基于多传感器信息融合方法分析与研究
发布时间：2021-03-27 14:27
城市轨道交通以其运量大、速度快和有效缓解交通拥堵等诸多优点,在各大城市得到大量普及。但快速发展的同时也带来了诸多弊病,主要体现在轨道和隧道变形。常规的检测方法主要为手持检测仪和大型轨检车检测,手持检测仪检测效率低,且精度不高。大型轨检车成本昂贵、体积庞大,且不便进行上下线运作。上述检测方法所使用的传感器采集到的信息之间进行单独、孤立地处理,导致了信息处理工作量的增加。各传感器信息间的内在联系被割断,丢失了信息组合后的内部特征。各传感器不能有效组合,造成了信息资源的浪费,甚至可能导致决策失误。为解决上述问题,故需要对多源传感器数据进行有效融合。本文通过在小型轨道检测车上搭载多种传感器,即惯性导航系统、激光雷达传感器、激光位移传感器、轴角编码器和摄像头,实现了对轨道及隧道的多维度检测。系统采用PXI机箱实现了多传感器数据采集的一致性,即提高了时间上的一致性和空间上的可延展性。单一传感器在轨道和隧道的变形检测中都有着自己的优缺点。摄像头的最大挑战具体体现在:没有深度信息、视场角有限以及受外界条件的影响也较大。激光雷达传感器的最大挑战具体体现在:感知范围较近和角分辨有限。各传感器信息数据进行优...
【文章来源】：上海应用技术大学上海市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
环境感知系统
第4页上海应用技术大学硕士学位论文在此基础上，国际信息融合协会首次成立，每年举行一次专题化国际会议。目前，越来越多的国家已开展数据融合研究，多传感器数据融合系统正逐步成为一个独立的研究领域。目前多传感器融合技术主要可以分为随机类和人工智能类[12]。其中，随机类方法有：加权平均法、卡尔曼滤波法、贝叶斯估计法、D-S证据推理法、产生式规则等。人工智能类方法有：模糊逻辑理论、神经网络、粗集理论、小波分析理论和支持向量机等[13]。（1）日本轨检车日本铁路局为确保高速铁路新干线安全平稳的运行，于1975年开始设计并生产轨道检测试验车。轨道检测试验车为6节编组，每节列车上装备有大量的电气化设备。可对轨道的运行安全环境进行全面检测。实现了对轨道、电力、通信、接触网以及电源回路的检测，检测较为全面。图1.2为日本轨道检测车East-i，该车的运行时速最高可达275km/h，采用二轴拖动转向机构。图1.2日本East-i轨检车Fig.1.2JapanEast-irailinspectioncar（2）美国轨检车美国已于早期研发出轨道检测车，且大量关键技术能够实现自给自足。最早的一代美国轨检车为T10轨检车和Laserail轨道测量系统。T10轨道检测车主要应用了光电伺服系统、图像处理系统和光学测量系统，最高运行时速可达192km/h。Laserail轨道测量系统采用了先进的激光成像、图像处理等技术手段，检测精度和效率大大提高，最高运行时速可达300km/h。（3）奥地利轨检车奥地利Plasser于1993年开发出EM250型高速轨检车。其采用了先进的惯性基准技术、光电转换技术和图像处理技术，可对轨道多项几何参数进行数据采集。（4）意大利轨检车
上海应用技术大学硕士学位论文第5页意大利于2001年9月研发出“阿基米德号”综合轨道检测车，如图1.3所示，该车有4节客车、1节机车和1节驱动车车组成，最高运行时速可达220km/h。该列车有独立的数据存储库，数据之间可通过无线网络进行通信。在速度、时间和空间上保持同步，所有子系统数据统一由中央数据库进行调度。图1.3阿基米德号轨检车Fig.1.3ArchimedesTrackInspectionCar（5）法国轨检车法国铁路运营公司对一列三流制TGV型列车进行改装，经过多年调试于2003年上线MGV轨道检测车。如图1.4所示，该车由7节编组，第一节列车用于轨道几何参数的测量，第二节列车用于接触网的检测，第三节列车用于信号的检测，第四节用于车地通信和无线检测，其他列车用于其他项目检测。图1.4MGV轨检车Fig.1.4MGVTrackInspectionCar1.3主要研究内容1.3.1研究内容本文依托上海地铁2号线以及校内100米延长线为科研平台，在第三代小型轨道检测车上搭载环境感知系统，采集校内100m延长线的轨道及隧道数据。如图1.5为小型
【参考文献】：
期刊论文
[1]基于SOA的雷达重点目标分析决策原型系统[J]. 罗晓玲. 兵工自动化. 2020(04)
[2]基于LabView控制的激光Z扫描综合实验设计[J]. 邱学军,姚文俊,曹振洲,沈健. 实验技术与管理. 2020(04)
[3]城市轨道交通专用桥横向刚度的规范对比分析[J]. 马虎,任文渊,向活跃,谢佳桃,李永乐,何孟松. 铁道标准设计. 2020(10)
[4]判别相关滤波融合深度信息的目标跟踪算法[J]. 杨海清,唐怡豪,许倩倩,孙道洋. 小型微型计算机系统. 2020(04)
[5]基于传感器集群的仓库运维状态监测系统研究[J]. 王树强,崔万林,郑新浩,王刚,高源. 信息技术. 2020(03)
[6]基于PCI数据采集卡的钣金冲裁过程自动监测系统[J]. 陈建勋,吴少杰,刘忠伟,陈达安. 自动化技术与应用. 2020(03)
[7]一种基于高斯算法自动校准的多传感器磅秤系统[J]. 郭建文,陈英革. 常熟理工学院学报. 2020(02)
[8]基于MEMS的姿态检测仪的设计与实现[J]. 陈睿,李鑫,孟翔飞. 常熟理工学院学报. 2020(02)
[9]基于激光三角测距的深基坑水平位移测量[J]. 张思祥,乔龙伟,周围,肖成志,刘杰. 传感器与微系统. 2020(03)
[10]基于车载的轨道扣件同步采集系统设计及实现[J]. 李鑫,彭乐乐,钟倩文,郑树彬. 铁道标准设计. 2020(09)
硕士论文
[1]基于ROS的多传感器信息融合自主导航控制系统设计与实现[D]. 王鹏飞.南京邮电大学 2019
[2]轨道检测车关键部位形变及其检测方法研究[D]. 吴磊.上海应用技术大学 2019
[3]GPS/IMU组合导航半实物仿真系统研究[D]. 邓攀.中北大学 2016
[4]基于单源及多源的迁移学习方法研究[D]. 郭勇.西安电子科技大学 2013
[5]光纤捷联惯性导航系统的设计与实验研究[D]. 何熠.哈尔滨工程大学 2009
本文编号：3103668
【文章来源】：上海应用技术大学上海市
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
环境感知系统
第4页上海应用技术大学硕士学位论文在此基础上，国际信息融合协会首次成立，每年举行一次专题化国际会议。目前，越来越多的国家已开展数据融合研究，多传感器数据融合系统正逐步成为一个独立的研究领域。目前多传感器融合技术主要可以分为随机类和人工智能类[12]。其中，随机类方法有：加权平均法、卡尔曼滤波法、贝叶斯估计法、D-S证据推理法、产生式规则等。人工智能类方法有：模糊逻辑理论、神经网络、粗集理论、小波分析理论和支持向量机等[13]。（1）日本轨检车日本铁路局为确保高速铁路新干线安全平稳的运行，于1975年开始设计并生产轨道检测试验车。轨道检测试验车为6节编组，每节列车上装备有大量的电气化设备。可对轨道的运行安全环境进行全面检测。实现了对轨道、电力、通信、接触网以及电源回路的检测，检测较为全面。图1.2为日本轨道检测车East-i，该车的运行时速最高可达275km/h，采用二轴拖动转向机构。图1.2日本East-i轨检车Fig.1.2JapanEast-irailinspectioncar（2）美国轨检车美国已于早期研发出轨道检测车，且大量关键技术能够实现自给自足。最早的一代美国轨检车为T10轨检车和Laserail轨道测量系统。T10轨道检测车主要应用了光电伺服系统、图像处理系统和光学测量系统，最高运行时速可达192km/h。Laserail轨道测量系统采用了先进的激光成像、图像处理等技术手段，检测精度和效率大大提高，最高运行时速可达300km/h。（3）奥地利轨检车奥地利Plasser于1993年开发出EM250型高速轨检车。其采用了先进的惯性基准技术、光电转换技术和图像处理技术，可对轨道多项几何参数进行数据采集。（4）意大利轨检车
上海应用技术大学硕士学位论文第5页意大利于2001年9月研发出“阿基米德号”综合轨道检测车，如图1.3所示，该车有4节客车、1节机车和1节驱动车车组成，最高运行时速可达220km/h。该列车有独立的数据存储库，数据之间可通过无线网络进行通信。在速度、时间和空间上保持同步，所有子系统数据统一由中央数据库进行调度。图1.3阿基米德号轨检车Fig.1.3ArchimedesTrackInspectionCar（5）法国轨检车法国铁路运营公司对一列三流制TGV型列车进行改装，经过多年调试于2003年上线MGV轨道检测车。如图1.4所示，该车由7节编组，第一节列车用于轨道几何参数的测量，第二节列车用于接触网的检测，第三节列车用于信号的检测，第四节用于车地通信和无线检测，其他列车用于其他项目检测。图1.4MGV轨检车Fig.1.4MGVTrackInspectionCar1.3主要研究内容1.3.1研究内容本文依托上海地铁2号线以及校内100米延长线为科研平台，在第三代小型轨道检测车上搭载环境感知系统，采集校内100m延长线的轨道及隧道数据。如图1.5为小型
【参考文献】：
期刊论文
[1]基于SOA的雷达重点目标分析决策原型系统[J]. 罗晓玲. 兵工自动化. 2020(04)
[2]基于LabView控制的激光Z扫描综合实验设计[J]. 邱学军,姚文俊,曹振洲,沈健. 实验技术与管理. 2020(04)
[3]城市轨道交通专用桥横向刚度的规范对比分析[J]. 马虎,任文渊,向活跃,谢佳桃,李永乐,何孟松. 铁道标准设计. 2020(10)
[4]判别相关滤波融合深度信息的目标跟踪算法[J]. 杨海清,唐怡豪,许倩倩,孙道洋. 小型微型计算机系统. 2020(04)
[5]基于传感器集群的仓库运维状态监测系统研究[J]. 王树强,崔万林,郑新浩,王刚,高源. 信息技术. 2020(03)
[6]基于PCI数据采集卡的钣金冲裁过程自动监测系统[J]. 陈建勋,吴少杰,刘忠伟,陈达安. 自动化技术与应用. 2020(03)
[7]一种基于高斯算法自动校准的多传感器磅秤系统[J]. 郭建文,陈英革. 常熟理工学院学报. 2020(02)
[8]基于MEMS的姿态检测仪的设计与实现[J]. 陈睿,李鑫,孟翔飞. 常熟理工学院学报. 2020(02)
[9]基于激光三角测距的深基坑水平位移测量[J]. 张思祥,乔龙伟,周围,肖成志,刘杰. 传感器与微系统. 2020(03)
[10]基于车载的轨道扣件同步采集系统设计及实现[J]. 李鑫,彭乐乐,钟倩文,郑树彬. 铁道标准设计. 2020(09)
硕士论文
[1]基于ROS的多传感器信息融合自主导航控制系统设计与实现[D]. 王鹏飞.南京邮电大学 2019
[2]轨道检测车关键部位形变及其检测方法研究[D]. 吴磊.上海应用技术大学 2019
[3]GPS/IMU组合导航半实物仿真系统研究[D]. 邓攀.中北大学 2016
[4]基于单源及多源的迁移学习方法研究[D]. 郭勇.西安电子科技大学 2013
[5]光纤捷联惯性导航系统的设计与实验研究[D]. 何熠.哈尔滨工程大学 2009
本文编号：3103668
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3103668.html
