上海国产传感器

    人形机器人位置是其运动的关键技术，但非连续支撑、冲击振动及惯性导航漂移等问题，导致传统位置方法难以满足精度需求，且部分方案存在硬件复杂、计算量大等局限。近日，东南大学、新加坡南洋理工大学等团队在《BiomimeticIntelligenceandRobotics》期刊发表研究成果，提出一种基于腿部正向运动学与IMU融合的步态里程计算法。该算法首先建立机器人腿部正向运动学模型，通过D-H参数法求解机身与足部的坐标变换关系；再结合IMU采集的三轴加速度、角速度及欧拉角数据，构建卡尔曼滤波模型，将运动学信息与IMU数据深度融合，实现机器人位置和速度的精细估计。该方案需机器人配备关节编码器和IMU，硬件需求低、计算复杂度小，可适配双足、四足等多种腿部机器人。该算法为室内人形机器人位置提供了有力解决方案，硬件依赖低、适用性广。未来可进一步优化足底滑动补偿策略，提升机器人在复杂地形下的位置鲁棒性。 IMU传感器适用于哪些应用场景？上海国产传感器

工业机械臂在高速作业时易因碰撞导致设备损坏或人员受伤，传统防碰撞方案响应滞后、误触发率高。近日，某自动化设备厂商宣布基于 IMU 的机械臂防碰撞系统实现量产，已应用于汽车零部件装配生产线。该系统在机械臂的关节及末端执行器处安装高精度 IMU 传感器，实时采集角速度和加速度数据，通过边缘计算模块分析机械臂的运动状态。当机械臂遭遇碰撞时，IMU 可在 0.01 秒内捕捉到异常冲击力引发的姿态突变，触发急停指令，响应速度较传统力传感器提升 10 倍。同时，系统通过 IMU 数据建立机械臂运动模型，区分正常作业的姿态变化与碰撞冲击，误触发率低于 0.1%。实际应用显示，该系统可承受机械臂作业速度可达 2m/s 下的碰撞冲击，能保护价值数十万元的精密工装夹具，且安装成本为传统激光防碰撞方案的 1/3。目前已适配 6 轴、7 轴等主流工业机械臂，未来计划拓展至协作机器人领域，进一步提升人机协同作业的安全性。浙江人形机器人传感器无人机为何依赖IMU传感器？

近日，美国研究团队成功研发了一种创新的实时运动捕捉系统，巧妙结合了IMU技术，旨在有效应对无线数据传输中的数据丢失问题。实验中，科研团队采用IMU传感器，将其分布在运动员的身体关键部位，实时监测并记录运动时的加速度和角度变化情况。即使在高达20%的数据丢失率下，IMU传感器仍能保持较高精度的运动捕捉。研究结果显示，无论数据丢失率如何，尤其是在高数据丢失率的情况下，IMU传感器仍能保持较高的运动捕捉精度，揭示了数据丢失对运动捕捉的影响。这也证明IMU在应对无线数据丢失方面扮演着重要角色，有望推动运动捕捉技术向更高精度和鲁棒性水平发展。

而国际足联宣布，在2022卡塔尔世界杯上使用半自动越位技术，为VAR官员和现场官员提供支持工具，帮助他们更快、更准确、在比较大的舞台上进行更多可重复的越位判定。本届世界比赛用球“ALRIHLA”，在阿拉伯语中意为“旅程”，是为卡塔尔2022世界杯设计的官方比赛用球，球内装有惯性测量单元(IMU)传感器，将为检测越位事件提供进一步的重要元素。这个传感器位于球的中心，每秒向视频操作室发送500次球数据，可以非常精确地检测出球点。同时比赛球场设有12个跟踪摄像头来跟踪球和每个球员的多达29个数据点，每秒50次，计算他们在球场上的确切位置。通过结合肢体和球跟踪数据并应用人工智能，每当队友接球时处于越位位置的攻击者接到球时，新技术就会向视频操作室内的视频比赛官员发出自动越位警报。角度传感器的响应时间通常是多长？

    意大利的一支科研团队开展了一项对比研究，探讨惯性测量单元（IMU）能否作为基于地面反作用力（GRF）的姿势图法的替代方案，为姿势控评估提供更便携的解决方案。研究招募21名青年受试者，在不同表面（实心地面、三种不同刚度泡沫）和视觉条件（睁眼/闭眼）下，同步采集L5水平躯干的IMU加速度数据与力平台的GRF数据，分析了不同滤波截止频率（Hz、Hz、5Hz、10Hz）对IMU指标的影响，并提取时间域和频率域共13项姿势指标进行对比。结果显示，GRF与IMU指标的相关性为弱至中等（|ρ|<），两者均能检测到泡沫表面导致的姿势摆动增加，但频率域表现相反；GRF指标显示闭眼时（尤其在泡沫上）姿势摆动更大，而IMU指标medio-lateral方向的范围和均方根位移在闭眼时降低。研究表明，GRF和IMU指标虽描述相同的姿势行为，但分别聚焦于姿势调整（基于倒立摆模型）和姿势表现，二者并非替代关系而是互补，且IMU信号滤波需标准化（5Hz截止频率可保留95%信号功率），为临床姿势评估提供了灵活选择。 如何评估惯性传感器的抗振性能？江苏AGV传感器厂家

惯性传感器有哪些主要类型？上海国产传感器

    自主机器人导航中，可靠的里程计估计至关重要，但隧道、长走廊等无几何特征环境会导致激光雷达点云退化，传统激光雷达-惯性测量单元（LiDAR-IMU）里程计易出现误差累积。对于滑移转向机器人，轮式里程计虽能提供补充约束，但车轮打滑、横向运动等复杂动作会引发非线性误差，且误差受地形影响较大，传统线性模型难以描述。近日，日本东北大学与产业技术综合研究所（AIST）团队在《RoboticsandAutonomousSystems》期刊发表其成果，提出一种紧密耦合的LiDAR-IMU-轮式里程计算法。该算法创新融入神经网络在线训练，通过因子图优化实现传感器融合与运动学模型学习的统一。研究设计的神经网络分为离线和在线学习模块，离线模块预训练捕捉地形无关特征，在线模块实时适配地形动态变化，同时提出神经自适应里程计因子，确保模型约束与传感器数据一致性。实验验证显示，该算法在点云退化、车轮大幅打滑等极端场景下表现稳健，在8种不同地形及3类复杂测试序列中，轨迹误差（ATE）和相对轨迹误差（RTE）均优于现有主流方法，较固定网络模型精度提升超一倍，且处理耗时为秒，满足实时应用需求。该技术为GNSS缺失环境下的机器人导航提供了新方案。 上海国产传感器