北京国产传感器

    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。 卫星在轨运行时，IMU 监测姿态变化设备正常工作。北京国产传感器

    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。 上海高精度IMU传感器校验标准IMU 低延迟传输数据，为设备迅速响应提供技术支撑。

    估算牧场牧草量是优化轮牧计划和载畜量的关键，但传统人工测量方法耗时费力，现有基于无人机、卫星等的技术存在成本高、受光照和天气影响等局限，难以满足田间实时监测需求。近日，美国克莱姆森大学团队在《SmartAgriculturalTechnology》期刊发表研究成果，研发出基于惯性测量单元（IMU）的牧草量估算系统，一定程度上解决上述难题。该研究设计了两种测量系统：IMU-Ski系统通过在连接压缩滑板与地面漫游车的连杆上安装IMU，捕捉滑板随作物冠层轮廓的垂直运动，将连杆角度变化转化为作物高度；IMU-Roller系统则在圆柱形滚筒两侧的连杆上安装双IMU，同步记录两侧作物高度。通过将测量的总作物高度（TCH）与植被覆盖率（VC）和田间实测产量关联，构建量预测模型。实验在百慕大草和紫花苜蓿牧场开展，结果显示IMU-Ski系统性能更优。该系统成本低、不受光照条件限制，可实时输出牧草量数据，为牧场管理者提供科学决策依据。未来团队将优化系统，减少安装高度等固定参数影响，无需重新校准即可适配不同漫游车和牵引装置。

    马术训练中，骑手姿态偏差和马匹运动异常难以直观量化，传统训练依赖教练经验判断，效率有限。近日，某马术科技公司推出基于IMU的马术训练监测系统，为训练和业余骑乘提供数据化支撑。该系统包含骑手端和马匹端两套IMU传感器模块：骑手的头盔、躯干、腿部共部署5个IMU传感器，采样率达1000Hz，捕捉骑乘时的姿态角度、重心转移幅度；马匹的头部、颈部、背部及四肢安装6个IMU，实时采集马匹的步频、步幅、关节屈伸角度及颠簸程度。数据通过无线传输至终端，系统生成三维运动模型，量化分析骑手姿态稳定性、马匹运动协调性，识别过度前倾、缰绳拉扯过紧等问题，并提供针对性矫正建议。实测显示，该系统对马匹步频测量误差小于±步/分钟，骑手重心偏移识别准确率达96%，帮助骑手优化姿态后，马匹运动舒适度提升28%。目前已应用于马术队训练及马术俱乐部教学，未来将新增马匹状态监测功能。 校园巡检机器人通过 IMU，在楼宇走廊内导航与避障。

    自主机器人导航中，可靠的里程计估计至关重要，但隧道、长走廊等无几何特征环境会导致激光雷达点云退化，传统激光雷达-惯性测量单元（LiDAR-IMU）里程计易出现误差累积。对于滑移转向机器人，轮式里程计虽能提供补充约束，但车轮打滑、横向运动等复杂动作会引发非线性误差，且误差受地形影响较大，传统线性模型难以描述。近日，日本东北大学与产业技术综合研究所（AIST）团队在《RoboticsandAutonomousSystems》期刊发表其成果，提出一种紧密耦合的LiDAR-IMU-轮式里程计算法。该算法创新融入神经网络在线训练，通过因子图优化实现传感器融合与运动学模型学习的统一。研究设计的神经网络分为离线和在线学习模块，离线模块预训练捕捉地形无关特征，在线模块实时适配地形动态变化，同时提出神经自适应里程计因子，确保模型约束与传感器数据一致性。实验验证显示，该算法在点云退化、车轮大幅打滑等极端场景下表现稳健，在8种不同地形及3类复杂测试序列中，轨迹误差（ATE）和相对轨迹误差（RTE）均优于现有主流方法，较固定网络模型精度提升超一倍，且处理耗时为秒，满足实时应用需求。该技术为GNSS缺失环境下的机器人导航提供了新方案。 多传感器融合系统中，IMU 与 GNSS 互补增效，在卫星信号遮挡时仍能维持连续导航输出。江苏IMU数字传感器厂商

运动手环利用 IMU 识别用户的跑步、跳绳、游泳等运动模式。北京国产传感器

柔性机械臂因重量轻、功率重量比高，主要用于航空、工业等领域，但结构柔性使其控制难度大——传统采用偏微分方程（PDE）建模，计算复杂难以实时应用。近日，研究人员提出用惯性测量单元（IMU）传感器网络解决这一问题：将柔性臂拆分为多个虚拟刚性段，通过IMU采集每个段的加速度与角速度数据，结合互补滤波处理传感器漂移和噪声，准确估算各段姿态与位置，将柔性臂动力学简化为易实时计算的普通微分方程（ODE）模型。基于此模型，研究人员设计鲁棒模型预测控制（RSMPC）策略，无需复杂PDE计算即可实现实时控制。实验用4.5米长的柔性液压机械臂验证：IMU估算的端点位置与激光测量结果一致性高，控制效果优于PID、PDE等方法，且输入更平滑。该方法为柔性机械臂的实时控制提供了实用路径，未来可结合模态分析减少IMU使用数量，或适配不同边界条件，推动柔性机械臂更主要应用。北京国产传感器