导航传感器选型

    印度尼西亚研究团队开展了一项针对低成本GNSS/IMU移动测绘应用的研究，旨在解决复杂环境下低成本GNSS接收机信号质量差、多路径干扰明显及信号中断等问题，通过融合技术提升位置精度。研究采用U-bloxF9RGNSS/IMU模块安装在车辆上，选取开阔天空、城市环境及商场地下室等复杂场景进行数据采集，运用单点位置（SPP/IMU）和差分GNSS（DGNSS/IMU）两种处理方式，结合无迹卡尔曼滤波器（UKF）处理非线性系统模型，并通过低通和高通滤波器对IMU数据进行去噪处理。结果显示，在无信号中断情况下，SPP/IMU融合相较于单独GNSS位置，东向和北向精度分别提升和；DGNSS/IMU融合的精度提升更为明显，东向和北向分别达和，TransmartSidoarjo场景下RMSE为（东向）和（北向）。IMU数据去噪后，融合精度进一步提升厘米级。不过在信号中断场景中，该融合方案未能达到预期位置精度，短时间中断时虽能提供车辆运动轨迹模式，但方向和幅度存在偏差，长时间中断时误差明显增大（东向约、北向约）。该研究证实了UKF融合低-costGNSS/IMU在复杂环境移动测绘中的可行性，为相关低成本导航应用提供了技术参考，但其在信号中断场景的性能仍需进一步优化。 IMU（惯性测量单元）可实时采集物体的加速度、角速度和姿态角数据，为运动状态分析提供支撑。导航传感器选型

    中挪联合科研团队提出一种基于惯性测量单元（IMU）的6自由度（6-DOF）相机运动校正方法，解决了摄影测量和光学测量中环境干扰（如风、地面振动）导致的相机抖动问题。该方法依赖IMU传感器，通过卡尔曼滤波融合加速度计、陀螺仪和磁力计数据，估算相机的三轴旋转（横滚、俯仰、偏航）和三轴平移（前冲、侧移、升降）运动；构建6个相机模型，分别计算各自由度运动引发的像素偏移，终从图像序列中剔除抖动噪声。实验验证表明，该方法运动校正率约80%，物体距离（3-12m）对校正效果影响极小；100mm焦距镜头的校正率（）略优于50mm镜头（）；像素抖动噪声中90%以上由相机旋转引起，旋转诱导的像素偏移与物体距离无关，而平移诱导的偏移与物体距离呈负相关。该方法无需依赖静态参考点，部署简便，适用于桥梁监测、无人机测量等多种光学测量场景。 原装惯性传感器应用扫地机器人内置 IMU，规划清洁路径并避免机身原地打转。

    中国台湾大学的科研团队提出一种基于惯性测量单元（IMU）和机器学习的奶牛日常行为模式识别系统，为奶牛监测和繁殖管理提供了解决方案。该系统将9轴IMU传感器集成于奶牛颈部项圈，采集躺卧、站立、行走、饮水、采食、反刍及其他行为的运动数据，经人工结合视频标注后，通过窗口切片、特征提取、特征选择和归一化四步处理构建行为识别模型。实验对比SVM、随机森林和XGBoost三种算法，终XGBoost模型表现优，采用58个精选特征（含时域和频域特征）实现的整体F1分数，其中反刍（）、躺卧（）和饮水（）行为识别精度高，“其他”行为（）精度低。系统采用5Hz采样频率、30秒时间窗口和90%窗口重叠率，结合滑动窗口投票校正的后端优化策略，在线测试中每日行为识别总误差，各奶牛的行为时间分配与已有研究统计一致，适用于实际牧场应用场景。

    我国的一支科研团队提出了一种深度学习辅助的模型基紧密耦合视觉-惯性姿态估计方法，解决了视觉失效场景下的头部旋转运动姿态估计难题，对虚拟现实、增强现实、人机交互等领域的高精度姿态感知具有重要意义。该方法基于多状态约束卡尔曼滤波（MSCKF）构建视觉-惯性紧密耦合框架，整合了传统模型基方法与深度学习技术：设计轻量化扩张卷积神经网络（CNN），实时估计IMU测量的偏差和比例因子修正参数，并将其融入MSCKF的更新机制；同时提出多元耦合运动状态检测（MCMSD）与动态零更新机制相结合的融合策略，通过视觉光流信息与惯性数据的决策级融合实现精细运动状态判断，在静止状态时触发零速度、零角速率等伪测量更新以减少误差累积。实验验证表明，该方法在包含间歇性视觉失效的全程旋转运动中，姿态估计均方根误差（RMSE）低至°，相比传统CKF、IEKF等方法精度明显提升，且单帧更新耗时，兼顾了实时性与鲁棒性。在真实场景测试中，即使相机被遮挡15秒，该方法仍能明显减少IMU漂移，保持稳定的姿态追踪，充分满足实际应用需求。户外探险场景中，IMU 配合导航设备，在卫星信号薄弱区域仍能提供连续的位置和方向指引。

    自主模块化公交（AMB）可动态对接或拆分，能减少交通拥堵、降低能耗，但自主对接过程中面临垂直方向位置漂移、近距离动态遮挡等关键挑战，现有LiDAR-SLAM算法在动态场景下性能受限，难以满足高精度对接需求。近日，华南理工大学与清华大学团队在《GreenEnergyandIntelligentTransportation》期刊发表研究成果，提出一种增强型LiDAR-IMU融合SLAM框架，专为AMB对接场景优化。该框架关键创新包括三点：一是采用带地面约束的两阶段扫描匹配方法，先通过地面特征估计z轴位置、横滚角和俯仰角，再利用非地面特征优化x、y轴位置和航向角，降低垂直漂移；二是设计融合IMU横滚角和俯仰角约束的因子图优化策略，通过周期性重置因子图，减少长期累积误差；三是引入深度学习驱动的前车检测与点云滤波机制，基于PointPillars网络识别前车，过滤遮挡点云以降低动态干扰。该框架解决了AMB对接的关键位置难题，为模块化公交的实际落地提供了关键技术支撑。未来团队将优化算法以适配非平坦地形，并拓展动态障碍物处理能力，推动AMB在复杂城市环境中的广泛应用。 农业机械搭载 IMU 后，能感知作业姿态，实现播种、施肥等田间操作。原装惯性传感器应用

在自动驾驶辅助驾驶系统中，IMU 可在隧道、高架桥下等场景补位 GPS，实时监测车辆姿态偏差。导航传感器选型

    一支科研团队开发了基于惯性测量单元（IMU）的牧草生物量实时估算系统，为牧场轮牧规划和载畜量优化提供了低成本解决方案。该研究设计了两种IMU传感系统：IMU-Ski（将IMU传感器安装在连接压缩滑板的连杆上，通过滑板随作物冠层轮廓的垂直运动记录连杆角度变化）和IMU-Roller（在圆柱形滚筒两侧的连杆上安装双IMU传感器，同步记录两侧作物高度），并结合无人机RGB图像提取的植被覆盖率（VC），分别以总作物高度（TCH）、VC及两者组合为自变量，为百慕大草和紫花苜蓿构建预测模型。实验结果表明，IMU-Ski性能优于IMU-Roller，其基于TCH的模型在百慕大草中实现的决定系数（R²）和2628kg湿生物量/公顷的标准误差（SeY），在紫花苜蓿中R²达；TCH与VC组合虽在百慕大草中实现比较高R²（），但TCH的模型已能满足实用需求，且避免了VC数据采集与后处理的复杂性，为牧场牧草生物量估算提供了可行的技术方案。 导航传感器选型