基于虚拟支点倒立摆模型的双足机器人质心轨迹规划

针对传统的双足机器人在摆动相机械能起伏较大,其能耗远高于人类的步行模式的问题,提出了一种基于虚拟支点倒立摆被动特性的双足机器人步态规划方法,在保证摆动阶段机械能近似守恒的前提下,同时保证压力中心点能够从脚跟移动到前脚掌,与人类步行的地面反力特性接近;为解决倒立摆微分方程没有初等解的问题,提出用线性倒立摆方程估算摆动角度.数值仿真结果表明,该方法在与人接近的步行参数下获得的运动模式其效率远高于传统方法.     

基于自适应SSUKF的组合导航信息融合方法

针对车载组合导航系统噪声统计特性无法事先实时获取的问题,提出了一种神经网络辅助的自适应SSUKF信息融合算法.该算法利用神经网络在线估计系统噪声,采用SSUKF同时估计系统状态和在线训练神经网络的权值,从而能在系统噪声统计特性未知的情况下获得组合导航系统的实时最优估计,给出了算法的详细实现过程.最后,针对车载INS/GPS组合导航系统的信息融合问题进行了仿真研究.仿真结果表明,该算法在系统噪声统计特性未知的情况下仍能获得高精度的估计效果,同时与自适应UKF算法相比,有效降低了算法的计算量,提高了算法运行的实时性,证明了该算法是一种有效而实用的方法.     

行星车动力学建模及解算方法综述

深空探测中行星车的动力学建模及实时解算是控制行星车安全行驶的基础。因行星车运动速度很慢,且通过摇臂结构组装而成,故其可以看作多刚体系统。该文介绍了多刚体动力学建模领域的主流方法,分析了上述方法的基本原理,并浅析它们的优缺点。同时因轮土力学的计算结果是行星车的外部作用力,故针对模型解算时存在的轮土力学问题进行调研,得到了钢轮软土模型的解决方案。通过总结上述方法,为行星车动力学建模与实时求解提供了解决思路。     

基于Kalman／UKF组合训练神经网络的初始对准方法

针对基于Unscented卡尔曼滤波(UKF)的神经网络训练学习方法存在的计算量大,实时性差的问题,提出了一种基于Kalman/UKF组合滤波原理的神经网络学习方法,该方法综合了Kalman滤波对线性系统和UKF对非线性系统的最优估计的优势,在保证神经网络权值估计精度的同时,有效降低了神经网络权值学习的计算量,提高了神经网络训练的实时性。最后将该利用方法训练的神经网络应用于惯性导航系统的非线性初始对准过程中,并进行了仿真研究。仿真结果表明利用提出的算法训练的神经网络与基于UKF训练的神经网络具有相同的对准精度和实时性,而提出的算法的有效降低了神经网络训练的计算量,提高了训练的运行效率,是解决惯性导航系统初始对准的一种有效和实用的方法。     

基于三维通行性的月球车自主导航

针对月球车的三维自主导航,提出了一种新的基于障碍物分类的通行性方法.通过对障碍物的几何特性和地形分析得到障碍分类图和平均坡度图,同时计算通行性指数作为月球车三维路径规划的评价函数.运用行为控制方法实现月球车的自主导航.最后给出了仿真结果,并论证了所提出的方法的实时性与有效性.     

基于自触发方法的脉冲激光雷达接收电路功率敏感特性研究

对自触发脉冲激光雷达接收电路中光电二极管在不同光照功率下的敏感特性进行了研究,通过对接收电路中光电二极管PN结空间电荷区宽度在不同光照功率下的变化进行了理论分析,得出了在接收电路中不同光照功率对于自触发脉冲激光测量周期和激光脉冲信号宽度的影响。针对这一现象通过基本方程进行了描述,并通过所设计的交错控制自触发脉冲激光雷达实验装置验证了理论分析的正确性。该实验方法可以证明出激光雷达接收电路在不同光照功率下,自触发脉冲激光测量周期和激光脉冲信号宽度会产生延时误差。     

基于视觉闭路的月球车GNC半实物仿真测试平台

提出一种基于视觉闭路的月球车GNC(导航制导与控制)分系统测试的半实物仿真平台.对平台的构成与数据流进行设计,完成平台的视觉闭路设计,针对避障相机图像畸变的参数与实际避障相机焦距之间的匹配性问题,对投影图像边缘点的畸变忽略.避障相机成像时接收动力学仿真生成的相机位置、姿态参数,利用多线程方式完成双目视觉模拟,解决了图像与规划路径匹配及快速生成问题,满足闭环测试的需求.该平台可构建多种测试工况,提高分系统测试的覆盖性和测试效率.嫦娥三号巡视器在轨长时间的月面正常行走,表明该测试平台在分系统测试中的有效性.     

月球车动力学可视化仿真关键技术研究

月球车动力学计算是月球车三维可视化仿真平台中的重要组成部分.行星探测车普遍采用刚性车轮而月球表面为粉状尘土.采用刚性车轮与软质地面相互作用的简化数学模型作为动力学计算工具的改进和补充.通过构建三维可视化仿真平台,实验证明使用该简化数学模型配合动力学计算工具,能够真实有效地模拟摇臂式月球车于月球表面行走时的轮.地相互作用,确切地反映月球车在巡游过程中的动力学特征.     

基于空间域划分的分布式SLAM算法

针对同步定位与地图构建(simultaneous localization and mapping, SLAM)中状态量高维时变的问题,本文通过综合集中式和分布式实现结构的各自优势,提出了一种基于空间域划分的分布式SLAM算法。该算法依据两个路标点与机器人连线之间的夹角,将整个空间域中的路标点进行区域划分,保证每个子空间域内含有两个不共线的路标点,并将每个空间域内的路标点组合构建观测模型,采用分布式无味粒子滤波器进行机器人位姿的估计,而采用联邦Kalman滤波完成对路标点的估计,并通过设计各子滤波器中粒子分布的调整方式改善了系统在动态重构过程的精度和稳定性。最后,通过实际数据的仿真试验证明所提算法具有更好的实时性和滤波精度。