传统的基于数据关联的同时定位与建图(simultaneous localization and mapping,SLAM)方法易引起观测与目标之间的误匹配,进而导致位姿估计精度下降.结合柱状特征提取方法和随机有限集理论,提出一种基于序贯蒙特卡罗实现的车辆3D激光SLA...
详细信息
传统的基于数据关联的同时定位与建图(simultaneous localization and mapping,SLAM)方法易引起观测与目标之间的误匹配,进而导致位姿估计精度下降.结合柱状特征提取方法和随机有限集理论,提出一种基于序贯蒙特卡罗实现的车辆3D激光SLAM方法.利用M估计抽样一致性算法从分割后的点云中提取稳定的柱状特征,捕获单帧点云中的静态存活特征和新生特征;在Rao-Blackwellized-概率假设密度同时定位与建图(Rao-Blackwellizedprobability hypothesis density-simultaneous localization and mapping,RB-PHD-SLAM)框架中引入两种特征,并运用序贯蒙特卡罗方法完成车辆轨迹概率密度和地图后验强度在帧间的传递,实现对环境特征和车辆位姿的同时估计.模拟数据集和KITTI数据集试验结果显示,与经典的FastSLAM算法相比,本文算法使车辆定位精度提升44.99%,并使环境特征位置估计和环境特征数量估计的平均误差分别降低49.24%和56.22%,显著提升了SLAM的运行精度和鲁棒性,有助于保障智能汽车的运行安全.
目的：对地平类药物的药物基质N-亚硝胺杂质（nitrosamine drug substance-related impurities,NDSRI）进行研究。方法：以14种地平类原料药为原料，通过2种不同的亚硝化反应验证是否能够生成对应的原料药NDSRI，使用中控设备LC-MS进行...
详细信息
目的：对地平类药物的药物基质N-亚硝胺杂质（nitrosamine drug substance-related impurities,NDSRI）进行研究。方法：以14种地平类原料药为原料，通过2种不同的亚硝化反应验证是否能够生成对应的原料药NDSRI，使用中控设备LC-MS进行反应追踪。结果：LC-MS对反应进行监控，全部地平类原料药均未生成NDSRI，在方法一条件下几乎所有地平类原料未发生降解，在方法二中大部分原料转化为对应的芳构化氧化杂质。方法二中的部分原料药如阿折地平、巴尼地平、尼卡地平、西尼地平发生了不同程度的降解，经过对这些降解杂质分离和结构确证，确定为其他NDSRI（非NDSRI）。结论：本文研究的14种地平类原料药在亚硝化环境中均无法产生NDSRI杂质，个别品种发生降解后再经过亚硝化反应产生非NDSRI，因此在进行相关研究时应重视非NDSRI杂质的研究。
暂无评论