CN109883426B - 基于因子图的动态分配与校正多源信息融合方法 - Google Patents
基于因子图的动态分配与校正多源信息融合方法 Download PDFInfo
- Publication number
- CN109883426B CN109883426B CN201910177064.1A CN201910177064A CN109883426B CN 109883426 B CN109883426 B CN 109883426B CN 201910177064 A CN201910177064 A CN 201910177064A CN 109883426 B CN109883426 B CN 109883426B
- Authority
- CN
- China
- Prior art keywords
- measurement
- gps
- error
- formula
- navigation
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 7
- 238000012937 correction Methods 0.000 title claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 84
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 15
- 238000000424 optical density measurement Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000003111 delayed effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Landscapes
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于多传感器融合的导航技术领域和时间配准技术领域,具体涉及基于因子图的动态分配与校正多源信息融合方法。针对现代导航***应用环境日益复杂,传感器的工作时间不连续,量测值时有时无,甚至出现输出迟滞,传统的联邦滤波算法计算复杂,处理量测迟滞问题时精度降低。本发明使用因子图概率模型对导航***重新建模,保证了***出现量测类型动态变化时的导航精度同时减少计算量,提高了***的即插即用特性,针对量测迟滞问题,使用多种传感器信息对延迟量测进行补偿提高量测信息使用率与导航精度。仿真结果表明,所提出的算法在量测值时断时续与输出迟滞的情况下具有更好的鲁棒性与容错性,同时精度也得到了提高。
Description
技术领域
本发明属于多传感器融合的导航技术领域和时间配准技术领域,具体涉及基于因子图的动态分配与校正多源信息融合方法。
背景技术
传感器技术的大力发展是当代导航手段日趋丰富的主要原因,各种高分辨率、高可靠性传感器的出现使得导航***发展尤为迅速。其中卫星导航以高精度与高覆盖率被广泛使用,在军事与民事领域,卫星导航***提供的定位、导航与授时,Position Navigationand Timing,PNT,服务是至关重要的,它为用户提供了一个时空参考基准。但在实际应用背景下,GPS干扰条件存在诸多因素,会导致信号延迟接收或失锁等情况。除GPS外,其他传感器由于环境因素等也可能出现短时间或长时间失效的问题。为此导航***需要具有对干扰环境下传感器输出动态处理的能力即即插即用能力。
针对量测迟滞问题,国内外学者都做了大量研究工作,文献《一种新的SAR时延补偿算法及其在组合导航中的应用》使用量测值本身进行插值预测,但当数据本身连续迟滞的情况下无法对自身估计校正;文献《考虑量测滞后的INS/SAR组合导航非等间隔滤波算法研究》提出了使用INS数据对迟滞量测量进行补偿的方法,但实际情况中由于惯导精度不足会导致补偿效果不佳;针对传感器即插即用问题,文献《An Improved Multi-SensorFusion Navigation Algorithm Based on the Factor Graph》使用全局概率密度函数作为计算目标,使用过去所有时刻传感器的输出同时对当前时刻导航状态进行估计,其计算复杂,在低成本的导航***中难以保证实时性;文献《基于因子图的无人机全源导航关键技术研究》使用较为简单的最小二乘方法对当前时刻的可用量测值进行融合,但该方法要求量测类型冗余度较高,增加了导航成本;而使用联邦滤波的方法处理即插即用问题时需要事先预设好可用量测量对应的子滤波器,且***运行后各子滤波器无论是否存在量测都要进行运算,计算量较大。
发明内容
本发明的目的在于克服多传感器组合导航***中量测输出迟滞造成的导航精度下降与传感器可用类型变化时造成的导航运算负担增加的问题。
本发明的技术方案如下:
基于因子图的动态分配与校正多源信息融合方法,该方法包括以下步骤:
步骤1:建立导航***的数学模型;
步骤2:使用多传感器信息对迟滞量测量进行补偿;
步骤3:使用即插即用因子图模型建立***状态转移与量测的概率模型;
步骤4:对所有可用量测值进行数据融合得到最优估计。
步骤1所述的建立导航***的数学模型包括***方程和量测方程,***方程根据间接法选取***15维状态量:
其中,为姿态角误差;δV=[δVe δVn δVu]T为速度误差;δp=[δL δλδh]T为位置误差;bg=[bgx bgy bgz]T为陀螺常值漂移;ba=[bax bay baz]T为加速度计常值偏置;
***误差模型使用小失准角条件下的线性误差模型:
设***的状态方程为:
式中,F(t)为状态转移矩阵。w(t)为***状态转移的噪声。根据Gauss假设,将其定义为白噪声;则***的噪声协方差矩阵Q为:
式中,Srg,Sra为陀螺与加速度计的噪声功率谱密度构成的对角矩阵;
量测方程包括:GPS量测方程、EC量测方程以及OD量测方程,其中GPS量测方程表示为下式:
式中,v为速度、位置误差噪声;HGPS为量测矩阵:
EC量测方程表示为下式:
式中,ZEC为姿态误差,包括航向、俯仰、横滚误差;v2(t)为高斯白噪声。HEC为量测矩阵:
HEC(t)=[I3×3 03×3 03×3 03×3 03×3]
M为误差角转换矩阵,表示由姿态误差角转换为平台失准角:
OD量测方程表示为下式:
式中,v为速度、位置误差噪声;HOD为量测矩阵:
步骤2所述的使用多传感器信息对迟滞量测量进行补偿的过程包括:
根据各自线加速度分别计算出速度补偿量δVΔT与位置补偿量δPΔT:
最终的补偿量为两者加权融合得到:
其中α+β=1。
步骤3所述的使用即插即用因子图模型建立***状态转移与量测的概率模型包括,***的状态空间描述为:
组合导航***的估计问题被转化为一阶马尔可夫链,由马尔可夫链的性质得:
由***的概率模型得:
p(Xik|Zk)=p(Xik|Xi-1)p(Zk|Xik)
式中p(Xik|Xi-1)=1/n(p(Xi|Xi-1)),认为每个量测与状态量融合的结果的精度是等可能的,于是其对应协方差为:
σ2(Xik|Xi-1)=n(σ2(Xi|Xi-1))
由高斯分布得:
本发明的有益效果在于:
针对以SINS/GPS/OD/EC组合为导航源的现代导航***应用环境日益复杂,传感器的工作时间不连续,量测值时有时无,甚至出现输出迟滞,传统的联邦滤波算法计算复杂,处理量测迟滞问题时精度降低。为了解决上述问题,本发明提出一种基于因子图的多源信息融合导航算法。该方法使用因子图概率模型对导航***重新建模,保证了***出现量测类型动态变化时的导航精度同时减少计算量,提高了***的即插即用特性,针对量测迟滞问题,使用多种传感器信息对延迟量测进行补偿提高量测信息使用率与导航精度。仿真结果表明,所提出的算法在量测值时断时续与输出迟滞的情况下具有更好的鲁棒性与容错性,同时精度也得到了提高。
附图说明
图1是即插即用因子图模型。
图2是跑车运动轨迹图。
图3是GPS量测迟滞条件下的航向角误差对比。
图4是GPS量测迟滞条件下的俯仰角误差对比。
图5是GPS量测迟滞条件下的横滚角误差对比。
图6是GPS量测迟滞条件下的东向速度误差对比。
图7是GPS量测迟滞条件下的北向速度误差对比。
图8是GPS量测迟滞条件下的天向速度误差对比。
图9是GPS量测迟滞条件下的纬度误差对比。
图10是GPS量测迟滞条件下的经度误差对比。
图11是GPS量测迟滞条件下的高度误差对比。
图12是可用传感器类型动态变化条件下的航向角误差对比。
图13是可用传感器类型动态变化条件下的俯仰角误差对比。
图14是可用传感器类型动态变化条件下的横滚角误差对比。
图15是可用传感器类型动态变化条件下的东向速度误差对比。
图16是可用传感器类型动态变化条件下的北向速度误差对比。
图17是可用传感器类型动态变化条件下的天向速度误差对比。
图18是可用传感器类型动态变化条件下的纬度误差对比。
图19是可用传感器类型动态变化条件下的经度误差对比。
图20是是可用传感器类型动态变化条件下的高度误差对比。
具体实施方式
下面结合附图对本发明做进一步描述。本发明的效果可以通过以下仿真说明:
本发明特别涉及导航***可用传感器输出动态变化与量测迟滞,传统滤波算法计算复杂与精度不足的问题,具体说是一种可以在线实时校正量测输出与分配可用量测进行融合从而增强运算实时性并得到精确更高的导航参数的方法。
步骤1:建立导航***的数学模型
1.***方程
根据间接法选取***15维状态量:
其中,为姿态角误差;δV=[δVe δVn δVu]T为速度误差;δp=[δL δλδh]T为位置误差;bg=[bgx bgy bgz]T为陀螺常值漂移;ba=[bax bay baz]T为加速度计常值偏置。
***误差模型使用小失准角条件下的线性误差模型:
设***的状态方程为:
式中,F(t)为状态转移矩阵。w(t)为***状态转移的噪声。根据Gauss假设,将其定义为白噪声。则***的噪声协方差矩阵Q为:
式中,Srg,Sra为陀螺与加速度计的噪声功率谱密度(PSD)构成的对角矩阵。
2.量测方程
1)GPS量测方程:
式中,v为速度、位置误差噪声;HGPS为量测矩阵:
2)EC量测方程:
式中,ZEC为姿态误差,包括航向、俯仰、横滚误差;v2(t)为高斯白噪声。HEC为量测矩阵:
HEC(t)=[I3×3 03×3 03×3 03×3 03×3]
M为误差角转换矩阵,表示由姿态误差角转换为平台失准角:
3)OD量测方程:
式中,v为速度、位置误差噪声;HOD为量测矩阵:
3.连续***离散化
首先进行模型离散化。设***的离散方程为:
由于惯导的采样周期很小,所以在—个采样周期内,F(t)可认为是常数矩阵,即F(t)=F(tk)=Fk。同理可得Gk=G(tk)。***状态转移矩阵如下:
***噪声驱动阵如下:
观测矩阵如下:
Hk=H(tk)
***噪声方差阵计算如下:
步骤2:使用多传感器信息对迟滞量测量进行补偿;
设INS、GPS、OD、EC的采样时间分别为TINS、TGPS、TOD、TEC。设GPS滞后的时间为ΔT,以INS进行插值时由于GPS滞后时间内INS更新次数为k=ΔT/TINS,在滞后时间内***状态转移的协方差矩阵为QΔT=kQ。INS的补偿量与OD的补偿量分配系数分别为αINS(αv1,αv2,αv3,αp1,αp2,αp3)、βOD(βv1,βv2βv3,βp1,βp2,βp3),且α+β=1。其中的α=0.1,β=0.9,两参考值也可根据传感器精度进行适当调整。
根据各自线加速度分别计算出速度与位置补偿量:
最终的补偿量为两者加权融合得到:
步骤3:使用即插即用因子图模型建立***状态转移与量测的概率模型;
根据***的运行情况可以分为以下几种情况:第一种是某段时间内可用传感器类型不变,即***正常运行;第二种是由于环境等因素导致某正在工作的传感器出现故障,无法输出量测值,即“移除”现象;第三种是已经失灵的传感器又恢复正常工作或作为机会信号以不定时间输出,即“***”现象。
组合导航***的估计问题被转化为一阶马尔可夫链。则***的状态空间描述如下:
在已知所有量测量Z1,…,Zn的条件下估计状态X1,…,Xn的概率密度函数(probability density function,pdf)可以写作f(X1,…,Xn|Z1,…,Zn)。现对***的状态转移与量测做Gauss分布假设,即状态转移噪声与量测噪声为高斯白噪声。由***的隐马尔可夫过程的概率密度函数的定义可知:
由于***为马尔可夫过程,则可对状态量做如下假设:***的第n时刻的状态量Xn只与***上一时刻即第n-1时刻的状态量Xn-1有关,且与***n-1时刻之前的状态量无关。观察函数节点f(Xi|Xi-1),该节点将i-1时刻的信息传递至第i时刻,假设Xi收到的信息可以表示为则由高斯分布的形式可得:
由概率论知识可知:
同理可得:
p(Xik|Zk)=p(Xik|Xi-1)p(Zk|Xik)
式中p(Xik|Xi-1)=1/n(p(Xi|Xi-1)),这里为简单考虑,可以认为每个量测与状态量融合的结果的精度是等可能的。于是其对应协方差为:
σ2(Xik|Xi-1)=n(σ2(Xi|Xi-1))
由和积算法可知:
该步骤相比联邦滤波器省去了所有子滤波器在所有时刻都要进行一步预测的过程,每一个时间节点进行一步预测的个数等于当前可用传感器的个数,简化了计算量。
步骤4:对所有可用量测值进行数据融合;
实验条件与内容:
表1仿真中的参数设置
表2各时间段内的传感器的输出情况
表3两种联邦卡尔曼与本发明算法的均方根误差对比
表4联邦卡尔曼与本发明算法的运行时间对比
实验采用真实跑车数据,其中包含INS、GPS、OD与EC四种传感器,整个载体运行轨迹是围绕地图上的三个直线排列建筑物的绕圈运动。载体初始位置为东经126.6815°,北纬45.7773°,开始上电后先静止约3min,然后沿环形路线反复行驶,最后停在初始位置,整个行驶过程持续约22min。
为了验证对量测滞后的补偿结果,设置GPS的输出在487s~732s出现输出滞后现象,滞后的时间为0.5s。
从图3-11可以看出,在GPS出现量测之后的时间段内,改进的量测滞后补偿方法误差最小。在GPS量测迟滞期间内,由于速度与位置量测误差没有被补偿而被直接利用,纬度最大误差达到4m,经度最大误差达到3.72m,东向速度误差最大达到0.84m/s,北向速度最大误差达到0.92m/s,由此可以看出对于出现量测滞后的观测量必须予以补偿或舍弃。未补偿方法则是不使用出现量测滞后的观测量,其导航精度较高但仍然低于改进方法。而单独利用INS对出现量测之后的GPS进行补偿的方法由于使用的MIMU漂移较大,且量测滞后时间稍长,导致其补偿结果并不理想,其中纬度最大误差达到2.45m,经度最大误差达到2.02m,东向速度最大误差达到0.49m/s,北向速度最大误差达到0.54m/s。
为进一步验证本方法与联邦卡尔曼的计算精度与计算时间,将传感器的故障时间按表2设置。
从图11-20与表3可以看出基于因子图的多源信息融合方法效果与最优估计的反馈重置联邦相近,其估计精度得到验证。
从表4可以看出由于因子图算法省去了子滤波器结构,其计算量相比联邦卡尔曼较小,运行时间相对缩短了23.85%,更适合工程应用。
Claims (1)
1.基于因子图的动态分配与校正多源信息融合方法,其特征在于,该方法包括以下步骤:
步骤1:建立导航***的数学模型;
所述的建立导航***的数学模型包括***方程和量测方程,***方程根据间接法选取***15维状态量:
其中,为姿态角误差;δV=[δVe δVn δVu]T为速度误差;δp=[δL δλ δh]T为位置误差;bg=[bgx bgy bgz]T为陀螺常值漂移;ba=[bax bay baz]T为加速度计常值偏置;
***误差模型使用小失准角条件下的线性误差模型:
设***的状态方程为:
式中,F(t)为状态转移矩阵;w(t)为***状态转移的噪声;根据Gauss假设,将其定义为白噪声;则***的噪声协方差矩阵Q为:
式中,Srg、Sra为陀螺与加速度计的噪声功率谱密度构成的对角矩阵;
量测方程包括:GPS量测方程、EC量测方程以及OD量测方程,其中GPS量测方程表示为下式:
式中,v1(t)为GPS速度、位置误差噪声;HGPS为GPS量测矩阵:
EC量测方程表示为下式:
式中,ZEC为姿态误差,包括航向、俯仰、横滚误差;v2(t)为高斯白噪声;HEC为EC量测矩阵,HEC(t)=[I3×3 03×3 03×3 03×3 03×3];M为误差角转换矩阵,表示由姿态误差角转换为平台失准角:
OD量测方程表示为下式:
式中,v3(t)为OD速度、位置误差噪声;HOD为OD量测矩阵:
步骤2:使用多传感器信息对迟滞量测量进行补偿;
设INS、GPS、OD、EC的采样时间分别为TINS、TGPS、TOD、TEC;设GPS滞后的时间为ΔT,以INS进行插值时由于GPS滞后时间内INS更新次数为k=ΔT/TINS,在滞后时间内***状态转移的协方差矩阵为QΔT=kQ;INS的补偿量与OD的补偿量分配系数分别为αINS(αv1,αv2,αv3,αp1,αp2,αp3)、βOD(βv1,βv2βv3,βp1,βp2,βp3),且α+β=1;
根据各自线加速度分别计算出速度与位置补偿量:
最终的补偿量为两者加权融合得到:
步骤3:使用即插即用因子图模型建立***状态转移与量测的概率模型;
***的状态空间描述为:
组合导航***的估计问题被转化为一阶马尔可夫链,由马尔可夫链的性质得:
由***的概率模型得:
p(Xik|Zk)=p(Xik|Xi-1)p(Zk|Xik)
式中p(Xik|Xi-1)=1/n(p(Xi|Xi-1)),认为每个量测与状态量融合的结果的精度是等概率的,于是其对应协方差为:
σ2(Xik|Xi-1)=n(σ2(Xi|Xi-1))
由高斯分布得:
步骤4:对所有可用量测值进行数据融合得到最优估计;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177064.1A CN109883426B (zh) | 2019-03-08 | 2019-03-08 | 基于因子图的动态分配与校正多源信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177064.1A CN109883426B (zh) | 2019-03-08 | 2019-03-08 | 基于因子图的动态分配与校正多源信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109883426A CN109883426A (zh) | 2019-06-14 |
CN109883426B true CN109883426B (zh) | 2022-01-14 |
Family
ID=66931398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910177064.1A Active CN109883426B (zh) | 2019-03-08 | 2019-03-08 | 基于因子图的动态分配与校正多源信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109883426B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110274588B (zh) * | 2019-06-19 | 2020-12-08 | 南京航空航天大学 | 基于无人机集群信息的双层嵌套因子图多源融合导航方法 |
CN110926465A (zh) * | 2019-12-11 | 2020-03-27 | 哈尔滨工程大学 | 一种mems/gps松组合导航方法 |
CN111780755B (zh) * | 2020-06-30 | 2023-05-05 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
CN111929699B (zh) * | 2020-07-21 | 2023-05-09 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及*** |
CN112556722B (zh) * | 2020-11-12 | 2023-07-28 | 北京电子工程总体研究所 | 一种基于自动选取优选源的***误差补偿方法 |
CN112577496B (zh) * | 2020-11-25 | 2024-03-26 | 哈尔滨工程大学 | 一种基于自适应选权的多源融合定位方法 |
CN112880659B (zh) * | 2021-01-09 | 2022-09-13 | 西北工业大学 | 一种基于信息概率的融合定位方法 |
CN112945224B (zh) * | 2021-02-05 | 2022-12-09 | 哈尔滨工程大学 | 一种采用因子图和和积算法的多auv协同导航方法 |
CN113984061B (zh) * | 2021-10-25 | 2023-02-14 | 哈尔滨工程大学 | 一种基于因子图优化的uuv多海域综合导航***设计方法 |
CN116048000B (zh) * | 2023-03-31 | 2023-06-13 | 中科航迈数控软件(深圳)有限公司 | 多轴运动数控***的建模方法、装置、设备及存储介质 |
CN117269885B (zh) * | 2023-11-23 | 2024-02-20 | 中国飞行试验研究院 | 基于机会信号融合的飞行器定位方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197408A (zh) * | 2016-06-23 | 2016-12-07 | 南京航空航天大学 | 一种基于因子图的多源导航信息融合方法 |
CN108364014A (zh) * | 2018-01-08 | 2018-08-03 | 东南大学 | 一种基于因子图的多源信息融合方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257730A1 (en) * | 2013-03-11 | 2014-09-11 | Qualcomm Incorporated | Bandwidth and time delay matching for inertial sensors |
CN108759845B (zh) * | 2018-07-05 | 2021-08-10 | 华南理工大学 | 一种基于低成本多传感器组合导航的优化方法 |
-
2019
- 2019-03-08 CN CN201910177064.1A patent/CN109883426B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197408A (zh) * | 2016-06-23 | 2016-12-07 | 南京航空航天大学 | 一种基于因子图的多源导航信息融合方法 |
CN108364014A (zh) * | 2018-01-08 | 2018-08-03 | 东南大学 | 一种基于因子图的多源信息融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109883426A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109883426B (zh) | 基于因子图的动态分配与校正多源信息融合方法 | |
CN110487301B (zh) | 一种雷达辅助机载捷联惯性导航***初始对准方法 | |
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 | |
CN110579740B (zh) | 一种基于自适应联邦卡尔曼滤波的无人船组合导航方法 | |
CN107525503B (zh) | 基于双天线gps和mimu组合的自适应级联卡尔曼滤波方法 | |
CN107621264B (zh) | 车载微惯性/卫星组合导航***的自适应卡尔曼滤波方法 | |
CN101949703B (zh) | 一种捷联惯性/卫星组合导航滤波方法 | |
Chen et al. | A hybrid prediction method for bridging GPS outages in high-precision POS application | |
CN111024064B (zh) | 一种改进Sage-Husa自适应滤波的SINS/DVL组合导航方法 | |
CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
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 | |
CN108387227B (zh) | 机载分布式pos的多节点信息融合方法及*** | |
CN109781098B (zh) | 一种列车定位的方法和*** | |
CN110243377B (zh) | 一种基于分层式结构的集群飞行器协同导航方法 | |
CN110849360B (zh) | 面向多机协同编队飞行的分布式相对导航方法 | |
CN109443342A (zh) | 新型自适应卡尔曼无人机姿态解算方法 | |
CN111121766A (zh) | 一种基于星光矢量的天文与惯性组合导航方法 | |
CN113252038A (zh) | 基于粒子群算法的航迹规划地形辅助导航方法 | |
Zhang et al. | A low-cost GPS/INS integration based on UKF and BP neural network | |
CN108303120B (zh) | 一种机载分布式pos的实时传递对准的方法及装置 | |
CA2699137A1 (en) | Hybrid inertial system with non-linear behaviour and associated method of hybridization by multi-hypothesis filtering | |
CN104634348B (zh) | 组合导航中的姿态角计算方法 | |
CN113359167A (zh) | 一种通过惯性测量参数将gps与激光雷达融合定位的方法 | |
Li et al. | Strong tracking cubature Kalman filter algorithm for GPS/INS integrated navigation system | |
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 |
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 |