1 中国科学院长春光学精密机械与物理研究所, 长春 130033
2 中国科学院大学, 北京 100049
针对光电望远镜次镜精调Stewart机构的参数标定问题, 在以往标定方法的基础上, 首先, 提出了在逆运动学模型基础上推导Stewart机构标定模型的方法, 避免了正运动学求解析解困难、数值求解效率低且存在误差的问题; 其次, 对推导出的标定模型求解问题进行了分析, 求解了其雅克比矩阵, 针对模型系数矩阵不可逆的情况, 提出了一种改进的高斯牛顿迭代法及具体的实验步骤; 最后, 分析了最小二乘原理导致的测量误差对精度影响大的现象, 在Matlab中对设计的Stewart机构进行了标定仿真实验, 在测量误差为0.1 μm以下、标定精度平均提高56倍时, 平均精度仅提高7.8倍。对样机进行标定后, 位置精度平均提高了30.77倍, 姿态精度平均提高了20.73倍。结果表明: 该优化标定方法可以得到Stewart机构较精确的结构参数, 从而有效提高其位姿调整精度。
光电望远镜 Stewart机构 优化标定 高斯牛顿法 optoelectronic telescope Stewart mechanism optimization calibration Gauss-Newton method
1 中国科学院长春光学精密机械与物理研究所, 长春 130033
2 中国科学院大学, 北京 100049
针对运动目标在单帧图像中所占的比例较小, 传统的边缘提取方法在对整幅图像计算时产生大量冗余, 对噪声敏感, 提取出的运动目标轮廓不明显的缺点, 提出了一种基于帧差法和图像分块相结合的运动目标边缘检测方法。该方法首先对序列图像进行差分, 根据分块大小自适应选取阈值对图像进行分块, 完成对运动目标的细分割, 分离出运动区域和非运动区域, 然后对分割出来的运动区域进行边缘检测, 将边缘检测结果和差分结果进行“与”运算, 从而提取出运动目标轮廓。实验证明, 分块边缘检测方法能较为准确地提取出运动目标且能提取出清晰的运动目标边缘轮廓, 能满足实时性需要。
图像分块 帧差法 边缘检测 运动目标 阈值分割 image block frame difference edge detection moving target threshold segment
1 中国科学院 长春光学精密机械与物理研究所, 吉林 长春 130033
2 中国科学院大学, 北京 100049
3 广东工业大学, 广东 广州 510006
为了提高光电跟踪系统的稳定性和自主跟踪能力, 对多传感器数据融合算法和数据的有效性估计进行研究, 提出一种多传感器自主跟踪算法。首先按照统计学方法, 实时估计各传感器数据的误差协方差。然后按照均方误差最小准则, 对各路数据进行融合。将最小二乘多项式拟合法和记忆衰减因子应用到误差协方差估计中, 提高了融合结果的可信度。最后, 提出一种多传感器跟踪数据切换策略, 自动选择有效传感器数据中置信度最高、跟踪效果最优的一路数据, 从而实现自主稳定跟踪的目的。实验结果表明, 使用改进后的数据融合算法比原始方法的最终传感器选择结果正确率提高37.5%左右。在几种典型的传感器数据异常情况下,该数据融合算法和多路数据切换策略能够完成自主跟踪的目的。
多传感器 数据融合 自主跟踪 误差协方差估计 multi-sensor data fusion autonomous tracking error variance estimating