CN115291241B - 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 - Google Patents
一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 Download PDFInfo
- Publication number
- CN115291241B CN115291241B CN202211037057.XA CN202211037057A CN115291241B CN 115291241 B CN115291241 B CN 115291241B CN 202211037057 A CN202211037057 A CN 202211037057A CN 115291241 B CN115291241 B CN 115291241B
- Authority
- CN
- China
- Prior art keywords
- radiation
- map
- alpha
- particles
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 114
- 238000010276 construction Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 86
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000003094 perturbing effect Effects 0.000 claims description 3
- 238000011896 sensitive detection Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 8
- 238000000691 measurement method Methods 0.000 description 2
- 208000019155 Radiation injury Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003758 nuclear fuel Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/167—Measuring radioactive content of objects, e.g. contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/20—Measuring radiation intensity with scintillation detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于移动车辆自主导航定位技术领域,具体为一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法。包括以下步骤,S100:机器人在移动过程中,通过激光雷达获取环境激光数据,通过表面污染监测仪获取场景的辐射数据;S200:处理步骤S100所得的环境激光数据,得到关于核辐射工厂的栅格地图;S300:处理步骤S100所得的辐射数据,将表面污染监测仪探测到的α/β辐射信息映射到代价地图中,从而将栅格地图与辐射地图进行融合;S400:对辐射强度进行划分,设置不同的辐射等级,并显示在最终得到的融合结果中。本发明采用SLAM技术实现机器人自主α/β辐射检测。
Description
技术领域
本发明属于移动车辆自主导航定位技术领域,具体为一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法。
背景技术
在广泛使用核能代替传统能源的今天,核燃料泄漏的威胁也在日益增加。核辐射对人体具有很强的辐射伤害,对环境也会造成不可逆的污染。利用机器人代替人工进行核辐射检测对安全生产生活具有重要意义。对于α射线和β射线的检测是十分必要的。首先,通过检测α射线和β射线,我们可以确定辐射源的位置,从而避免对微小元器件的干扰;其次,有效地检测辐射源可以防止吞服含有辐射源的食品,达到保护人身健康安全的目的。
当前针对α射线和β射线的检测分为以下几种:直接探测、间接探测。直接测量是用监测仪器进行,可以测量固定污染,也可测量松散污染。测量时,以适当距离在待测对象的上方放置探测器,按预定时间间隔测量并记录读数。间接测量是用涂片采样方法确定松散污染的水平。对一些不能活动的固体或者贮存有液体的表面,或者测量仪器不能靠近表面,直接测量是困难的,此时只能采用间接测量方法。无论是直接测量还是间接测量的方法,都无法实现对区域整体辐射水平的测量,并且测量精度难以保证。自主辐射探测是在直接测量的基础上,将探测器固定到移动机器人上,结合SLAM技术实现在复杂环境下使用机器人代替工作人员进行自主辐射探测。自主核辐射检测成为发展趋势。近年来,通过机器人携带核辐射传感器进行自主和辐射检测成为研究热点。
发明内容
本发明为了实现辐射源的探测与定位,提供一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法。
本发明采取以下技术方案:一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法,包括以下步骤,S100:机器人在移动过程中,通过激光雷达获取环境激光数据,通过表面污染监测仪获取场景的辐射数据;S200:处理步骤S100所得的环境激光数据,得到关于核辐射工厂的栅格地图;S300:处理步骤S100所得的辐射数据,将表面污染监测仪探测到的α/β辐射信息映射到代价地图中,从而将栅格地图与辐射地图进行融合;S400:对辐射强度进行划分,设置不同的辐射等级,并显示在最终得到的融合结果中。
步骤S200的具体过程为,
S201:状态预测:当前时刻粒子的位姿首先由运动模型进行更新,在初始值上增加高斯采样的噪声,进行一个粗略状态估计,得到粒子点的新位姿
S202:扫描匹配:在S201的粗略估计得到粒子的位姿点基础上,以找到一个使当前观测数据zt与已有地图最贴合的位姿,以改进基于里程计模型的提议分布。
S203:计算每个粒子的权重。
S204:根据每个粒子的权重进行重采样。
S205:对于每个粒子根据传感器观测数据zt和机器人当前位姿更新地图中的每个特征。
步骤S202的过程为,机器人向负x,正x,负y,正y,左旋转,右旋转一共六个状态移动预测位姿,计算每个状态下的匹配得分,选择最高得分对应的位姿为最优位姿;获得最优粒子位姿后,把粒子采样范围更改到激光雷达观测模型所代表的尖峰区域L(i);其中,L(i)的范围定义为搜索出匹配度最高的位姿点/>就是尖峰区域L(i)的概率峰值区域;接下来确定该尖峰区域L(i)所代表的高斯分布的均值和方差。
步骤S204的具体过程为,
通过计算有效粒子容量,使用有效样本容量Neff来衡量粒子的退化程度,
在粒子点集中根据权重进行降序排列为χt;
根据n=round(Neff)从χt中筛选有效粒子其中round(·)代表就近取整函数;
使用扰动粒子代替退化粒子保证粒子点总量保持不变,具体操作为:
其中Xm和σm分别为均值和协方差,Mt代表随机扰动,且Mt~N(0,σm),α为扰动的缩放权重,值越大代表扰动越大,取值为0<α<1;退化粒子是指在上一步有效筛选中未被选中的粒子,此时使用扰动粒子代替退化粒子从而保持粒子总量不变。
更新粒子权重得到新的粒子集。
步骤S300的具体过程为,
S301:初始化:在步骤S200建立栅格地图的基础上构建辐射代价地图;机器人首次启动或者进入新的环境后,根据步骤S200建的栅格地图获得自定义辐射地图的尺寸大小、分辨率以及障碍物的基本信息,此时辐射地图是一个空白的代价地图;
S302:机器人探测辐射信息的过程中,当遇到动态障碍物时,在代价地图中更新障碍物信息;
S303:机器人探测辐射信息的过程中,根据辐射信息更新代价地图,完成辐射地图构建。
步骤S302的具体过程为:将机器人内部雷达探测形成的点云进行相应的坐标变换,即其中,mx和my是地图中点的坐标信息,wx和wy是世界坐标系中点的坐标,res为地图的分辨率,xorg和yorg是地图中初始点的坐标信息;将其对应的位置关系由世界坐标系映射入地图坐标系,将雷达获取的信息进行处理,在雷达的扫描范围内,点云的存在区域为障碍物区,不存在的区域为空闲区域;之后将雷达获得的障碍物信息经过坐标变换后,与静态地图层障碍物信息对比过滤,再由世界坐标系映射入地图坐标系,在地图坐标系中实现动态障碍物的更新。
步骤S303的具体过程为:机器人携带表面污染监测仪进行探测场景中的α和β辐射信息,当α和β粒子进入复合闪烁体灵敏区时,α和β粒子与复合闪烁体中各自的灵敏探测介质相互作用,产生不同幅度的光脉冲信号;光脉冲信号通过光电倍增管转变为电脉冲信号,通过信号处理单元进行预处理后,单片机***记录α和β信号的计数率,然后输出数据到ROS中进行地图构建;传入ROS中的辐射数据是该区域探测到的辐射值,在ROS中将辐射值转换成代价地图的代价值,并将代价值映射到之前生成的空白代价地图中,最终完成辐射地图构建。
步骤S400的具体过程为,根据不同辐射值对应不同的代价值,在辐射探测过程中设置不同辐射等级,根据不同的等级来区别辐射污染程度,其中绿色代表低剂量值,紫色代表中剂量值,红色代表高剂量值,通过颜色区分辐射强度;
颜色 | 代价值 | 剂量值 |
绿色 | 102 | 5-1500 |
紫色 | 50 | 1500-3000 |
红色 | 128 | 3000-5000 |
与现有技术相比,本发明具有以下有益效果:
1.本发明采用SLAM技术实现机器人自主α/β辐射检测。
2.本发明针对Gmapping算法的选择性重采样导致粒子多样性和粒子退化问题,提出了使用随机扰动重采样代替选择性重采样算法。
3.本发明提出一个辐射分布地图融合方法,将带有颜色编码的辐射地图映射到改进Gmapping构建的环境栅格地图上,该地图拥有不同的辐射分布等级,可以实时显示场景中的辐射强度。
附图说明
图1表示本发明所述的地图融合的流程图;
图2表示本发明所述的改进Gmapping方法的总流程图;
图3表示辐射地图融合的过程。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法,包括以下步骤。
S100:机器人在移动过程中,通过激光雷达获取环境激光数据,通过表面污染监测仪获取场景的辐射数据。
S200:处理步骤S100所得的环境激光数据,得到关于核辐射工厂的栅格地图。
步骤S200的具体过程为,
S201:状态预测:当前时刻粒子的位姿首先由运动模型进行更新,在初始值上增加高斯采样的噪声,进行一个粗略状态估计,得到粒子点的新位姿机器人常用位姿来描述其在空间坐标系中的位置与姿态,位置是机器人在空间里的定位,姿态是机器人在空间里的朝向。
S202:扫描匹配:这一步是在S201的粗略估计得到粒子的位姿点基础上,以找到一个使当前观测数据zt与已有地图最贴合的位姿,以改进基于里程计模型的提议分布。匹配过程主要是在以位姿/>为中心、以Δ为半径的区域内进行搜索,计算激光数据观测值与已有地图的匹配度。匹配过程为机器人向负x,正x,负y,正y,左旋转,右旋转一共六个状态移动预测位姿,计算每个状态下的匹配得分(具体过程为:扫描匹配是将当前采集的激光数据与环境地图进行对准,计算过程为:(1)激光数据的坐标系转换至世界地图坐标系;(2)分别处理六个状态:当确定激光点与地图值为障碍物时,每个状态下激光数据与地图值之间距离越小,分数越大;(3)得分最高的位姿为最优位姿),选择最高得分对应的位姿为最优位姿。获得最优粒子位姿后,可以把粒子采样范围更改到激光雷达观测模型所代表尖峰区域L(i)。其中,观测分布的尖峰区域L(i)的范围可以定义为/>搜索出匹配度最高的位姿点/>其实就是尖峰区域L(i)的概率峰值区域。由于激光雷达的观测模型则可以给出一个相对集中的分布。如果把粒子采样范围更改到激光雷达观测模型所代表的尖峰区域,新的粒子分布就可以更贴近于真实分布。接下来确定该尖峰区域L(i)所代表的高斯分布的均值和方差。具体过程为在L(i)中随机采样K个点,根据这K个点的里程计和观测模型计算均值和方差,如下式所示:
其中,
S203:计算每个粒子的权重:
其中描述的是观测模型,η(i)为归一化系数;权重/>描述的是目标分布和提议分布之间的差别。
S204:根据每个粒子的权重进行重采样,针对Gmapping算法粒子退化和粒子多样性不足的问题,本申请采用随机扰动重采样算法代替选择性重采样算法。
步骤S204的具体过程为,通过公式计算有效粒子容量,使用有效样本容量Neff来衡量粒子的退化程度,值越小说明粒子的权值方差越大,粒子退化的程度越严重;在粒子点集xt (i)中根据权重进行降序排列为χt,之后根据n=round(Neff)从χt中筛选有效粒子/>其中round(·)代表就近取整函数。
之后使用扰动粒子代替退化粒子保证粒子点总量保持不变,具体操作如下:
其中Xm和σm分别为均值和协方差,Mt代表随机扰动,且Mt~N(0,σm),α为扰动的缩放权重,值越大代表扰动越大,取值为0<α<1;退化粒子是指在上一步有效筛选中未被选中的粒子,此时使用扰动粒子代替退化粒子从而保持粒子总量不变;之后更新粒子权重/>得到新的粒子集。
之前n=round(Neff)从总粒子数N中筛选n个有效粒子,此时得到的为有效粒子数;在这一过程中未被筛选中的粒子为退化粒子,此时使用扰动粒子/>来代替退化粒子,保持总数量不变。
S300:处理步骤S100所得的辐射数据,将表面污染监测仪探测到的α/β辐射信息映射到代价地图中,从而将栅格地图与辐射地图进行融合。
S301:初始化:在步骤S200建立栅格地图的基础上构建辐射代价地图;机器人首次启动或者进入新的环境后,根据步骤S200建的栅格地图获得自定义辐射地图的尺寸大小、分辨率以及障碍物的基本信息,此时辐射地图是一个空白的代价地图。
S302:机器人探测辐射信息的过程中,当遇到动态障碍物时,在代价地图中更新障碍物信息。
将机器人内部雷达探测形成的点云进行相应的坐标变换,即其中,mx和my是地图中点的坐标信息,wx和wy是世界坐标系中点的坐标,res为地图的分辨率,xorg和yorg是地图中初始点的坐标信息;将其对应的位置关系由世界坐标系映射入地图坐标系,将雷达获取的信息进行处理,在雷达的扫描范围内,点云的存在区域为障碍物区,不存在的区域为空闲区域;之后将雷达获得的障碍物信息经过坐标变换后,与静态地图层障碍物信息对比过滤,再由世界坐标系映射入地图坐标系,在地图坐标系中实现动态障碍物的更新。
S303:机器人探测辐射信息的过程中,根据辐射信息更新代价地图,完成辐射地图构建。
机器人携带表面污染监测仪进行探测场景中的α和β辐射信息,当α和β粒子进入复合闪烁体灵敏区时,α和β粒子与复合闪烁体中各自的灵敏探测介质相互作用,产生不同幅度的光脉冲信号;光脉冲信号通过光电倍增管转变为电脉冲信号,通过信号处理单元进行预处理后,单片机***记录α和β信号的计数率,然后输出数据到ROS中进行地图构建;传入ROS中的辐射数据是该区域探测到的辐射值,在ROS中将辐射值转换成代价地图的代价值,并将代价值映射到之前生成的空白代价地图中,最终完成辐射地图构建。
S400:对辐射强度进行划分,设置不同的辐射等级,并显示在最终得到的融合结果中。
根据不同辐射值对应不同的代价值,在辐射探测过程中设置不同辐射等级,根据不同的等级来区别辐射污染程度,其中绿色代表低剂量值,紫色代表中剂量值,红色代表高剂量值,通过颜色区分辐射强度。
Claims (2)
1.一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法,其特征在于:包括以下步骤,
S100:机器人在移动过程中,通过激光雷达获取环境激光数据,通过表面污染监测仪获取场景的辐射数据;
S200:处理步骤S100所得的环境激光数据,得到关于核辐射工厂的栅格地图;
步骤S200的具体过程为,
S201:状态预测:当前时刻粒子的位姿首先由运动模型进行更新,在初始值上增加高斯采样的噪声,进行一个粗略状态估计,得到粒子点的新位姿
S202:扫描匹配:在S201的粗略估计得到粒子的位姿点基础上,找到一个使当前观测数据zt与已有地图最贴合的位姿,以改进基于里程计模型的提议分布;
步骤S202的过程为,机器人向负x,正x,负y,正y,左旋转,右旋转一共六个状态移动预测位姿,计算每个状态下的匹配得分,选择最高得分对应的位姿为最优位姿;获得最优粒子位姿后,把粒子采样范围更改到激光雷达观测模型所代表的尖峰区域L(i);其中,L(i)的范围定义为搜索出匹配度最高的位姿点/>就是尖峰区域L(i)的概率峰值区域;接下来确定该尖峰区域L(i)所代表的高斯分布的均值和方差;
S203:计算每个粒子的权重;
S204:根据每个粒子的权重进行重采样;
步骤S204的具体过程为,
通过计算有效粒子容量,使用有效样本容量Neff来衡量粒子的退化程度,
在粒子点集中根据权重进行降序排列为χt;
根据n=round(Neff)从χt中筛选有效粒子其中round(·)代表就近取整函数;
使用扰动粒子代替退化粒子保证粒子点总量保持不变,具体操作为:
其中Xm和σm分别为均值和协方差,Mt代表随机扰动,且Mt~N(0,σm),α为扰动的缩放权重,值越大代表扰动越大,取值为0<α<1;退化粒子是指在上一步筛选中删除的粒子,此时使用扰动粒子代替退化粒子从而保持粒子总量不变;
更新粒子权重得到新的粒子集;
S205:对于每个粒子根据传感器观测数据zt和机器人当前位姿更新地图中的每个特征;
S300:处理步骤S100所得的辐射数据,将表面污染监测仪探测到的α/β辐射信息映射到代价地图中,从而将栅格地图与辐射地图进行融合;
步骤S300的具体过程为,
S301:初始化:在步骤S200建立栅格地图的基础上构建辐射代价地图;机器人首次启动或者进入新的环境后,根据步骤S200建的栅格地图获得自定义辐射地图的尺寸大小、分辨率以及障碍物的基本信息,此时辐射地图是一个空白的代价地图;
S302:机器人探测辐射信息的过程中,当遇到动态障碍物时,在代价地图中更新障碍物信息;
S303:机器人探测辐射信息的过程中,根据辐射信息更新代价地图,完成辐射地图构建;
步骤S303的具体过程为:机器人携带表面污染监测仪进行探测场景中的α和β辐射信息,当α和β粒子进入复合闪烁体灵敏区时,α和β粒子与复合闪烁体中各自的灵敏探测介质相互作用,产生不同幅度的光脉冲信号;光脉冲信号通过光电倍增管转变为电脉冲信号,通过信号处理单元进行预处理后,单片机***记录α和β信号的计数率,然后输出数据到ROS中进行地图构建;传入ROS中的辐射数据是该区域探测到的辐射值,在ROS中将辐射值转换成代价地图的代价值,并将代价值映射到之前生成的空白代价地图中,最终完成辐射地图构建;
S400:对辐射强度进行划分,设置不同的辐射等级,并显示在最终得到的融合结果中。
2.根据权利要求1所述的基于SLAM的针对辐射工厂的α/β辐射地图构建方法,其特征在于:所述步骤S302的具体过程为:将机器人内部雷达探测形成的点云进行相应的坐标变换,即其中,mx和my是地图中点的坐标信息,wx和wy是世界坐标系中点的坐标,res为地图的分辨率,xorg和yorg是地图中初始点的坐标信息;将其对应的位置关系由世界坐标系映射入地图坐标系,将雷达获取的信息进行处理,在雷达的扫描范围内,点云的存在区域为障碍物区,不存在的区域为空闲区域;之后将雷达获得的障碍物信息经过坐标变换后,与静态地图层障碍物信息对比过滤,再由世界坐标系映射入地图坐标系,在地图坐标系中实现动态障碍物的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211037057.XA CN115291241B (zh) | 2022-08-29 | 2022-08-29 | 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211037057.XA CN115291241B (zh) | 2022-08-29 | 2022-08-29 | 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115291241A CN115291241A (zh) | 2022-11-04 |
CN115291241B true CN115291241B (zh) | 2024-04-26 |
Family
ID=83831619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211037057.XA Active CN115291241B (zh) | 2022-08-29 | 2022-08-29 | 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115291241B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118209098B (zh) * | 2024-05-20 | 2024-07-19 | 西南科技大学 | 一种机器人的未知辐射场分布地图构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902819A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 基于变分滤波的粒子优化概率假设密度多目标跟踪方法 |
CN107132846A (zh) * | 2017-06-21 | 2017-09-05 | 南华大学 | 陌生室内场景下的γ辐射探测方法 |
CN107709928A (zh) * | 2015-04-10 | 2018-02-16 | 欧洲原子能共同体由欧洲委员会代表 | 用于实时建图与定位的方法和装置 |
CN109900280A (zh) * | 2019-03-27 | 2019-06-18 | 浙江大学 | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 |
CN110068836A (zh) * | 2019-03-20 | 2019-07-30 | 同济大学 | 一种智能驾驶电动清扫车的激光雷达路沿感知*** |
CN112613222A (zh) * | 2021-01-04 | 2021-04-06 | 重庆邮电大学 | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 |
CN112882056A (zh) * | 2021-01-15 | 2021-06-01 | 西安理工大学 | 基于激光雷达的移动机器人同步定位与地图构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7058550B2 (en) * | 2003-06-25 | 2006-06-06 | Lockheed Martin Corporation | Selectively resampling particle filter |
-
2022
- 2022-08-29 CN CN202211037057.XA patent/CN115291241B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902819A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 基于变分滤波的粒子优化概率假设密度多目标跟踪方法 |
CN107709928A (zh) * | 2015-04-10 | 2018-02-16 | 欧洲原子能共同体由欧洲委员会代表 | 用于实时建图与定位的方法和装置 |
CN107132846A (zh) * | 2017-06-21 | 2017-09-05 | 南华大学 | 陌生室内场景下的γ辐射探测方法 |
CN110068836A (zh) * | 2019-03-20 | 2019-07-30 | 同济大学 | 一种智能驾驶电动清扫车的激光雷达路沿感知*** |
CN109900280A (zh) * | 2019-03-27 | 2019-06-18 | 浙江大学 | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 |
CN112613222A (zh) * | 2021-01-04 | 2021-04-06 | 重庆邮电大学 | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 |
CN112882056A (zh) * | 2021-01-15 | 2021-06-01 | 西安理工大学 | 基于激光雷达的移动机器人同步定位与地图构建方法 |
Non-Patent Citations (1)
Title |
---|
面向核环境的移动机器人多放射源搜索策略研究;高文锐;《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》;20220215(第02期);B026-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN115291241A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11486548B2 (en) | System for detecting crack growth of asphalt pavement based on binocular image analysis | |
CN105404844B (zh) | 一种基于多线激光雷达的道路边界检测方法 | |
CN102628249B (zh) | 全自动惯性传感检测路面平整度装置及检测方法 | |
CN108154084A (zh) | 用于农机无人驾驶的多传感器融合的农田环境感知方法 | |
CN106295505A (zh) | 路面使用过程中的状态测定*** | |
CN102496232B (zh) | 一种输电设施监控方法及*** | |
CN102494663B (zh) | 摆动喷管的摆动角度的测量方法 | |
CN115291241B (zh) | 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 | |
CN112525201B (zh) | 一种基于电磁场特征多信息融合的水下目标跟踪方法 | |
CN114488194A (zh) | 一种智能驾驶车辆结构化道路下目标检测识别方法 | |
CN110599800A (zh) | 一种停车场车位状态监测***及监测方法 | |
CN117423013B (zh) | 基于地质大数据的成矿潜力预测方法 | |
CN112859054B (zh) | 一种车载多线激光雷达外参数自动检测***及检测方法 | |
CN111766573B (zh) | 卡尔曼滤波的提高阵列光栅定位空间分辨率的方法及*** | |
Zhang et al. | A new PHD-SLAM method based on memory attenuation filter | |
CN116385292A (zh) | 一种IMU辅助的LiDAR动态点云剔除方法 | |
CN114485613B (zh) | 一种多信息融合水下机器人定位方法 | |
CN115453570A (zh) | 一种多特征融合的矿区粉尘滤除方法 | |
CN115220028A (zh) | 基于毫米波的无携带设备定位与居家活动感知方法 | |
CN113029023A (zh) | 一种爬壁机器人、工作方法及大型设备三维健康诊断方法 | |
CN108414997B (zh) | 一种基于粒子特性差异的边界层高度反演方法 | |
Hur et al. | Precise free space detection and its application to background extraction | |
Li et al. | Research on the machine vision system for vehicle four-wheel alignment parameters | |
Chen et al. | A real-time relative probabilistic mapping algorithm for high-speed off-road autonomous driving | |
CN111061273A (zh) | 一种无人艇用自主避障融合方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |