安全是空中交通时的主要问题。通过成对分离最小值确保无人驾驶飞机(无人机)之间的飞行安全性,利用冲突检测和分辨方法。现有方法主要处理成对冲突,但由于交通密度的预期增加,可能会发生两个以上的无人机的遇到。在本文中,我们将多UAV冲突解决模型作为多功能加强学习问题。我们实现了一种基于图形神经网络的算法,配合代理可以与共同生成分辨率的操作进行通信。该模型在具有3和4个当前代理的情况下进行评估。结果表明,代理商能够通过合作策略成功解决多UV冲突。
translated by 谷歌翻译
与单个IMU相比,多个刚性连接的惯性测量单元(IMU)传感器提供了更丰富的数据流。最先进的方法遵循IMU测量的概率模型,基于在贝叶斯框架下组合的错误的随机性质。但是,负担得起的低级IMU此外,由于其不受相应的概率模型所掩盖的缺陷而遭受了系统的错误。在本文中,我们提出了一种方法,即合并多个IMU(MIMU)传感器数据的最佳轴组成(BAC),以进行准确的3D置置估计,该数据通过从集合中动态选择最佳的IMU轴来考虑随机和系统误差所有可用的轴。我们在MIMU视觉惯性传感器上评估了我们的方法,并将方法的性能与MIMU数据融合的最新方法进行比较。我们表明,BAC的表现优于后者,并且在开放环路中的方向和位置估计都可以提高20%的精度,但需要适当的处理以保持获得的增益。
translated by 谷歌翻译
在本文中,我们提出了一种具有高时间同步(同步)精度的记录系统,该精度由智能手机,深度摄像机,IMU等等异质传感器组成,由于智能手机的一般兴趣和大量采用,我们包括至少一个这些设备进入我们的系统。这种异构系统需要两个不同时间权限的混合同步:智能手机和MCU,在那里我们将基于硬件有线的触发同步与软件同步组合起来。我们在用RGB摄像头中汇总与新颖的系统混合有源红外深度的自定义和新颖系统的同步结果。我们的系统实现了时间同步的子毫秒精度。此外,我们的系统在这种精度下同时暴露每个RGB深度图像对。我们特别展示了一个配置,但我们系统背后的一般原则可以被其他项目复制。
translated by 谷歌翻译
使用激光雷达测量值的数据融合算法,例如视觉量,激光惯性或多个激光镜的探光仪以及同时定位和映射(SLAM)依赖于精确的时间戳记方案,这些方案赋予LIDAR和其他传感器的数据同步的精确时间戳记。由于时间戳错误而导致的同步性能差,可能会对算法的状态估计结果产生负面影响。 To provide highly accurate and precise synchronization between the sensors, we introduce an open-source hardware-software LiDAR to other sensors time synchronization system that exploits a dedicated hardware LiDAR time synchronization interface by providing emulated GNSS-clock to this interface, no physical GNSS-需要接收器。该模拟器基于通用微控制器,由于简洁的硬件和软件体系结构,可以轻松修改或扩展,以同步不同传感器的集合,例如摄像机,惯性测量单元(IMUS),Wheel Encoders,其他LIDARS,其他LIDARS,其他LIDAR,等等。在论文中,我们提供了一个具有同步LIDAR和IMU传感器的系统的示例。我们对传感器的同步精度和精度进行了评估,并进行了1微秒性能。我们将我们的结果与ROS软件提供的时间戳和LIDAR内部时钟方案进行了比较,以强调这两种基线方法的明确优势。
translated by 谷歌翻译