CN109000640B - 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 - Google Patents
基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 Download PDFInfo
- Publication number
- CN109000640B CN109000640B CN201810513315.4A CN201810513315A CN109000640B CN 109000640 B CN109000640 B CN 109000640B CN 201810513315 A CN201810513315 A CN 201810513315A CN 109000640 B CN109000640 B CN 109000640B
- Authority
- CN
- China
- Prior art keywords
- time
- error
- equation
- gnss
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法,包括以下步骤:S1:根据微惯性器件输出的角增量和比力,利用惯导数值更新算法解算车辆的姿态、速度和位置;S2:建立基于DGM(1,1)的离散灰度预测模型;S3:改进多层神经网络MLP;S4:设计基于离散灰度神经网络的混合智能预测算法DGM‑MLP;S5:以惯导误差方程为状态方程,INS解算的位置与GNSS的位置之差为观测量或者INS解算的位置与伪GNSS位置之差为观测量,利用卡尔曼滤波器KF对组合导航***进行状态估计;S6:卡尔曼滤波器KF估计得到的位置、速度和姿态误差对惯导解算结果进行输出校正,陀螺和加表误差对惯导进行反馈校正。本发明能够有效解决GNSS信号失效时导航精度降低的问题。
Description
技术领域
本发明涉及车辆组合导航技术,特别是涉及基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法。
背景技术
MEMS-INS/GNSS的组合导航***由于其低成本和小型化等优点得到了越来 越广泛的应用,但是GNSS信号容易受高楼、桥梁或隧道灯遮挡而失效。当GNSS 信号失效时,组合导航***处于纯惯导运行状态,由于MEMS-INS的精度较低, 解算结果会迅速降低甚至发散。为了提高GNSS信号失效时导航精度,保证***的 可靠性,主要方法有
1、增加额外的传感器,如机器视觉、多普勒测速仪,该方法能有效提高导航 精度,但会导致***成本升高,且不易集成。
2、增加约束,如假设车辆侧向、天向速度为零以限制惯导误差的快速发散, 这种方法实施简单,但是精度有限,而且只适用于特定的运行路径。
3、改进滤波算法,该方法在GNSS失效短时间内效果较好,但长时间无效时, 作用有限。
4、通过人工智能算法进行预测,如神经网络。该方法需要较多的训练样本, 并且建立基于低成本MEMS的神经网络模型精度较低。
发明内容
发明目的:本发明针对GNSS信号失效时导航精度降低的问题,提出了一种基 于离散灰色神经网络模型的车辆GNSS/INS组合导航方法。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法,包括以下步骤:
S1:根据微惯性器件输出的角增量和比力,利用惯导数值更新算法解算车辆的 姿态、速度和位置;
S2:建立基于DGM(1,1)的离散灰度预测模型;
S3:改进多层神经网络MLP;
S4:设计基于离散灰度神经网络的混合智能预测算法DGM-MLP,当GNSS信 号有效时,利用DGM-MLP对GNSS的位置进行训练;当GNSS信号无效时,利 用DGM-MLP对GNSS的位置进行预测,得到伪GNSS位置信息;
S5:以惯导误差方程为状态方程,INS解算的位置与GNSS的位置之差为观测 量或者INS解算的位置与伪GNSS位置之差为观测量,利用卡尔曼滤波器KF对组 合导航***进行状态估计;
S6:卡尔曼滤波器KF估计得到的位置、速度和姿态误差对惯导解算结果进行 输出校正,陀螺和加表误差对惯导进行反馈校正。
进一步,所述步骤S1具体包括以下过程:INS利用三轴加速度计和三轴陀螺仪测量载体的比力和角增量,根据初始条件解算出载体当前时刻的导航信息;导航坐标系n 系采用东北天地理坐标系,载体坐标系b系采用右前上坐标系;INS的误差微分方 程包括姿态误差微分方程、速度误差微分方程和位置误差微分方程,分别如式(1) -(3)所示:
式(1)为姿态误差微分方程,其中,ψn=[ψE ψN ψU]T为在导航坐标系n系 下的姿态角误差,ψE为俯仰角误差,ψN为横滚角误差,ψU为航向角误差,为 地球自转引起的旋转角速度,为地球自转引起的旋转角速度的误差;为载 体运动产生的位移角速度,为载体运动产生的位移角速度的误差;εn为陀螺漂 移在导航坐标系n系下的投影;
式(2)为速度误差微分方程,其中,Vn=[VE VN VU]T为速度矢量,VE为东 向速度,VN为北向速度,VU为天向速度,δVn为速度误差;fn为比力矢量;▽n为 加速度计漂移在导航坐标系n系下的投影;
式(3)为位置误差微分方程,其中,L为纬度,λ为经度,h为高度,δL为 纬度误差,δλ为经度误差,δh为高度误差,RE为卯酉圈主曲率半径,RN为子午 圈主曲率半径,δVN为北向速度误差,δVE为东向速度误差,δVU为天向速度误差。
进一步,所述步骤S2具体包括以下过程:
S2.1:预处理原始数据
通过式(4)将原始数据转换为非负数列;
X(0)={x(0)(1),x(0)(2),…,x(0)(n)} (4)
式(4)中,X(0)为非负数列,x(0)(k)为X(0)中的第k个数,k=1,2,…,n,n为原 始数据长度;
S2.2:累加生成数
利用一次累加生成序列得到X(1),即:
X(1)={x(1)(1),x(1)(2),…,x(1)(n)} (5)
S2.3:建立基于DGM(1,1)的离散灰度预测模型
通过式(6)建立基于DGM(1,1)的离散灰度预测模型:
S2.4:逆累减生成数
将还原值减去原始数据所加的常数即可得到离散灰度预测模型的预测值。
进一步,所述步骤S3具体包括以下过程:
S3.1:引入动量项,如式(10)和式(11)所示:
式(10)中,ωH,t+1为t+1时刻隐层的权值,ωH,t为t时刻隐层的权值,Et为t时刻 的误差,ωH,t-1为t-1时刻隐层的权值,η为动量因子,0≤η≤1;
式(11)中,bH,t+1为t+1时刻隐层的偏值,bH,t为t时刻隐层的偏值,bH,t-1为t-1时 刻隐层的偏值;
S3.2:根据式(12)-(13)进行计算:
式(12)中,Δpt为t时刻权值或偏值的调节量,pt为t时刻的权值或偏值,pt-1为 t-1时刻的权值或偏值,a>0,b>0;
pt′=pt+Δpt (13)
式(13)中,pt′为t时刻的权值或偏值的更新值。
进一步,所述步骤S4具体包括以下过程:
当GNSS信号有效时,整个***处于训练模式;设GNSS位置信息序列预处理 后为{x(0)(k)},k=1,2,…,n,利用DGM(1,1)模型对其进行预测得则定义时刻T的残差为e(0)(T),即 建立残差序列{e(0)(T)}的MLP网络模型,若S为预测阶 数,则MLP网络训练的输入样本为e(0)(k-1),e(0)(k-2),…,e(0)(k-S),e(0)(k)为网 络的对应输出样本;
进一步,所述步骤S5具体包括以下过程:
S5.1:通过式(14)得到离散化的状态方程,通过式(15)得到离散化的量测方 程:
Xt=Ft,t-1Xt-1+GtWt (14)
式(14)中,Xt为t时刻的状态值,Xt-1为t-1时刻的状态值,Ft,t-1为t-1时刻到 t时刻的***状态转移矩阵;Gt为t时刻的噪声分配矩阵;Wt为t时刻的***噪声;
Zt=HtXt+Vt (15)
式(15)中,Zt为t时刻的观测量,Ht为t时刻的观测矩阵,Vt为t时刻的量测 噪声;
S5.2:卡尔曼滤波包括时间更新和量测更新,如式(16)-(20)所示:
其中,为t-1时刻到t时刻状态量的更新值,为t时刻的状态估计值,Pt,t-1为t-1时刻到t时刻协方差矩阵的更新值,Pt为t时刻的协方差矩阵,Pt-1为t-1时刻 的协方差矩阵,Qt-1为t-1时刻的***噪声矩阵,Rt为t时刻的量测噪声矩阵,Kt为t 时刻的增益矩阵。
有益效果:本发明公开了一种基于离散灰色神经网络模型的车辆GNSS/INS组 合导航方法,与现有技术相比,本发明具有如下的有益效果:
1)本发明能够有效解决由于高楼、隧道灯遮挡卫星信号引起的导航精度降低 的问题;
2)本发明无需引入额外的传感器,计算量小,所需训练样本少,实现简单。
附图说明
图1为本发明具体实施方式中GNSS信号有效时组合导航***的训练模式框 图;
图2为本发明具体实施方式中GNSS信号无效时组合导航***的训练模式框 图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法,包括以下步骤:
S1:根据微惯性器件输出的角增量和比力,利用惯导数值更新算法解算车辆的 姿态、速度和位置;
S2:建立基于DGM(1,1)的离散灰度预测模型;
S3:改进多层神经网络MLP;
S4:设计基于离散灰度神经网络的混合智能预测算法DGM-MLP,当GNSS信 号有效时,利用DGM-MLP对GNSS的位置进行训练;当GNSS信号无效时,利 用DGM-MLP对GNSS的位置进行预测,得到伪GNSS位置信息;
S5:以惯导误差方程为状态方程,INS解算的位置与GNSS的位置之差为观测 量或者INS解算的位置与伪GNSS位置之差为观测量,利用卡尔曼滤波器KF对组 合导航***进行状态估计;
S6:卡尔曼滤波器KF估计得到的位置、速度和姿态误差对惯导解算结果进行 输出校正,陀螺和加表误差对惯导进行反馈校正。
步骤S1具体包括以下过程:INS利用三轴加速度计和三轴陀螺仪测量载体的比力和角增量,根据初始条件解算出载体当前时刻的导航信息;导航坐标系n系采用东北 天地理坐标系,载体坐标系b系采用右前上坐标系;INS的误差微分方程包括姿态 误差微分方程、速度误差微分方程和位置误差微分方程,分别如式(1)-(3)所 示:
式(1)为姿态误差微分方程,其中,ψn=[ψE ψN ψU]T为在导航坐标系n系 下的姿态角误差,ψE为俯仰角误差,ψN为横滚角误差,ψU为航向角误差,为 地球自转引起的旋转角速度,为地球自转引起的旋转角速度的误差;为载 体运动产生的位移角速度,为载体运动产生的位移角速度的误差;εn为陀螺漂 移在导航坐标系n系下的投影;
式(2)为速度误差微分方程,其中,Vn=[VE VN VU]T为速度矢量,VE为东 向速度,VN为北向速度,VU为天向速度,δVn为速度误差;fn为比力矢量;▽n为 加速度计漂移在导航坐标系n系下的投影;
式(3)为位置误差微分方程,其中,L为纬度,λ为经度,h为高度,δL为 纬度误差,δλ为经度误差,δh为高度误差,RE为卯酉圈主曲率半径,RN为子午 圈主曲率半径,δVN为北向速度误差,δVE为东向速度误差,δVU为天向速度误差。
步骤S2具体包括以下过程:
S2.1:预处理原始数据
通过式(4)将原始数据转换为非负数列;
X(0)={x(0)(1),x(0)(2),…,x(0)(n)} (4)
式(4)中,X(0)为非负数列,x(0)(k)为X(0)中的第k个数,k=1,2,…,n,n为原 始数据长度;
S2.2:累加生成数
利用一次累加生成序列得到X(1),即:
X(1)={x(1)(1),x(1)(2),…,x(1)(n)} (5)
S2.3:建立基于DGM(1,1)的离散灰度预测模型
通过式(6)建立基于DGM(1,1)的离散灰度预测模型:
S2.4:逆累减生成数
将还原值减去原始数据所加的常数即可得到离散灰度预测模型的预测值。
步骤S3具体包括以下过程:
S3.1:引入动量项,如式(10)和式(11)所示:
式(10)中,ωH,t+1为t+1时刻隐层的权值,ωH,t为t时刻隐层的权值,Et为t时刻 的误差,ωH,t-1为t-1时刻隐层的权值,η为动量因子,0≤η≤1;
式(11)中,bH,t+1为t+1时刻隐层的偏值,bH,t为t时刻隐层的偏值,bH,t-1为t-1时 刻隐层的偏值;
S3.2:根据式(12)-(13)进行计算:
式(12)中,Δpt为t时刻权值或偏值的调节量,pt为t时刻的权值或偏值,pt-1为 t-1时刻的权值或偏值,a>0,b>0;
pt′=pt+Δpt (13)
式(13)中,pt′为t时刻的权值或偏值的更新值。
步骤S4具体包括以下过程:
当GNSS信号有效时,整个***处于训练模式,如图1所示;设GNSS位置信 息序列预处理后为{x(0)(k)},k=1,2,…,n,利用DGM(1,1)模型对其进行预测得则定义时刻T的残差为e(0)(T),即 建立残差序列{e(0)(T)}的MLP网络模型,若S为预测阶 数,则MLP网络训练的输入样本为e(0)(k-1),e(0)(k-2),…,e(0)(k-S),e(0)(k)为网 络的对应输出样本;
步骤S5具体包括以下过程:
S5.1:通过式(14)得到离散化的状态方程,通过式(15)得到离散化的量测方 程:
Xt=Ft,t-1Xt-1+GtWt (14)
式(14)中,Xt为t时刻的状态值,Xt-1为t-1时刻的状态值,Ft,t-1为t-1时刻到 t时刻的***状态转移矩阵;Gt为t时刻的噪声分配矩阵;Wt为t时刻的***噪声;
Zt=HtXt+Vt (15)
式(15)中,Zt为t时刻的观测量,Ht为t时刻的观测矩阵,Vt为t时刻的量测 噪声;
S5.2:卡尔曼滤波包括时间更新和量测更新,如式(16)-(20)所示:
Claims (4)
1.基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法,其特征在于:包括以下步骤:
S1:根据微惯性器件输出的角增量和比力,利用惯导数值更新算法解算车辆的姿态、速度和位置;
S2:建立基于DGM(1,1)的离散灰度预测模型;
S3:改进多层神经网络MLP;
S4:设计基于离散灰度神经网络的混合智能预测算法DGM-MLP,当GNSS信号有效时,利用DGM-MLP对GNSS的位置进行训练;当GNSS信号无效时,利用DGM-MLP对GNSS的位置进行预测,得到伪GNSS位置信息;
S5:以惯导误差方程为状态方程,INS解算的位置与GNSS的位置之差为观测量或者INS解算的位置与伪GNSS位置之差为观测量,利用卡尔曼滤波器KF对组合导航***进行状态估计;
S6:卡尔曼滤波器KF估计得到的位置、速度和姿态误差对惯导解算结果进行输出校正,陀螺和加表误差对惯导进行反馈校正;
其中,所述步骤S3具体包括以下过程:
S3.1:引入动量项,如式(10)和式(11)所示:
式(10)中,ωH,t+1为t+1时刻隐层的权值,ωH,t为t时刻隐层的权值,Et为t时刻的误差,ωH,t-1为t-1时刻隐层的权值,η为动量因子,0≤η≤1;
式(11)中,bH,t+1为t+1时刻隐层的偏值,bH,t为t时刻隐层的偏值,bH,t-1为t-1时刻隐层的偏值;
S3.2:根据式(12)-(13)进行计算:
式(12)中,Δpt为t时刻权值或偏值的调节量,pt为t时刻的权值或偏值,pt-1为t-1时刻的权值或偏值,a>0,b>0;
pt′=pt+Δpt (13)
式(13)中,pt′为t时刻的权值或偏值的更新值;
其中,所述步骤S4具体包括以下过程:
当GNSS信号有效时,整个***处于训练模式;设GNSS位置信息序列预处理后为{x(0)(k)},k=1,2,…,n,利用DGM(1,1)模型对其进行预测得则定义时刻T的残差为e(0)(T),即建立残差序列{e(0)(T)}的MLP网络模型,若S为预测阶数,则MLP网络训练的输入样本为e(0)(k-1),e(0)(k-2),…,e(0)(k-S),e(0)(k)为网络的对应输出样本;
2.根据权利要求1所述的基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法,其特征在于:所述步骤S1具体包括以下过程:INS利用三轴加速度计和三轴陀螺仪测量载体的比力和角增量,根据初始条件解算出载体当前时刻的导航信息;导航坐标系n系采用东北天地理坐标系,载体坐标系b系采用右前上坐标系;INS的误差微分方程包括姿态误差微分方程、速度误差微分方程和位置误差微分方程,分别如式(1)-(3)所示:
式(1)为姿态误差微分方程,其中,ψn=[ψE ψN ψU]T为在导航坐标系n系下的姿态角误差,ψE为俯仰角误差,ψN为横滚角误差,ψU为航向角误差,为地球自转引起的旋转角速度,为地球自转引起的旋转角速度的误差;为载体运动产生的位移角速度,为载体运动产生的位移角速度的误差;εn为陀螺漂移在导航坐标系n系下的投影;
式(3)为位置误差微分方程,其中,L为纬度,λ为经度,h为高度,δL为纬度误差,δλ为经度误差,δh为高度误差,RE为卯酉圈主曲率半径,RN为子午圈主曲率半径,δVN为北向速度误差,δVE为东向速度误差,δVU为天向速度误差。
3.根据权利要求1所述的基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法,其特征在于:所述步骤S2具体包括以下过程:
S2.1:预处理原始数据
通过式(4)将原始数据转换为非负数列;
X(0)={x(0)(1),x(0)(2),…,x(0)(n)} (4)
式(4)中,X(0)为非负数列,x(0)(k)为X(0)中的第k个数,k=1,2,…,n,n为原始数据长度;
S2.2:累加生成数
利用一次累加生成序列得到X(1),即:
X(1)={x(1)(1),x(1)(2),…,x(1)(n)} (5)
S2.3:建立基于DGM(1,1)的离散灰度预测模型
通过式(6)建立基于DGM(1,1)的离散灰度预测模型:
S2.4:逆累减生成数
将还原值减去原始数据所加的常数即可得到离散灰度预测模型的预测值。
4.根据权利要求1所述的基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法,其特征在于:所述步骤S5具体包括以下过程:
S5.1:通过式(14)得到离散化的状态方程,通过式(15)得到离散化的量测方程:
Xt=Ft,t-1Xt-1+GtWt (14)
式(14)中,Xt为t时刻的状态值,Xt-1为t-1时刻的状态值,Ft,t-1为t-1时刻到t时刻的***状态转移矩阵;Gt为t时刻的噪声分配矩阵;Wt为t时刻的***噪声;
Zt=HtXt+Vt (15)
式(15)中,Zt为t时刻的观测量,Ht为t时刻的观测矩阵,Vt为t时刻的量测噪声;
S5.2:卡尔曼滤波包括时间更新和量测更新,如式(16)-(20)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810513315.4A CN109000640B (zh) | 2018-05-25 | 2018-05-25 | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810513315.4A CN109000640B (zh) | 2018-05-25 | 2018-05-25 | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109000640A CN109000640A (zh) | 2018-12-14 |
CN109000640B true CN109000640B (zh) | 2021-09-28 |
Family
ID=64573813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810513315.4A Active CN109000640B (zh) | 2018-05-25 | 2018-05-25 | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109000640B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444928B (zh) * | 2018-12-18 | 2021-08-06 | 重庆西部汽车试验场管理有限公司 | 一种定位方法及*** |
CN109931926B (zh) * | 2019-04-04 | 2023-04-25 | 山东智翼航空科技有限公司 | 一种基于站心坐标系的小型无人机无缝自主式导航方法 |
CN110632636B (zh) * | 2019-09-11 | 2021-10-22 | 桂林电子科技大学 | 一种基于Elman神经网络的载体姿态估计方法 |
CN111290007A (zh) * | 2020-02-27 | 2020-06-16 | 桂林电子科技大学 | 一种基于神经网络辅助的bds/sins组合导航方法和*** |
CN112505737B (zh) * | 2020-11-16 | 2024-03-01 | 东南大学 | 一种gnss/ins组合导航方法 |
CN112683261B (zh) * | 2020-11-19 | 2022-10-14 | 电子科技大学 | 一种基于速度预测的无人机鲁棒性导航方法 |
CN113009537B (zh) * | 2021-02-18 | 2023-10-31 | 中国人民解放军国防科技大学 | 一种惯导辅助卫导相对定位单历元部分模糊度求解方法 |
CN113029139B (zh) * | 2021-04-07 | 2023-07-28 | 中国电子科技集团公司第二十八研究所 | 基于运动检测的机场飞行区车辆差分北斗/sins组合导航方法 |
CN114690221A (zh) * | 2021-12-22 | 2022-07-01 | 北京航天时代激光导航技术有限责任公司 | 一种基于小波阈值法的Elman神经网络与卡尔曼融合滤波算法 |
CN114184211B (zh) * | 2021-12-27 | 2023-07-14 | 北京计算机技术及应用研究所 | 一种惯导可靠性试验中性能变化机理一致性判定方法 |
CN114459472B (zh) * | 2022-02-15 | 2023-07-04 | 上海海事大学 | 一种容积卡尔曼滤波器和离散灰色模型的组合导航方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103900610A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 基于灰色小波神经网络的mems陀螺随机误差预测方法 |
CN106240705A (zh) * | 2016-09-06 | 2016-12-21 | 上海应用技术大学 | 一种基于灰色神经网络预测算法的前后两轮自平衡小车 |
CN106781685A (zh) * | 2017-03-06 | 2017-05-31 | 苏州悦驻智能科技有限公司 | 一种基于室内停车场管理机器人的城市智能停车*** |
CN107045785A (zh) * | 2017-02-08 | 2017-08-15 | 河南理工大学 | 一种基于灰色elm神经网络的短时交通流量预测的方法 |
CN107144284A (zh) * | 2017-04-18 | 2017-09-08 | 东南大学 | 基于ckf滤波的车辆动力学模型辅助惯导组合导航方法 |
CN107390246A (zh) * | 2017-07-06 | 2017-11-24 | 电子科技大学 | 一种基于遗传神经网络的gps/ins组合导航方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8756001B2 (en) * | 2011-02-28 | 2014-06-17 | Trusted Positioning Inc. | Method and apparatus for improved navigation of a moving platform |
-
2018
- 2018-05-25 CN CN201810513315.4A patent/CN109000640B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103900610A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 基于灰色小波神经网络的mems陀螺随机误差预测方法 |
CN106240705A (zh) * | 2016-09-06 | 2016-12-21 | 上海应用技术大学 | 一种基于灰色神经网络预测算法的前后两轮自平衡小车 |
CN107045785A (zh) * | 2017-02-08 | 2017-08-15 | 河南理工大学 | 一种基于灰色elm神经网络的短时交通流量预测的方法 |
CN106781685A (zh) * | 2017-03-06 | 2017-05-31 | 苏州悦驻智能科技有限公司 | 一种基于室内停车场管理机器人的城市智能停车*** |
CN107144284A (zh) * | 2017-04-18 | 2017-09-08 | 东南大学 | 基于ckf滤波的车辆动力学模型辅助惯导组合导航方法 |
CN107390246A (zh) * | 2017-07-06 | 2017-11-24 | 电子科技大学 | 一种基于遗传神经网络的gps/ins组合导航方法 |
Non-Patent Citations (4)
Title |
---|
A hybrid fusion algorithm for GPS/INS integration during GPS outages;YiqingYao等;《Measurement》;20170207;第103卷;第42-51页 * |
A low-cost GPS/INS integration methodology based on DGPM during GPS outages;Yuexin Zhang等;《2018 Integrated Communications, Navigation, Surveillance Conference (ICNS)》;20180412;第4E2-1-4E2-8页 * |
基于改进型灰色预测模型的SINS/GPS组合导航***;王立冬等;《中国惯性技术学报》;20150430;第23卷(第2期);第248-251,257页 * |
基于自适应学习速率的改进型BP算法研究;杨甲沛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090915(第9期);第I140-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109000640A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109000640B (zh) | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 | |
CN112629538B (zh) | 基于融合互补滤波和卡尔曼滤波的舰船水平姿态测量方法 | |
US6859727B2 (en) | Attitude change kalman filter measurement apparatus and method | |
Iqbal et al. | An integrated reduced inertial sensor system—RISS/GPS for land vehicle | |
CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
CN110285804B (zh) | 基于相对运动模型约束的车辆协同导航方法 | |
RU2380656C1 (ru) | Комплексированная бесплатформенная инерциально-спутниковая система навигации на "грубых" чувствительных элементах | |
Aftatah et al. | Fusion of GPS/INS/Odometer measurements for land vehicle navigation with GPS outage | |
CN113029139B (zh) | 基于运动检测的机场飞行区车辆差分北斗/sins组合导航方法 | |
Atia et al. | An enhanced 3D multi-sensor integrated navigation system for land-vehicles | |
CN101900573A (zh) | 一种实现陆用惯性导航***运动对准的方法 | |
Liu et al. | Interacting multiple model UAV navigation algorithm based on a robust cubature Kalman filter | |
Cho et al. | A personal navigation system using low-cost MEMS/GPS/Fluxgate | |
JP2009250778A (ja) | カルマンフィルタ処理における繰り返し演算制御方法及び装置 | |
CN113566850B (zh) | 惯性测量单元的安装角度标定方法、装置和计算机设备 | |
Park et al. | Implementation of vehicle navigation system using GNSS, INS, odometer and barometer | |
CN113074757A (zh) | 车载惯导安装误差角的标定方法 | |
CN112325878A (zh) | 基于ukf与空中无人机节点辅助的地面载体组合导航方法 | |
CN110567456B (zh) | 基于抗差卡尔曼滤波的bds/ins组合列车定位方法 | |
Botha et al. | Vehicle sideslip estimation using unscented Kalman filter, AHRS and GPS | |
CN115031728A (zh) | 基于ins与gps紧组合的无人机组合导航方法 | |
CN113324539A (zh) | 一种sins/srs/cns多源融合自主组合导航方法 | |
Dicu et al. | Automotive dead-reckoning navigation system based on vehicle speed and yaw rate | |
Shien et al. | Integrated navigation accuracy improvement algorithm based on multi-sensor fusion | |
Wachsmuth et al. | Development of an error-state Kalman Filter for Emergency Maneuvering of Trucks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |