软着陆探测是重要的地外天体探测方式,制导、导航与控制(Guidance,Navigation and Control,GNC)是地外天体软着陆成功的关键。首先梳理了国内外月球、火星和小天体等地外天体软着陆任务发展现状;在此基础上,总结了地外天体软着陆任务典...软着陆探测是重要的地外天体探测方式,制导、导航与控制(Guidance,Navigation and Control,GNC)是地外天体软着陆成功的关键。首先梳理了国内外月球、火星和小天体等地外天体软着陆任务发展现状;在此基础上,总结了地外天体软着陆任务典型GNC方案及自主导航与控制技术主要进展;最后,针对未来的地外天体精确定点软着陆任务,提出了需要重点关注和发展的自主导航与控制关键技术,为未来技术发展提供借鉴和参考。展开更多
为测试和评价果园车辆自主导航算法的性能,采用数学分析软件MATLAB搭建面向果园车辆自主导航算法的仿真测试平台。仿真测试平台通过构建果园种植模型、激光雷达(Light detection and ranging,LiDAR)测量模型、车辆运动学模型、车辆动力...为测试和评价果园车辆自主导航算法的性能,采用数学分析软件MATLAB搭建面向果园车辆自主导航算法的仿真测试平台。仿真测试平台通过构建果园种植模型、激光雷达(Light detection and ranging,LiDAR)测量模型、车辆运动学模型、车辆动力学模型和电机控制模型实现虚拟果园测量和车辆运动过程模拟,通过可视化测量数据、导航过程和导航偏差显示导航结果并评价导航算法性能。对单一模型和平台整体的性能测试结果表明,仿真测试平台可靠,针对基于2D LiDAR的导航路径生成和跟踪算法,仿真测试平台能够有效测试和评价不同果园种植参数及车辆初始状态下的算法性能,满足果园车辆自主导航算法的测试需求。展开更多
为解决牛场人工推翻饲料劳动强度大、工作时间长等问题,设计了一种基于激光雷达同步定位与建图(Simultaneous localization and mapping,SLAM)的牛场智能推翻草机器人自主导航系统,以期实现机器人在牛场环境中自主导航完成推翻草任务。...为解决牛场人工推翻饲料劳动强度大、工作时间长等问题,设计了一种基于激光雷达同步定位与建图(Simultaneous localization and mapping,SLAM)的牛场智能推翻草机器人自主导航系统,以期实现机器人在牛场环境中自主导航完成推翻草任务。自主导航系统通过激光雷达感知牛场环境,使用加载里程计信息的Cartographer算法构建牛场环境地图,采用未加载里程计信息的自适应蒙特卡洛定位(Adaptive Monte Carlo localization,AMCL)算法实现机器人的定位,并采用迪杰斯特拉算法(Dijkstra)规划机器人推翻草工作路径。试验表明,在构建牛场环境地图时采用机器人加载里程计信息的方式,横纵向偏差最大值低于未加载里程计信息时构建的地图,分别为0.02 m和0.14 m;在实现机器人的定位与导航时采用未加载里程计信息的方式,横纵向偏差最大值及航向偏角最大值分别小于0.04 m、0.10 m和11°,且导航精度高于加载里程计信息时的数值,满足牛场环境中推翻草作业时的导航精度要求。展开更多
文摘软着陆探测是重要的地外天体探测方式,制导、导航与控制(Guidance,Navigation and Control,GNC)是地外天体软着陆成功的关键。首先梳理了国内外月球、火星和小天体等地外天体软着陆任务发展现状;在此基础上,总结了地外天体软着陆任务典型GNC方案及自主导航与控制技术主要进展;最后,针对未来的地外天体精确定点软着陆任务,提出了需要重点关注和发展的自主导航与控制关键技术,为未来技术发展提供借鉴和参考。
文摘为测试和评价果园车辆自主导航算法的性能,采用数学分析软件MATLAB搭建面向果园车辆自主导航算法的仿真测试平台。仿真测试平台通过构建果园种植模型、激光雷达(Light detection and ranging,LiDAR)测量模型、车辆运动学模型、车辆动力学模型和电机控制模型实现虚拟果园测量和车辆运动过程模拟,通过可视化测量数据、导航过程和导航偏差显示导航结果并评价导航算法性能。对单一模型和平台整体的性能测试结果表明,仿真测试平台可靠,针对基于2D LiDAR的导航路径生成和跟踪算法,仿真测试平台能够有效测试和评价不同果园种植参数及车辆初始状态下的算法性能,满足果园车辆自主导航算法的测试需求。
文摘为解决牛场人工推翻饲料劳动强度大、工作时间长等问题,设计了一种基于激光雷达同步定位与建图(Simultaneous localization and mapping,SLAM)的牛场智能推翻草机器人自主导航系统,以期实现机器人在牛场环境中自主导航完成推翻草任务。自主导航系统通过激光雷达感知牛场环境,使用加载里程计信息的Cartographer算法构建牛场环境地图,采用未加载里程计信息的自适应蒙特卡洛定位(Adaptive Monte Carlo localization,AMCL)算法实现机器人的定位,并采用迪杰斯特拉算法(Dijkstra)规划机器人推翻草工作路径。试验表明,在构建牛场环境地图时采用机器人加载里程计信息的方式,横纵向偏差最大值低于未加载里程计信息时构建的地图,分别为0.02 m和0.14 m;在实现机器人的定位与导航时采用未加载里程计信息的方式,横纵向偏差最大值及航向偏角最大值分别小于0.04 m、0.10 m和11°,且导航精度高于加载里程计信息时的数值,满足牛场环境中推翻草作业时的导航精度要求。
基金supported by the National Natural Science Foundation of China (U21A20119)the championship prize funded by Shenzhen Leaguer Co., Ltd.supported in part by the Fundamental Research Funds for the Central Universities。