CN109507706B - 一种gps信号丢失的预测定位方法 - Google Patents
一种gps信号丢失的预测定位方法 Download PDFInfo
- Publication number
- CN109507706B CN109507706B CN201811426889.4A CN201811426889A CN109507706B CN 109507706 B CN109507706 B CN 109507706B CN 201811426889 A CN201811426889 A CN 201811426889A CN 109507706 B CN109507706 B CN 109507706B
- Authority
- CN
- China
- Prior art keywords
- data
- gps
- error
- model
- vehicle
- 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
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种GPS信号丢失的预测定位方法,其特征是,包括如下步骤:1)对运动传感器数据和GPS定位***数据进行预处理,使GPS定位***数据与传感器数据相对应;2)构建GPS定位***数据与车载传感器数据的数学模型,当GPS信号丢失时,采用模型和目标运动传感器数据对目标位置进行预测。优点:当GPS信号丢失时,采用本发明建立的相关模型和目标运动传感器回传的数据,可完成对目标位置的精确递推预测定位,使GPS传感器信号不可得到的时候,能够继续为运动目标提供精确的位置估计。对民用车载导航***的相关领域和军用中依赖于GPS而工作的各类设备均具有重大的意义。
Description
技术领域
本发明涉及一种GPS失效时目标位置的预测定位方法,属于定位技术领域。
背景技术
全球定位***GPS应用的范围在不断扩大,精度的要求也越来越高,它可以提供精确的三维坐标,全天候作业,卫星信号覆盖全球,不受用户数量限制,已经成为军用、民用导航、定位的主要技术。特别是近几年来高精度的实时动态定位技术RTK的发展,对于常规的GPS测量方法都需要事后进行解算才能获得高精度,而RTK是能够在野外实时得到高精度的测量方法,它的出现为各种控制测量带来了新曙光。GPS已能够实时地提供坐标系中的三维数据且达到了高精度,使其迅速成为快速采集数据与定位的高效工具。
虽然GPS***能够实时的提供目标精确的位置信息,但其定位完全依赖于GPS信号,当GPS信号丢失时,就会导致导航信息丢失,位置出现混乱,影响相关控制***的正常工作,而且这种情形大量存在于现实情况中。比如车辆进入隧道中就是比较常见的一种;另在,在导弹制导过程中,导弹制导相关控制***依赖于导弹不同时刻的位置数据,如果GPS信号长时间丢失,长时间无法为控制***提供位置数据,会对导弹的飞行带来严重的影响,甚至产生严重的后果。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种GPS信号丢失的预测定位方法,能够当运动目标GPS信号丢失时,继续为运动目标提供精确的位置估计。
为解决上述技术问题,本发明提供一种GPS信号丢失的预测定位方法,其特征是,包括如下步骤:
1)对运动传感器数据和GPS定位***数据进行预处理,使GPS定位***数据与传感器数据相对应;
2)构建GPS定位***数据与车载传感器数据的数学模型,当GPS信号丢失时,采用模型和目标运动传感器数据对目标位置进行预测,使GPS信号不可得到的时候,继续为运动目标提供精确的位置估计。
进一步的,所述步骤1)包括如下步骤:
11)载入一段GPS设备传感器采集的GPS数据及其对应时段的车载传感器数据,对GPS数据的时间戳进行处理,寻找其中存在的异常的点,即GPS数据丢失的点,从中选取一段完整数据作为训练样本,根据训练样本GPS数据的时间戳,读取对应时间段的车载传感器数据;
12)采用拉格朗日插值方法对GPS数据进行插值处理,使得GPS数据的时间间隔与车载传感器时间间隔相同;
13)计算GPS传感器数据中的速度变量与车载传感器数据中速度变量的相关系数,通过相关系数最大值对应的位置来得到延时量,对GPS数据按照此延时量进行整体平移,使其与车载传感器数据对应。
进一步的,所述步骤2)包括如下步骤:
21)将GPS数据转换到目标起始点北天东坐标系中进行计算;
22)构建导航航向角数据与车载传感器数据的数学模型;
23)对导航航向角进行修正并得到导航航向角预测模型;
24)计算位置方位角并建立位置方位角误差序列模型;
25)根据步骤22)-24)的模型建立位置方位角递推计算的最终模型;
26)当GPS信号丢失时,采用预测模型计算位置方位角。
进一步的,所述GPS数据先转换到地心直角坐标系数据,在从地心直角坐标系转换到北天东坐标系,其中GPS数据的经纬高数据转换为地心直角坐标系公式如下:
x=(earth_radius+Alt)*cos(Lat*π/180)*cos(Lon*π/180)
y=(earth_radius+Alt)*cos(Lat*π/180)*sin(Lon*π/180)
z=(earth_radius+Alt)*sin(Lat*π/180)
其中earth_radius为地球半径,Lon、Lat、Alt依次为GPS经纬高数据,x、y、z为转换后的地心直角坐标系数据。
进一步的,所述步骤22)包括以下步骤:
1)选取当前一段时间内的记录数据作为训练样本,计算训练样本的长度,记为len;
2)对于训练样本的第一个点,TM_yc(1)=GPS_tm(1),TM_yc为递推计算的导航航向角数据,GPS_tm为GPS传感器得到的航向角数据;其中括号里的1表示训练样本点的索引,对于后续的训练样本值,依次用i来表示,i=2....len,len表示最后一个训练样本值;
3)对于以后的从第二个训练样本值到最后一个训练样本值
delta_tm=YawRate_u(i-1)*dt
TM_yc(i)=TM_yc(i-1)-delta_tm
通过递推预测,即可得到训练时间段航向角预测数据,式中,delta_tm为i-1时刻(即训练样本对应的第i-1个点,i的定义与上一步相同)的车辆横摆角速度与时间戳间隔的乘积,YawRate_u(i-1)为对应i-1时刻的车辆横摆角速度,dt为训练样本时间戳间隔。
进一步的,所述步骤23)包括以下步骤:
231)计算预测航向角带来的预测误差,表达式如下
error=GPS_tm-TM_yc
对预测误差建立拟合模型,采用二阶多项式对误差项进行拟合,通过最小二乘法计算多项式系数,采用函数lsqcurvefit计算,求得模型系数依次为c=[c1 c2 c3],则误差表达式建模为
error(i)=c1*((i-1)*dt)2+c2*(i-1)*dt+c3;
232)误差修正后,得到导航航向角预测模型为
TM_yc_xz(i)=mod(TM_yc(i)+error(i),360)
其中mod()为取模运算。
进一步的,所述步骤24)包括以下步骤:
241)根据坐标转换后的数据,计算位置方位角数据,表达式如下
pos_theta=atan(diff(BTD_z)/diff(BTD_x))*180/π
其中,atan()为反三角函数正切计算函数,diff()为差分函数,即用序列的当前值减去前一个值得到,BTD_x和BTD_z为GPS坐标数据转换到北天东坐标系下的数据值,BTD_x和BTD_z依次代表x轴向和z轴向的值;
242)计算用导航航向角代替位置方位角后带来的误差,得到误差值如下
errorf=TM_yc_xz-pos_theta
对该误差序列进行时间序列建模,计算误差序列的自相关系数与偏自相关系数,采用adftest()函数验证序列的平稳性,autocorr()函数计算序列的自相关系数,parcorr()函数计算序列的偏自相关系数,根据自相关系数和偏自相关系数的特性,采用一阶AR模型对误差序列建模,采用ar()函数对模型系数进行估计,得到参数后即可构建预测模型errorf(i)=coef*errorf(i-1),coef为计算得到的模型系数。
进一步的,位置方位角递推计算的最终模型为:
delta_tm=YawRate_u(i-1)*dt
TM_yc(i)=TM_yc(i-1)-delta_tm
t_in=dt*(i-1)
error(i)=x1*t_in2+x2*t_in+x3
errorf(i)=coef*errorf(i-1)
theta_GPS_raw_p(i)=TM_yc(i)+error(i)+errorf(i)。
进一步的,根据时间序列的预测特性,计算时间序列模型加权系数如下w=0.99num,num为预测的帧数,则预测模式下,实时位置方位角递推公式如下
delta_tm=YawRate_u(i-1)*dt
TM_yc(i)=TM_yc(i-1)-delta_tm
t_in=dt*(i-1)
error(i)=x1*t_in2+x2*t_in+x3
errorf(i)=coef*errorf(i-1)
theta_GPS_raw_p(i)=TM_yc(i)+error(i)+0.99i-len*errorf(i-1)
其中,i为预测模式下的时间戳,其取值范围从训练样本结束后的第一个值开始,定义为i=len+1,len+2.....num;len为训练样本点数,得到位置方位角的计算值后,在根据车载传感器测得的速度数据,能够实时计算出目标在北天东坐标系下的位置信息
由上述公式,可推导得到目标在北天东坐标系下的位置,其中Speed_DR_use(i-1)为车载传感器回传的i-1上一时刻的速度信息,BTD_x_p(i)和BTD_z_p(i)为i时刻目标在北天东坐标系下的递推预测x轴向和z轴向数据,
通过坐标转换,把北天东坐标系下的数据转会到经纬高数据,即可得到目标的实时经纬高定位信息。
本发明所达到的有益效果:
本发明分析目标运动传感器数据和GPS定位***数据,对训练数据完整段进行建模分析,构建相关模型,并结合时间序列方法对误差数据进行建模补偿,最终得到了位置预测模型。当GPS信号丢失时,采用本发明建立的相关模型和目标运动传感器回传的数据,可完成对目标位置的精确递推预测定位,使GPS传感器信号不可得到的时候,能够继续为运动目标提供精确的位置估计。对民用车载导航***的相关领域和军用中依赖于GPS而工作的各类设备均具有重大的意义。
附图说明
图1是本发明的流程示意图。
图2和图3分别是延时校准前与校准后的速度数据图;
图4是训练数据在北天东坐标系水平面上的位置示意图;
图5是数据预测的预测结果与真实结果的对比示意图;
图6是修正后得到预测值与真实值的对比示意图;
图7是位置方位角示意图;
图8是递推计算值与真实值的对比示意图;
图9是预测值与真实值之间的关系示意图;
图10-11分别是预测400s时x轴和z轴的误差示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本次对一段车载***的数据进行分析,选取其中一段数据作为训练样本,求解模型参数。对后面的数据,采用建模得到的模型进行递推预测,并将预测结果与实际结果进行比较。仿真分析表明,预测了几百秒后,预测值与真实值误差均较小。
(1)载入训练数据
载入一段GPS设备传感器的采集数据及其对应时段的车载传感器数据。GPS数据中主要包含时间戳、对应经度、纬度、高度、速度和航向角数据(一般GPS设备数据中都包含以上信息);车载传感器数据包括时间戳、横摆角速度、车辆速度信息(车载状态传感器中都包含上述数据)。
对GPS数据的时间戳进行处理,寻找其中存在的异常的点,即GPS数据丢失的点,从中选取一段完整数据作为训练样本。
根据训练样本GPS数据的时间戳,读取对应时间段的车载传感器数据。
(2)数据对齐
通常GPS数据的时间间隔为1s,而车载传感器的时间间隔要比GPS快得多,通常为100ms。因此,二者时间存在时间上的不一致,因此需要进行对齐处理。在本发明中,采用拉格朗日插值方法对GPS数据进行插值处理,使得GPS数据的时间间隔与车载传感器时间间隔相同。
(3)延时校准
由于GPS数据与车载传感器数据由不同的渠道获得,在到达时间上会存在较大的差异。通常GPS数据到达时间相比于车载传感器数据会存在较大的延时,需要进行校准。在本发明中,计算GPS传感器数据中的速度变量与车载传感器数据中速度变量的相关系数,通过相关系数最大值对应的位置来得到延时量。对GPS数据按照此延时量进行整体平移,使其与车载传感器数据对应。
图2和3中给出了延时校准前与校准后的速度数据图,由图中可知,在校准前,GPS数据相对于车载传感器数据由一个明显的延时;数据校准后,数据已经能后很好的对齐。
(4)GPS数据坐标转换
GPS数据为经纬高数据,在进行数据建模时,需要把数据转换到目标起始点北天东坐标系中进行计算。先将GPS经纬高数据转换到地心直角坐标系数据,在从地心直角坐标系转换到北天东坐标系。
数据转换完成后,得到训练数据在北天东坐标系水平面上的位置如图4所示。
(5)导航航向数据建模
导航航向角数据为GPS传感器输出的一个变量,构建其与车载传感器数据的数学模型,使得在GPS数据不可得到的时候,通过车载传感器数据能够实时解算出导航航向角数据。建模过程如下
1)计算训练样本的长度,记为len;
2)对于第一个点,TM_yc(1)=GPS_tm(1),TM_yc为递推计算的导航航向角数据,GPS_tm为GPS传感器得到的航向角数据;
3)对于以后的i=2:len,
delta_tm=YawRate_u(i-1)*dt
TM_yc(i)=TM_yc(i-1)-delta_tm
通过递推预测,即可得到训练时间段航向角预测数据。式中,YawRate_u(i-1)为对应i-1时刻的车辆横摆角速度,dt为时间戳间隔。在本实例中,时间间隔为100ms;图5中给出了本实例数据预测的预测结果与真实结果。
4)误差修正
计算TM_yc预测航向角带来的误差,表达式如下
error=GPS_tm-TM_yc
对预测误差建立拟合模型。采用二阶多项式对误差项进行拟合,通过最小二乘法计算多项式系数,在本发明中,采用函数lsqcurvefit计算,求得模型系数依次为x=[x1x2x3],则误差表达式建模为
error(i)=x1*((i-1)*dt)2+x2*(i-1)*dt+x3
在本实例中,求解得到系数如下x=[0.0001-0.0145-0.5507];
5)导航航向角修正模型
通过误差修正后,得到导航航向角预测模型为
TM_yc_xz(i)=mod(TM_yc(i)+error(i),360)
其中mod()为取模运算。在本实例中,修正后得到预测值与真实值如图6所示,
(6)位置方位角计算
根据坐标转换后的数据,计算位置方位角数据。
(7)位置方位角误差序列建模
如图7所示,计算得到位置方位角后,计算用导航航向角代替位置方位角后带来的误差,得到误差值如下
对该误差序列进行时间序列建模,最终得到递推模型为
errorf(i)=0.934*errorf(i-1)
(8)位置方位角计算递推
根据以上各个计算模型,对方位角进行递推预测,得到递推计算值与真实值图8:
9)实时位于预测解算
在预测阶段,不再使用GPS传感器任何数据,采用车载传感器的速度信息和横摆角速度信息,通过本发明中的位置方位角递推计算公式递推计算,并计算出预测阶段各时刻的北天东坐标系下的位置数据,
由图9-11可知,对长达400s的目标位置进行递推预测,北天东坐标系下x方向的误差不超过50m,z方向的误差不超过20m.这远低于目前主流的导航预测算法研究指标(10km预测误差不大于250m)。
通过坐标转换,把北天东坐标系下的数据转会到经纬高数据,即可得到目标的实时经纬高定位信息
仿真结果和实验结果都表明,采用本发明的估计算法,模型相对简单,计算精度较高,而且计算时间较短,能满足实时计算的需求,能有效的解决的计算精度要求和实时性的要求。对民用车载导航***的相关领域和军用中依赖于GPS而工作的各类设备均具有重大的意义。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种GPS信号丢失的预测定位方法,其特征是,包括如下步骤:
1)对运动传感器数据和GPS定位***数据进行预处理,使GPS定位***数据与传感器数据相对应;
2)构建GPS定位***数据与车载传感器数据的数学模型,当GPS信号丢失时,采用模型和目标运动传感器数据对目标位置进行预测,使GPS信号不可得到的时候,继续为运动目标提供精确的位置估计,包括如下步骤:
21)将GPS数据转换到目标起始点北天东坐标系中进行计算;
22)构建导航航向角数据与车载传感器数据的数学模型;
23)对导航航向角进行修正并得到导航航向角预测模型;
24)计算位置方位角并建立位置方位角误差序列模型;
25)根据步骤22)-24)的模型建立位置方位角递推计算的最终模型;
26)当GPS信号丢失时,采用预测模型计算位置方位角;
所述步骤22)包括以下步骤:
1)选取当前一段时间内的记录数据作为训练样本,计算训练样本的长度,记为len;
2)对于训练样本的第一个点,TM_yc(1)=GPS_tm(1),TM_yc为递推计算的导航航向角数据,GPS_tm为GPS传感器得到的航向角数据;其中括号里的1表示训练样本点的索引,对于后续的训练样本值,依次用i来表示,i=2....len,len表示最后一个训练样本值;
3)对于以后的从第二个训练样本值到最后一个训练样本值
delta_tm=YawRate_u(i-1)*dt
TM_yc(i)=TM_yc(i-1)-delta_tm
通过递推预测,即可得到训练时间段航向角预测数据,式中,delta_tm为i-1时刻的车辆横摆角速度与时间戳间隔的乘积,YawRate_u(i-1)为对应i-1时刻的车辆横摆角速度,dt为训练样本时间戳间隔;
所述步骤23)包括以下步骤:
231)计算预测航向角带来的预测误差,表达式如下
error=GPS_tm-TM_yc
对预测误差建立拟合模型,采用二阶多项式对误差项进行拟合,通过最小二乘法计算多项式系数,采用函数lsqcurvefit计算,求得模型系数依次为c=[c1 c2 c3],则误差表达式建模为
error(i)=c1*((i-1)*dt)2+c2*(i-1)*dt+c3;
232)误差修正后,得到导航航向角预测模型为
TM_yc_xz(i)=mod(TM_yc(i)+error(i),360)
其中mod()为取模运算;
所述步骤24)包括以下步骤:
241)根据坐标转换后的数据,计算位置方位角数据,表达式如下
pos_theta=atan(diff(BTD_z)/diff(BTD_x))*180/π
其中,atan()为反三角函数正切计算函数,diff()为差分函数,即用序列的当前值减去前一个值得到,BTD_x和BTD_z为GPS坐标数据转换到北天东坐标系下的数据值,BTD_x和BTD_z依次代表x轴向和z轴向的值;
242)计算用导航航向角代替位置方位角后带来的误差,得到误差值如下
errorf=TM_yc_xz-pos_theta
对该误差序列进行时间序列建模,计算误差序列的自相关系数与偏自相关系数,采用adftest()函数验证序列的平稳性,autocorr()函数计算序列的自相关系数,parcorr()函数计算序列的偏自相关系数,根据自相关系数和偏自相关系数的特性,采用一阶AR模型对误差序列建模,采用ar()函数对模型系数进行估计,得到参数后即可构建预测模型errorf(i)=coef*errorf(i-1),coef为计算得到的模型系数;
位置方位角递推计算的最终模型为:
delta_tm=YawRate_u(i-1)*dt
TM_yc(i)=TM_yc(i-1)-delta_tm
t_in=dt*(i-1)
error(i)=x1*t_in2+x2*t_in+x3
errorf(i)=coef*errorf(i-1)
theta_GPS_raw_p(i)=TM_yc(i)+error(i)+errorf(i)。
2.根据权利要求1所述的GPS信号丢失的预测定位方法,其特征是,所述步骤1)包括如下步骤:
11)载入一段GPS设备传感器采集的GPS数据及其对应时段的车载传感器数据,对GPS数据的时间戳进行处理,寻找其中存在的异常的点,即GPS数据丢失的点,从中选取一段完整数据作为训练样本,根据训练样本GPS数据的时间戳,读取对应时间段的车载传感器数据;
12)采用拉格朗日插值方法对GPS数据进行插值处理,使得GPS数据的时间间隔与车载传感器时间间隔相同;
13)计算GPS传感器数据中的速度变量与车载传感器数据中速度变量的相关系数,通过相关系数最大值对应的位置来得到延时量,对GPS数据按照此延时量进行整体平移,使其与车载传感器数据对应。
3.根据权利要求1所述的GPS信号丢失的预测定位方法,其特征是,所述GPS数据先转换到地心直角坐标系数据,在从地心直角坐标系转换到北天东坐标系,其中GPS数据的经纬高数据转换为地心直角坐标系公式如下:
x=(earth_radius+Alt)*cos(Lat*π/180)*cos(Lon*π/180)
y=(earth_radius+Alt)*cos(Lat*π/180)*sin(Lon*π/180)
z=(earth_radius+Alt)*sin(Lat*π/180)
其中earth_radius为地球半径,Lon、Lat、Alt依次为GPS经纬高数据,x、y、z为转换后的地心直角坐标系数据。
4.根据权利要求1所述的GPS信号丢失的预测定位方法,其特征是,根据时间序列的预测特性,计算时间序列模型加权系数如下w=0.99num,num为预测的帧数,则预测模式下,实时位置方位角递推公式如下
delta_tm=YawRate_u(i-1)*dt
TM_yc(i)=TM_yc(i-1)-delta_tm
t_in=dt*(i-1)
error(i)=x1*t_in2+x2*t_in+x3
errorf(i)=coef*errorf(i-1)
theta_GPS_raw_p(i)=TM_yc(i)+error(i)+0.99i-len*errorf(i-1)
其中,i为预测模式下的时间戳,其取值范围从训练样本结束后的第一个值开始,定义为i=len+1,len+2.....num;len为训练样本点数,得到位置方位角的计算值后,在根据车载传感器测得的速度数据,能够实时计算出目标在北天东坐标系下的位置信息
BTD_x_p(i)=BTD_x_p(i-1)+Speed_DR_use(i-1)*dt*cos(theta_GPS_raw_p(i)*π/180)
BTD_z_p(i)=BTD_z_p(i-1)+Speed_DR_use(i-1)*dt*sin(theta_GPS_raw_p(i)*π/180)由上述公式,可推导得到目标在北天东坐标系下的位置,其中Speed_DR_use(i-1)为车载传感器回传的i-1上一时刻的速度信息,BTD_x_p(i)和BTD_z_p(i)为i时刻目标在北天东坐标系下的递推预测x轴向和z轴向数据,
通过坐标转换,把北天东坐标系下的数据转会到经纬高数据,即可得到目标的实时经纬高定位信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811426889.4A CN109507706B (zh) | 2018-11-27 | 2018-11-27 | 一种gps信号丢失的预测定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811426889.4A CN109507706B (zh) | 2018-11-27 | 2018-11-27 | 一种gps信号丢失的预测定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109507706A CN109507706A (zh) | 2019-03-22 |
CN109507706B true CN109507706B (zh) | 2023-01-24 |
Family
ID=65750821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811426889.4A Active CN109507706B (zh) | 2018-11-27 | 2018-11-27 | 一种gps信号丢失的预测定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109507706B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL269263B (en) * | 2019-09-10 | 2021-09-30 | Veeride Geo Ltd | A navigation method based on a cell phone |
CN111190211B (zh) * | 2019-12-30 | 2022-11-15 | 南京长峰航天电子科技有限公司 | 一种gps失效位置预测定位方法 |
CN111523667B (zh) * | 2020-04-30 | 2023-06-27 | 天津大学 | 一种基于神经网络的rfid定位方法 |
CN113720343A (zh) * | 2021-08-16 | 2021-11-30 | 中国科学院上海微***与信息技术研究所 | 基于动态数据实时适应的航向预测方法 |
CN114367981B (zh) * | 2021-12-28 | 2023-04-07 | 达闼机器人股份有限公司 | 对象控制方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819041A (zh) * | 2010-04-16 | 2010-09-01 | 北京航空航天大学 | 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法 |
CN105890592A (zh) * | 2016-03-30 | 2016-08-24 | 湖南大学 | 基于 Online-WSVR 算法的车辆位置信息预测方法 |
RU2617565C1 (ru) * | 2015-12-02 | 2017-04-25 | Акционерное общество "Раменское приборостроительное конструкторское бюро" | Способ оценивания ошибок инерциальной информации и её коррекции по измерениям спутниковой навигационной системы |
CN106980133A (zh) * | 2017-01-18 | 2017-07-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 利用神经网络算法补偿和修正的gps ins组合导航方法及*** |
-
2018
- 2018-11-27 CN CN201811426889.4A patent/CN109507706B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819041A (zh) * | 2010-04-16 | 2010-09-01 | 北京航空航天大学 | 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法 |
RU2617565C1 (ru) * | 2015-12-02 | 2017-04-25 | Акционерное общество "Раменское приборостроительное конструкторское бюро" | Способ оценивания ошибок инерциальной информации и её коррекции по измерениям спутниковой навигационной системы |
CN105890592A (zh) * | 2016-03-30 | 2016-08-24 | 湖南大学 | 基于 Online-WSVR 算法的车辆位置信息预测方法 |
CN106980133A (zh) * | 2017-01-18 | 2017-07-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 利用神经网络算法补偿和修正的gps ins组合导航方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109507706A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
CN108226980B (zh) | 基于惯性测量单元的差分gnss与ins自适应紧耦合导航方法 | |
Bryne et al. | Nonlinear observers for integrated INS\/GNSS navigation: implementation aspects | |
CN111323050B (zh) | 一种捷联惯导和多普勒组合***标定方法 | |
CN102353378B (zh) | 一种矢量形式信息分配系数的组合导航***自适应联邦滤波方法 | |
CN113252033B (zh) | 基于多传感器融合的定位方法、定位***及机器人 | |
CN110220491B (zh) | 一种无人机的光学吊舱安装误差角估算方法 | |
CN111982106A (zh) | 导航方法、装置、存储介质及电子装置 | |
CN113238072B (zh) | 一种适用于车载光电平台的运动目标解算方法 | |
Mu et al. | A GNSS/INS-integrated system for an arbitrarily mounted land vehicle navigation device | |
CN112946681B (zh) | 融合组合导航信息的激光雷达定位方法 | |
CN112346104A (zh) | 一种无人机信息融合定位方法 | |
CN109931952A (zh) | 未知纬度条件下捷联惯导直接解析式粗对准方法 | |
CN114777812B (zh) | 一种水下组合导航***行进间对准与姿态估计方法 | |
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 | |
CN111197994B (zh) | 位置数据修正方法、装置、计算机设备和存储介质 | |
CN109655057B (zh) | 一种六推无人机加速器测量值的滤波优化方法及其*** | |
CN111982126A (zh) | 一种全源BeiDou/SINS弹性状态观测器模型设计方法 | |
CN114897942B (zh) | 点云地图的生成方法、设备及相关存储介质 | |
CN112987054B (zh) | 标定sins/dvl组合导航***误差的方法和装置 | |
CN114018262B (zh) | 一种改进的衍生容积卡尔曼滤波组合导航方法 | |
CN114019954B (zh) | 航向安装角标定方法、装置、计算机设备和存储介质 | |
CN114111840A (zh) | 一种基于组合导航的dvl误差参数在线标定方法 | |
CN114705223A (zh) | 多移动智能体在目标跟踪中的惯导误差补偿方法及*** | |
CN111473786A (zh) | 一种基于局部反馈的两层分布式多传感器组合导航滤波方法 |
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 |