2015年6月

谷歌(http://www.google.com)2014年;见图3]。该智能手机配备了一个增强型RGB‐D相机,其带有视场角为170°的鱼眼镜头以及能够捕捉密集点云的深度传感器。它还集成了定制的硬件和软件,旨在利用视觉里程计和运动结构算法,在跟踪完整三维运动的同时同步创建环境地图。这些传感器使手机每秒可进行超过25万次三维测量,实时更新其位置与姿态,并将数据整合成周围空间的单一三维模型。相比之下,此前在手机摄像头平台上实现基于视觉的算法的研究主要基于标记跟踪[21]和定位算法[22]。这些算法专为增强现实应用而设计,所使用的摄像头帧率有限且视场角较小。因此,它们不适合用于机器人任务中所需的长期运行和大范围导航场景。

在本文中,提出了一种完整的建筑,代表了使用手机摄像头实现自主飞行机器人飞行的第一步
提出了一种“即插即用”式的消费产品与现成的空中机器人集成方案,可实现具备机载定位、建图和控制潜力的自主功能。因此,它代表了一类新型的经济型智能设备,有望通过提供定位、状态估计、控制和建图服务,降低家庭自动化应用的门槛。未来,终端用户或许能够利用其智能手机设备自主控制空中平台,并为其增添新功能。本工作的第一个贡献是开发了一个配备谷歌Project Tango [20]智能手机传感器和小型处理单元的四旋翼平台。第二个贡献是基于智能手机定位估计的飞行器控制。非线性控制器保证了平台的指数稳定性,使其能够跟踪三维空间轨迹。最后,手机位姿与惯性传感器测量值的融合提高了状态估计频率,从而实现了快速运动。

系统架构

我们选择的平台是四旋翼飞行器,因其机械简单性[5]和易于控制。此外,它能够在狭窄空间中运行、在空间任意位置悬停,并可在平坦表面栖停或着陆,使其成为极具潜力的空中平台。本文介绍了所提出的软硬件架构。图4展示了该方法的示意图。

硬件架构

图5所示的实验平台由商用现货组件(COTS组件)构成,配备了一块包含惯性测量单元(IMU)和用户可编程ARM7微控制器的自动驾驶仪板。在板上的主计算单元是ODROID‐XU ( http://www.hardkernel.com),其搭载了1.7 GHz的三星 Exynos 5八核处理器、2 GB随机存取存储器(RAM)、16 GB嵌入式多媒体控制器(eMMC)模块以及一个802.11n Wi-Fi收发器。该配置的唯一其他附加部分是一部来自谷歌的前置式Project Tango [20]智能手机,以及一根用于ODROID与手机之间通信的USB 3.0线缆。

XU和Tango手机。该平台的总质量为900克。“软件架构”部分介绍了软件框架。需要注意的是,我们的实验设置与所采用的嵌入式板的具体型号无关。处理器使用率估计占总可用中央处理器(CPU)的 35%,这表明使用更小、性能较低的嵌入式处理器也足以满足需求。然而,为了确保系统的可靠性,并能够将相同的配置复用于其他机器人任务,我们选择使用 ODROID‐XU

示意图2

可视化
and
导航设置 轨迹 规划 位置 控制器
SO (3)
控制器
被控对象
Tango
手机 硬件架构
软件架构
x , v , R ,X
xd, vd Rc, Xc
M i ,x
基站 机器人
UKF
估计
ODROID‐XU

示意图3

27
6月 2015 • Ieee机器人与自动化杂志 •

开发板。其价格与其他同级别的嵌入式平台相似。ODROID最近的进展表明,有可能使用性能较低但价格比ODROID‐XU低四倍的ODROID‐W开发板,不过ODROID‐W recently released on the market。

软件架构

ODROID‐XU 执行以下任务:
● Tango的位姿与车辆的惯性测量单元之间的传感器融合
● 非线性基于位置的控制。

尽管这两项任务理论上都可以在Tango设备上完成,但我们使用了独立的处理器,以方便快速原型开发,并确保以100赫兹的固定频率进行更可靠的状态估计和控制。

手机上启用了使用用户数据报协议(UDP)进行位姿流传输的Java应用程序例程。ODROID‐XU运行基于机器人操作系统(ROS)的架构( http://www.ros.org)。ROS节点接收UDP数据包,并将其转换为普通的ROS消息。需要指出的是,所提出的策略允许车辆在板上运行所有算法。基站仅负责可视化和处理用户交互。

建模

四旋翼飞行器是一种由四个相同的旋翼和螺旋桨组成的系统,螺旋桨位于正方形的四个顶点上。第一个和第三个螺旋桨顺时针旋转,第二个和第四个螺旋桨逆时针旋转(见图6)。本文中使用的符号列于表1。

动力学模型

让我们考虑一个用;;eee1 2 3 v v v” 表示的惯性参考系,以及一个位于车辆质心(COM)处并用;;bbb1 2 3 r rrr” 表示的机体参考系。车辆的动力学模型可表示为
, , , ,
x v v R e e R R J J M
m mg 3 3

x
X X X X
= =-+ = + =
o o o t o
(1)
其中,x ∈ R³ 表示车辆在惯性坐标系中的笛卡尔位置,v ∈ R³ 表示车辆在惯性坐标系中的速度,m ∈ R 表示质量,ω ∈ R³ 表示机体固定坐标系中的角速度,J ∈ R³×³ 表示相对于机体坐标系的惯性矩阵。符号 ^ 表示斜对称算子,即对于所有 x, y ∈ R³,有 x̂ y = x × y,g 是标准重力加速度,而 . e 0 01 T 3=6 @

示意图4

f2
f3
f1
f4
“b1
“e1
“e2 “e3
“b2 “b3 x

示意图5

表1. 重要符号术语表。
f Rj! 第j个螺旋桨产生的力 R!x 四个螺旋桨产生的合力 M R3! 螺旋桨绕机体轴产生的力矩 x R3! 机器人质心的位置 ( )R SO 3! 车辆相对于惯性坐标系的旋转矩阵 ( )R SO 3 c ! 期望旋转矩阵 m R! 车辆的质量 J R! 机器人绕其质心的转动惯量 R3!X 机器人在机体轴下的角速度 R3!Xc 机器人在机体轴下的期望角速度 a R3! 机器人在机体轴下的线加速度 g R! 重力加速度 d R! 每个转子到质心的距离 xd R3! 期望位置 xd R3!o Desired速度 xd R3!p Desired 加速度 ,e e Rx v R3! 平移误差 ,e e RR 3 X ! 姿态误差 x R13! 状态估计向量 a Rb 3! 加速度计偏差 u R6! 估计器输入

28
• IEEE机器人与自动化杂志 • 2015年6月

机体固定坐标系M R3!各轴上的总力矩和推力R!x是被控对象的控制输入。旋翼和螺旋桨的动力学被忽略,假设每个螺旋桨的力可直接控制。总推力,f j j 1 4 x ==/沿机体固定坐标系的z轴方向作用,该轴垂直于由四个螺旋桨中心定义的平面。单个电机的力f j、总推力,x以及总力矩M之间的关系可表示为
, M M M d c
d
c d c
d
c
f f f f
1 0 1
0
1 0 1
0
1 2 3
1 2 3 4
x
=
-


R
T SSSS R
T SSSS R
T SSSSS V
X WWWW V
X WWWW V
X WWWWW (2)
其中 c 为常数值,d 为质心到 ,bb1 2vv 平面内每个转子中心的距离。对于非零的 d 值,(2) 式可逆。因此,我们将 M 和 x 视为被控对象输入的假设是成立的。

车辆控制

在大多数先前的研究中,由于姿态动力学可假设比控制位置的动力学更快,因此采用反步法进行控制,并且两个回路均使用线性化控制器[5],[13]。在本文中,由于我们需要对悬停位置的大范围偏移进行建模以提高鲁棒性,因此我们采用基于[23]和[24]工作的非线性控制器。

控制输入 和Mx 被选择为
, M e e J R R R R
k k J R R
c c c c

X X X X X

=–+ –< < X X t o ^ h (3)
, e e e x Re k k mg m x x v v d 3 3 $ x=----+
p ^ h (4)
其中 xd p 是期望加速度;g 是重力加速度;、 、 、 和 kkkkx vR X 是正定项;下标 c$ 表示指令值。这些量
, e R R R R e R R
2 1
R c c c c X X = -=-
0 < < < X ^ h (5)
分别表示姿态和角速度误差,而平移误差由
, . e x x e x x x d v d =-=-
o o
(6)
符号.0表示vee映射(),R3,因此3 “,它是用$ t符号表示的运算的逆运算。如果初始姿态误差小于90°,则跟踪误差的零平衡点是指数稳定的,即;;;;;;0000eeee
x X 6 6vR/@@。此外,如果初始姿态误差在 90°和180°之间,则跟踪误差的零平衡点几乎是全局指数吸引的。收敛性和稳定性分析见[23] ,实验结果见 [24] 。

状态估计

为了实现机载控制,采用无迹卡尔曼滤波器(UKF)估计器来融合视觉和惯性数据。该过程使我们能够在100赫兹的频率下估计完整位姿,类似于[12]。车辆的状态通过结合来自Project Tango [20]智能手机设备的六自由度位姿和车辆的IMU数据进行估计。在模型中,状态由
, x x v ba T T T T T U = 6 @ (7)
其中四元数由向量表示 , q q q q T 0 1 2 3 U=6 @ (8)
加速度计偏差 .
a a a a b b b b T x y z =6 @ (9)
预测步骤使用惯性测量单元提供的输入线加速度和角速度测量值 , , ,,, u v v v v x x u v a f
T T T T aT b T T k k k k 1 =X = = X + ^ h 6 6 @ @ (10)
其中vk表示我们假设为高斯白噪声的过程噪声。
最后,使用Tango位姿估计来更新状态估计。我们有一个线性测量模型
, z Hx k k hk =+ (11)
其中 kh 是观测噪声,同样假设为高斯白噪声。该测量模型是线性的,因为滤波器的更新由智能手机设备提供,该设备提供了车辆的绝对位置与姿态。

实验结果

实验测试在宾夕法尼亚大学的通用机器人、自动化感知与感知实验室(GRASP实验室)进行[5] ,工作区域为一个体积为m 的空间,5 4 5 3##,该区域由 20个T040动作捕捉系统相机组成。Vicon动作捕捉系统(http://www.vicon.com)提供了四旋翼飞行器的状态估计,在本实验中被视为真实值。该系统可运行在375赫兹或更低频率下。单标记点位置估计的标准差为50 nm,远高于飞行所需的精度。此外,它是一个鲁棒系统,因为所提供的软件假设模型中的标记点是刚性连接的,这使得系统即使在除一个相机外其余全部被遮挡的情况下仍能保持跟踪。提出了两组测试:第一组测试考虑了四旋翼飞行器在存在外部扰动的情况下稳定于期望位姿的能力;第二组测试评估系统跟踪生成轨迹的能力。在两个实验中,反馈控制信号均来自“状态估计”部分提到的估计滤波器,频率为100赫兹。文中给出了包括控制器性能以及相对于 Vicon动作捕捉系统的估计精度在内的结果。

29
6月 2015 • Ieee机器人与自动化杂志 •

系统稳定

在本实验中,系统被设定为在空间中某一指定的三维位置悬停。为了展示所提出的控制器和估计流程的有效性,对车辆施加了扰动。车辆迅速返回至设定点,显示出所提出控制器的稳定性。该行为如图7所示:在起飞阶段(前5秒)之后,车辆达到指定高度,目标位置设定为…p 0 2 2 2 1 2 T =6 @ 米,而 . b 1 00 d T 1=6@ 随后,在 z轴、y轴 和 x轴方向上依次施加了三次明显的约0.7米的扰动(见图7中的橙色圆圈)。对应的速度值如图8所示。每次扰动后(由橙色虚线椭圆标出),车辆控制器会指令速度变化,使系统返回原始位置。峰值速度约为2米/秒,且每次控制器均在不到3秒内完成稳定,表明闭环控制带宽约为0.25–0.5赫兹。在每次扰动期间,估计器能够识别系统的位姿和速度(通过将估计结果与图7–9中的Vicon数据进行比较可明显看出),并在释放后迅速响应,增加空间速度以返回其悬停位置。性能结果与动作捕捉系统进行了对比,均方根误差(RMSE)值列于表2中。这些结果可被视为该新设备的首个基准。该设备表现出强大的定位性能,因此,COTS 分量适用于机器人任务。姿态误差根据[25]进行评估
, tr , R R R R I 21 d dT W = -^ ^ h h
其中 R 为车辆的旋转,Rd为期望的旋转。如表2所示,所提出的滤波技术能够使误差保持与Tango设备相同数量级,同时具有更高的估计频率优势,因为位姿和速度在100赫兹下进行更新。在表 3中,我们总结了相对于Vicon动作捕捉系统的三个笛卡尔分量的速度均方根误差。误差较小,平均值为0.06米/秒。

自主导航

在本实验中,系统被设置为遵循三维空间中的轨迹。通过这种方式,可以充分测试系统的动态特性。结果证实了所提出架构的定位特性,并完全验证了在未知环境中进行自主导航的方法。该轨迹是根据先前的研究生成的[24],[26]。由于输入M是位置(急动度)四阶导数的代数函数,因此使用代价泛函规划最小化轨迹急动度的平滑轨迹是较为方便的,
() , min
x
dt d t dt d t t d 4 4 2
f
0
n #
0 5 10 15 20 25 30 35 -0.5 0 0.5
时间(秒)
(a)
0 5 10 15 20 25 30 35
时间(秒)
(b)
0 5 10 15 20 25 30 35
时间(秒)
(c)
x P os iti on (m )
1 2 3
y P o s iti o n ( m )
0 1 2
z P o s it io n ( m )
Vicon
Tango
融合
图7。 车辆在悬停阶段的笛卡尔位置(蓝色:Vicon,红色:Tango 估计,绿色:估计器)。曲线图中可见一些跳跃(橙色圆圈),它们代表用户施加的外部笛卡尔扰动,用于展示整个系统的稳定性:(a) x 笛卡尔分量,(b)y 笛卡尔分量,以及(c)z 笛卡尔分量。

0 5 10 15 20 25 30 35 -1 0 1
时间(秒)
(a)
0 5 10 15 20 25 30 35
时间(秒)
(b)
0 5 10 15 20 25 30 35
时间(秒)
(c)
V
x
( m /s )
-2 0 2
V
y
( m /s )
-2 0 2
V
z
( m /s )
Vicon
融合
图8。 车辆在悬停阶段的笛卡尔速度(蓝色:Vicon,绿色:估计器)。曲线图中可见一些跳跃(橙色圆圈),它们表示用户施加的外部笛卡尔扰动的影响,用以展示整个系统的稳定性:(a)x 笛卡尔分量,(b)y 笛卡尔分量,以及(c)z 笛卡尔分量。

30
• IEEE机器人与自动化杂志 • 2015年6月

其中 dn 为常数,t0 和 tf 分别为初始时间和最终时间。该最小化问题可以表述为‐ 表示为一个二次规划[24]。此外,可以施加等式约束,并根据期望的机器人位置(或速度)确定。采用前述技术生成了一条持续时间为9秒、呈椭圆形的轨迹(见图10),该轨迹依次经过空间中的四个点(.., P 1 1 5 1 2 T 1=6 —@.., P 0 0 5 1 2 T 2=6 –@.., P 0 0 5 1 2 T 3=6 -@.., P 1 1 5 1 2 T 4=6 —@,分别对应于,,xy和z分量)。轨迹的采样频率选择与反馈控制信号相同。速度达到1米/秒的值。

在表4和表5中,列出了相对于规划轨迹的笛卡尔位置和速度的均方根误差值(分别如图11和图12所示)。误差相对较小,最大值约为6厘米,与稳定任务期间获得的误差相似。这证实了使用该新设备及提出的方法用于实际机器人任务的可行性。在

0 5 10 15 20 25 30 35 -0.2 0 0.2
-0.2 0 0.2
时间(秒)
(a)
0 5 10 15 20 25 30 35
时间(秒)
(b)
0 5 10 15 20 25 30 35
时间(秒)
(c)
q 1
O rie nta tio n
q 2
O rie nta tio n
0.4 0.6 0.8
q 3
O rie nta tio n
0 5 10 15 20 25 30 35
时间(秒)
(d)
0.7 0.8 0.9
q 0
O rie nt at io n
Vicon
Tango
融合
图9。车辆在悬停阶段的姿态(蓝色Vicon、红色Tango估计和绿色估计器)。旋转值上可观察到一些扰动。这些是车辆恢复初始位置时产生的影响。(a) x 笛卡尔分量,(b) y 笛卡尔分量,(c) z 笛卡尔分量,以及(d) 标量。

表2. Tango 估计与估计滤波技术相对于 Vicon 的位置与姿态均方根误差。
位置
x
y
z
姿态
,R R d ^ Wh

-2.5-2-1.5 ‐1 ‐0.5 0 0.5 1 1.5 -1.5
-1
-0.5
0
0.5
1
1.5
x 位置 (m)
y P os itio n( m)
期望的 航T融合go点
图10。 车辆笛卡尔三维位置在x–y 平面上的视图,包含期望轨迹(蓝色)、Tango估计(红色)和UKF估计(绿色)。

表 3. 估计滤波技术与 Vicon 相比的速度均方根误差
分量
x
y
z
表 4. Tango 估计和估计滤波技术相对于期望值的位置均方根误差。
位置
x
y
z
表 5. 估计滤波技术相对于期望值的速度均方根误差。
分量
x
y
z

31
6月 2015 • Ieee机器人与自动化杂志 •

在 https://www.youtube.com/watch?v=WuPZeD2J3pw 可获取的多媒体内容中,展示了大量实验,实验采用了不同的轨迹轮廓,最大速度达到 1.5米/秒。

在结本论文中,我们展示了实现智能手机与四旋翼飞行器即插即用功能的硬件和软件架构及其底层算法。此外,我们还演示了四旋翼平台的自主导航。通过使用外部动作捕捉系统获取真实值和期望轨迹值,实验表明机器人能够在三维空间中以1–1.5米/秒的速度导航,位置平均误差为4厘米。进一步地,我们证明了该系统具有鲁棒性,能够从0.7米的外部扰动中恢复。这两点表明该系统适用于可靠的室内导航。可通过一个简单的用户界面(可能来自另一个手持平台)引导机器人前往地图中的指定点,或生成建筑物的三维地图。这实现了为每位人类用户配备飞行机器人的愿景(全球手机数量已接近世界人口),并展示了空中机器人在生成建筑物三维地图、智能建筑中定位传感器、从不同视角拍摄图像以及协助人类进行搜救应用方面的潜力。

因此,我们坚信智能手机将在现实生活中产生重大影响,推动建筑、包裹递送以及人与人之间的交互等流程自动化的发展。谷歌、苹果和高通等公司对配备 3D摄像头和惯性测量单元(IMU)的智能手机的关注表明,这一愿景很可能成为现实。

尽管本文所述的原型需要使用附加处理器来促进集成,但我们没有理由不能使用智能手机上的机载处理器。在不久的将来,这将允许任何用户

0 1 2 3 4 5 6 7 9 8 -1 -2
0 1
时间(秒)
(a)
0 1 2 3 4 5 6 7 9 8
时间(秒)
(b)
0 1 2 3 4 5 6 7 9 8
时间(秒)
(c)
x P os itio n( m)
-2 0 2
y P os itio n( m)
1.2
1.3
z P os itio n( m)
T期望ango的 融合
图11。车辆的笛卡尔位置,包含期望轨迹(蓝色)、Tango估计(红色)和UKF估计(绿色)。(a) x 位置笛卡尔分量,(b) y 位置笛卡尔分量,以及 (c) z 位置笛卡尔分量。

0 1 2 3 4 5 6 7 9 8 -1 0 1
时间(秒)
(a)
0 1 2 3 4 5 6 7 9 8
时间(秒)
(b)
0 1 2 3 4 5 6 7 9 8
时间(秒)
(c)
V
x
(m /s )
-1 0
2 1
V
y
( m /s )
0 -0.1
0.1
V
z
( m /s )
融合 期望的
图12。 车辆的笛卡尔速度与期望轨迹(蓝色)和UKF估计(绿色)。 (a) x 速度笛卡尔分量,(b) y y轴笛卡尔分量,以及 (c) z 速度笛卡尔分量。

示意图6

示意图7

32
• IEEE机器人与自动化杂志 • 2015年6月

使用并控制任何空中机器人平台的可能性,仅需用户自己的智能手机即可实现。凭借鲁棒且精确的自主飞行控制系统,在中高速度(2–4 m/s)下进行建图与避障的研究成为切实可行的未来方向。最后,我们希望利用多台设备实现协同定位与环境建图,正如已为RGB‐D相机所开发的技术那样(见图13和图14)。

无人机背后的故事——宾夕法尼亚大学工程学院院长Vijay Kumar专访 本文为《程序员》原创文章,未经允许不得转载,更多精彩文章请订阅2016年《程序员》 记者:徐威龙 提到无人机,有人也许会想到巡航在海上的大型的军用武器,而近年来,随着消费级无人机的技术革新和价格优势,这类无人机开始被大众所熟悉。无论是摄影还是送货,只要一提起无人机,人们马上会联想到大疆(DJI)、Parrot(一家总部位于法国巴黎的无人机及无线产品制造商)、3D Robotics(由前... 阅读详情

相关推荐

[项目]基于FreeRTOS的STM32四轴飞行器: 一.项目介绍及架构设计

进行了项目介绍和架构设计

weixin_74769854的博客 2371

Camera马达驱动:智能手机摄影的核心助力

Camera马达驱动:智能手机摄影的核心助力 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在智能手机摄影领域,自动对焦功能无疑是提升拍照体验的关键技术之一。Camera马达驱动,作为实现这一功能的核心组件,其重要性不言而喻。本文将深入探讨Camera马达驱动的原理、技术要点及应用场景,帮助开发者更好地理解并掌握这项技术。 项目技术分析 核心功能 Camera马达驱动...

gitblog_06786的博客 442

机器人手机:端侧大模型驱动下的交互革命与架构解析

机器人技术正从工业领域向消费电子渗透,其核心在于通过传感器、执行器和控制系统,赋予机器感知环境并自主执行任务的能力。这一原理的实现依赖于多模态感知、实时控制算法和微型伺服系统的协同工作。其技术价值在于将智能从虚拟世界延伸至物理世界,实现从被动响应到主动服务的范式转变。在应用场景上,机器人技术正与智能手机深度融合,催生出全新的产品形态——机器人手机。这类设备通过端侧大模型作为决策大脑,结合精密的机械骨骼和感知神经,能够自主移动、调整姿态,并理解复杂指令,从而在创意拍摄、个人助理和家庭交互等场景中重构用户体验,

weixin_34367257的博客 389

高通推出下一代5G和AI机器人解决方案,推动更智能、更安全的自主机器人在物流、工业4.0和城市空中移动领域的发展

全新解决方案赋能更高效、更智能、更先进的联网机器人和智能设备,助力优化业务运营、提高制造业生产力并推动创新 要点: 随着5G在智能手机以外的众多领域不断发展,由5G和顶级AI赋能的机器人、无人机和智能设备解决方案将助力打造更高效、更智能、更先进的机器人,利用关键智能和最高效率开启全新机遇。 高通® 机器人RB6平台和高通RB5自主移动机器人(AMR)参考设计——融合增强的AI和5G能力,赋能下一代机器人、无人机和智能设备,包括AMR、配送机器人、高度自动化制造机器人、城市空中移动(UAM)飞行器..

weixin_43735236的博客 10

从零组装可编程纳米无人机:Pluto 1.2硬件解析与飞行编程实战

无人机技术通过集成飞行控制器、传感器与动力系统,实现了自主稳定飞行。其核心原理在于飞控系统实时融合多轴传感器数据,通过控制算法驱动电机,完成姿态调整与轨迹跟踪。这项技术的价值在于将复杂的机器人控制理论工程化、产品化,极大地降低了开发门槛,广泛应用于教育、研发与创意原型构建。具体到可编程无人机平台,它允许开发者基于开源固件,通过图形化或代码编程自定义飞行逻辑,实现从基础操控到自主飞行的跨越。本文以Pluto 1.2纳米无人机为例,详细解析其核心部件如Primus V4飞控的传感器融合与Wi-Fi直连特性,并提

weixin_30521161的博客 411

了解飞行时间传感

在较低的脉冲频率下,传感器使用较少的功率,在较高的脉冲频率下,传感器的 SPAD 将产生更多的计数。此外,校准数据对于每个SPAD图都是唯一的,因此应该为应用中使用的每个SPAD图生成校准数据集,并且当SPAD图在操作期间发生变化时将适当的数据集上传到传感器。当获得不确定的测量结果时,或者存在明亮的环境光(这降低了信噪比)时,可以增加脉冲频率,以提供具有所需置信度的测量结果。然而,对于 dToF 传感器的首次用户来说,理解方面的最大进步将来自于对 dToF 传感器的积极评估,并将其集成到原型设计中。

dream it possible 218

搭载 Qualcomm 机器人技术的无人机 Ingenuity 将着陆火星

NASA 的机智号 (Ingenuity) 无人机计划于周四着陆火星。 (喷气推进实验室) 这架正驶往火星的无人机重 4 磅,安置在毅力号 (Perseverance) 火星车的腹舱,无人机使用的处理器是由这家位于圣地亚哥、以智能手机芯片而闻名的公司提供的 美国宇航局的毅力号火星车预计将于周四(2月18日)着陆火星,一同着陆的还有来自圣地亚哥的芯片。 Qualcomm 以供应智能手机处...

weixin_43735236的博客 1

从“结构光”到“TOF”:智能手机3D感测技术演进与市场空间测算

智能手机3D感测技术进入新阶段,TOF成为主流发展方向。相比3D结构光,TOF技术凭借远距离、实时性好等优势,在后置摄像头和AR应用中占据主导。2018年以来,TOF模组在智能手机市场快速渗透,苹果入局将加速普及。5G时代更推动TOF向物联网、智能汽车等领域拓展。尽管核心芯片仍由海外厂商主导,但国内企业在光学模组等环节已形成竞争力。随着VR/AR等产业发展,TOF技术有望成为智能世界的"感知之眼"。

Fun_LiDAR的博客 347

迷你宠物机器人Vector,随时随地与你互动

文章来源:ATYUN AI平台 可以与人交往的个人家庭机器人开始从实验室走出,进入我们的家庭。但人类准备好邀请他们进入他们的生活吗?经过数十年的研究,建造机器人甚至比流行科幻小说中的机器人还要复杂。 它们大多不走路,只是会滚动。而且它们无法与人们的语言,社交技巧和身体灵活性相匹配。 更糟糕的是,它们没有由亚马逊,苹果和谷歌制造的固定智能扬声器,这些扬声器的成本只是早期社交机器人的一小部...

whale52hertz的博客 3206

TMF8820/21/28 多区域飞行时间传感器

摘要:艾迈斯欧司朗TMF882x系列是基于SPAD的直接飞行时间传感器,通过直方图算法和多区域扫描实现高精度3D感知。该系列支持3x3至8x8分区扫描,测量范围10mm-5000mm,精度达±3%或±10mm,具备动态抗污补偿和温度稳定性。采用微型封装(2.0×4.6×1.4mm),低功耗设计(待机2μA),符合人眼安全标准,适用于智能手机、扫地机器人等应用场景,实现精准避障、手势识别和空间感知功能。

致力于lidar应用开发 62

英飞凌 IRS2381C Real3™ 飞行时间(ToF)图像传感器

英飞凌IRS2381C Real3™ ToF图像传感器是一款专为移动设备设计的高集成度3D深度感知芯片。该单芯片方案集成了像素阵列、控制电路和接口,具备高灵敏度、强光鲁棒性和动态配置能力,支持38k像素分辨率并优化了功耗表现。其应用覆盖智能手机人脸识别、AR/VR定位、机器人导航及智能安防等领域,已通过IEC和JEDEC可靠性认证。该传感器以优异的性能/功耗比推动了3D视觉技术在消费电子中的普及。

Fun_LiDAR的博客 72

科技巨头战场升级:三星砸重金押注“具身智能”与机器人

随着硬件与 AI 大模型的深度结合,当前的全球机器人赛道已经形成了非常清晰的产业分工格局。 从软件端的对话模型到硬件端的物理机器人,人工智能正在走出屏幕,真实地触碰并改造物理世界。

网络研究观 304

ST VL53L0X 飞行时间(ToF)激光测距传感器

VL53L0X是ST推出的革命性ToF激光测距模块,采用FlightSense™技术实现精确测距。其核心优势包括:微型化设计(4.4×2.4×1.0mm)、反射率无关的绝对距离测量(2米范围)、环境光抗干扰和光学串扰补偿。该模块集成了940nm VCSEL和SPAD阵列,通过I2C接口实现简易集成,符合激光安全标准。广泛应用于智能设备节能、机器人避障、手势识别和相机自动对焦等领域,为各类电子产品提供精准的距离感知能力。

Fun_LiDAR的博客 163

Science 封面:史上最小飞行器,有翼微芯片仅沙粒大小,可用于环境监测

来源:机器人大讲堂据最新一期《自然》杂志刊发的论文,西北大学的工程师为电子微芯片增加了一种新的能力:飞行。据了解,这种微芯片大概只有一粒沙子大小,另外它没有马达。相反,它在风中捕获飞行--...

人工智能学家 1127

士兵对自主系统的容忍度

本文探讨士兵对军用自主系统的容忍度问题,指出其核心在于技术对士兵自主性和心理福祉的影响。相较于信任,容忍度更关乎士兵能否参与决策的权力过程。随着自动化深入军事领域,士兵可能面临自主性削弱、道德伤害与职业发展受限等挑战,进而影响人机协作效能与部队凝聚力。

y9z0a1b的博客 979

matlab内读取文件目录时斜杠和反斜杠的使用

@matlab内读取文件目录时斜杠和反斜杠的使用TOC matlab内读取文件目录时,斜杠和反斜杠的使用 最近被斜杠和反斜杠弄晕了,于是总结了一下,在此和大家分享一下。 代码 clear; clc; close all; I1= imread('..\zs1.jpg'); %和代码文件夹同目录的图片 (纯反斜杠) I2= imread('../zs2/zs2.j...

weixin_44456694的博客 6575

苹果布局人形机器人:“自我为中心”感知系统动态避障,比英伟达cuRobo计算效率提升26倍...

西风 发自 凹非寺量子位 | 公众号 QbitAI苹果要搞人形机器人这事儿现在传得沸沸扬扬。最近他们确实有新动作——开发了一套机器人感知系统!系统名为ARMOR,软硬件协同增强机器人的“空间意识”,能动态防碰撞的那种。硬件方面,ARMOR通过在机器人手臂上安装小型智能深度传感器,为机器人提供几乎完整的环境视图,解决了传统机器人感知中的盲点和遮挡问题。软件方面,苹果开发了一个基于Transforme...

量子位 548

蠕虫病毒代码(纯属参考,请勿用于非法事件)

1.介绍蠕虫病毒 蠕虫病毒是一种常见的计算机病毒,是无须计算机使用者干预即可运行的独立程序,它通过不停的获得网络中存在漏洞的计算机上的部分或全部控制权来进行传播。 计算机病毒是指编制或者在计算机程序中插入的破坏计算机功能或者破坏数据和恶意篡改系统. 影响计算机使用并且能够自我复制的一组计算机指令或者程序代码 中文名:蠕虫病毒 传染方式:网络和电子邮件 外文名:Worm virus 类型:计算机病毒 2.代码(建议使用虚拟机,否则你的计算机将会就地报废,使用时要关闭电脑病毒保护,否则程序会...

Kenny20211105的博客 2万+

从12岁自学电路到叫板黄仁勋:清华85后,他用8年缔造百亿美金机器人宇宙-追觅

摘要: 从12岁自学电路到创立百亿美金科技公司,追觅科技创始人俞浩的创业史堪称传奇。这位清华85后凭借对技术的执着与“逆共识”思维,从攻克高速数字马达开始,逐步拓展至清洁家电、智能手机、智能汽车等领域,打造了一个横跨多产业的科技生态。他坚信“技术复利”,用8年时间将追觅发展为全球30国市占率第一的品牌,并以“全员发黄金”等极致激励推动增长。尽管争议不断,俞浩的野心不止于商业,他通过教育公益反哺家乡,展现“狂人”背后的温情。他的故事印证了硬科技创业者的新逻辑:打破边界,做世界第一。

学习代码 679

Cesium WebGL性能调优实战:从卡顿根源到流畅渲染

本文深入探讨Cesium WebGL性能调优的实战技巧,从硬件配置、框架适配到3D Tiles加载策略,全面解决卡顿问题。通过强制启用独立显卡、优化浏览器设置、避免Vue内存陷阱等实用方法,显著提升3D地图应用的流畅度。文章还分享了高级调试工具和实战避坑经验,帮助开发者实现高效渲染。

weixin_27215337的博客 421

C#上位机国产化适配全方案:兼容统信UOS+鲲鹏/昇腾+国产PLC,可直接交付国企项目

去年下半年,我帮天津滨海新区一家给一汽丰田做配套的汽车零部件国企,完成了3条产线、12套C#上位机的全栈国产化适配。这个项目的背景很典型,也很戳中国企客户的命门:一开始客户找了两家本地的集成商,都没搞定:第一家只会用.NET Framework,根本不知道怎么在统信UOS上跑C#;第二家勉强用.NET Core 3.1跑起来了,但和汇川国产PLC的通信丢包率高达1.2%,产线根本不敢用。我们接手后,用了2个月完成全栈适配:从Windows Server 2019迁移到统信UOS 1070d服务器版,从.NE

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 500

物联网系统中TFT_LCD屏主流驱动方案详解

01物联网系统中为什么要使用芯片在物联网系统中使用TFT-LCD(薄膜晶体管液晶显示器)驱动芯片的原因主要可以归纳为以下几点:专业性与高效性1、专业图形处理:TFT-LCD驱动芯片内置了专业的图形处理引擎,能够高效地处理图像数据,包括文字、图形、视频等,确保在物联网设备上呈现出高质量的显示效果。2、优化显示性能:驱动芯片能够调节亮度、对比度等显示参数,优化显示效果,使图像更加清晰、色彩更加鲜艳,提升用户体验。资源节约与简化设计1、减少IO占用:物联网设备通常资源有限,特别是IO端口资源。

AmazIOT的博客 3406

20251121更新纷玩岛

【代码】20251121更新纷玩岛。

猫敷雪 1025
上一篇: 72、机器学习中的网络、语言与空间
下一篇: 73、机器学习中的增量学习与归纳推理
pluto
博客等级 码龄25年 46粉丝 1562原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值