近日，新西蘭奧克蘭大學(xué)等機(jī)構(gòu)團(tuán)隊(duì)在《AdvancesinWaterResources》發(fā)文，用搭載慣性測量單元（IMU）的“智能泥沙顆粒（SSP）”攻克難題。他們在15米循環(huán)水槽設(shè)固定球形床面，測試鞍形、顆粒頂部兩種凹坑構(gòu)型下60毫米顆粒起動，采集加速度、角速度等數(shù)據(jù)，還定義“正脈沖加速度（PIA）”分析動力特性。結(jié)果顯示，完全淹沒時水深對起動閾值幾乎無影響，凹坑構(gòu)型起決定作用：鞍形構(gòu)型起動臨界流速低（平均），旋轉(zhuǎn)沖量強(qiáng)但運(yùn)動后快停滯；顆粒頂部構(gòu)型因下游顆粒阻擋，臨界流速高（平均），卻能引發(fā)持久翻滾。研究還發(fā)現(xiàn)凈升力對起動作用強(qiáng)于拖曳力，兩種構(gòu)型水動力系數(shù)穩(wěn)定（Cd≈、Cl≈）。該研究率先精度量化凹坑幾何與泥沙起動動力學(xué)關(guān)系，為物理基泥沙輸運(yùn)模型提供支撐，對河道治理、水利設(shè)計(jì)意義重大。團(tuán)隊(duì)表示，未來將拓展試驗(yàn)條件，貼合自然河流環(huán)境。IMU傳感器適用于哪些應(yīng)用場景？浙江IMU數(shù)字傳感器參數(shù)

    一支科研團(tuán)隊(duì)提出了一種融合GNSS/IMU與LiDAR生成數(shù)字高程模型（DEM）的空中三角測量（AT）方法，解決了復(fù)雜地形區(qū)域（如埃及明亞省Maghagha市的多地形區(qū)域）三維測繪精度不足的問題。該研究采用TrimbleAX60混合航空系統(tǒng)，集成攝影測量相機(jī)、激光掃描儀及GNSS/IMU傳感器，通過RTX實(shí)時校正服務(wù)修正GNSS/IMU數(shù)據(jù)，結(jié)合LiDAR生成的高精度DEM初始化AT過程，在MATCH-AT軟件中完成航空影像的光束法平差。通過四種方案對比驗(yàn)證（用地面GCPs、GNSS/IMU初始化、DEM初始化、GNSS/IMU+DEM聯(lián)合初始化），結(jié)果表明，GNSS/IMU校正數(shù)據(jù)的引入使檢查點(diǎn)三維坐標(biāo)均方根誤差（RMS）提升：東向（E）從m降至m，北向（N）從m降至m，高程（H）從3m大幅降至m；DEM初始化雖輕微提升精度，但優(yōu)化了影像匹配效率，而聯(lián)合初始化方案在高起伏地形中表現(xiàn)比較好。該方法為復(fù)雜地形區(qū)域的精細(xì)三維測繪提供了可靠解決方案，適用于數(shù)字孿生、地形測繪、城市規(guī)劃等領(lǐng)域。 AGV傳感器校驗(yàn)標(biāo)準(zhǔn)工業(yè)場景中，IMU 如同設(shè)備的 “內(nèi)耳”，以高頻動態(tài)響應(yīng)捕捉瞬時振動和姿態(tài)變化，復(fù)雜作業(yè)精度。

    IMU輔助療愈工作！近期，一支意大利研究團(tuán)隊(duì)針對上肢運(yùn)動軌跡測量給出新的解決方案，該研究聚焦中風(fēng)、帕金森患者與一般人群的上肢運(yùn)動學(xué)差異，開展了一項(xiàng)包含105名受試者（每組各35人）的觀察性研究，通過IMU傳感器結(jié)合靶向版方塊轉(zhuǎn)移測試（tBBT），解決傳統(tǒng)方塊轉(zhuǎn)移測試（BBT）無法量化上肢運(yùn)動軌跡的局限。研究中，工作人員在受試者的頭部、軀干（C7、T10、L5）及上肢（上臂、前臂、手部）共佩戴7個IMU傳感器，同步記錄60Hz的運(yùn)動數(shù)據(jù)，讓受試者完成tBBT的兩個階段任務(wù)（同側(cè)轉(zhuǎn)移與對側(cè)轉(zhuǎn)移），隨后通過軟件分析關(guān)節(jié)角度（如肩、肘、腕的屈伸、旋轉(zhuǎn)等）、手部軌跡參數(shù)及任務(wù)執(zhí)行時間，并與臨床評估量表（中風(fēng)患者用Fugl-Meyer上肢評估FMA-UL，帕金森患者用統(tǒng)一帕金森評定量表UPDRS）進(jìn)行關(guān)聯(lián)分析。結(jié)果顯示，三組受試者存在明顯運(yùn)動學(xué)差異：中風(fēng)患者患側(cè)上肢的肩部外展-內(nèi)收范圍受限，需通過更大幅度的軀干屈伸（平均角度°，遠(yuǎn)高于一般組°）、旋轉(zhuǎn)（平均角度°，一般組為°）及腕部屈伸代償肘部運(yùn)動；帕金森患者則表現(xiàn)為肩部運(yùn)動范圍異常及軀干側(cè)屈增加；且神經(jīng)疾患者的運(yùn)動平滑度（DLJ值更遠(yuǎn)離0）和速度均低于一般組，中風(fēng)患者患側(cè)完成任務(wù)時間（秒）是一般組。

近日，美國研究團(tuán)隊(duì)成功研發(fā)了一種創(chuàng)新的實(shí)時運(yùn)動捕捉系統(tǒng)，巧妙結(jié)合了IMU技術(shù)，旨在有效應(yīng)對無線數(shù)據(jù)傳輸中的數(shù)據(jù)丟失問題。實(shí)驗(yàn)中，科研團(tuán)隊(duì)采用IMU傳感器，將其分布在運(yùn)動員的身體關(guān)鍵部位，實(shí)時監(jiān)測并記錄運(yùn)動時的加速度和角度變化情況。即使在高達(dá)20%的數(shù)據(jù)丟失率下，IMU傳感器仍能保持較高精度的運(yùn)動捕捉。研究結(jié)果顯示，無論數(shù)據(jù)丟失率如何，尤其是在高數(shù)據(jù)丟失率的情況下，IMU傳感器仍能保持較高的運(yùn)動捕捉精度，揭示了數(shù)據(jù)丟失對運(yùn)動捕捉的影響。這也證明IMU在應(yīng)對無線數(shù)據(jù)丟失方面扮演著重要角色，有望推動運(yùn)動捕捉技術(shù)向更高精度和魯棒性水平發(fā)展。在康養(yǎng)領(lǐng)域，IMU 可追蹤患者痊愈前后的運(yùn)動功能變化，客觀評估康養(yǎng)效果。

    自主機(jī)器人導(dǎo)航中，可靠的里程計(jì)估計(jì)至關(guān)重要，但隧道、長走廊等無幾何特征環(huán)境會導(dǎo)致激光雷達(dá)點(diǎn)云退化，傳統(tǒng)激光雷達(dá)-慣性測量單元（LiDAR-IMU）里程計(jì)易出現(xiàn)誤差累積。對于滑移轉(zhuǎn)向機(jī)器人，輪式里程計(jì)雖能提供補(bǔ)充約束，但車輪打滑、橫向運(yùn)動等復(fù)雜動作會引發(fā)非線性誤差，且誤差受地形影響較大，傳統(tǒng)線性模型難以描述。近日，日本東北大學(xué)與產(chǎn)業(yè)技術(shù)綜合研究所（AIST）團(tuán)隊(duì)在《RoboticsandAutonomousSystems》期刊發(fā)表其成果，提出一種緊密耦合的LiDAR-IMU-輪式里程計(jì)算法。該算法創(chuàng)新融入神經(jīng)網(wǎng)絡(luò)在線訓(xùn)練，通過因子圖優(yōu)化實(shí)現(xiàn)傳感器融合與運(yùn)動學(xué)模型學(xué)習(xí)的統(tǒng)一。研究設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)分為離線和在線學(xué)習(xí)模塊，離線模塊預(yù)訓(xùn)練捕捉地形無關(guān)特征，在線模塊實(shí)時適配地形動態(tài)變化，同時提出神經(jīng)自適應(yīng)里程計(jì)因子，確保模型約束與傳感器數(shù)據(jù)一致性。實(shí)驗(yàn)驗(yàn)證顯示，該算法在點(diǎn)云退化、車輪大幅打滑等極端場景下表現(xiàn)穩(wěn)健，在8種不同地形及3類復(fù)雜測試序列中，軌跡誤差（ATE）和相對軌跡誤差（RTE）均優(yōu)于現(xiàn)有主流方法，較固定網(wǎng)絡(luò)模型精度提升超一倍，且處理耗時為秒，滿足實(shí)時應(yīng)用需求。該技術(shù)為GNSS缺失環(huán)境下的機(jī)器人導(dǎo)航提供了新方案。 IMU 憑借不依賴外部信號的自主性，在室內(nèi)、地下等 GNSS 失效場景中仍能穩(wěn)定輸出運(yùn)動數(shù)據(jù)。上海6軸慣性傳感器廠商

IMU 可同步采集六軸運(yùn)動數(shù)據(jù)，感知物體的空間運(yùn)動狀態(tài)。浙江IMU數(shù)字傳感器參數(shù)

    自動駕駛、城市應(yīng)急響應(yīng)等領(lǐng)域?qū)Ω呔?D地圖需求迫切，固態(tài)激光雷達(dá)憑借無運(yùn)動部件、耐久性強(qiáng)等優(yōu)勢成為主流傳感器，但有限視場導(dǎo)致點(diǎn)云稀疏、特征不足，易引發(fā)位姿偏移和測繪失真，傳統(tǒng)依賴閉環(huán)檢測的校正方法在動態(tài)或特征稀缺環(huán)境中難以適用。近日，同濟(jì)大學(xué)等團(tuán)隊(duì)在《InternationalJournalofAppliedEarthObservationandGeoinformation》期刊發(fā)表成果，提出SLIMMapping（固態(tài)激光雷達(dá)-IMU耦合測繪）方法，解決上述難題。該技術(shù)包含初始特征測繪和位姿優(yōu)化測繪兩大模塊，通過基于感興趣區(qū)域（ROI）的自適應(yīng)編碼與特征提取pipeline，有序處理固態(tài)激光雷達(dá)的無序3D點(diǎn)云；融合高頻IMU數(shù)據(jù)智能篩選關(guān)鍵幀，基于位姿圖優(yōu)化實(shí)現(xiàn)軌跡校正，無需閉環(huán)約束即可減少里程計(jì)漂移。 浙江IMU數(shù)字傳感器參數(shù)