CN114018250B - 惯性导航方法、电子设备、存储介质和计算机程序产品 - Google Patents
惯性导航方法、电子设备、存储介质和计算机程序产品 Download PDFInfo
- Publication number
- CN114018250B CN114018250B CN202111211773.0A CN202111211773A CN114018250B CN 114018250 B CN114018250 B CN 114018250B CN 202111211773 A CN202111211773 A CN 202111211773A CN 114018250 B CN114018250 B CN 114018250B
- Authority
- CN
- China
- Prior art keywords
- state
- measurement unit
- noise covariance
- inertial measurement
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004590 computer program Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 118
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 51
- 230000007704 transition Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000026676 system process Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 18
- 238000011176 pooling Methods 0.000 description 14
- 230000004913 activation Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S19/49—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 whereby the further system is an inertial position system, e.g. loosely-coupled
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
本发明提供一种惯性导航方法、电子设备、存储介质和计算机程序产品,方法包括获取惯性测量单元输出的加速度和角速度,并基于惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程;基于状态传播方程,对部署惯性测量单元的目标设备进行状态预测,获得状态预测值;将加速度和角速度输入至目标预测模型,进行观测噪声协方差预测,获得目标预测模型输出的观测噪声协方差;基于观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,基于状态更新方程,对状态预测值进行更新,获得用于进行导航定位的状态优化值。本发明通过深度学习可提高卡尔曼滤波的准确性,进而得到更为准确的观测噪声协方差,从而提高惯性测量单元的定位精度。
Description
技术领域
本发明涉及定位导航技术领域,尤其涉及一种惯性导航方法、电子设备、存储介质和计算机程序产品。
背景技术
定位导航是目标设备实现各种任务的基础,尤其对于车辆领域,实现高精度定位一直是车辆安全行驶的重要前提和任务。
目前,定位导航的主流方法是通过全球导航卫星***和惯性测量单元传感器所获得的数据进行融合得到定位数据。然而,该组合导航方案十分依赖全球导航卫星***信号,而在某些全球导航卫星***信号降级的区域,例如高楼林立的城市、隧道和山区中,全球导航卫星***信号弱,导致定位的精度大大下降。
因此,在全球导航卫星***信号消失的区域,如何利用惯性测量单元实现高精度定位,是目前亟需解决的问题。
发明内容
本发明提供一种惯性导航方法、电子设备、存储介质和计算机程序产品,用以解决现有技术中在全球导航卫星***信号消失的情况下,定位精度低的缺陷,实现高精度定位。
本发明提供一种惯性导航方法,包括:
获取惯性测量单元输出的加速度和角速度,并基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程;
基于所述状态传播方程,对部署所述惯性测量单元的目标设备进行状态预测,获得状态预测值;
将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差;
基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,基于所述状态更新方程,对所述状态预测值进行更新,获得用于进行导航定位的状态优化值。
根据本发明提供的一种惯性导航方法,所述将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差,包括:
基于目标预测模型的输入层,对所述加速度和所述角速度进行特征提取,获得第一特征向量;
基于所述目标预测模型的残差计算层,对所述特征向量进行残差计算,获得第二特征向量;
基于所述目标预测模型的输出层,对所述第二特征向量进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差。
根据本发明提供的一种惯性导航方法,所述获得所述目标预测模型输出的观测噪声协方差,包括:
获得所述目标预测模型输出的第一观测噪声协方差参数和第二观测噪声协方差参数;
对所述第一观测噪声协方差参数和所述第二观测噪声协方差参数进行协方差计算,获得观测噪声协方差。
根据本发明提供的一种惯性导航方法,所述基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程,包括:
基于所述惯性测量单元的运动学模型,生成扩展卡尔曼滤波的状态转移矩阵;
基于所述状态转移矩阵、预设的状态向量和预设的***过程噪声,生成扩展卡尔曼滤波的状态传播方程。
根据本发明提供的一种惯性导航方法,所述基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,包括:
基于所述观测噪声协方差计算卡尔曼增益,并获取所述目标设备的观测值;
基于所述卡尔曼增益和所述观测值,构建扩展卡尔曼滤波的状态更新方程。
根据本发明提供的一种惯性导航方法,所述获取所述目标设备的观测值,包括:
基于所述加速度和所述角速度,计算所述惯性测量单元对应坐标系下的第一前向速度、第一横向速度和第一天向速度;
对所述第一前向速度、所述第一横向速度和所述第一天向速度,进行坐标系转换,获得所述目标设备对应坐标系下的第二前向速度、第二横向速度和第二天向速度;
基于所述第二前向速度、所述第二横向速度和所述第二天向速度,确定虚拟观测值;
基于所述虚拟观测值,确定所述目标设备的观测值。
根据本发明提供的一种惯性导航方法,所述目标设备为目标车辆,所述虚拟观测值包括所述第二横向速度和所述第二天向速度。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述惯性导航方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述惯性导航方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述惯性导航方法的步骤。
本发明提供的惯性导航方法、电子设备、存储介质和计算机程序产品,基于惯性测量单元的运动学模型生成卡尔曼滤波的状态传播方程,以对部署惯性测量单元的目标设备进行状态估计得到状态预测值,然后,将惯性测量单元的测量值作为深度学习模型的输入,以得到观测噪声协方差,相比卡尔曼滤波自适应方法,通过深度学习可提高卡尔曼滤波的准确性,进而得到更为准确的观测噪声协方差,以对状态预测值进行更新,从而提高惯性测量单元的定位精度,基于此,在全球导航卫星***信号消失的情况下,只利用惯性测量单元也可以实现高精度定位,从而使定位导航***对环境的变化具有较大的鲁棒性,进而提高定位导航***的鲁棒性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的惯性导航方法的流程图之一;
图2为本发明提供的惯性导航方法的流程图之二;
图3为本发明提供的惯性导航方法的流程图之三;
图4示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明提供的惯性导航方法的流程图之一,如图1所示,本发明提供的惯性导航方法,包括:
步骤110,获取惯性测量单元输出的加速度和角速度,并基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程;
在本实施例中,惯性测量单元(Inertial Measurement Unit,IMU)是进行位姿预测的传感器,其用于进行定位导航。具体地,该惯性测量单元可以包括加速度计和陀螺仪,该加速度计用于检测加速度,该陀螺仪用于检测角速度。
其中,惯性测量单元输出的加速度和角速度为惯性测量单元坐标系下的数据。该加速度可以为3维加速度,该角速度可以为3维角速度。
需要说明的是,对于不同的应用领域,即部署惯性测量单元的目标设备不同的情况下,对应的运动学模型不同。该运动学模型可以包括运动方程、轨迹、位移、速度、加速度和角速度等运动特征。
其中,状态传播方程用于进行状态预测,即对目标设备的状态向量进行预测。具体地,状态传播方程基于是基于上一状态,对下一状态进行预测;而下一状态对于上一状态有一定的增益或衰减,例如,在汽车的前进过程,下一时刻的前进距离是上一时刻的前进距离的1.2倍,因此,状态传播方程中包括状态转移矩阵。此外,对于***的状态量,由目标设备的传感器进行检测,而该传感器存在一定的误差,其会在不同时刻引入不同的噪声,该噪声称为***过程噪声,因此,状态传播方程还包括***过程噪声。
在一实施例中,在上述步骤110中,基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程,包括:
基于所述惯性测量单元的运动学模型,生成扩展卡尔曼滤波的状态转移矩阵;基于所述状态转移矩阵和预设的状态向量,生成扩展卡尔曼滤波的状态传播方程。
在本实施例中,状态转移矩阵是根据惯性测量单元的运动学模型进行设定的,即根据其运动学方程进行设定。该状态转移矩阵是对状态向量进行相乘计算,基于此,状态转移矩阵与状态向量的格式一一对应。
在一些实施例中,部署所述惯性测量单元的目标设备为目标车辆,所述状态转移矩阵为:
其中,g表示重力加速度,可以取g=[0 0 -9.79321]T;∧符号表示取斜对称矩阵;dt表示***的采样时间间隔;RIMU、vIMU、pIMU表示目标车辆在惯性测量单元坐标系下的姿态、速度、位置。
其中,预设的状态向量是根据惯性测量单元的运动学模型进行设定的。在本实施例的车辆领域,所述状态向量为:
x=[RIMU vIMU pIMU bω ba Rc pc]T,
其中,RIMU、vIMU、pIMU表示车辆在惯性测量单元坐标系下的姿态、速度、位置,bω、ba表示陀螺仪和加速度计的零偏,Rc、pc表示惯性测量单元坐标系和车体坐标系之间的杆臂(即转换惯性),该杆臂维持小幅度变化。
由于惯性测量单元输出的加速度和角速度为三维向量,基于此,状态向量为21维向量。当然,状态向量还可以为其他形式的向量,例如15维向量,具体根据实际需求进行设定。
假设状态转移矩阵为Fn,上一时刻的状态向量为xn,该***过程噪声ω是期望为0,协方差为Q的高斯白噪声,即ω~N(0,Q),则状态传播方程为
xn+1|n=Fnxn,即下一时刻的状态预测值为xn+1|n。
在另一实施例中,在上述步骤110中,基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程,包括:
步骤111,基于所述惯性测量单元的运动学模型,生成扩展卡尔曼滤波的状态转移矩阵;
步骤112,基于所述状态转移矩阵、预设的状态向量和预设的***过程噪声,生成扩展卡尔曼滤波的状态传播方程。
在本实施例中,状态转移矩阵是根据惯性测量单元的运动学模型进行设定的,即根据其运动学方程进行设定。该状态转移矩阵是对状态向量进行相乘计算,基于此,状态转移矩阵与状态向量的格式一一对应。
在一些实施例中,部署所述惯性测量单元的目标设备为目标车辆,所述状态转移矩阵为:
其中,g表示重力加速度,可以取g=[0 0 -9.79321]T;∧符号表示取斜对称矩阵;dt表示***的采样时间间隔;RIMU、vIMU、pIMU表示目标车辆在惯性测量单元坐标系下的姿态、速度、位置。
其中,预设的状态向量是根据惯性测量单元的运动学模型进行设定的。在本实施例的车辆领域,所述状态向量为:
x=[RIMU vIMU pIMU bω ba Rc pc]T,
其中,RIMU、vIMU、pIMU表示车辆在惯性测量单元坐标系下的姿态、速度、位置,bω、ba表示陀螺仪和加速度计的零偏,Rc、pc表示惯性测量单元坐标系和车体坐标系之间的杆臂(即转换惯性),该杆臂维持小幅度变化。
由于惯性测量单元输出的加速度和角速度为三维向量,基于此,状态向量为21维向量。当然,状态向量还可以为其他形式的向量,例如15维向量,具体根据实际需求进行设定。
假设状态转移矩阵为Fn,上一时刻的状态向量为xn,***过程噪声为ω,该***过程噪声ω是期望为0,协方差为Q的高斯白噪声,即ω~N(0,Q),则状态传播方程为
xn+1|n=Fnxn+ω,即下一时刻的状态预测值为xn+1|n。
进一步地,在所述基于所述惯性测量单元的运动学模型,生成扩展卡尔曼滤波的状态转移矩阵的步骤之前,所述惯性导航方法还包括:
进行卡尔曼滤波初始化,以得到初始状态协方差、***过程噪声协方差、观测噪声协方差。
在一些实施例中,部署所述惯性测量单元的目标设备为目标车辆,所述初始状态协方差为:
P0=diag(10-3I3,0.3I2,04,10-4I3,0.03I3,3×10-3I3,0.1I3)2,
所述***过程噪声协方差为:
Q=diag(10-2I3,0.03I3,04,10-4I3,0.03I3,3×10-3I3,0.1I3)2,
所述观测噪声协方差为:
R0=diag(3,3)2。
进一步地,所述状态传播方程还包括协方差预测方程,所述协方差预测方程的构建方式,包括:
基于所述惯性测量单元的运动学模型,生成扩展卡尔曼滤波的状态转移矩阵;基于所述状态转移矩阵、上一时刻的估计协方差和预设的***过程噪声协方差,生成扩展卡尔曼滤波的协方差预测方程。
在本实施例中,假设状态转移矩阵为Fn,上一时刻的估计协方差为Pn,***过程噪声协方差为Q,则协方差预测方程为
即下一时刻的协方差预测值为Pn+1|n。该协方差预测值可以用于后续计算得到卡尔曼增益。
在具体实施例中,所述目标设备部署有定位导航模块,所述定位导航模块包括惯性测量单元和全球导航卫星***(GPS),在上述步骤110之前,所述惯性导航方法还包括:
在检测到所述全球导航卫星***的信号消失时,进入获取惯性测量单元输出的加速度和角速度,并基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程的步骤,以执行本实施例的惯性导航方法。
可以理解,本实施例可以应用于全球导航卫星***信号消失的情况,从而提高定位导航模块的鲁棒性,即对于环境变化具有鲁棒性,也可以应用于只具备惯性测量单元的定位导航模块。
步骤120,基于所述状态传播方程,对部署所述惯性测量单元的目标设备进行状态预测,获得状态预测值;
在本实施例中,部署惯性测量单元的目标设备为可移动设备,该可移动设备可以是自主移动,也可以是被动移动,例如,车辆、无人机、飞机和机器人等。
其中,状态预测值的维度跟初始设定的***状态向量的维度一致。假设状态传播方程为
xn+1|n=Fnxn+ω,
其中,Fn为状态转移矩阵,xn为上一时刻的状态向量,ω为***过程噪声,则当前时刻的状态预测值为xn+1|n。
在另一实施例中,基于所述状态传播方程,对部署所述惯性测量单元的目标设备进行协方差预测,还获得协方差预测值。
其中,状态传播方程还包括协方差预测方程,假设协方差预测方程为
其中,Fn为状态转移矩阵,Pn为上一时刻的估计协方差,Q为***过程噪声协方差,则当前时刻的协方差预测值为Pn+1|n,该协方差预测值可以用于后续计算得到卡尔曼增益。
步骤130,将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差;
在本实施例中,观测噪声协方差为观测值对应的观测噪声的协方差,观测值为对目标设备进行观测的值,该观测值通常为传感器设备的观测值。该观测噪声协方差用于计算卡尔曼增益,从而构建扩展卡尔曼滤波的状态更新方程。
其中,目标预测模型为机器学习模型,具体地,目标预测模型是基于深度学习网络构建的模型。该深度学习网络可以为深度残差神经网络或卷积神经网络等神经网络,此处不对网络结构进行限定。
在一实施例中,所述目标预测模型是基于深度残差神经网络构建的,即使用深度残差神经网络学习观测噪声协方差。具体的执行过程参照下述第二实施例,此处不再一一赘述。
其中,加速度和角速度为惯性测量单元坐标系下的3维加速度和3维角速度。具体地,可以将3维加速度和3维角速度进行聚合得到6维输入向量,也可以通过双通道输入3维加速度和3维角速度。
为训练得到所述目标预测模型,还包括所述目标预测模型的训练过程:
获取用于训练的测量值,并构建待训练模型;基于预设损失函数和所述测量值,对所述待训练模型进行迭代训练,得到所述目标预测模型。
其中,预设损失函数可以为L2范数、L1范数、余弦相似度等。
在一实施例中,预设损失函数为预测轨迹与真实轨迹之差的二范数。所述预设损失函数为:
其中,pi为真实轨迹,为预测轨迹。
一实施例中,用于训练的测量值包括惯性测量单元坐标系下的加速度和角速度,该测量值可以为加速度和角速度的聚合向量,例如,加速度和角速度均为3维向量,则测量值可以为6维测量值。
一实施例中,待训练模型是基于深度残差神经网络进行构建的。
在一些实施例中,由于KITTI数据集惯性测量单元工作频率为100HZ,因此选取一个10组数据的滑动窗口,每过0.1s取十个数据计算一次损失函数,其固定学习率(learning_rate)为0.0001。
需要说明的是,可以将预设迭代次数设置为400(epochs=400),梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度。可以理解,通过梯度下降,可以找到使损失函数最小的最优权重值,并通过反向传播算法会自主学习到网络参数(例如权重值)。
进一步地,在训练过程中,为提高训练后的目标预测模型的鲁棒性,对于待训练模型的输入添加噪声项,噪声分布符合标准的正态分布。
步骤140,基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,基于所述状态更新方程,对所述状态预测值进行更新,获得用于进行导航定位的状态优化值。
在本实施例中,状态更新方程用于更新之前状态传播方程输出的状态预测值。由于之前得到的状态预测值存在观测误差,因此,状态更新方程包括观测噪声,该观测噪声可以通过卡尔曼增益、上一时刻的观测值和状态预测值得到。构建状态更新方程的具体执行过程可以参照下述第三实施例,此处不再一一赘述。
其中,状态优化值的维度与上述状态向量的维度一致,通过该状态优化值,可以获得目标设备的位姿、速度、位置等定位信息。
在另一实施例中,所述状态更新方程还包括状态协方差更新方程,所述惯性导航方法还包括:
基于所述观测噪声协方差构建扩展卡尔曼滤波的状态协方差更新方程,基于所述状态协方差更新方程,对所述协方差预测值进行更新,获得更新后的协方差预测值。
其中,更新后的协方差预测值用于下一时刻的***过程噪声协方差预测。
具体地,所述状态协方差更新方程为:
Pn+1=(I21-KnH)Pn+1|n,
其中,Kn为卡尔曼增益,H为观测矩阵,Pn+1|n为协方差预测值,Pn+1为更新后的协方差预测值。
需要说明的是,观测矩阵是根据惯性测量单元的运动学模型进行设定的,即根据其运动学方程进行设定,具体地,根据上述状态向量进行设定。
在一些实施例中,部署所述惯性测量单元的目标设备为目标车辆,所述观测矩阵H取矩阵A的第一行和第二行,
其中,RIMU、vIMU表示目标车辆在惯性测量单元坐标系下的姿态、速度;pc表示惯性测量单元坐标系和车体坐标系之间的杆臂;∧符号表示取斜对称矩阵;Rc表示惯性测量单元坐标系和车体坐标系之间的杆臂,/>表示目标车辆在车体坐标系下的姿态;ωIMU为惯性测量单元坐标系下的角速度,bω表示陀螺仪的零偏。
根据本发明实施例的惯性导航方法,基于惯性测量单元的运动学模型生成卡尔曼滤波的状态传播方程,以对部署惯性测量单元的目标设备进行状态估计得到状态预测值,然后,将惯性测量单元的测量值作为深度学习模型的输入,以得到观测噪声协方差,相比卡尔曼滤波自适应方法,通过深度学习可提高卡尔曼滤波的准确性,进而得到更为准确的观测噪声协方差,以对状态预测值进行更新,从而提高惯性测量单元的定位精度,基于此,在全球导航卫星***信号消失的情况下,只利用惯性测量单元也可以实现高精度定位,从而使定位导航***对环境的变化具有较大的鲁棒性,进而提高定位导航***的鲁棒性。
进一步地,基于上述第一实施例,提出本发明惯性导航方法的第二实施例。图2为本发明提供的惯性导航方法的流程图之二,如图2所示,在本实施例中,上述步骤130包括:
步骤131,基于目标预测模型的输入层,对所述加速度和所述角速度进行特征提取,获得第一特征向量;
在本实施例中,目标预测模型的第一层为输入层,该输入层用于对目标预测模型的输入进行特征提取,其输入层包括用于进行特征提取的卷积层,该卷积层用于进行卷积操作,以实现特征提取。
在具体实施例中,加速度和角速度为惯性测量单元坐标系下的3维加速度和3维角速度。可以将3维加速度和3维角速度进行聚合得到6维输入向量,以基于目标预测模型的输入层,对所述6维输入向量进行特征提取,获得第一特征向量,也可以通过双通道输入3维加速度和3维角速度,进行特征提取,获得第一特征向量。
进一步地,输入层还可以包括批量标准化层(BatchNorm,BN)、激活函数或池化层等。其中,BatchNorm用于使目标预测模型训练过程中每一层神经网络的输入保持相同分布;激活函数用于引入非线性关系,该激活函数可以为ReLU;池化层用于减少目标预测模型训练过程中的过拟合,该池化层可以用于进行最大池化处理或平均池化处理,即最大池化层和平均池化层。
在一实施例中,所述输入层包括一维卷积层、批量标准化处理层、ReLU激活函数层和一维最大池化层,所述一维卷积层的卷积核尺寸为7,所述一维卷积层的卷积步长为1,所述一维卷积层的卷积填充(padding)为3,所述一维最大池化层的池化核尺寸为3,所述一维最大池化层的池化步长为1,所述一维最大池化层的池化填充为1。
步骤132,基于所述目标预测模型的残差计算层,对所述特征向量进行残差计算,获得第二特征向量;
在本实施例中,目标预测模型的第二层为残差计算层,该残差计算层用于进行残差计算,以实现残差学习。该残差计算层包括深度残差网络的Basicblock(基础块),该Basicblock可以包括若干残差块。每个残差块可以包括卷积层、批量标准化层(BatchNorm,BN)、激活函数层或下采样层等。
其中,卷积层用于进行卷积操作,实现特征提取;BatchNorm用于使目标预测模型训练过程中每一层神经网络的输入保持相同分布;激活函数层用于引入非线性关系,该激活函数可以为ReLU;下采样层可以包括卷积层和批量标准化层。
在一实施例中,所述残差计算层包括8个残差块,一所述残差块依次包括第一一维卷积层、批量标准化层、ReLU激活函数层、第二一维池化层、批量标准化层和下采样层,所述下采样层包括第三一维卷积层和批量标准化层,所述第一一维卷积层的卷积核尺寸为3,所述第一一维卷积层的卷积步长为1,所述第一一维卷积层的卷积填充(padding)为1,所述第二一维卷积层的卷积核尺寸为3,所述第二一维卷积层的卷积步长为1,所述第二一维卷积层的卷积填充(padding)为1。
步骤133,基于所述目标预测模型的输出层,对所述第二特征向量进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差。
在本实施例中,目标预测模型的第三层为输出层,该输出层用于进行观测噪声协方差预测。该输出层包括用于进行概率预测的全连接层(linear)。
进一步地,输出层还可以包括卷积层、批量标准化层(BatchNorm)、激活函数层、随机失活层(dropout)等。其中,卷积层用于进行卷积操作,实现特征提取;BatchNorm用于使目标预测模型训练过程中每一层神经网络的输入保持相同分布;激活函数层用于引入非线性关系,该激活函数可以为ReLU;随机失活层的丢弃率可以根据实际需要进行设定,例如0.5。
在一实施例中,所述输出层包括一维卷积层、批量标准化层、ReLU激活函数层、全连接层、ReLU激活函数层、随机失活层、全连接层、ReLU激活函数层、随机失活层和全连接层,所述第一一维卷积层的卷积核尺寸为3,所述一维卷积层的卷积核尺寸为1,所述一维卷积层的卷积步长为1,所述一维卷积层的卷积填充(padding)为1。
进一步地,所述获得所述目标预测模型输出的观测噪声协方差,包括:
步骤1331,获得所述目标预测模型输出的第一观测噪声协方差参数和第二观测噪声协方差参数;
步骤1332,对所述第一观测噪声协方差参数和所述第二观测噪声协方差参数进行协方差计算,获得观测噪声协方差。
在本实施例中,为保证观测噪声协方差的正定性,目标预测模型的输出数据为卡尔曼滤波观测协方差的两个不相关的不确定度参数,即第一观测噪声协方差参数和第二观测噪声协方差参数。
协方差计算的公式为:
其中,α1、α2分别为第一观测噪声协方差参数和第二观测噪声协方差参数,R为观测噪声协方差。
本实施例中,目标预测模型是基于深度残差神经网络训练和构建得到的,从而进一步预测得到更为准确的观测噪声协方差,进而提高惯性测量单元的定位精度,最终实现定位导航***的高精度定位。
进一步地,基于上述第一实施例,提出本发明惯性导航方法的第三实施例。图3为本发明提供的惯性导航方法的流程图之三,如图3所示,在本实施例中,上述步骤140中,基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,包括:
步骤141,基于所述观测噪声协方差计算卡尔曼增益,并获取所述目标设备的观测值;
具体地,基于协方差预测值、观测矩阵和观测噪声协方差计算卡尔曼增益。
其中,协方差预测值的获取方式为:
基于所述惯性测量单元的运动学模型,生成扩展卡尔曼滤波的状态转移矩阵;基于所述状态转移矩阵、上一时刻的估计协方差和预设的***过程噪声协方差,生成扩展卡尔曼滤波的协方差预测方程;基于所述协方差预测方程,对部署所述惯性测量单元的目标设备进行协方差预测,还获得协方差预测值。
在本实施例中,假设状态转移矩阵为Fn,上一时刻的估计协方差为Pn,***过程噪声协方差为Q,则协方差预测方程为
其中,Fn为状态转移矩阵,Pn为上一时刻的估计协方差,Q为***过程噪声协方差,则当前时刻的协方差预测值为Pn+1|n,该协方差预测值用于后续计算得到卡尔曼增益。
需要说明的是,观测矩阵是根据惯性测量单元的运动学模型进行设定的,即根据其运动学方程进行设定,具体地,根据上述状态向量进行设定。
在一些实施例中,部署所述惯性测量单元的目标设备为目标车辆,所述观测矩阵H取矩阵A的第一行和第二行,:
其中,RIMU、vIMU表示目标车辆在惯性测量单元坐标系下的姿态、速度;pc表示惯性测量单元坐标系和车体坐标系之间的杆臂;∧符号表示取斜对称矩阵;Rc表示惯性测量单元坐标系和车体坐标系之间的杆臂,/>表示目标车辆在车体坐标系下的姿态;ωIMU为惯性测量单元坐标系下的角速度,bω表示陀螺仪的零偏。
具体地,卡尔曼增益的计算公式为:
Kn=Pn+1|nH/(HPn+1|nHT+Rn),
其中,Kn为卡尔曼增益,Pn+1|n为协方差预测值,H为观测矩阵,Rn为观测噪声协方差。
其中,观测值为上一时刻传感器的测量值。一实施例中,可以获取传感器的采集信息,确定观测值,另一实施例中,可以设定虚拟观测值,得到观测值。
在一实施例中,上述步骤141中,获取所述目标设备的观测值,包括:
步骤1411,基于所述加速度和所述角速度,计算所述惯性测量单元对应坐标系下的第一前向速度、第一横向速度和第一天向速度;
在本实施例中,加速度和角速度均为惯性测量单元坐标系下的值;同时,加速度和角速度均为三维向量,可计算在惯性测量单元坐标系下的第一前向速度、第一横向速度和第一天向速度。
步骤1412,对所述第一前向速度、所述第一横向速度和所述第一天向速度,进行坐标系转换,获得所述目标设备对应坐标系下的第二前向速度、第二横向速度和第二天向速度;
在本实施例中,基于惯性测量单元的坐标系和目标设备的坐标系之间的杆臂,进行坐标系转换。
具体地,坐标系转换公式为:
其中,vn为目标设备对应坐标系的速度,该速度包括第二前向速度vfor、第二横向速度vleft和第二天向速度vup;Rc表示惯性测量单元坐标系和目标设备坐标系之间的杆臂,/>表示目标设备在目标设备坐标系下的姿态;/>表示惯性测量单元坐标系下的速度,/>包括第一前向速度、第一横向速度和第一天向速度;/>为惯性测量单元坐标系下的角速度,pc表示惯性测量单元坐标系和车体坐标系之间的杆臂;∧符号表示取斜对称矩阵。
步骤1413,基于所述第二前向速度、所述第二横向速度和所述第二天向速度,确定虚拟观测值;
步骤1414,基于所述虚拟观测值,确定所述目标设备的观测值。
在本实施例中,根据目标设备的基本状态,建立虚拟观测量。具体地,根据目标设备的速度,即根据目标设备的第二前向速度、第二横向速度和第二天向速度,确定哪个方向上的速度接近于0,从而将接近于0的方向速度作为虚拟观测量,且将虚拟观测值设定为0,以最终将虚拟观测量作为目标设备的观测值。
在一实施例中,所述目标设备为目标车辆,所述虚拟观测值包括所述第二横向速度和所述第二天向速度。
需要说明的是,车辆在运行过程中,在车辆坐标系下,基本只存在向前的速度,横向速度和天向速度几乎为零,因此,取第二横向速度和第二天向速度作为虚拟观测量。
步骤142,基于所述卡尔曼增益和所述观测值,构建扩展卡尔曼滤波的状态更新方程。
具体地,基于卡尔曼增益、观测值、状态预测值和观测矩阵,构建扩展卡尔曼滤波的状态更新方程。
需要说明的是,观测矩阵是根据惯性测量单元的运动学模型进行设定的,即根据其运动学方程进行设定,具体地,根据上述状态向量进行设定。
在一些实施例中,部署所述惯性测量单元的目标设备为目标车辆,所述观测矩阵H为矩阵A的第一行和第二行,
其中,RIMU、vIMU表示目标车辆在惯性测量单元坐标系下的姿态、速度;pc表示惯性测量单元坐标系和车体坐标系之间的杆臂;∧符号表示取斜对称矩阵;Rc表示惯性测量单元坐标系和车体坐标系之间的杆臂,/>表示目标车辆在车体坐标系下的姿态;ωIMU为惯性测量单元坐标系下的角速度,bω表示陀螺仪的零偏。
具体地,状态更新方程为:
xn+1=xn+1|n+Kn(yn-Hxn+1|n),
其中,xn+1为用于进行导航定位的状态优化值,xn+1|n为状态预测值,Kn为卡尔曼增益,yn为观测值,H为观测矩阵。
本实施例中,基于惯性测量单元的运动学模型生成卡尔曼滤波的状态传播方程,以对部署惯性测量单元的目标设备进行状态估计得到状态预测值,然后,将惯性测量单元的测量值作为深度学习模型的输入,以得到观测噪声协方差,之后,通过观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,以对状态预测值进行更新,从而提高惯性测量单元的定位精度,最终实现定位导航***的高精度定位。
下面对本发明提供的惯性导航装置进行描述,下文描述的惯性导航装置与上文描述的惯性导航方法可相互对应参照。
本发明提供的惯性导航装置,包括:
获取模块,用于获取惯性测量单元输出的加速度和角速度,并基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程;
预测模块,用于基于所述状态传播方程,对部署所述惯性测量单元的目标设备进行状态预测,获得状态预测值;
输入模块,用于将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差;
更新模块,用于基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,基于所述状态更新方程,对所述状态预测值进行更新,获得用于进行导航定位的状态优化值。
进一步地,所述输入模块还用于基于目标预测模型的输入层,对所述加速度和所述角速度进行特征提取,获得第一特征向量;基于所述目标预测模型的残差计算层,对所述特征向量进行残差计算,获得第二特征向量;基于所述目标预测模型的输出层,对所述第二特征向量进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差。
进一步地,所述输入模块还用于获得所述目标预测模型输出的第一观测噪声协方差参数和第二观测噪声协方差参数;对所述第一观测噪声协方差参数和所述第二观测噪声协方差参数进行协方差计算,获得观测噪声协方差。
进一步地,所述获取模块还用于基于所述惯性测量单元的运动学模型,生成扩展卡尔曼滤波的状态转移矩阵;基于所述状态转移矩阵、预设的状态向量和预设的***过程噪声,生成扩展卡尔曼滤波的状态传播方程。
进一步地,所述更新模块还用于基于所述观测噪声协方差计算卡尔曼增益,并获取所述目标设备的观测值;基于所述卡尔曼增益和所述观测值,构建扩展卡尔曼滤波的状态更新方程。
进一步地,所述更新模块还用于基于所述加速度和所述角速度,计算所述惯性测量单元对应坐标系下的第一前向速度、第一横向速度和第一天向速度;对所述第一前向速度、所述第一横向速度和所述第一天向速度,进行坐标系转换,获得所述目标设备对应坐标系下的第二前向速度、第二横向速度和第二天向速度;基于所述第二前向速度、所述第二横向速度和所述第二天向速度,确定虚拟观测值;基于所述虚拟观测值,确定所述目标设备的观测值。
进一步地,所述目标设备为目标车辆,所述虚拟观测值包括所述第二横向速度和所述第二天向速度。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行惯性导航方法,该方法包括:获取惯性测量单元输出的加速度和角速度,并基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程;基于所述状态传播方程,对部署所述惯性测量单元的目标设备进行状态预测,获得状态预测值;将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差;基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,基于所述状态更新方程,对所述状态预测值进行更新,获得用于进行导航定位的状态优化值。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的惯性导航方法,该方法包括:获取惯性测量单元输出的加速度和角速度,并基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程;基于所述状态传播方程,对部署所述惯性测量单元的目标设备进行状态预测,获得状态预测值;将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差;基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,基于所述状态更新方程,对所述状态预测值进行更新,获得用于进行导航定位的状态优化值。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的执行惯性导航方法,该方法包括:获取惯性测量单元输出的加速度和角速度,并基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程;基于所述状态传播方程,对部署所述惯性测量单元的目标设备进行状态预测,获得状态预测值;将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差;基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,基于所述状态更新方程,对所述状态预测值进行更新,获得用于进行导航定位的状态优化值。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种惯性导航方法,其特征在于,包括:
获取惯性测量单元输出的加速度和角速度,并基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程;
基于所述状态传播方程,对部署所述惯性测量单元的目标设备进行状态预测,获得状态预测值;
将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差;
基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,基于所述状态更新方程,对所述状态预测值进行更新,获得用于进行导航定位的状态优化值;
所述获得所述目标预测模型输出的观测噪声协方差,包括:
获得所述目标预测模型输出的第一观测噪声协方差参数和第二观测噪声协方差参数,所述第一观测噪声协方差参数和所述第二观测噪声协方差参数为两个不相关的不确定度参数;
对所述第一观测噪声协方差参数和所述第二观测噪声协方差参数进行协方差计算,获得观测噪声协方差;
所述基于所述观测噪声协方差构建扩展卡尔曼滤波的状态更新方程,包括:
基于所述观测噪声协方差计算卡尔曼增益,并获取所述目标设备的观测值,所述观测值是基于上一时刻传感器的采集信息确定的;
基于所述卡尔曼增益和所述观测值,构建扩展卡尔曼滤波的状态更新方程。
2.根据权利要求1所述的惯性导航方法,其特征在于,所述将所述加速度和所述角速度输入至目标预测模型,进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差,包括:
基于目标预测模型的输入层,对所述加速度和所述角速度进行特征提取,获得第一特征向量;
基于所述目标预测模型的残差计算层,对所述特征向量进行残差计算,获得第二特征向量;
基于所述目标预测模型的输出层,对所述第二特征向量进行观测噪声协方差预测,获得所述目标预测模型输出的观测噪声协方差。
3.根据权利要求1所述的惯性导航方法,其特征在于,所述基于所述惯性测量单元的运动学模型生成扩展卡尔曼滤波的状态传播方程,包括:
基于所述惯性测量单元的运动学模型,生成扩展卡尔曼滤波的状态转移矩阵;
基于所述状态转移矩阵、预设的状态向量和预设的***过程噪声,生成扩展卡尔曼滤波的状态传播方程。
4.根据权利要求1所述的惯性导航方法,其特征在于,所述获取所述目标设备的观测值,包括:
基于所述加速度和所述角速度,计算所述惯性测量单元对应坐标系下的第一前向速度、第一横向速度和第一天向速度;
对所述第一前向速度、所述第一横向速度和所述第一天向速度,进行坐标系转换,获得所述目标设备对应坐标系下的第二前向速度、第二横向速度和第二天向速度;
基于所述第二前向速度、所述第二横向速度和所述第二天向速度,确定虚拟观测值;
基于所述虚拟观测值,确定所述目标设备的观测值。
5.根据权利要求4所述的惯性导航方法,其特征在于,所述目标设备为目标车辆,所述虚拟观测值包括所述第二横向速度和所述第二天向速度。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述惯性导航方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述惯性导航方法的步骤。
8.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述惯性导航方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111211773.0A CN114018250B (zh) | 2021-10-18 | 2021-10-18 | 惯性导航方法、电子设备、存储介质和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111211773.0A CN114018250B (zh) | 2021-10-18 | 2021-10-18 | 惯性导航方法、电子设备、存储介质和计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114018250A CN114018250A (zh) | 2022-02-08 |
CN114018250B true CN114018250B (zh) | 2024-05-03 |
Family
ID=80056496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111211773.0A Active CN114018250B (zh) | 2021-10-18 | 2021-10-18 | 惯性导航方法、电子设备、存储介质和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114018250B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114543797B (zh) * | 2022-02-18 | 2024-06-07 | 北京市商汤科技开发有限公司 | 位姿预测方法和装置、设备、介质 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU688228B1 (en) * | 1997-02-25 | 1998-03-05 | Nokia Telecommunications Oy | A system and method of estimating CIR |
US6167347A (en) * | 1998-11-04 | 2000-12-26 | Lin; Ching-Fang | Vehicle positioning method and system thereof |
JP2001228245A (ja) * | 2000-02-16 | 2001-08-24 | Mitsubishi Electric Corp | 目標追尾装置および目標追尾方法 |
JP2004205371A (ja) * | 2002-12-25 | 2004-07-22 | Mitsubishi Electric Corp | レーダ追尾装置及びレーダ追尾処理方法 |
JP2009014596A (ja) * | 2007-07-06 | 2009-01-22 | Mitsubishi Electric Corp | 目標追尾装置及び目標追尾方法 |
CN101476894A (zh) * | 2009-02-01 | 2009-07-08 | 哈尔滨工业大学 | 车载sins/gps组合导航***性能增强方法 |
CN103116136A (zh) * | 2013-01-21 | 2013-05-22 | 天津大学 | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 |
EP3009860A1 (en) * | 2014-10-16 | 2016-04-20 | GMV Aerospace and Defence S.A. | Method for computing an error bound of a Kalman filter based GNSS position solution |
CN106885570A (zh) * | 2017-02-24 | 2017-06-23 | 南京理工大学 | 一种基于鲁棒sckf滤波的紧组合导航方法 |
CN107729585A (zh) * | 2016-08-12 | 2018-02-23 | 贵州火星探索科技有限公司 | 一种对无人机的噪声协方差进行估算的方法 |
CN109212472A (zh) * | 2018-07-11 | 2019-01-15 | 中国科学院信息工程研究所 | 一种面向噪声环境下的室内无线定位方法及装置 |
CN109901111A (zh) * | 2019-02-25 | 2019-06-18 | 西安电子科技大学 | 基于偏最小二乘回归的近场声源定位方法 |
CN110030999A (zh) * | 2019-05-21 | 2019-07-19 | 杭州鸿泉物联网技术股份有限公司 | 一种基于惯性导航的定位方法、装置、***和车辆 |
CN110110475A (zh) * | 2019-05-20 | 2019-08-09 | 杭州电子科技大学 | 基于在线学习渐消因子的扩展卡尔曼滤波方法 |
CN110398245A (zh) * | 2019-07-09 | 2019-11-01 | 武汉大学 | 基于脚戴式惯性测量单元的室内行人导航姿态估计方法 |
WO2020087846A1 (zh) * | 2018-10-31 | 2020-05-07 | 东南大学 | 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法 |
CN111982106A (zh) * | 2020-08-28 | 2020-11-24 | 北京信息科技大学 | 导航方法、装置、存储介质及电子装置 |
WO2020233725A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳市道通智能航空技术有限公司 | 一种惯性导航***的传感器数据获取方法及装置 |
CN112013836A (zh) * | 2020-08-14 | 2020-12-01 | 北京航空航天大学 | 一种基于改进自适应卡尔曼滤波的航姿参考***算法 |
CN112284384A (zh) * | 2020-10-26 | 2021-01-29 | 东南大学 | 考虑量测异常的集群式多深海潜航器的协同定位方法 |
CN112435275A (zh) * | 2020-12-07 | 2021-03-02 | 中国电子科技集团公司第二十研究所 | 一种融合卡尔曼滤波和ddqn算法的无人机机动目标追踪方法 |
WO2021063136A1 (zh) * | 2019-09-30 | 2021-04-08 | 江苏大学 | 一种数据驱动的高精度组合导航数据融合方法 |
WO2021082571A1 (zh) * | 2019-10-29 | 2021-05-06 | 苏宁云计算有限公司 | 机器人跟踪方法、装置、设备及计算机可读存储介质 |
CN113029173A (zh) * | 2021-03-09 | 2021-06-25 | 北京信息科技大学 | 车辆导航方法及装置 |
CN113034392A (zh) * | 2021-03-22 | 2021-06-25 | 山西三友和智慧信息技术股份有限公司 | 一种基于U-net的HDR去噪和去模糊方法 |
CN113465628A (zh) * | 2021-06-17 | 2021-10-01 | 杭州鸿泉物联网技术股份有限公司 | 惯性测量单元数据补偿方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6697736B2 (en) * | 2002-02-06 | 2004-02-24 | American Gnc Corporation | Positioning and navigation method and system thereof |
US8589072B2 (en) * | 2011-04-13 | 2013-11-19 | Honeywell International, Inc. | Optimal combination of satellite navigation system data and inertial data |
JP6677533B2 (ja) * | 2016-03-01 | 2020-04-08 | クラリオン株式会社 | 車載装置、及び、推定方法 |
CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
-
2021
- 2021-10-18 CN CN202111211773.0A patent/CN114018250B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU688228B1 (en) * | 1997-02-25 | 1998-03-05 | Nokia Telecommunications Oy | A system and method of estimating CIR |
US6167347A (en) * | 1998-11-04 | 2000-12-26 | Lin; Ching-Fang | Vehicle positioning method and system thereof |
JP2001228245A (ja) * | 2000-02-16 | 2001-08-24 | Mitsubishi Electric Corp | 目標追尾装置および目標追尾方法 |
JP2004205371A (ja) * | 2002-12-25 | 2004-07-22 | Mitsubishi Electric Corp | レーダ追尾装置及びレーダ追尾処理方法 |
JP2009014596A (ja) * | 2007-07-06 | 2009-01-22 | Mitsubishi Electric Corp | 目標追尾装置及び目標追尾方法 |
CN101476894A (zh) * | 2009-02-01 | 2009-07-08 | 哈尔滨工业大学 | 车载sins/gps组合导航***性能增强方法 |
CN103116136A (zh) * | 2013-01-21 | 2013-05-22 | 天津大学 | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 |
EP3009860A1 (en) * | 2014-10-16 | 2016-04-20 | GMV Aerospace and Defence S.A. | Method for computing an error bound of a Kalman filter based GNSS position solution |
CN107729585A (zh) * | 2016-08-12 | 2018-02-23 | 贵州火星探索科技有限公司 | 一种对无人机的噪声协方差进行估算的方法 |
CN106885570A (zh) * | 2017-02-24 | 2017-06-23 | 南京理工大学 | 一种基于鲁棒sckf滤波的紧组合导航方法 |
CN109212472A (zh) * | 2018-07-11 | 2019-01-15 | 中国科学院信息工程研究所 | 一种面向噪声环境下的室内无线定位方法及装置 |
WO2020087846A1 (zh) * | 2018-10-31 | 2020-05-07 | 东南大学 | 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法 |
CN109901111A (zh) * | 2019-02-25 | 2019-06-18 | 西安电子科技大学 | 基于偏最小二乘回归的近场声源定位方法 |
CN110110475A (zh) * | 2019-05-20 | 2019-08-09 | 杭州电子科技大学 | 基于在线学习渐消因子的扩展卡尔曼滤波方法 |
CN110030999A (zh) * | 2019-05-21 | 2019-07-19 | 杭州鸿泉物联网技术股份有限公司 | 一种基于惯性导航的定位方法、装置、***和车辆 |
WO2020233725A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳市道通智能航空技术有限公司 | 一种惯性导航***的传感器数据获取方法及装置 |
CN110398245A (zh) * | 2019-07-09 | 2019-11-01 | 武汉大学 | 基于脚戴式惯性测量单元的室内行人导航姿态估计方法 |
WO2021063136A1 (zh) * | 2019-09-30 | 2021-04-08 | 江苏大学 | 一种数据驱动的高精度组合导航数据融合方法 |
WO2021082571A1 (zh) * | 2019-10-29 | 2021-05-06 | 苏宁云计算有限公司 | 机器人跟踪方法、装置、设备及计算机可读存储介质 |
CN112013836A (zh) * | 2020-08-14 | 2020-12-01 | 北京航空航天大学 | 一种基于改进自适应卡尔曼滤波的航姿参考***算法 |
CN111982106A (zh) * | 2020-08-28 | 2020-11-24 | 北京信息科技大学 | 导航方法、装置、存储介质及电子装置 |
CN112284384A (zh) * | 2020-10-26 | 2021-01-29 | 东南大学 | 考虑量测异常的集群式多深海潜航器的协同定位方法 |
CN112435275A (zh) * | 2020-12-07 | 2021-03-02 | 中国电子科技集团公司第二十研究所 | 一种融合卡尔曼滤波和ddqn算法的无人机机动目标追踪方法 |
CN113029173A (zh) * | 2021-03-09 | 2021-06-25 | 北京信息科技大学 | 车辆导航方法及装置 |
CN113034392A (zh) * | 2021-03-22 | 2021-06-25 | 山西三友和智慧信息技术股份有限公司 | 一种基于U-net的HDR去噪和去模糊方法 |
CN113465628A (zh) * | 2021-06-17 | 2021-10-01 | 杭州鸿泉物联网技术股份有限公司 | 惯性测量单元数据补偿方法及*** |
Non-Patent Citations (2)
Title |
---|
卡尔曼滤波器的模型误差;无显示;现代防御技术;19741231(第S1期);87-99 * |
无迹卡尔曼滤波衰减记忆算法研究;王仁;赵长胜;夏志浩;谭兴龙;孙鹏;;测绘通报;20151225(第12期);20-22 * |
Also Published As
Publication number | Publication date |
---|---|
CN114018250A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108519090B (zh) | 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 | |
US10859380B2 (en) | Alignment method for an inertial unit | |
US10379224B2 (en) | Invariant particle filtering | |
CN106643715A (zh) | 一种基于bp神经网络改善的室内惯性导航方法 | |
CN109059907A (zh) | 轨迹数据处理方法、装置、计算机设备和存储介质 | |
Zhang et al. | Multiple model AUV navigation methodology with adaptivity and robustness | |
CN111750854A (zh) | 车辆定位方法、装置、***及存储介质 | |
CN115685292B (zh) | 一种多源融合导航***的导航方法和装置 | |
CN114018250B (zh) | 惯性导航方法、电子设备、存储介质和计算机程序产品 | |
CN114593735B (zh) | 一种位姿预测方法及装置 | |
CN104819717A (zh) | 一种基于mems惯性传感器组的多旋翼飞行器姿态检测方法 | |
CN113029173A (zh) | 车辆导航方法及装置 | |
CN108051001A (zh) | 一种机器人移动控制方法、***及惯性传感控制装置 | |
Li et al. | Deep Learning Based Kalman Filter for GNSS/INS Integration: Neural Network Architecture and Feature Selection | |
CN114777762B (zh) | 一种基于贝叶斯nas的惯性导航方法 | |
CN114061592B (zh) | 基于多模型的自适应鲁棒auv导航方法 | |
CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 | |
CN116310991A (zh) | 一种基于强化学习的篮板落点预测方法及*** | |
CN114741659B (zh) | 一种自适应模型在线重构建鲁棒滤波方法、设备及*** | |
CN114339595B (zh) | 一种基于多模型预测的超宽带动态反演定位方法 | |
CN115979669A (zh) | 一种无人车故障检测方法及*** | |
CN117015719A (zh) | 用于确定刚体的运动状态的方法 | |
CN113034538B (zh) | 一种视觉惯导设备的位姿跟踪方法、装置及视觉惯导设备 | |
KR102681564B1 (ko) | 딥러닝 기반의 행동 판단 모델을 통해 gnss-imu센서 퓨전을 이용하여 생성된 차량 정보로부터 운전자의 운전 습관을 판단하는 방법 및 시스템 | |
KR20190069957A (ko) | 관성측정장치와 단일이미지를 이용한 실시간 자동차 이동경로 예측 방법 |
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 |