一种基于多源感知融合与预测控制的山地农机底盘自适应调平方法、系统及其装置
本发明涉及一种基于多源感知融合与预测控制的山地农机底盘自适应调平方法、系统及其装置,属于农业机械智能控制。
背景技术:
1、丘陵山地是甘蔗、茶叶、柑橘、中药材等经济作物的主产区。与平原地区相比,丘陵山地地形具有以下显著特征:(1)坡度变化剧烈,典型耕作坡度在15°~35°之间,部分陡坡地块可达40°以上;(2)地形起伏频率高,空间频率范围约0.05~0.3 hz(对应车速0.5~2 m/s时波长1.7~40 m);(3)局部存在冲沟、陡坎、田埂等突变地形特征,高度突变量级可达0.3~1.0m;(4)地块面积小、形状不规则,农机需要在窄小空间内频繁转向和调头。
2、上述地形特征给农机底盘姿态控制带来了严峻挑战。农机在作业过程中,底盘横滚角和俯仰角随地形持续波动。当横滚角超过临界值(通常为,取决于具体机型参数和载荷分布)时,车辆重心的水平投影可能超出履带或车轮的接地边界,导致侧翻事故。此外,剧烈的姿态波动严重影响作业精度——例如,甘蔗收获机的切割高度偏差直接影响原料蔗的含杂率和出糖率;茶园管理机的修剪平整度影响茶叶品质分级;果园喷雾机的喷杆离地间隙不均导致农药沉积分布变异系数增大。驾驶员长期处于剧烈摇摆的工作环境中,生理和心理负荷显著增加,进一步加剧了安全隐患。
3、目前,农机底盘调平主要采用以下几种技术方案:
4、方案一:基于pid控制的调平方法。该方案通过安装于底盘上的倾角传感器(通常为mems倾角计或电解液式倾角传感器)实时检测底盘当前横滚角和俯仰角,计算其与水平面(目标姿态为0°)的偏差,采用比例-积分-微分(pid)控制器产生控制信号,经功率放大后驱动液压油缸或电动推杆伸缩,改变底盘四角相对于车架的高度,从而实现姿态调平。该方案结构简单、传感器成本低、技术成熟度高。然而,该方案存在以下显著不足:第一,缺乏前方地形预览能力——pid控制器仅依赖当前时刻的反馈误差信号进行调节,当车辆遇到前方突变地形(如沟坎、陡坡)时完全被动响应,控制滞后明显(实测复杂地形下调节时间可达9.98秒,意味着车辆在此期间已行驶了约5~20米,早已越过地形突变点);第二,pid参数对不同地形变化的适应性差,在同一组参数下无法同时兼顾响应速度与超调抑制,通常需要针对不同地块条件反复人工整定,增加了使用门槛和维护成本;第三,传统方案通常采用四路油缸独立pid控制架构,每路控制器仅根据对应位置的角度偏差进行调节,未考虑底盘横滚与俯仰之间的动力学耦合关系(例如,单独升高左前油缸以修正横滚角时,同时会对俯仰角产生扰动),导致四路执行器之间互相"打架",产生冗余的能量消耗和机械磨损;第四,pid控制器无法系统性地处理执行器的物理约束(如油缸行程上限、最大力输出、速率限制等),通常依赖后处理限幅或饱和保护,在极端工况下可能出现执行器推满后"卡死"的问题。
5、方案二:基于卡尔曼滤波的多传感器融合方法。该方案采用扩展卡尔曼滤波(ekf)或无迹卡尔曼滤波(ukf)作为核心融合算法,将imu测量的角速度(用于状态预测)和倾角计测量的绝对角度、lidar提取的地形坡度信息(用于状态更新)进行递归融合,输出底盘姿态的实时估计。ekf通过在当前估计点对非线性系统进行一阶泰勒展开实现近似线性化,ukf通过确定性采样(sigma点)传播均值和协方差,避免了雅可比矩阵的显式计算。然而,这两种方法在农机底盘姿态估计这一特定应用中存在以下固有不足:第一,ekf/ukf受限于隐马尔可夫假设(状态的一阶markov性),只能进行前向时间递推,无法利用未来时刻的测量信息修正历史状态估计——这在传感器出现短暂异常值(如lidar因扬尘遮挡产生随机大偏差的离群点、imu因发动机振动产生瞬态尖峰)时尤为致命,因为异常值一旦被错误地融合进状态估计,其影响将在后续递推中被不断传播和放大,且无法回溯修正;第二,标准ekf/ukf框架要求所有传感器数据在时间上严格对齐(同一时刻的预测与更新),但实际农机中各传感器的采样频率和时刻存在显著差异——imu以100 hz连续采样、lidar以10 hz扫描(且单帧扫描耗时约,并非瞬时获取整帧数据)、倾角计以100 hz采样但与imu的采样时刻存在微秒到毫秒级的异步偏差——需要额外的插值、外推或缓存对齐处理,这些预处理步骤不仅增加了计算负担,还引入了难以量化的同步误差;第三,ekf/ukf的状态向量维度、状态转移矩阵和观测矩阵的规模在部署之初即已确定,当传感器配置发生变化时(如更换不同线数的lidar、增加rtk-gps或视觉传感器、升级imu型号等),需要重新推导和编码整个状态转移矩阵、观测矩阵以及对应的噪声协方差矩阵,工程维护成本高,不利于在不同农机平台间进行算法复用和快速适配;第四,ekf在预测均值点进行单次线性化,舍弃了高阶taylor项,当初始估计误差较大(如冷启动阶段)或系统非线性较强(如大坡度下的三角函数耦合)时,线性化误差可能导致协方差矩阵失去正定性,进而引发滤波发散——ukf虽然通过sigma点传播避免了雅可比矩阵计算,但计算量随状态维度近似以增长,在嵌入式处理器上实时运行的压力更大。
6、方案三:基于传统模型预测控制(mpc)的调平方法。该方案在每个控制周期内,基于简化的底盘动力学模型(通常为二自由度或四自由度线性化模型)对未来的状态轨迹进行有限时域预测,在油缸力约束和姿态角约束下求解一个带约束的二次规划问题,得到最优控制序列,并根据滚动时域控制原理仅执行第一个控制量。然而,该方案在实际农机应用中存在以下不足:第一,mpc内部预测模型高度依赖精确的底盘动力学参数(包括整车质量、横滚转动惯量、俯仰转动惯量、质心高度、油缸力臂等),而农机在实际作业中因燃油消耗(满箱到空箱质量变化可达)、作物/农资装载(如满载甘蔗的收获机比空载增加)、土壤黏附等因素,质量和质心位置具有显著的时变性和不确定性,模型参数失配导致预测精度下降,从而降低mpc的优化效果;第二,传统mpc方案通常以当前时刻的姿态误差作为优化目标,未系统性地利用lidar等传感器提供的前方地形预览信息(如前方 m范围内的高程剖面)作为前馈补偿量——这意味着mpc控制器只能"看到"当前误差并做出反应,无法提前预判即将到来的地形变化并提前调整油缸姿态,本质上仍然是一种"被动响应"而非“主动预测”的控制策略;第三,传统mpc方案通常独立于感知融合环节设计和部署——如果前端传感器融合输出的姿态估计存在较大噪声或偏差,这些误差将直接传递到mpc的优化问题中,造成“测量误差的传递与放大效应”(garbage in, garbageout)效应,而现有方案缺乏对感知-控制联合优化的系统性设计。
7、综合上述三种方案的缺陷,现有技术在以下四个层面存在共性不足:①传感器融合层面——固定权重或卡尔曼滤波方案无法根据各传感器实时可靠性动态调节融合权重,在传感器部分失效(如lidar受扬尘遮挡、imu受振动干扰)时性能骤降;②控制策略层面——缺乏地形预测前馈机制,只能被动响应地形变化而非主动预判调整;③系统集成层面——感知、融合、预测、控制、安全各环节相互独立设计,缺乏全链路信息的协同优化;④鲁棒性层面——对传感器退化(异常值、丢帧)、模型不确定性(参数时变)和执行器物理约束(行程、速率限制)的综合应对能力不足。因此,亟需一种能够同时解决上述四个层面问题的新型底盘动态调平方法。
技术实现思路
1、针对现有技术中存在的不足,本发明旨在解决以下技术问题:
2、第一:如何实现异构传感器(lidar、imu、倾角计)的自适应加权融合——该融合机制需要满足以下要求:(a)各传感器的融合权重应根据其各自的实时噪声水平(而非预设的固定权重)自动确定,噪声小的传感器贡献更高的权重,噪声大或出现退化的传感器自动降权;(b)融合框架应原生支持异步传感器的数据关联,无需对传感器数据进行插值或外推的时间对齐预处理;(c)融合框架应支持传感器的即插即用(plug-and-play),在传感器配置变化时无需重新推导系统矩阵;(d)融合算法应能在嵌入式处理器的算力约束下(每周期计算时间<1 ms)实时运行。
3、第二:如何将前方地形预览信息有机融入mpc框架——需要设计一种机制,将lidar扫描获取的前方地形高程剖面(空间域的几何信息)转化为mpc预测时域内的参考轨迹扰动序列(时域的控制目标调整),使控制器能够在车辆到达前方地形特征之前即开始预调节油缸状态,实现从“被动反馈响应”到“主动预测调节”的控制范式转换。
4、第三:如何在统一优化框架中协调处理多类异构物理约束——需要在一个优化问题中同时满足油缸行程限位约束(防止机械超行程损坏)、执行器速率限制约束(防止液压冲击和过大电流)、底盘安全姿态约束(防止侧翻)和姿态跟踪精度要求,且该优化问题应能在每个控制周期(10 ms)内完成求解。
5、第四:如何在保证控制精度的前提下将算法计算复杂度控制在嵌入式平台的实时性要求之内——需要实现从传感器数据输入到油缸力指令输出的完整流水线,各环节延迟之和不超过10 ms的控制周期,且为未来的功能扩展(如增加视觉传感器、融入rtk-gps全局定位等)留有算力余量。
6、为实现上述目的,本发明的技术方案是:一种基于多源感知融合与预测控制的山地农机底盘自适应调平方法、系统及其装置,本发明将传统“感知→控制”的串联架构重构为“因子图融合→估计平滑→mpc优化→安全校验”的四层闭环架构。其中,因子图融合层解决“多传感器数据如何自适应融合”的问题——通过信息矩阵(噪声协方差的逆)实现“好传感器多信、坏传感器少信”的动态权衡;lm优化层解决“如何高效求解非线性map估计”的问题——通过阻尼因子的自适应调整在全局收敛性和局部收敛速度之间取得平衡;mpc优化层解决“如何在多约束下实现预测性控制”的问题——通过将地形预览高程转化为预测时域内的参考轨迹扰动,实现从“被动”到“主动”的控制范式转换;安全监控层解决“如何防止系统失控”的问题——通过分级保护策略确保在任何单一故障下系统仍能维持在安全状态,包括以下步骤:
7、s1:采集多源异构传感数据;其中,所述多源异构传感数据包括地形点云数据、三轴角速度和加速度数据以及绝对横滚角和俯仰角数据;
8、s2:基于所述多源异构传感数据构建基于概率图优化的多源感知融合模型;其中,所述多源感知融合模型采用二分因子图结构,包含一个变量节点和四个因子节点,所述变量节点为车辆姿态状态向量,所述四个因子节点包括imu预积分因子、倾角计观测因子、lidar地形因子和运动平滑因子;
9、s3:基于所述多源感知融合模型将状态估计问题表述为以各传感器噪声协方差逆矩阵为信息矩阵的加权非线性最小二乘优化问题,并求解最大后验估计,迭代收敛后输出农机底盘的融合姿态估计;
10、s4:将所述融合姿态估计和前方地形预览高程剖面输入模型预测控制器,在预设预测时域和预设控制周期下,求解约束二次规划问题,输出四路油缸力指令;
11、s5:将所述四路油缸力指令通过can总线发送至安装在底盘四角的四组电液伺服油缸,油缸根据所述四路油缸力指令产生位移,通过油缸位移与姿态角之间的预设几何映射关系实现底盘横滚和俯仰方向的姿态调节;
12、s6:在每个控制周期内,重复s1-s5,完成山地农机底盘自适应调平。
13、可选地,所述多源感知融合模型中的约束节点为因子节点,所述变量节点与因子节点之间通过无向边连接,所述因子节点具体为:
14、imu预积分因子利用imu角速度测量值通过数值积分计算相邻时刻的姿态增量并对相邻变量节点施加运动学约束;
15、倾角计观测因子利用绝对角度测量值对当前变量节点施加直接观测约束;
16、lidar地形因子利用激光雷达获取的当前帧地形高程和前方预览高程信息对变量节点施加几何约束;
17、运动平滑因子假设预设时间内的姿态变化服从恒定速度模型从而对相邻变量节点施加平滑过渡约束。
18、可选地,所述s3具体为:
19、步骤3.1:初始化状态向量,以农机底盘在上一个控制周期结束时获得的姿态估计值作为当前时刻lm迭代优化的初值;
20、步骤3.2:计算当前估计下的雅可比矩阵和各因子的残差向量;其中,为农机底盘姿态残差函数对状态向量x的雅可比矩阵,为imu角速度积分残差,为倾角计绝对角度观测残差,为lidar地形几何约束残差,为运动平滑先验残差,和分别为imu和倾角计的零偏缓变约束残差;
21、步骤3.3:计算增广正规方程,式中,为各因子信息矩阵组成的分块对角矩阵,为lm阻尼因子,为单位矩阵,为转置矩阵表示;其中,的各分块对角元素由对应传感器的噪声协方差取逆得到;
22、步骤3.4:求解增量,更新状态;其中,增量表示当前迭代步对农机底盘姿态状态向量的修正量,,分别为横滚角修正量、俯仰角修正量、横滚角速率修正量和俯仰角速率修正量,为上一迭代步的底盘姿态状态向量;
23、步骤3.5:评估新状态下的总残差,若,接受状态更新,←;若,拒绝状态更新,←;
24、步骤3.6:检查收敛条件,若满足则停止迭代输出融合姿态估计,否则返回步骤3.2;若迭代次数达到预设上限迭代次数后仍未收敛,输出当前最优融合姿态估计。
25、可选地,所述约束二次规划问题的优化目标具体为:
26、在预设预测时域内的各步上,使预测状态与调平目标参考状态的偏差加权平方和、以及当前步控制输入与上一周期控制输入之差的加权平方和的总和最小化;
27、约束条件包括:各路油缸力指令的绝对值不超过预设油缸力限幅阈值,相邻两步控制输入之间的变化量不超过预设控制增量限幅阈值,各预测步的横滚角绝对值小于预设横滚安全阈值,各预测步的俯仰角绝对值小于预设俯仰安全阈值。
28、可选地,所述求解约束二次规划问题具体为:
29、以无约束最优解为初始点,其中,所述无约束最优解通过求解正规方程获得,为qp问题的hessian矩阵,为梯度向量,为无约束最优解;
30、拉格朗日乘子为等式约束对应的对偶变量,通过反复将违反的约束加入活动集、检查拉格朗日乘子符号来迭代逼近满足所有油缸力和姿态约束的可行最优解,收敛后输出四路油缸力指令u1至u4;
31、检查约束违反情况,将违反最严重的约束加入活动集,在活动集约束下求解等式约束qp子问题;
32、若拉格朗日乘子非负则当前解为最优,停止迭代;否则从活动集中移除对应约束,继续迭代,迭代收敛后,单次求解耗时满足预设控制周期的实时性要求。
33、此外,本技术还提供一种基于多源感知融合与预测控制的山地农机底盘自适应调平系统,包括:
34、感知融合模块:集成激光雷达、mems-imu和倾角计传感器及其数据采集板,数据采集板基于微控制器读取传感器数据并附带硬件时间戳后通过通信总线发送至工控机,进行数据采集和因子图融合姿态估计,输出融合姿态估计和前方地形预览数据;
35、决策控制模块:部署于工控机上,接收感知融合模块的输出,进行mpc优化求解,输出四路油缸力指令并通过can总线发送至执行驱动模块;
36、执行驱动模块:包括四组电液伺服油缸及其比例伺服阀控制器,每组控制器基于微控制器接收力指令并经内部pid位移闭环转化为伺服阀pwm驱动信号,同时将位移和压力反馈通过can总线回传;四组油缸分别通过球铰连接安装于底盘四角,每组油缸的缸体端通过铰接支座与底盘车架纵梁连接、活塞杆端通过球铰与行走机构的转向节或履带架连接,形成四组独立悬置的主动支撑单元;
37、安全监控模块:作为独立的高优先级线程运行于工控机上,实时校验姿态角和油缸状态,在超限时触发分级保护,具体为:一级保护限制对应油缸力指令最大幅值;二级保护将超限油缸力指令置零并通过can总线向上位机发布警告;模块同时监测控制指令增量,若超过物理执行器最大响应速率,对指令进行后处理限幅。
38、可选地,所述感知融合模块内置增强噪声模型,具体为:
39、imu噪声模型包含角随机游走、偏置不稳定和速率随机游走共三项噪声分量;
40、lidar噪声模型为高斯-拉普拉斯混合噪声,高斯分量标准差,拉普拉斯离群点概率3%,尺度0.15 m,模拟扬尘或植被遮挡产生的随机异常测距;
41、倾角计噪声模型包含高斯白噪声和随温度线性变化的漂移项,模拟sca100t级别mems倾角传感器的环境敏感性。
42、可选地,所述数据采集板与工控机之间通过can总线通信,各传感器数据包采用统一帧格式,具体为:
43、帧头+传感器类型+时间戳+数据载荷+ crc校验;其中传感器类型编码为0x01,对应imu角速度、0x02,对应imu加速度、0x03,对应倾角计角度、0x04,对应lidar点云、0x05,对应油缸位移、0x06,对应油缸压力。
44、此外,本技术还提供一种基于多源感知融合与预测控制的山地农机底盘自适应调平装置,包括:
45、底盘本体,为履带式或轮式行走机构;
46、四组调平执行机构,分别通过球铰连接安装于底盘本体的四角位置,每组调平执行机构包括:液压油缸,其缸体端通过铰接支座与底盘本体连接,活塞杆端通过球铰与行走机构连接;位移传感器,安装于液压油缸内部或外部,用于实时检测油缸活塞的位移量并反馈至控制器;电液伺服阀,接收控制器的力指令信号并调节进入液压油缸的液压油流量和方向;
47、传感器套件,固定安装于底盘本体上,包括:至少一个激光雷达,安装于底盘前部或顶部,用于获取车辆前方及下方地形的三维点云数据;至少一个mems惯性测量单元,安装于底盘质心位置,用于获取三轴角速度和加速度数据;至少一个倾角计,安装于底盘刚性结构上,用于获取绝对横滚角和俯仰角数据;
48、嵌入式控制器,安装于底盘本体上并通过can总线与传感器套件和调平执行机构连接。
49、与现有技术相比,本发明具有以下有益效果:
50、(1)多传感器自适应融合精度高、鲁棒性强。采用因子图概率图模型统一建模imu角速度积分约束、倾角计绝对观测约束和lidar地形几何约束三大类异构信息源,根据各传感器实时噪声协方差矩阵的逆矩阵(信息矩阵)自动分配融合权重——根本原理是:噪声越小的传感器,其信息矩阵的特征值越大,在加权最小二乘目标函数中贡献的惩罚力度越强,从而在优化结果中占据主导地位。当某一传感器因环境因素出现性能退化时(例如,lidar因扬尘遮挡导致测量噪声从标称的增加到等效),其信息矩阵的特征值相应缩小约25倍(从约37000降至约1500),该传感器在融合中的权重自动降低,退化产生的影响被自然抑制。这一“基于信息矩阵的自适应降权”机制是因子图融合相比于固定权重互补滤波和标准卡尔曼滤波的区别性技术特征——无需人工设计复杂的传感器故障检测逻辑和权重切换策略,传感器可靠性的变化通过信息矩阵的调整自然、连续、可微地反映在最终的姿态估计结果中。
51、在标准工作条件下,本发明方法在简单正弦地形(波长10 m,幅值0.3 m)下100次蒙特卡洛统计结果为:横滚rmse 0.50±0.05°,俯仰rmse 0.80±0.05°,执行器饱和率0.4%;在复杂多频叠加地形(hz,最大坡度约20°)下:横滚rmse 0.94±0.05°,俯仰rmse 1.81±0.04°,csr 98.2%,执行器饱和率4.4%。在传感器退化条件下——如lidar30%随机丢帧(模拟扬尘/植被遮挡导致的激光点云严重缺失)——因子图框架通过自动降低lidar因子的信息矩阵,将约束满足率csr维持在95.2%,执行器饱和率反而由正常工况下的4.4%降至33.0%(控制器感知到信息可靠性下降后自动趋于保守),优于ekf/ukf在同等非高斯噪声条件下的退化表现。
52、(2)地形预测前馈机制显著提升了控制响应速度。区别于传统mpc仅以当前时刻姿态误差作为优化目标的被动策略,本发明将lidar获取的前方地形预览高程剖面转化为mpc预测时域内的参考轨迹扰动序列——以随预测距离衰减的置信系数加权。这一机制的物理直觉是:距离当前时刻越远的地形预测,其不确定性越大,因此在优化目标中的权重越低(, )。地形前馈使得mpc控制器在车辆实际到达前方地形特征之前(提前量≈到7.5 m,取决于车速)即开始预调节油缸状态——前轮尚未进入陡坡,后轮油缸已开始预伸展以补偿即将到来的俯仰角变化。实测结果表明,在复杂多频地形( hz,最大坡度约20°)下,本发明方法的调节时间(姿态角进入±2°容差带)仅为1.02秒,远优于pid控制的9.98秒(改善89.8%)和传统无预览mpc的8.22秒(改善87.6%)。
53、(3)多约束统一优化保障了执行机构与底盘的双重安全。区别于传统方法中在pid输出之后施加简单后处理限幅的做法,本发明在mpc的数学优化问题中显式引入三类约束:油缸行程限幅约束(防止机械超行程损坏和液压过载)、控制增量约束(防止液压冲击和过大瞬态电流峰值)、安全姿态约束(确保底盘姿态始终在防侧翻安全包络内)。这些约束不是事后补救,而是作为优化问题的硬约束在求解过程中被严格满足——活动集qp求解器输出的最优解天然位于约束可行域内。因此,即使在最恶劣的地形扰动和传感器噪声组合下,只要qp问题有可行解,控制器输出的力指令和执行后的姿态角就绝不会违反预设的安全边界。复杂地形下,约束满足率csr达到98.2%,未出现单一执行器超行程或多执行器冲突的问题。
54、(4)因子图模块化架构支持传感器的即插即用(plug-and-play)。标准二分因子图的拓扑结构天然支持模块化传感器集成——因子图的二分性(因子节点只能连接变量节点,变量节点之间不能直接相连)保证了每个传感器对应的因子节点仅通过其连接的变量节点与整个图结构交互,因子之间彼此独立、解耦。增加或减少传感器通道时,只需在因子图中增删对应的因子节点和连接边,无需重新推导整个状态转移矩阵a和观测矩阵h——而标准ekf/ukf框架中,任何传感器的变更(增加、删除或更换型号)都需要修改状态向量维度、重新计算和的雅可比矩阵、调整q和r矩阵的维度对齐,工程工作量大且容易引入编程错误。例如,若需增加rtk-gps模块提供全局位置约束,在因子图框架中仅需新增一个gps因子方框并连接到对应时刻的变量节点,同时为其指定合适的噪声协方差即可完成扩展;而在ekf框架中,则需要将状态向量从6维扩展至9维(增加x, y, yaw),重写、、、矩阵,测试和调试工作量增加至少一个数量级。这一模块化特性对于需要在不同农机平台上灵活配置传感器的实际应用场景具有显著工程价值——同一套融合核心代码可以不经修改地适配于仅配倾角计的简易调平系统(2因子)、标配lidar+imu+倾角计的标准系统(4因子)以及加装视觉和rtk-gps的高端系统(6因子以上)。
55、(5)实时性经过实际测试验证,嵌入式部署路径明确。每个控制周期(10 ms)内,各步骤的耗时分配如下:s1数据采集0.1 ms(传感器读取和can总线接收),s2+s3因子图lm融合0.3±0.1 ms(对于、的稀疏雅可比结构,次迭代收敛),s4 mpc-qp活动集求解3.2±0.8 ms,s5执行驱动0.2 ms(can总线指令发送),安全监控0.1 ms,总计3.5±0.9 ms,占用率约35%,留有约6.5 ms的充足算力余量用于操作系统调度、通信开销和未来功能扩展。上述耗时数据在intel i7-10700k(3.8 ghz, 32 gb ram, python 3.9.7,numpy 1.24.3, scipy 1.10.1)平台上实测获得。针对低算力arm嵌入式平台(如armcortex-a72 @ 1.5 ghz, 4 gb ram),预估lm融合耗时约1~3 ms,qp求解耗时约15~45 ms,单周期总耗时约20~50 ms。为满足10 ms控制周期的严格要求,提出两条可行的优化路径:①采用isam2增量平滑器替代批量lm优化——isam2利用gtsam库中的贝叶斯树数据结构,仅对新加入的因子及其涉及的变量节点执行局部重线性化,历史已收敛的部分保持不变,将因子图优化的计算复杂度从与时间步总数t相关的o(t²)降至o(1)(每次新增因子时的均摊复杂度);②采用fpga硬件加速矩阵运算——在fpga上实现稀疏乔列斯基分解(sparsecholesky decomposition)和三角矩阵回代的流水线并行计算,利用因子图雅可比矩阵的固定稀疏模式定制流水线架构,预估可将每次lm迭代的耗时压缩至10~50μs量级(相比cpu实现提速约100~1000倍)。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com