异构传感器:An Integration and Sharing Method for Heterogeneous Sensors Oriented to Emergency Response in Smart

2021/11/07 08:35 · 传感器知识资讯 ·  · 异构传感器:An Integration and Sharing Method for Heterogeneous Sensors Oriented to Emergency Response in Smart已关闭评论
摘要:

异构传感器:AnIntegrationandSharingMethodforHeterogeneousSensorsOrientedtoEmergencyResponseinSmart摘要:智慧城市的实现是建立在传感器资源观测应用之上.城市传感器资源类型多样,观测机理各异,数量巨大,它们呈现出封闭、孤立和自治性

异构传感器:An Integration and Sharing Method for Heterogeneous Sensors Oriented to Emergency Response in Smart  第1张

异构传感器:An Integration and Sharing Method for Heterogeneous Sensors Oriented to Emergency Response in Smart

摘要: 智慧城市的实现是建立在传感器资源观测应用之上.城市传感器资源类型多样,观测机理各异,数量巨大,它们呈现出封闭、孤立和自治性.面对复合的城市应急事件时,基于万维网的城市异构传感器资源管理低效,导致城市应急响应的实时可靠数据来源匮乏与决策低效,严重阻碍了城市应急响应的“智慧化”.提出了面向智慧城市应急响应的异构传感器资源集成共享框架,通过将城市异构传感器资源统一化描述,然后基于标准的网络目录服务进行传感器资源万维网注册与按需发现.构建了城市异构传感器资源集成共享平台,以武汉内涝型灾害应急响应为案例,验证了城市内涝监测传感器资源的集成共享的可行性和可扩展性,促使城市分布式异构传感器资源从“观测孤岛”到“集成共享”的转变,为智慧城市应急响应所需的传感器资源共享与观测规划提供依据.

关键词:
应急响应,
智慧城市,
传感网,
内涝,
传感器共享,
集成管理

Abstract: It can be said that smart city will be built on the observations of sensors. Nowadays, city sensors have the features of being diverse in sensor type, different in observation mechanism and huge in quantity, and they represent a closed, isolated and autonomous observation scenario. Facing with complex city emergency events, it is inefficient to manage those heterogeneous city sensors via World Wide Web. The scarcity of the real-time, right and reliable data sourced from physical sensors and the inefficiency of emergency response decision-making seriously hinder the “smart” process of emergency response in smart city. We propose a framework for the integrating and sharing of heterogeneous city sensors oriented to emergency response. Firstly those heterogeneous sensors are uniformly described; Secondly we register them into a standard Web-based catalogue service and the registered sensor resources can be on-demand discovered; Thirdly, we construct an integration and sharing platform for city heterogeneous sensors. Last, we use waterlogging emergency response of Wuhan city as the disaster application to verify the feasibility and extensibility of integration and sharing method for heterogeneous flood-related sensors. The result shows that the proposed framework promotes the shift of heterogeneous waterlogging sensors from the observation island to integration management situation, which can lay a solid basis for sensor sharing and observation planning required in smart city emergency response.

Key words:
emergency response,
smart city,
sensor Web,
waterlogging,
sensor resources sharing,
integration management

引用本文

胡楚丽, 陈能成, 关庆锋, 李 佳, 王晓蕾, 杨训亮,. 面向智慧城市应急响应的异构传感器集成共享方法[J]. 计算机研究与发展.

Hu Chuli, Chen Nengcheng, Guan Qingfeng, Li Jia, Wang Xiaolei, and Yang Xunliang. An Integration and Sharing Method for Heterogeneous Sensors Oriented to Emergency Response in Smart City[J]. Journal of Computer Research and Development.

使用本文

0
/
/
推荐

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文:

作者相关文章

胡楚丽

陈能成

关庆锋

李 佳

王晓蕾

杨训亮

异构传感器:An Integration and Sharing Method for Heterogeneous Sensors Oriented to Emergency Response in Smart  第2张

异构传感器:多源异构传感器时空校准

相关概念简介
时空配准
1.时空校准:在实际的多传感器系统中,各传感器由于执行任务不同、自身性能的优劣、所处环境存在差异等多方面的原因,使得各传感器观测同一目标获得的量测数据也不一定同步,因此不能将获得的量测数据直接发送到融合中心进行融合处理,需要将不同传感器在不同时刻不同空间获得的目标量测数据转换到统一的融合时刻和空间,即进行时空配准。

2.时空配准的作用:时空配准是在进行信息融合前的重要一步。

时间配准
定义:时间配准指多传感在进行数据量测时,由于传感器本身的特性以及人为操作的原因,导致这些量测信息不同步不能直接进行融合处理,需要对这些不同步的信息进行统一化处理使其同步。
空间配准
定义:不同的传感器由于自身的功能以及工作环境的不同,在进行数据量测时所用的坐标系并非一个统一的坐标系,因此需要进行坐标变换;同时在传感器进行量测时不能完全安装在一起,当传感器相对距离过大时,各传感器的量测数据也会出现偏差,因此需要对传感器在空间中相对距离造成的量测偏差进行补偿。(总结:一、坐标变化至同一个坐标系;二、对量测偏差进行补偿)
研究现状
时间配准
两种思路分别如下:

通过时间配准算法在融合前就直接消除传感器量测数据的时间误差通过异步融合的手段对不同步的量测信息直接进行融合处理
第1种思路主要是将不同传感器的数据进行处理,使其能够在同一周期下进行处理。主要的研究方法如下:

Blairw D[4]、周锐[5]把采样周期小的传感器n次量测值用最小二乘法融合成k时刻的量测值,将采样周期大的传感器的第 k 时刻的量测值与采样周期小的传感器虚拟的第 k时刻的量测值进行融合处理,需传感器采样周期为整数比。游文虎[6]主要是通过 m 阶保持器的使用来使采样周期不同的传感器同步,但在采用此方法进行时间配准时需要对同步时间差进行测量。王宝树
[7]等通过对各传感器的量测数据进行内插外推处理以实现时间同步,在选定时间片 T 时要根据运动状态的不同而进行选择,将各传感器的量测数据
按照采样频率高低来进行排序,然后把采样频率高的量测数据配准到最低采样频率传感器的采样时刻上。对于 INS/GPS 组合系统进行时间配准的方法不仅仅局限于通过最小二乘法和内插外推法来处理,除了通过建立数学模型来解决配准问题也有学者提出了新的思路,黄凤钊[8]针对 GPS 和 INS 脉冲信号采样频率不同的问题,以 GPS 的脉冲信号作为组合系统输出的基准信号,对 INS 的脉冲信号进行校正,实现了 INS 和 GPS 的数据同步。杨涛
[9]通过采用分段拟合的方法来获得时间延迟的范围值,再将时间延迟作为状态量进行状态扩充再进行估计。肖进丽[10]采用时间戳来测量 INS 数据和 GPS 数据的时间偏差Δt,再通过拉格朗日插值法来计算 INS 数据在 GPS 量测时刻上的虚拟值。

第2种思路:采用异步融合直接对量测数据进行同步

秦永元[11]计算了联邦滤波器中各子滤波器同步相差的时间,统计子滤波器输出次数,计算在融合时刻的输出,即全局次优估计。黄显林[12]将各子系统周期的最大公约数作为计算周期,而将各子系统周期的最小公倍数作为融合周期,量测更新仅在有量测输出的时候进行,而时间更新在有无量测输出时一直再进行。刘建业[13]针对量测数据不同步的问题,记录了时间偏差期间内各传感器状态信息。在量测信息输出时间,利用量测信息和传感器在相应时间的状态信息,对卡尔曼滤波滤波的系统噪声方差和量测噪声方差进行修正,计算估计误差均方差阵,对时间更新重复修正滤波参数,并以此修正状态。

空间配准
主要研究两方面内容:

不同的传感器在进行数据量测时所用的坐标系并非一个统一的坐标系,需要进行坐标变换;传感器在空间中相对距离过大时,各传感器的量测数据也会出现偏差,因此需要对传感器在空间中相对距离造成的量测偏差进行补偿。
针对第1项研究,主要进展如下:

钟业勋[14]对西安坐标系到大地坐标系的平移和旋转方法进行了深入的研
究。孔祥雷[15]针对在 MEMS/GPS 组合导航系统中空间信息不对应的问题提出了解决方案。Li H[16]对航天器自主导航问题进行了研究,从地球站位置转换到地心地固系。秘金钟[17]研究了水下载体系和 WGS84 坐标系的坐标转换。

针对第2项研究,主要进展如下:

在解决传感器在空间中的相对距离造成的量测偏差问题时,目标跟踪领域解决空间偏差的方法主要有:Burke J[18]采用取量测数据平均值的办法,将其作为观测量校正空间偏差。Leung L[19]通过最小二乘法求得传感器数据的估计值,校正空间偏差对量测数据造成的影响。Zhou[3]首先运用一种优化方法,使估计收敛的时间大大提前,采用极大似然法同时估计目标位置和传感器偏差。Karniely[20]以神经网络方法为基础,估计出传感器数据的偏差,在系统偏差来源未知的情况下仍然可以采用这种方法进行空间配准。Nickens[21]提出一种极大似然配准算法,可以对异类传感器的偏差进行配准,基于该组量测值的极大似然函数,估计状态以及传感器在空间中的相对距离造成的量测偏差。祁永庆[22][23]提出了一种针对异类传感器配准问题的算法,对算法中矩阵运算难度较高的部分进行了相应的改进。

时空误差分析
时间误差的来源
对于一个多传感器系统,各个传感器对目标进行量测时获得的量测信息不同步,需要将它们转换到同一融合时刻下,即时间配准。

对于组合导航系统来说,时间误差的来源主要是:

各传感器采用的时间基准不同,不同的传感器的时钟精度是不同的,由于时钟精度所造成的误差一般使用时间统一装置,补偿后即可消除这一部分的时间误差。各传感器的采样周期不相同,开机时刻不同步,它们将量测信息发送到融合中心时就会存在时间偏差,造成了量测信息的不同步。各传感器在将量测信息发送到融合中心时会有通信延时,因为数据在传输过程中十分复杂,即使是在同一网络下进行数据传输,各传感器在传输信息时的延迟时间也不尽相同。
空间误差的来源
由前所述,消除空间误差主要有两种方法:

对坐标系进行统一消除传感器间的空间偏差,
下面围绕这两个空间配准任务对空间误差的来源进行分析。对于组合导航系统来说,造成空间误差的原因主要有以下四个方面:

不同的坐标系体系在进行定位时产生的偏差;不同应用领域下的导航传感器使用不同的参考坐标系;传感器的量测器件安装在运载体的位置不同时,在空间量测时会有一定的偏差;运载体自身发生扭曲形变,会导致空间量侧存在偏差。
(后续待更。。。)

异构传感器:异构传感器定位论文概述

一、简介
最近在研究异构传感器定位方面的东西,读了一些论文。写个文章做个小结,主要是为了自我总结,也给有缘的网友们一起看看探讨探讨。以后每读一篇论文就再加一节。
异构传感器(Heterogeneous sensor),是一个乍一看很高端的名词,其实异构的意思我的理解就是不同源的传感器,类似于camera、lidar、imu、rtk等传感器都是不同源的。那么异构传感器定位呢,就是利用不同源的传感器获得的数据来定位。
个人的粗略理解:异构传感器定位的问题实际上就是找到不同传感器数据之间的匹配的问题。
目前做的比较多的是相机在先验激光雷达点云地图中的定位(好像目前能做的也就这种吧,拿imu在激光中定位怎么想都有点不太现实)。相机包括单目、双目、rgbd(话说这个目前没有看到相关论文诶)。这个方向的一个基本逻辑就是,先用激光雷达等高精度设备建立一个高精度的点云地图,然后再用视觉里程计结合异构传感器定位的一些方法,实现一个累计误差可控的视觉里程计。
应用场景也很有想象空间。例如在自动驾驶中,可以用一台“全副武装”的采集车采集到全路段的高精度地图,然后再在运行车上安装几个低成本的相机在先验高精度点云地图中实现高精度定位。
二、论文简介
接下来直接上一些论文吧,粗略讲解一下这些论文的思路。
1、Monocular Camera Localization in 3D LiDAR Maps(IROS 2016)
这篇论文是一篇比较早期的研究单目相机在点云地图中定位的论文。
其主要思路如下:
1、使用了单目相机,利用ORBSLAM的共视图,恢复单目提取到的特征点的深度(有一说一,笔者对其提取到的特征点的精度存疑)
2、用了一些特殊的方法(没看太明白,先是把点云地图进行了类似体素化的操作,然后用3d特征点去做点和点的对齐(alignment))。
3、最后在实际场景中做了一个实验,在晴朗的天气采集了先验点云地图,在一个雪天进行了定位,最终使用定位得到的路径对第二次采集的单目图像进行了三维重建以示其效果。
2、Stereo Camera Localization in 3D LiDAR Maps(IROS 2018)
作者发现在同一个位姿下,双目相机获得的intensity图像和lidar获得的intensity图像差异较大,而它们获得的depth图像的差异较小,如上图。因此作者提出了使用最小化深度图误差的方法来进行异构传感器定位的位姿优化。
同时作者发现深度提取差异在平面环境中更为相似,在边缘场景下会有更大误差,因此作者尽量提取梯度较小处的深度进行匹配。另外在深度误差较大时,作者会使用ICP的方法进行补救。
最终在kitti00,kitti02-10数据集和自己的数据集上分别进行了测试,因为没有直接对比,也不好说结果,平均误差在20cm左右。
3、A Robust Stereo Camera Localization Method with Prior LiDAR Map Constrains(ROBIO 2019)
用G-LOAM顺便提取了激光点云中的面特征,使用梯度提取了图像中的面特征,而后结合orbslam2的前端在kitti07中进行定位,最终误差在0.53m左右。总之效果一般,不建议阅读(以后论文还是得先看看结果才行)。
4、Visual-Inertial Localization with Prior LiDAR Map Constraints(RAL期刊)
1、视觉里程计部分使用MSCKF框架,单目+imu
2、匹配方法:使用双目图像,按照距离和旋转选取关键帧,重建一个半稠密地图,而后与点云地图进行匹配。
(1) 使用双目恢复深度
(2) 使用深度细化算法(相当于降噪),使得深度恢复得到的墙面更直
(3) 把所有的双目重建得到的半稠密地图投影到当前关键帧,而后使用NDT算法与先验点云地图进行对齐。
3、作者把点云对齐得到的约束作为一个约束紧耦合进了MSCKF的框架中
4、在作者搭建的模拟环境中和真实场景中进行了实验。测试了7m——35m的场景,在7m、14m原版MSCKF更优,之后随着长度增加,不使用先验地图约束的算法有了累计漂移误差,但是使用了先验地图约束的算法累计误差被限制了。
第一次更新,先写这些,下周看了其他的再来更新……
异构传感器:An Integration and Sharing Method for Heterogeneous Sensors Oriented to Emergency Response in Smart  第3张

异构传感器:无人驾驶异构多传感器深度融合平台---roadstar.ai的L4级自动驾驶方案系统架构

本文在未知环境下的多目标搜索过程中,采用了强化学习框架来指导和促进异构多机器人系统(HMRS)的行为演化。 为了保证HMRS行为进化的可行性和有效性,提出了两个阶段,分别称为感知/识别和基于强化学习的行为进化。 在第一阶段,通过与异构多源传感器进行数据融合来感知和识别周围的环境(学习之前)。 在第二阶段,通过Q学习算法和有效的环境感知和识别知识信息,更新了向目标搜索的行为演变,从而为HMRS制定了搜索路径计划,以尽快获取目标(学习后)。 一系列的仿真实验结果通过将学习后的学习结果与学习前的学习结果进行比较,验证了我们提出的方法的有效性,并且三个目标搜索指标的改进表明HMRS的行为演化结果令人满意。

您可能感兴趣的文章

本文地址:https://www.ceomba.cn/2763.html
文章标签: ,   ,  
版权声明:本文为原创文章,版权归 ceomba 所有,欢迎分享本文,转载请保留出处!

文件下载

老薛主机终身7折优惠码boke112

上一篇:
下一篇:

评论已关闭!