CN109655057A - 一种六推无人机加速器测量值的滤波优化方法及其*** - Google Patents
一种六推无人机加速器测量值的滤波优化方法及其*** Download PDFInfo
- Publication number
- CN109655057A CN109655057A CN201811485762.XA CN201811485762A CN109655057A CN 109655057 A CN109655057 A CN 109655057A CN 201811485762 A CN201811485762 A CN 201811485762A CN 109655057 A CN109655057 A CN 109655057A
- Authority
- CN
- China
- Prior art keywords
- moment
- acceleration
- value
- unmanned plane
- covariance
- 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.)
- Granted
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及六推无人机技术领域,特别涉及一种六推无人机加速器测量值的滤波优化方法及其***;本发明先通过卡尔曼滤波器对K时刻的加速度测量值进行滤波;再获取K时刻的加速度测量值和加速度预测值;从而得到K时刻的协方差;再计算出K时刻的卡尔曼增益;然后得到K时刻的最优预测值;通过K时刻的最优预测值进行迭代计算,得到K+1时刻的最优预测值;本发明对加速器测量值进行实时滤波优化,获得更加接近真实加速度的测量数据;对滤波优化后的加速度数据进行二次积分处理,能够获得更加准确的水下无人机位移数据,大幅降低测量加速度的非真实极值出现概率和误差,提高通过九轴运动姿态模块实现水下无人机定位的精度。
Description
技术领域
本发明涉及六推无人机技术领域,特别涉及一种六推无人机加速器测量值的滤波优化方法。
背景技术
目前,六推水下无人机采用MPU605六轴运动姿态传感器和处理组件,结合IST爱胜磁力计,实现完整的九轴运动姿态融合输出。
水下无人机目前无法通过GPS电磁信号实现水下定位,目前最常用的水下定位方法为水下声学回声技术定位或者惯性导航仪,则水下无人机拟采用九轴运动姿态模块模拟惯性导航仪,通过加速度计(加速器)测量值的积分换算为水下无人机的各个轴向位移量,获得水下位置。然而水下无人机的九轴运动姿态模块中的加速度计测量数据不准的问题,因为只是单纯的应用进行粗略定位,而存在较多误差(测量噪声)和非真实极值的跳变,将导致积分计算的水下无人机位移产生跳变和不准确。
发明内容
本发明主要解决的技术问题是提供一种六推无人机加速器测量值的滤波优化方法,对加速器测量值进行实时滤波优化,大幅降低测量加速度的非真实极值出现概率和误差,提高通过九轴运动姿态模块实现水下无人机定位的精度;还提供一种六推无人机加速器测量值的滤波优化***。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种六推无人机加速器测量值的滤波优化方法,其通过九轴运动姿态模块模拟惯性导航仪,从而通过九轴运动姿态模块内的加速度计测量出加速度测量值,其中,包括如下步骤:
步骤S1、通过卡尔曼滤波器对K时刻的加速度测量值进行滤波;
步骤S2、从卡尔曼滤波器处获取滤波后的K时刻的加速度测量值且通过K时刻的加速度测量值来设定K时刻的加速度预测值;
步骤S3、从卡尔曼滤波器处获取K时刻的协方差;
步骤S4、通过K时刻的协方差计算出K时刻的卡尔曼增益;
步骤S5、结合K时刻的加速度测量值、加速度预测值和卡尔曼增益,对K时刻的加速度预测值进行校正,得到K时刻的最优预测值;
步骤S6、通过K时刻的最优预测值进行迭代计算,得到K+1时刻的最优预测值,其中,K+1时刻为K时刻的下一时刻。
作为本发明的一种改进,在步骤S2内,卡尔曼滤波器通过K-1时刻的加速度预测值进行预测设定K时刻的加速度预测值,其中,K-1时刻为K时刻的上一时刻。
作为本发明的进一步改进,步骤S3包括:卡尔曼滤波器根据K-1时刻的协方差结合卡尔曼滤波器预测的预测偏差从而得到并更新K时刻的协方差。
作为本发明的更进一步改进,步骤S4包括:通过K时刻的协方差结合加速器预测的测量偏差计算得到K时刻的卡尔曼增益。
作为本发明的更进一步改进,步骤S6包括:通过K时刻的协方差来获得并更新K+1时刻的协方差,重复步骤S1至步骤S5,自动递归进行迭代计算而获得和更新K+1时刻的最优预测值。
作为本发明的更进一步改进,K时刻的加速度测量值为其中xk-1为加速器测量测出的加速度测量值;
K时刻的加速度预测值为其中rk为常量。
作为本发明的更进一步改进,K时刻的协方差为其中,Pk-1即为K-1时刻的协方差,Q为卡尔曼滤波器预测的预测偏差。
作为本发明的更进一步改进,K时刻的卡尔曼增益为其中,R为加速器预测的测量偏差。
作为本发明的更进一步改进,K时刻的最优预测值为其中,H为常数。
一种应用于六推无人机加速器测量值的滤波优化***,其与用于模拟惯性导航仪的九轴运动姿态模块连接,所述九轴运动姿态模块内设置有加速度计,其中,包括:
卡尔曼滤波器,用于对所述加速度计测出的加速度测量值进行滤波;
信息采集模块,用于获取所述卡尔曼滤波器滤波后的加速度测量值;
设定模块,用于设定加速度预测值;
获取模块,用于从所述卡尔曼滤波器处获取协方差;
计算模块,用于通过所述协方差计算出卡尔曼增益,再结合加速度测量值、加速度预测值和卡尔曼增益,对加速度预测值进行校正,得到最优预测值。
本发明的有益效果是:与现有技术相比,本发明对加速器测量值进行实时滤波优化,获得更加接近真实加速度的测量数据;对滤波优化后的加速度数据进行二次积分处理,能够获得更加准确的水下无人机位移数据,大幅降低测量加速度的非真实极值出现概率和误差,提高通过九轴运动姿态模块实现水下无人机定位的精度。
附图说明
图1是本发明的六推无人机加速器测量值的滤波优化方法的步骤框图;
图2为本发明的六推无人机加速器测量值的滤波优化***的连接框图。
具体实施方式
六推无人机内设置有卡尔曼滤波器和九轴运动姿态模块(传感器)。
九轴运动姿态模块模拟惯性导航仪进行定位,九轴运动姿态模块内设置有加速度计,其可以通过加速度计测量出加速度测量值。
卡尔曼滤波器(Kalman Filter)是一种利用线性***状态方程,通过***输入输出观测数据,对***状态进行最优估计的算法。卡尔曼滤波器的本质是最优化自回归数据处理算法(optimal recursive data processing algorithm),它对于信号自身噪声和测量误差的处理是目前多种滤波器中最优、效率最高的,其被广泛应用于导航、通信、控制、图像处理和传感器数据融合等方面。卡尔曼滤波器的核心原理是通过不断的将下一个时刻的估计值和测量值的协方差进行递归,从而估算出最优的估计值,同时只保留上一时刻的协方差。
本发明在这简述下卡尔曼滤波器的工作流程及原理,如下:
卡尔曼滤波器的原理可以采用以下离散控制过程进行描述:
(一)状态估计
状态估计为卡尔曼滤波的开端和重要组成环节,状态估计的主要过程是根据观测数据对随机量进行定量推断,能够实现实时的对运行状态的估计和预测,这是状态估计对于卡尔曼滤波的最大意义。
(二)状态量
在卡尔曼滤波算法中,滤波对象状态量是随机量,受噪声干扰,测量值由于噪声的存在不可能是真实的准确值,但可以依据一个系列的观测值,对真实的准确值进行估计,使得估计值尽可能接近真实的准确值,该过程即为最优估计。卡尔曼滤波就是一个最优估计的过程,在该过程中,准确值与估计值之差为估计误差,卡尔曼滤波采用递推最优估计理论,通过在状态空间上的递推形式,对含噪声的估计值与测量值递推获得最优估计。
(三)卡尔曼算法流程
卡尔曼滤波在针对我们加速度值进行滤波的流程中,主要针对的是一个离散变量的控制过程。按照前后时刻进行递推,其***过程的测量值和预测值分别为:
其中,测量值是实时通过九轴运动姿态模块(传感器)测量读取,因此的计算相对比较简单,H是测量***的参数系数矩阵(如果测量***没有增益,H一般为1),需要首先确定测量值的噪声(误差)rk的取值,A是***过程预测的参数,uk-1是对***过程的控制量,即表示在k时刻对于***过程x的控制,B是控制量的参数,q和r分别是对***过程和测量值的噪声(误差)。同时,也需要通过上一时刻的k-1时刻求解现在k时刻的***状态的协方差:其中,k时刻和k-1时刻分别表示现在时刻点k时刻和上一个时刻点k-1时刻;一般***状态的协方差都为矩阵,Q即为r测量值估计噪声的矩阵。
(四)卡尔曼增益
在对***过程和测量值的估计过程中,上述两公式为前一个和现在时刻的时间更新,卡尔曼滤波对***状态参数在k时刻进行状态更新,包括卡尔曼增益系数、k时刻的***过程最优估计值以及k时刻的测量最优估计值:
卡尔曼增益:
由此可以求出在基于***过程的预测值和测量值求解的增益系数,同时考虑了***过程的预测值误差和测量值误差,并且将反映出预测值和测量值的误差对最优估计值的影响大小;对预测值进行校正更新,得到最优估计值:
最后为下一时刻估计k+1时刻的最优估计值的迭代计算进行更新,即更新协方差Pk,利用之前求解得到的卡尔曼增益系数更新:
如图1所示,本发明提供一种六推无人机加速器测量值的滤波优化方法,其通过九轴运动姿态模块模拟惯性导航仪,从而通过九轴运动姿态模块内的加速度计测量出加速度测量值,包括如下步骤:
步骤S1、通过卡尔曼滤波器对K时刻的加速度测量值进行滤波;
步骤S2、从卡尔曼滤波器处获取滤波后的K时刻的加速度测量值且通过K时刻的加速度测量值来设定K时刻的加速度预测值;
步骤S3、从卡尔曼滤波器处获取K时刻的协方差;
步骤S4、通过K时刻的协方差计算出K时刻的卡尔曼增益;
步骤S5、结合K时刻的加速度测量值、加速度预测值和卡尔曼增益,对K时刻的加速度预测值进行校正,得到K时刻的最优预测值;
步骤S6、通过K时刻的最优预测值进行迭代计算,得到K+1时刻的最优预测值,其中,K+1时刻为K时刻的下一时刻。
在本发明中,通过不断地将下一个时刻的估计值和测量值的协方差进行递归,从而估算出最优预测值,同时只保留上一时刻的协方差;对加速器测量值进行实时滤波优化,获得更加接近真实加速度的测量数据;对滤波优化后的加速度数据进行二次积分处理,能够获得更加准确的水下无人机位移数据,大幅降低测量加速度的非真实极值出现概率和误差,提高通过九轴运动姿态模块实现水下无人机定位的精度。
其中,在步骤S2内,卡尔曼滤波器通过K-1时刻的加速度预测值进行预测设定K时刻的加速度预测值,其中,K-1时刻为K时刻的上一时刻;K时刻的加速度测量值为其中xk-1为加速度计测量测出的加速度测量值;K时刻的加速度预测值为其中rk为常量。
其中,步骤S3包括:卡尔曼滤波器根据K-1时刻的协方差结合卡尔曼滤波器预测的预测偏差从而得到并更新K时刻的协方差;K时刻的协方差为其中,Pk-1即为K-1时刻的协方差,Q为卡尔曼滤波器预测的预测偏差。
其中,步骤S4包括:通过K时刻的协方差结合加速度计预测的测量偏差计算得到K时刻的卡尔曼增益;K时刻的卡尔曼增益为其中,R为加速度计预测的测量偏差。
另外,步骤S6包括:通过K时刻的协方差来获得并更新K+1时刻的协方差,重复步骤S1至步骤S5,自动递归进行迭代计算而获得和更新K+1时刻的最优预测值;K时刻的最优预测值为其中,H为常数。
在本发明中,为下一时刻估计k+1时刻的最优估计值的迭代计算进行更新:K+1时刻的协方差为
本发明在此进行具体详细描述:
1、对于***过程的测量值和预测值分别为:其中,从上一个时刻的k-1时刻预测现在k时刻的***过程中,对于加速度的预测,没有控制量uk-1和控制量参数B适用于由上一时刻k-1预测现在时刻k,因此不考虑控制量和参数的影响,且设定***过程预测参数A=1;同时,对于测量值的预测,由于加速度测量值均采用九轴运动姿态模块(传感器)测量获取,不存在测量参数的增益,设H=1;同时更新***状态的协方差:其中Pk-1即为上一个时刻k-1的协方差,Q是预测偏差,一般Q根据偏差情况预先确定,且一般设置为常量不随时间变化。
2、卡尔曼增益:
其中,R是测量值的测量偏差,一般R根据测量的偏差情况预先确定,主要取决于测量设备的且一般设置为常量不随时间变化。
3、获取卡尔曼增益后,对预测值进行校正更新,得到最优估计值:
4、最后为下一时刻估计k+1时刻的最优估计值的迭代计算进行更新,即更新协方差Pk,利用之前求解得到的卡尔曼增益系数更新:
在计算出现在时刻k的最优估计值xk后,进入对下一个时刻k+1时刻的预测,将上述步骤重新循环一次,卡尔曼滤波器自动递归演算出最优的估计值沿时间的变化曲线。
如图2所示,本发明提供一种应用于六推无人机加速器测量值的滤波优化***,其与用于模拟惯性导航仪的九轴运动姿态模块连接,九轴运动姿态模块内设置有加速度计,包括:
卡尔曼滤波器,用于对所述加速度计测出的加速度测量值进行滤波;
信息采集模块,用于获取所述卡尔曼滤波器滤波后的加速度测量值;
设定模块,用于设定加速度预测值;
获取模块,用于从卡尔曼滤波器处获取协方差;
计算模块,用于通过协方差计算出卡尔曼增益,再结合加速度测量值、加速度预测值和卡尔曼增益,对加速度预测值进行校正,得到最优预测值。
其中,卡尔曼滤波器内设置有用于对加速度测量值进行滤波的滤波单元。
信息采集模块内设置有用于获取卡尔曼滤波器滤波后的当时K时刻的加速度测量值的采集单元。
设定模块内设置有通过K-1时刻的加速度预测值进行预测设定K时刻的加速度预测值的预测单元。
获取模块内设置有用于获取K-1时刻的协方差的获取单元、用于采集卡尔曼滤波器预测的预测偏差的收集单元及用于通过获取单元获取的K-1时刻的协方差结合收集单元采集卡尔曼滤波器预测的预测偏差进行计算得到K时刻的协方差的协方差单元,协方差单元同时还进行更新K时刻的协方差的数据,方便K+1时刻来获取K时刻的协方差。
计算模块内设置有用于通过K时刻的协方差结合加速度计预测的测量偏差计算得到K时刻的卡尔曼增益的增益单元、用于对加速度预测值进行校正的校正单元、用于通过增益单元计算得到的K时刻的卡尔曼增益结合K时刻的加速度预测值计算得到最优预测值的最优计算单元。
本发明的六推无人机加速器测量值的滤波优化方法可以对加速度计获取的数据做进一步的卡尔曼滤波处理,获得更加接近真实加速度的测量数据;对滤波优化后的加速度数据进行二次积分处理,能够获得更加准确的水下无人机位移数据。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种六推无人机加速器测量值的滤波优化方法,其通过九轴运动姿态模块模拟惯性导航仪,从而通过九轴运动姿态模块内的加速度计测量出加速度测量值,其特征在于,包括如下步骤:
步骤S1、通过卡尔曼滤波器对K时刻的加速度测量值进行滤波;
步骤S2、从卡尔曼滤波器处获取滤波后的K时刻的加速度测量值且通过K时刻的加速度测量值来设定K时刻的加速度预测值;
步骤S3、从卡尔曼滤波器处获取K时刻的协方差;
步骤S4、通过K时刻的协方差计算出K时刻的卡尔曼增益;
步骤S5、结合K时刻的加速度测量值、加速度预测值和卡尔曼增益,对K时刻的加速度预测值进行校正,得到K时刻的最优预测值;
步骤S6、通过K时刻的最优预测值进行迭代计算,得到K+1时刻的最优预测值,其中,K+1时刻为K时刻的下一时刻。
2.根据权利要求1所述的一种六推无人机加速器测量值的滤波优化方法,其特征在于,在步骤S2内,卡尔曼滤波器通过K-1时刻的加速度预测值进行预测设定K时刻的加速度预测值,其中,K-1时刻为K时刻的上一时刻。
3.根据权利要求2所述的一种六推无人机加速器测量值的滤波优化方法,其特征在于,步骤S3包括:卡尔曼滤波器根据K-1时刻的协方差结合卡尔曼滤波器预测的预测偏差从而得到并更新K时刻的协方差。
4.根据权利要求1或3所述的一种六推无人机加速器测量值的滤波优化方法,其特征在于,步骤S4包括:通过K时刻的协方差结合加速器预测的测量偏差计算得到K时刻的卡尔曼增益。
5.根据权利要求1或4所述的一种六推无人机加速器测量值的滤波优化方法,其特征在于,步骤S6包括:通过K时刻的协方差来获得并更新K+1时刻的协方差,重复步骤S1至步骤S5,自动递归进行迭代计算而获得和更新K+1时刻的最优预测值。
6.根据权利要求2所述的一种六推无人机加速器测量值的滤波优化方法,其特征在于,
K时刻的加速度测量值为其中xk-1为加速器测量测出的加速度测量值;
K时刻的加速度预测值为其中rk为常量。
7.根据权利要求6所述的一种六推无人机加速器测量值的滤波优化方法,其特征在于,K时刻的协方差为其中,Pk-1即为K-1时刻的协方差,Q为卡尔曼滤波器预测的预测偏差。
8.根据权利要求7所述的一种六推无人机加速器测量值的滤波优化方法,其特征在于,K时刻的卡尔曼增益为其中,R为加速器预测的测量偏差。
9.根据权利要求8所述的一种六推无人机加速器测量值的滤波优化方法,其特征在于,K时刻的最优预测值为其中,H为常数。
10.一种应用于六推无人机加速器测量值的滤波优化***,其与用于模拟惯性导航仪的九轴运动姿态模块连接,所述九轴运动姿态模块内设置有加速度计,其特征在于,包括:
卡尔曼滤波器,用于对所述加速度计测出的加速度测量值进行滤波;
信息采集模块,用于获取所述卡尔曼滤波器滤波后的加速度测量值;
设定模块,用于设定加速度预测值;
获取模块,用于从所述卡尔曼滤波器处获取协方差;
计算模块,用于通过所述协方差计算出卡尔曼增益,再结合加速度测量值、加速度预测值和卡尔曼增益,对所述加速度预测值进行校正,得到最优预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811485762.XA CN109655057B (zh) | 2018-12-06 | 2018-12-06 | 一种六推无人机加速器测量值的滤波优化方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811485762.XA CN109655057B (zh) | 2018-12-06 | 2018-12-06 | 一种六推无人机加速器测量值的滤波优化方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109655057A true CN109655057A (zh) | 2019-04-19 |
CN109655057B CN109655057B (zh) | 2021-05-25 |
Family
ID=66111782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811485762.XA Active CN109655057B (zh) | 2018-12-06 | 2018-12-06 | 一种六推无人机加速器测量值的滤波优化方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109655057B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567483A (zh) * | 2019-08-04 | 2019-12-13 | 杭州神驹科技有限公司 | 一种mems传感器的数据处理方法 |
CN112525190A (zh) * | 2020-12-24 | 2021-03-19 | 北京紫光展锐通信技术有限公司 | 惯性导航方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745474A (zh) * | 2014-01-21 | 2014-04-23 | 南京理工大学 | 基于惯性传感器和摄像机的图像配准方法 |
CN105300379A (zh) * | 2015-10-13 | 2016-02-03 | 上海新纪元机器人有限公司 | 一种基于加速度的卡尔曼滤波姿态估计方法及*** |
CN106597017A (zh) * | 2016-12-16 | 2017-04-26 | 上海拓攻机器人有限公司 | 一种基于扩展卡尔曼滤波的无人机角加速度估计方法及装置 |
CN107272718A (zh) * | 2017-06-19 | 2017-10-20 | 歌尔科技有限公司 | 基于卡尔曼滤波的姿态控制方法及装置 |
CN107289933A (zh) * | 2017-06-28 | 2017-10-24 | 东南大学 | 基于mems传感器和vlc定位融合的双卡尔曼滤波导航装置和方法 |
CN107367268A (zh) * | 2017-07-25 | 2017-11-21 | 昆明理工大学 | 一种基于三维姿态的智能铅鱼动态水深测量电路及方法 |
CN108519090A (zh) * | 2018-03-27 | 2018-09-11 | 东南大学—无锡集成电路技术研究所 | 一种基于优化的ukf算法的双通道组合定姿算法的实现方法 |
-
2018
- 2018-12-06 CN CN201811485762.XA patent/CN109655057B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745474A (zh) * | 2014-01-21 | 2014-04-23 | 南京理工大学 | 基于惯性传感器和摄像机的图像配准方法 |
CN105300379A (zh) * | 2015-10-13 | 2016-02-03 | 上海新纪元机器人有限公司 | 一种基于加速度的卡尔曼滤波姿态估计方法及*** |
CN106597017A (zh) * | 2016-12-16 | 2017-04-26 | 上海拓攻机器人有限公司 | 一种基于扩展卡尔曼滤波的无人机角加速度估计方法及装置 |
CN107272718A (zh) * | 2017-06-19 | 2017-10-20 | 歌尔科技有限公司 | 基于卡尔曼滤波的姿态控制方法及装置 |
CN107289933A (zh) * | 2017-06-28 | 2017-10-24 | 东南大学 | 基于mems传感器和vlc定位融合的双卡尔曼滤波导航装置和方法 |
CN107367268A (zh) * | 2017-07-25 | 2017-11-21 | 昆明理工大学 | 一种基于三维姿态的智能铅鱼动态水深测量电路及方法 |
CN108519090A (zh) * | 2018-03-27 | 2018-09-11 | 东南大学—无锡集成电路技术研究所 | 一种基于优化的ukf算法的双通道组合定姿算法的实现方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110567483A (zh) * | 2019-08-04 | 2019-12-13 | 杭州神驹科技有限公司 | 一种mems传感器的数据处理方法 |
CN110567483B (zh) * | 2019-08-04 | 2021-04-23 | 杭州神驹科技有限公司 | 一种mems传感器的数据处理方法 |
CN112525190A (zh) * | 2020-12-24 | 2021-03-19 | 北京紫光展锐通信技术有限公司 | 惯性导航方法及设备 |
WO2022135070A1 (zh) * | 2020-12-24 | 2022-06-30 | 北京紫光展锐通信技术有限公司 | 惯性导航方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109655057B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107255795B (zh) | 基于ekf/efir混合滤波的室内移动机器人定位方法和装置 | |
CN105549049B (zh) | 一种应用于gps导航的自适应卡尔曼滤波算法 | |
CN111780755A (zh) | 一种基于因子图和可观测度分析的多源融合导航方法 | |
CN107884800B (zh) | 观测时滞***的组合导航数据解算方法、装置及导航设备 | |
CN104392136B (zh) | 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法 | |
CN110779518B (zh) | 一种具有全局收敛性的水下航行器单信标定位方法 | |
CN108761512A (zh) | 一种弹载bds/sins深组合自适应ckf滤波方法 | |
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
CN108134640B (zh) | 一种基于节点运动状态约束的协作定位***和方法 | |
CN109059907A (zh) | 轨迹数据处理方法、装置、计算机设备和存储介质 | |
CN105891863A (zh) | 一种基于高度约束的扩展卡尔曼滤波定位方法 | |
CN110794409A (zh) | 一种可估计未知有效声速的水下单信标定位方法 | |
CN110346821A (zh) | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及*** | |
CN109655057A (zh) | 一种六推无人机加速器测量值的滤波优化方法及其*** | |
CN110646783A (zh) | 一种水下航行器的水下信标定位方法 | |
CN113866810A (zh) | 一种列车定位导航的方法、***、电子设备及存储介质 | |
CN112556696A (zh) | 一种对象定位方法、装置、计算机设备以及存储介质 | |
JP5664059B2 (ja) | 車両用軌跡推定装置 | |
CN112034445B (zh) | 基于毫米波雷达的车辆运动轨迹跟踪方法和*** | |
CN117724059A (zh) | 基于卡尔曼滤波算法的多源传感器融合航迹校正方法 | |
CN103727947B (zh) | 基于ukf滤波的bds与gis深耦合定位方法和*** | |
CN106886037A (zh) | 适用于弱gnss信号条件的pos数据纠偏方法 | |
CN116679296A (zh) | 一种基于主辅复合滤波的远程高速目标雷达跟踪方法 | |
CN116772837A (zh) | 基于交互式多模型的gnss/sins组合导航方法 | |
JP2008175683A (ja) | センサのバイアス誤差推定装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Filtering Optimization Method and System for Measuring Values of Six Pushing Drone Accelerator Effective date of registration: 20230811 Granted publication date: 20210525 Pledgee: Bank of Communications Limited Shenzhen Branch Pledgor: SHENZHEN GENEINNO TECHNOLOGY Co.,Ltd. Registration number: Y2023980051816 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |