摘要： 為了解決巡檢機器人在小型農(nóng)場環(huán)境信息采集時需自主導(dǎo)航并合理規(guī)劃局部路徑的問題,文中提出一種基于多傳感器和模糊控制融合的方法來對局部路徑進行合理規(guī)劃。首先利用多個超聲波傳感器采集局部路徑環(huán)境信息;然后將經(jīng)計算得到的距離和角度信息輸入模糊控制器,制定出模糊控制規(guī)則;再進行模糊化處理從而輸出處理結(jié)果,進行模糊推理以得到控制模糊集;最后進行去模糊化處理,得到較精確的電機值并以此規(guī)劃出較優(yōu)路徑。結(jié)果表明,文中設(shè)計的機器人系統(tǒng)運行穩(wěn)定,可以有效地完成小型農(nóng)場環(huán)境信息的采集并將數(shù)據(jù)返回上位機,說明基于多傳感器融合的模糊控制方法可行有效。

摘要： 軌道炮的軌道直線度與發(fā)射過程中的電接觸性能密切相關(guān)。為獲取軌道直線度,融合使用激光測距傳感器、位置敏感探測器(PSD)、電感傳感器,提出一種軌道炮軌道直線度測量方法。并對測量方法的工作原理及測量系統(tǒng)設(shè)計進行深入分析。最后對30 mm軌道炮軌道進行檢測,結(jié)果表明:測量精度能控制在0.03 mm以內(nèi),滿足軌道炮軌道直線度測量要求。

摘要： 針對移動機器人定位系統(tǒng)中單一傳感器定位精度低與環(huán)境地圖的重要性問題,提出了一種基于多傳感器融合的移動機器人定位方法.首先,在未知環(huán)境下,分別利用單一里程計,擴展卡爾曼濾波(extended Kalman filter,EKF)算法融合里程計、慣性測量單元(inertial measurement unit,IMU)進行定位,實驗表明他們存在累積誤差;然后,在已知環(huán)境下,利用自適應(yīng)蒙特卡洛定位(adaptive Monte Carlo localization,AMCL)算法,融合里程計、IMU、激光雷達進行定位.最后,實驗結(jié)果表明,該方法可以對累積誤差進行校正,相較于未知環(huán)境下的單一里程計定位與EKF算法融合定位,誤差均值分別減少了68%、30%,驗證了所提出定位方法的有效性以及環(huán)境地圖的重要性.

摘要： 糧食倉儲環(huán)境監(jiān)測對于實現(xiàn)糧食減損、降耗、保鮮至關(guān)重要。針對單一傳感器采集數(shù)據(jù)片面、易造成誤報、漏報等情況,本文設(shè)計了一種基于多傳感器融合的糧倉環(huán)境監(jiān)測系統(tǒng),采用物聯(lián)網(wǎng)技術(shù)、通信技術(shù)、云計算技術(shù)及多傳感器融合技術(shù),對糧倉溫濕度、二氧化碳濃度、氧氣濃度進行實時監(jiān)測,提高了糧倉環(huán)境信息監(jiān)測智能化水平,確保了糧倉存儲的質(zhì)量,具有一定的推廣應(yīng)用前景。

摘要： 推導(dǎo)出偏參數(shù)為矩陣形式的有偏卡爾曼濾波(BKF)的完整迭代過程,該算法在均方誤差條件下優(yōu)于卡爾曼濾波(KF),可以進一步提高估計的精度。將BKF與多傳感器融合算法中的擴維融合和序貫式融合相結(jié)合,推導(dǎo)出多傳感器擴維有偏卡爾曼濾波和多傳感器序貫有偏卡爾曼濾波算法,并從理論上證明了多傳感器序貫BKF融合在均方誤差條件下優(yōu)于擴維BKF融合。仿真實驗結(jié)果表明:在均方誤差條件下,多傳感器擴維BKF融合和序貫BKF融合優(yōu)于擴維KF融合和序貫KF融合,序貫BKF融合優(yōu)于擴維BKF融合。

摘要： 云貫玉衡COO朱鴻認為,準確、安全、高效的“高精定位系統(tǒng)”的發(fā)展將會加快汽車產(chǎn)業(yè)智能化轉(zhuǎn)型的進度,促進智能駕駛時代早日到來。自動駕駛、智慧出行已被公認為汽車出行產(chǎn)業(yè)的未來方向。算法的迭代、純視覺路線與多傳感器融合路線成為自動駕駛產(chǎn)業(yè)發(fā)展過程中玩家們爭論的焦點,而在感知端發(fā)揮重要作用的高精定位引擎雖然爭論較少,卻在自動駕駛實現(xiàn)過程中發(fā)揮著重要作用。

摘要： 同時建圖與定位(SLAM)是自動駕駛功能重要的組成部分,現(xiàn)有算法以激光或視覺慣性里程計為主,未充分利用多模態(tài)傳感器各自的優(yōu)勢,對特征缺失的場景魯棒性不足。針對此問題,本文中提出了一種采用激光雷達、攝像頭和慣性測量單元(IMU)的多傳感器緊耦合SLAM系統(tǒng)。首先它改善了激光雷達點云特征提取和平面擬合的方案,提升了利用點云對視覺特征點深度信息優(yōu)化的效率和精度。其次提出的緊耦合狀態(tài)估計框架通過在視覺慣性系統(tǒng)中直接添加激光雷達里程計約束,在不增加算法復(fù)雜度的前提下提升了系統(tǒng)的穩(wěn)定性和精度。最后由粗到精的視覺-激光雷達耦合回環(huán)框架進一步降低了系統(tǒng)的長時累計漂移。在開源數(shù)據(jù)集KITTI上進行大量測試驗證的結(jié)果表明,與其它常用的算法相比,所提出的算法具有較高的精度和環(huán)境適應(yīng)能力。另外在基于自主搭建的自動駕駛汽車測試平臺進行的實車試驗還證明本算法可適應(yīng)長時間大場景的工作環(huán)境。

摘要： 當無人機遇到電量低、丟失遙控信號、失去GPS信號、天氣突變等需要迅速降落的緊急情況時,依靠機載的傳感器實現(xiàn)無人機自主降落到安全區(qū)域顯得非常重要。為保證無人機在遇到緊急情況或者收到降落指令后,能夠自動識別安全的降落區(qū)域,實現(xiàn)安全自主降落,本文提出一種基于多傳感器融合和深度學習網(wǎng)絡(luò)框架的無人機可降落區(qū)域識別方法。首先,使用基于無人機機載圖像信息搜索安全降落區(qū)域;然后利用孿生網(wǎng)絡(luò)對安全降落區(qū)域進行跟蹤。當無人機降落到一定高度時,利用機載激光雷達進行近地面環(huán)境實時建模與語義分割,確定安全的可降落區(qū)域;最后,通過實時建立的可降落區(qū)域點云模型,計算出精確的可降落區(qū)域位姿信息,供飛控系統(tǒng)實時著陸控制使用。在仿真環(huán)境和實際環(huán)境中的試驗研究表明,基于多傳感器融合的方法對可降落區(qū)域的識別準確率達到90%,位置識別的誤差為5cm,著陸過程地形高程估計誤差為2cm,能夠滿足無人機自主安全著陸的要求。通過對可降落區(qū)域識別方法的研究,實現(xiàn)無人機對下方可降落區(qū)域的識別,進而引導(dǎo)無人機實現(xiàn)安全自主著陸。

摘要： 隨著感知計算以及傳感器集成技術(shù)的發(fā)展,使用各種傳感設(shè)備實時捕捉的手勢運動數(shù)據(jù),為人機交互提供了新的驅(qū)動力,并被廣泛地應(yīng)用于智能家居、遠程醫(yī)療、虛擬現(xiàn)實等領(lǐng)域.由于手勢動作具有時序性與空間連接性,因此在手勢識別中需要考慮手勢空間連接關(guān)系和手勢長距離依賴特性.然而現(xiàn)有的手勢識別方法忽略了上述兩種特性,導(dǎo)致識別精度不高.本文提出了基于時空圖神經(jīng)網(wǎng)絡(luò)的手勢識別算法,該方法從傳感器空間分布角度出發(fā),基于傳感器的空間位置信息,借助圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Networks,GNN)對手勢數(shù)據(jù)之間的空間關(guān)聯(lián)性進行表征,并引入門控循環(huán)單元(Gated Recurrent Unit,GRU)解決手勢的時序性和長距離依賴問題,增強手勢識別性能.在多種數(shù)據(jù)集上的實驗結(jié)果證明本文方法可行且有效.

摘要： 為研究電動輪椅的智能避障功能,該研究特點在于將HC-SR04超聲波傳感器和ZY101紅外避障傳感器相結(jié)合使輪椅對環(huán)境的感知更加準確,通過多傳感器融合技術(shù)和模糊控制技術(shù)的研究進一步提高避障功能計算的精確度,使電動輪椅在實際行駛中可以自主地完成路線規(guī)劃并躲避障礙物,更安全便捷地抵達目的地。

摘要： 為了跟蹤空間目標,構(gòu)建基于局部粒子濾波器的多傳感器融合方法估計空間目標狀態(tài).粒子濾波重要采樣過程中設(shè)計基于融合估計的重要密度函數(shù)減少粒子貧化問題,并設(shè)計基于McDE(memetic compact differential evolution)重采樣策略通過對粒子的變異與選擇等進化操作來解決粒子退化問題.理論推導(dǎo)與仿真結(jié)果證明方法的有效性.

摘要： 鄉(xiāng)村道路邊界模糊、路況復(fù)雜,給智能車的識別造成困難。本文針對該問題,基于認知模型,針對攝像頭和雷達提出多傳感器融合算法,實現(xiàn)了對鄉(xiāng)村道路中可行駛道路區(qū)域的準確、可靠識別。實驗結(jié)果表明,該算法在車輛低速行駛時穩(wěn)定可靠。

摘要： 高速多級軸流壓氣機中氣動失穩(wěn)現(xiàn)象十分復(fù)雜,不僅嚴重地制約著其性能的提升,而且威脅著航空發(fā)動機的安全運轉(zhuǎn).面對下一代航空發(fā)動機多可調(diào)幾何參數(shù)、多電、智能、分布式控制的總體設(shè)計要求,必須摒棄目前基于單一測點的氣動失穩(wěn)檢測模式,轉(zhuǎn)而采用多傳感器融合的檢測模型,但這方面的研究目前尚鮮見報導(dǎo).分析了壓氣機氣動失穩(wěn)發(fā)生發(fā)展過程中多傳感器的信號特征;提出一種適用于高速多級軸流壓氣機氣動失穩(wěn)檢測的二級融合檢測模型;闡述了基于Monte Carlo隨機模擬和遺傳算法的檢測系統(tǒng)多目標多參數(shù)優(yōu)化模型和算法.

摘要： 多傳感器融合的數(shù)據(jù)關(guān)聯(lián)問題一直是目標跟蹤領(lǐng)域的核心與難點之一。這里提出了一種多傳感器融合的多維數(shù)據(jù)互聯(lián)算法。首先進行多目標跟蹤模式的判斷，根據(jù)跟蹤模式選取不同維數(shù)的數(shù)據(jù)互聯(lián)算法，對現(xiàn)有的多維數(shù)據(jù)互聯(lián)算法存在問題進行了分析并進行了改進，給出了算法實現(xiàn)的偽代碼。仿真與實裝實驗結(jié)果表明，該算法能夠?qū)椀滥繕烁櫨哂泻玫男Ч瑢?fù)雜環(huán)境下的多目標也能進行穩(wěn)定的跟蹤。

摘要： 為了高效地檢測路面車輛目標,提出了一種基于毫米波雷達及視覺傳感器融合的車輛檢測方法.采用了底層的數(shù)據(jù)融合策略.在雷達數(shù)據(jù)通道,利用霍夫變換及切比雪夫定理排除非路面車輛目標點,生成稀疏概率圖.在圖像數(shù)據(jù)通道,結(jié)合稀疏概率圖與圖像底層特征,建立視覺顯著模型并生成車輛顯著圖像.在顯著圖上利用過分割方法快速定位路面車輛的位置.本方法在結(jié)構(gòu)化道路下進行了大量實驗,結(jié)果表明:本方法有效的克服了基于視覺傳感器的車輛檢測方法對光照敏感的缺陷,相比于基于單一傳感器的車輛檢測方法,本文方法具有更高的精確度和魯棒性.

摘要： 針對目前海底電纜監(jiān)控所存在的技術(shù)問題,本文提出了一種海底電纜一體化監(jiān)控架構(gòu),建立了一體化監(jiān)控架構(gòu)模型,并通過多傳感器融合技術(shù)及網(wǎng)絡(luò)技術(shù)實現(xiàn)了該架構(gòu).基于該架構(gòu)的一體化監(jiān)控系統(tǒng)能同時對海底電纜運行狀況及海底電纜敷設(shè)區(qū)域海面船只進行全天候?qū)崟r監(jiān)控.最后,以舟山朱家尖到登步島的110kV南雙1953線、沙嶼1954線為實驗對象試用該監(jiān)控系統(tǒng),實驗驗證該監(jiān)控架構(gòu)的可行性和監(jiān)控系統(tǒng)的長期效應(yīng).

摘要： 多項式卡爾曼濾波通過泰勒多項式對非線性系統(tǒng)進行擬合，具有實現(xiàn)簡單且收斂迅速的特點。為了研究多項式卡爾曼濾波在農(nóng)業(yè)機械車輛中的定位精度，利用三階和四階多項式模型對農(nóng)業(yè)機械車輛運動進行建模，對車輛直線速度和角速度進行多項式擬合。分析了直接卡爾曼濾波器結(jié)構(gòu)和特點，在算法中采用直接卡爾曼濾波器結(jié)構(gòu)進行多傳感器融合。和里程計航位推算定位方法進行比較，試驗在Pioneer3-AT移動機器人平臺上采用擴展卡爾曼濾波算法對移動機器人里程計測得行駛速度和AHRS傳感器測得航向角和轉(zhuǎn)向角速度進行融合，RTK-GPS 測量實際行駛軌跡作為對比參考。試驗結(jié)果表明，在速度為0.2m/s，最大轉(zhuǎn)向角速度為50°/s 時，三階多項式卡爾曼濾波算法的定位精度比里程計航位推算定位方法平均提高81.44%，四階多項式卡爾曼濾波算法比三階多項式卡爾曼濾波算法定位精度平均提高3.06%。

摘要： 針對煤礦井下環(huán)境復(fù)雜和干擾嚴重的特點，設(shè)計了基于多傳感器融合的煤礦救災(zāi)機器人定位系統(tǒng)，提出了信任度相加的數(shù)據(jù)融合算法，并通過Matlab仿真軟件驗證了該算法的可行性。將定位系統(tǒng)搭載在CUMT—Ⅲ型煤礦搜救機器人平臺上進行了礦井環(huán)境下的模擬試驗，結(jié)果表明，不同類型的傳感器相互組合能增強系統(tǒng)的抗干擾能力；基于信任度相加的融合算法具有較強魯棒性，在多干擾的情況下能夠很好地過濾干擾數(shù)據(jù)。因此該定位系統(tǒng)能夠應(yīng)用于煤礦救災(zāi)機器人，使其獲取較好的定位效果。

摘要： 為了在智慧交通中結(jié)合更多信息來做到全局優(yōu)化,能夠通過控制交通信號燈更靈活地應(yīng)對動態(tài)的交通狀況,緩解城市道路日益凸顯的交通擁堵問題,提出如下設(shè)計:通過北斗衛(wèi)星導(dǎo)航系統(tǒng)對行駛車輛的定位和行車速度的采集,實時監(jiān)測并分析判斷一定區(qū)域內(nèi)所有路段的路況;利用基于深度學習的目標檢測算法,對交叉路口各個方向紅綠燈前方一段區(qū)域進行車流量檢測.然后經(jīng)由交通控制中心服務(wù)器對采集的信息進行分析和綜合,依據(jù)路段的路況信息和臨近路口的車流量,為交通信號燈進行合理配時與實時調(diào)控提供策略支持.

摘要： 為了在智慧交通中結(jié)合更多信息來做到全局優(yōu)化,能夠通過控制交通信號燈更靈活地應(yīng)對動態(tài)的交通狀況,緩解城市道路日益凸顯的交通擁堵問題,提出如下設(shè)計:通過北斗衛(wèi)星導(dǎo)航系統(tǒng)對行駛車輛的定位和行車速度的采集,實時監(jiān)測并分析判斷一定區(qū)域內(nèi)所有路段的路況;利用基于深度學習的目標檢測算法,對交叉路口各個方向紅綠燈前方一段區(qū)域進行車流量檢測.然后經(jīng)由交通控制中心服務(wù)器對采集的信息進行分析和綜合,依據(jù)路段的路況信息和臨近路口的車流量,為交通信號燈進行合理配時與實時調(diào)控提供策略支持.

摘要： 本發(fā)明提供了用于使用多個傳感器來控制可移動物體的系統(tǒng)、方法和裝置。在一方面，一種用于確定可移動物體的初始化信息的方法包括：借助于一個或多個處理器來檢測所述可移動物體已經(jīng)開始操作；在所述一個或多個處理器處從由所述可移動物體攜帶的至少一個慣性傳感器接收慣性數(shù)據(jù)；在所述一個或多個處理器處從由所述可移動物體攜帶的至少兩個圖像傳感器接收圖像數(shù)據(jù)；以及借助于所述一個或多個處理器，基于所述慣性數(shù)據(jù)和所述圖像數(shù)據(jù)來確定所述可移動物體的所述初始化信息，其中所述初始化信息包含當所述可移動物體開始操作時以下各項中的一項或多項：所述可移動物體的位置、所述可移動物體的速度或所述可移動物體相對于重力方向的朝向。

摘要： 本發(fā)明提供了用于使用多個傳感器來控制可移動物體的系統(tǒng)、方法和裝置。在一方面，提供了用于標定可移動物體的一個或多個外參的方法。所述方法可以包括：接收所述一個或多個外參的初始值，其中所述一個或多個外參包含由所述可移動物體攜帶的至少兩個圖像傳感器之間的空間關(guān)系；在所述可移動物體的操作期間，從由所述可移動物體攜帶的至少一個慣性傳感器接收慣性數(shù)據(jù)；在所述可移動物體的所述操作期間，從由所述可移動物體攜帶的所述至少兩個圖像傳感器接收圖像數(shù)據(jù)；以及在所述可移動物體的所述操作期間，使用迭代優(yōu)化算法基于所述初始值、所述慣性數(shù)據(jù)和所述圖像數(shù)據(jù)來確定所述一個或多個外參的估計值。

摘要： 本發(fā)明提供了用于使用多個傳感器來控制可移動物體的系統(tǒng)、方法和裝置。在一方面，提供了一種用于標定具有處于初始配置中的多個傳感器的可移動物體的一個或多個外部參數(shù)的方法。所述方法可以包括：檢測所述多個傳感器的所述初始配置已被修改；在所述可移動物體的操作期間，從至少一個慣性傳感器接收慣性數(shù)據(jù)；在所述可移動物體的所述操作期間，從至少兩個圖像傳感器接收圖像數(shù)據(jù)；以及響應(yīng)于檢測到所述初始配置已被修改，基于所述慣性數(shù)據(jù)和所述圖像數(shù)據(jù)來估計所述一個或多個外部參數(shù)，其中所述一個或多個外部參數(shù)包含處于所述經(jīng)修改的配置中的所述多個傳感器之間的空間關(guān)系。

摘要： 借助中央計算單元將多傳感器系統(tǒng)的至少兩個環(huán)境傳感器同步的方法，具有步驟：首先由環(huán)境傳感器檢測代表至少一個環(huán)境信息的傳感器信號。在下一步驟中，由相應(yīng)環(huán)境傳感器產(chǎn)生包括分別檢測的傳感器信號和/或從中導(dǎo)出的測量變量的數(shù)據(jù)組。在進一步步驟中，由中央計算單元通過數(shù)據(jù)網(wǎng)絡(luò)接收數(shù)據(jù)組。借助算法求取每個環(huán)境傳感器數(shù)據(jù)組的信號傳播時間，基于由數(shù)據(jù)組包括的測量變量與至少另一環(huán)境傳感器數(shù)據(jù)組的相應(yīng)測量變量的內(nèi)容比較確定相應(yīng)環(huán)境傳感器數(shù)據(jù)組的平均信號傳播時間，將確定的平均信號傳播時間配屬給相應(yīng)環(huán)境傳感器。借助中央計算單元融合至少兩個環(huán)境傳感器的傳感器信號的方法以及融合傳感器數(shù)據(jù)以進行對象識別的多傳感器系統(tǒng)。

摘要： 本發(fā)明提供了用于使用多個傳感器來控制可移動物體的系統(tǒng)、方法和裝置。在一方面，提供了一種用于標定具有處于初始配置中的多個傳感器的可移動物體的一個或多個外部參數(shù)的方法。所述方法可以包括：檢測所述多個傳感器的所述初始配置已被修改；在所述可移動物體的操作期間，從慣性傳感器接收慣性數(shù)據(jù)；在所述可移動物體的所述操作期間，從圖像傳感器接收圖像數(shù)據(jù)；以及響應(yīng)于檢測到所述初始配置已被修改，基于所述慣性數(shù)據(jù)和所述圖像數(shù)據(jù)來估計所述一個或多個外部參數(shù)，其中所述一個或多個外部參數(shù)包含處于所述經(jīng)修改的配置中的所述多個傳感器之間的空間關(guān)系。

摘要： 加速度傳感器和氣壓傳感器信息的傳感器融合。一種監(jiān)測運輸系統(tǒng)內(nèi)的運輸設(shè)備的方法包括：檢測所述運輸系統(tǒng)內(nèi)的、所述運輸設(shè)備附近的第一大氣壓力；檢測所述運輸系統(tǒng)內(nèi)的、所述運輸設(shè)備附近的第二大氣壓力；響應(yīng)于所述運輸系統(tǒng)內(nèi)的所述第一大氣壓力和所述第二大氣壓力來確定所述運輸設(shè)備附近的大氣壓力的改變；以及至少響應(yīng)于所述第一大氣壓力和所述第二大氣壓力來確定所述運輸系統(tǒng)內(nèi)的所述運輸設(shè)備的位置和所述運輸設(shè)備的運動方向中的至少一個。

摘要： 本發(fā)明提供了用于使用多個傳感器來控制可移動物體的系統(tǒng)、方法和裝置。在一方面，提供了一種用于估計可移動物體的狀態(tài)信息的方法。所述方法可以包括：接收所述可移動物體的先前狀態(tài)信息；從由所述可移動物體攜帶的至少一個慣性傳感器接收慣性數(shù)據(jù)；從由所述可移動物體攜帶的至少兩個圖像傳感器接收圖像數(shù)據(jù)；以及在所述可移動物體的操作期間，使用迭代優(yōu)化算法基于所述先前狀態(tài)信息、所述慣性數(shù)據(jù)和所述圖像數(shù)據(jù)來確定所述可移動物體的更新的狀態(tài)信息。

摘要： 本發(fā)明提供了用于使用多個傳感器來控制可移動物體的系統(tǒng)、方法和裝置。在一方面，提供了一種用于標定具有處于初始配置中的多個傳感器的可移動物體的一個或多個外部參數(shù)的方法。所述方法可以包括：檢測所述多個傳感器的所述初始配置已被修改；在所述可移動物體的操作期間，從至少一個慣性傳感器接收慣性數(shù)據(jù)；在所述可移動物體的所述操作期間，從至少兩個圖像傳感器接收圖像數(shù)據(jù)；以及響應(yīng)于檢測到所述初始配置已被修改，基于所述慣性數(shù)據(jù)和所述圖像數(shù)據(jù)來估計所述一個或多個外部參數(shù)，其中所述一個或多個外部參數(shù)包含處于所述經(jīng)修改的配置中的所述多個傳感器之間的空間關(guān)系。

摘要： 本發(fā)明提供了用于使用多個傳感器來控制可移動物體的系統(tǒng)、方法和裝置。在一方面，一種用于確定可移動物體的初始化信息的方法包括：借助于一個或多個處理器來檢測所述可移動物體已經(jīng)開始操作；在所述一個或多個處理器處從由所述可移動物體攜帶的至少一個慣性傳感器接收慣性數(shù)據(jù)；在所述一個或多個處理器處從由所述可移動物體攜帶的至少兩個圖像傳感器接收圖像數(shù)據(jù)；以及借助于所述一個或多個處理器，基于所述慣性數(shù)據(jù)和所述圖像數(shù)據(jù)來確定所述可移動物體的所述初始化信息，其中所述初始化信息包含當所述可移動物體開始操作時以下各項中的一項或多項：所述可移動物體的位置、所述可移動物體的速度或所述可移動物體相對于重力方向的朝向。

摘要： 本發(fā)明提供了用于使用多個傳感器來控制可移動物體的系統(tǒng)、方法和裝置。在一方面，提供了用于標定可移動物體的一個或多個外參的方法。所述方法可以包括：接收所述一個或多個外參的初始值，其中所述一個或多個外參包含由所述可移動物體攜帶的至少兩個圖像傳感器之間的空間關(guān)系；在所述可移動物體的操作期間，從由所述可移動物體攜帶的至少一個慣性傳感器接收慣性數(shù)據(jù)；在所述可移動物體的所述操作期間，從由所述可移動物體攜帶的所述至少兩個圖像傳感器接收圖像數(shù)據(jù)；以及在所述可移動物體的所述操作期間，使用迭代優(yōu)化算法基于所述初始值、所述慣性數(shù)據(jù)和所述圖像數(shù)據(jù)來確定所述一個或多個外參的估計值。