CN114608578A - 一种加权不确定性无人机集群协同导航方法 - Google Patents
一种加权不确定性无人机集群协同导航方法 Download PDFInfo
- Publication number
- CN114608578A CN114608578A CN202210214825.8A CN202210214825A CN114608578A CN 114608578 A CN114608578 A CN 114608578A CN 202210214825 A CN202210214825 A CN 202210214825A CN 114608578 A CN114608578 A CN 114608578A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- information
- particle
- coordinate system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 95
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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)
Abstract
本发明公开了一种加权不确定性无人机集群协同导航方法,步骤为:S1、各无人机获得其当前时刻的信度信息S2、各无人机接收其它无人机广播的信度信息,并将其它无人机的信度信息转换为粒子集形式;S3、各无人机对其所接收到的信度信息的粒子集,求解出每个信度信息的权值,并进行归一化处理;S4、计算修正后的当前时刻计算位置;该方法结合惯性测量单元的动态误差统计特性来表征无人机动态位置误差与相关影响因素,可提升协同导航算法在无人机动态情况下的鲁棒性;针对各无人机位置误差实时变化的特点,将无人机协同导航过程中所接收的位置信息进行量化,并构建自适应权值调节函数,实现对无人机集群协同导航中各无人机位置信息的有效融合和修正。
Description
技术领域
本发明涉及协同导航技术领域,特别涉及一种加权不确定性无人机集群协同导航方法。
背景技术
近年来,随着无人机技术的快速发展,在军事作战、地震救灾和农林植保等领域获得了广泛应用。单架无人机由于受自身动力、载荷和功能有限等方面的约束,难以单独执行复杂任务。而由一定数量无人机组成的集群***,可在低成本基础上进一步提高整体载荷和感知能力,最大限度地发挥无人机的优势。
由卫星导航等无线电方式提供的精确位置信息是无人机集群进行分布式控制和编队的基础,但当无人机集群穿行于城市隧道、洞穴等卫星导航信号失效的环境时,无人机需依靠惯性导航设备获取导航信息。然而受制于惯性器件各类误差,惯性导航***的位置误差随时间发散,导致无人机集群无法顺利遂行任务。协同导航技术通过无人机间精确测距测向和信息共享,采用特定算法实现个***置信息的协同优化,能够提升独立个体的定位与导航性能,是集群完成复杂任务组织和精确协同配合的基础。
卫星导航拒止条件下的协同导航技术一般分为主从式和并行式两类,主从式一般需要集群中有携带高精度惯性导航***的主节点无人机提供导航参考信息,实现对集群中其余无人机位置的校准。但对于主节点依赖较高,导致集群***鲁棒性差。而并行式方法中不依赖特定无人机的定位精度,存在个别无人机故障或通信失败时仍可实现相互校正,保证集群中其余个体的准确定位。传统并行式协同导航算法直接将导航信息进行等权重融合,未考虑各无人机位置误差大小受到如惯性器件质量、无人机机动状态和丢失卫星导航信号时间等多种因素影响,导致协同导航精度提升效果有限。
发明内容
本发明的目的是提供一种解决在卫星导航信号丢失条件下无人机惯性导航***误差随时间累计的问题的加权不确定性无人机集群协同导航方法。
为了解决上述问题,本发明提出一种基于加权置信传播的协同导航算法,在构建协同导航贝叶斯因子图模型的基础上,利用改进的置信传播算法完成因子图模型中的信息传递与融合,实现多个无人机的协同导航。
为此,本发明的具体技术方案如下:
一种加权不确定性无人机集群协同导航方法,其具体步骤如下:
1、一种加权不确定性无人机集群协同导航方法,其特征在于,步骤如下:
S1、各无人机根据自身惯性测量单元输出的位移量、角速率信息和加速度信息,获得其当前时刻的信度信息,包括无人机当前时刻计算位置和位置不确定性对角阵;
S2、各无人机接收其它无人机广播的信度信息,并将其它无人机的信度信息转换为粒子集形式;
对于任一架无人机i:
S201、无人机i接收其它无人机j广播的信度信息;
S203、将无人机j到无人机i之间相对距离量测值和无人机j到无人机i之间相对距离量测的方差为作为正态分布中的参数,随机抽取M个粒子,构成距离粒子集其中,下标k表示粒子集内部的粒子编号,通过无人机携带的无线电测距设备测得,为无线电测距设备相关参数;
S3、各无人机对其所接收到的信度信息的粒子集,求解出每个信度信息的权值,并进行归一化处理;
式中,c为与惯性器件精度有关的参数,Ji{p(t)}为无人机i的综合位置不确定性,其由无人机i的北向的位置不确定性矩阵E{δpN(t)}和东向的位置不确定性矩阵E{δpE(t)}计算得到,计算公式为:计算得到;Jj{p(t)}为无人机j的综合位置不确定性,其由无人机j的北向的位置不确定性矩阵E{δpN(t)}和东向的位置不确定性矩阵E{δpE(t)}计算得到,计算公式为:计算得到;
S4、计算修正后的当前时刻计算位置;
进一步地,步骤S1中,无人机的当前时刻的计算位置计算公式为:
进一步地,无人机位置不确定性对角阵U(t)的计算公式为:
U(t)=diag{E{δpN(t)}E{δpE(t)}},
式中,E{δpN(t)}为无人机的北向的位置不确定性矩阵E{δpN(t)},E{δpE(t)}为无人机的东向的位置不确定性矩阵,二者通过无人机的惯性测量单元输出的角速率信息和加速度信息计算得到;其中,
式中,δKGx为载体坐标系下x轴方向上的陀螺标度因数误差,δKGy为载体坐标系下y轴方向上的陀螺标度因数误差,δKGz为载体坐标系下z轴方向上的陀螺标度因数误差;δKAy为载体坐标系下y轴方向上的加速度计的度因数误差,δKAx为载体坐标系下x轴方向上的加速度计的度因数误差;ωx为载体坐标系下x轴方向上的陀螺输出角速率,ωy为载体坐标系下y轴方向上的陀螺输出角速率,ωz为载体坐标系下z轴方向上的陀螺输出角速率;εx为载体坐标系下x轴方向上的陀螺零偏值,εy为载体坐标系下y轴方向上的陀螺零偏值,εz为载体坐标系下z轴方向上的陀螺零偏值;▽x为载体坐标系下x轴方向上的加速度计零偏值,▽y为载体坐标系下y轴方向上的加速度计零偏值;为载体坐标系到导航坐标系的转换矩阵;g为重力加速度,fN为加速度计输出的加速度在北向的分量,fE为加速度计输出的加速度在东向的分量,fy为载体坐标系下y轴方向上的加速度计输出的加速度,fx为载体坐标系下x轴方向上的加速度计输出的加速度;t为卫星导航信号丢失时间;载体具体指无人机i。
4、根据权利要求1所述的加权不确定性无人机集群协同导航方法,其特征在于,M≥500。
与现有技术相比,该加权不确定性无人机集群协同导航方法结合惯性测量单元的动态误差统计特性来表征无人机动态位置误差与相关影响因素,可提升协同导航算法在无人机动态情况下的鲁棒性;同时,针对各无人机位置误差实时变化的特点,将无人机协同导航过程中所接收的位置信息进行量化,并构建自适应权值调节函数,实现对无人机集群协同导航中各无人机位置信息的有效融合和修正。
附图说明
图1为本发明的加权不确定性无人机集群协同导航方法的流程图;
图2为本发明的实施例中五架无人机的具体飞行轨迹与惯性导航仿真输出的路径的对比图;
图3为本发明的实施例中根据50次仿真试验得到的采用本发明的协同导航方法、基于信度传播的协同导航方法、以及惯性导航自身输出数据得到的平均位置误差随时间变化的曲线图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明,但下述实施例绝非对本发明有任何限制。
如图1所示,该加权不确定性无人机集群协同导航方法的具体实施步骤如下:
具体地,该步骤S1的具体过程为:
S101、无人机根据惯性导航***输出的位移量得到当前时刻的计算位置:
S102、无人机根据其惯性测量单元输出的角速率信息和加速度信息,计算其北向的位置不确定性矩阵E{δpN(t)}和东向的位置不确定性矩阵E{δpE(t)},包括:
(1)北向的位置不确定性矩阵E{δpN(t)}:
(2)东向的位置不确定性矩阵E{δpE(t)}:
式中,δKGx为载体坐标系下x轴方向上的陀螺标度因数误差,δKGy为载体坐标系下y轴方向上的陀螺标度因数误差,δKGz为载体坐标系下z轴方向上的陀螺标度因数误差;δKAy为载体坐标系下y轴方向上的加速度计的度因数误差,δKAx为载体坐标系下x轴方向上的加速度计的度因数误差;ωx为载体坐标系下x轴方向上的陀螺输出角速率,ωy为载体坐标系下y轴方向上的陀螺输出角速率,ωz为载体坐标系下z轴方向上的陀螺输出角速率;εx为载体坐标系下x轴方向上的陀螺零偏值,εy为载体坐标系下y轴方向上的陀螺零偏值,εz为载体坐标系下z轴方向上的陀螺零偏值;▽x为载体坐标系下x轴方向上的加速度计零偏值,▽y为载体坐标系下y轴方向上的加速度计零偏值;为载体坐标系到导航坐标系的转换矩阵;g为重力加速度,fN为加速度计输出的加速度在北向的分量,fE为加速度计输出的加速度在东向的分量,fy为载体坐标系下y轴方向上的加速度计输出的加速度,fx为载体坐标系下x轴方向上的加速度计输出的加速度;t为卫星导航信号丢失时间;载体具体指无人机i;
S103、无人机根据由步骤S102得到的北向的位置不确定性矩阵E{δpN(t)}和东向的位置不确定性矩阵E{δpE(t)},计算得到其位置不确定性对角阵U(t):U(t)=diag{E{δpN(t)}E{δpE(t)}};
S2、各无人机接收其它无人机广播的信度信息,并将其它无人机的信度信息转换为粒子集形式;
具体地,对于任一架无人机i来说,该步骤S2具体过程包括:
S203、将无人机j到无人机i之间相对距离量测值和无人机j到无人机i之间相对距离量测的方差为作为正态分布中的参数,随机抽取500个粒子,构成距离粒子集其中,下标k表示粒子集内部的粒子编号,通过无人机携带的无线电测距设备测得,为无线电测距设备相关参数;
具体地,该步骤S3具体过程包括:
式中,c为与惯性器件精度有关的参数,Ji{p(t)}为无人机i的综合位置不确定性,其由无人机i的北向的位置不确定性矩阵E{δpN(t)}和东向的位置不确定性矩阵E{δpE(t)}计算得到,计算公式为:计算得到;Jj{p(t)}为无人机j的综合位置不确定性,其由无人机j的北向的位置不确定性矩阵E{δpN(t)}和东向的位置不确定性矩阵E{δpE(t)}计算得到,计算公式为:计算得到;
S4、计算修正后的当前时刻计算位置;
具体地,该步骤S4具体过程包括:
为验证本申请的方法的有效性,将本申请采用的无人机集群协同导航方法与广泛使用的基于信度传播的协同导航方法进行了仿真对比验证。
具体地,仿真条件设置为:假设五架无人机在同一高度飞行,初始速度均为2m/s;其中,无人机1号、无人机2号和无人机5号采用匀速直线飞行模式,无人机3号采用先加速后减速的飞行模式,无人机4号采用进行转弯机动的飞行模式;在运动过程中,无人机每1秒进行一次相互测距及导航信息交互;仿真时间100s,陀螺的零偏值和噪声分别为1°/h和0.1°/h,加速度计的零偏值和噪声分别为1mg和0.1mg,标度因数误差为100ppm,相对测距标准差为0.2m;
如图2所示为五架无人机的具体飞行轨迹与惯性导航仿真输出的路径的对比图。图中实线线条为五架无人机飞行轨迹的真实值,虚线线条为惯性导航仿真输出的误差路径;从每架无人机的实际飞行轨迹与误差路径的对比可以看出,直接采用惯性导航仿真输出的路径与实际路径具有巨大差异。
如图3所示为根据50次仿真试验得到的采用本发明的协同导航方法、基于信度传播的协同导航方法、以及惯性导航自身输出数据得到的平均位置误差随时间变化的曲线图。如图3中可以明显看出,采用本发明的协同导航方法、基于信度传播的协同导航方法、以及惯性导航自身输出数据得到的平均位置误差逐渐增大,试验结果表明,惯性导航自身位置误差为52米,而传统基于信度传播的协同导航方法的位置误差为33米,而本申请的位置误差为18米,综上,本申请的方法确实实现了进一步提升卫星导航信号拒止条件下的导航精度的目的。
Claims (4)
1.一种加权不确定性无人机集群协同导航方法,其特征在于,步骤如下:
S1、各无人机根据自身惯性测量单元输出的位移量、角速率信息和加速度信息,获得其当前时刻的信度信息,包括无人机当前时刻计算位置和位置不确定性对角阵;
S2、各无人机接收其它无人机广播的信度信息,并将其它无人机的信度信息转换为粒子集形式;
对于任一架无人机i:
S201、无人机i接收其它无人机j广播的信度信息;
S203、将无人机j到无人机i之间相对距离量测值和无人机j到无人机i之间相对距离量测的方差为作为正态分布中的参数,随机抽取M个粒子,构成距离粒子集其中,下标k表示粒子集内部的粒子编号,通过无人机携带的无线电测距设备测得,为无线电测距设备相关参数;
S3、各无人机对其所接收到的信度信息的粒子集,求解出每个信度信息的权值,并进行归一化处理;
式中,c为与惯性器件精度有关的参数,Ji{p(t)}为无人机i的综合位置不确定性,其由无人机i的北向的位置不确定性矩阵E{δpN(t)}和东向的位置不确定性矩阵E{δpE(t)}计算得到,计算公式为:计算得到;Jj{p(t)}为无人机j的综合位置不确定性,其由无人机j的北向的位置不确定性矩阵E{δpN(t)}和东向的位置不确定性矩阵E{δpE(t)}计算得到,计算公式为:计算得到;
S4、计算修正后的当前时刻计算位置;
3.根据权利要求1所述的加权不确定性无人机集群协同导航方法,其特征在于,无人机位置不确定性对角阵U(t)的计算公式为:
U(t)=diag{E{δpN(t)} E{δpE(t)}},
式中,E{δpN(t)}为无人机的北向的位置不确定性矩阵E{δpN(t)},E{δpE(t)}为无人机的东向的位置不确定性矩阵,二者通过无人机的惯性测量单元输出的角速率信息和加速度信息计算得到;其中,
式中,δKGx为载体坐标系下x轴方向上的陀螺标度因数误差,δKGy为载体坐标系下y轴方向上的陀螺标度因数误差,δKGz为载体坐标系下z轴方向上的陀螺标度因数误差;δKAy为载体坐标系下y轴方向上的加速度计的度因数误差,δKAx为载体坐标系下x轴方向上的加速度计的度因数误差;ωx为载体坐标系下x轴方向上的陀螺输出角速率,ωy为载体坐标系下y轴方向上的陀螺输出角速率,ωz为载体坐标系下z轴方向上的陀螺输出角速率;εx为载体坐标系下x轴方向上的陀螺零偏值,εy为载体坐标系下y轴方向上的陀螺零偏值,εz为载体坐标系下z轴方向上的陀螺零偏值;为载体坐标系下x轴方向上的加速度计零偏值,为载体坐标系下y轴方向上的加速度计零偏值;为载体坐标系到导航坐标系的转换矩阵;g为重力加速度,fN为加速度计输出的加速度在北向的分量,fE为加速度计输出的加速度在东向的分量,fy为载体坐标系下y轴方向上的加速度计输出的加速度,fx为载体坐标系下x轴方向上的加速度计输出的加速度;t为卫星导航信号丢失时间;载体具体指无人机i。
4.根据权利要求1所述的加权不确定性无人机集群协同导航方法,其特征在于,M≥500。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214825.8A CN114608578B (zh) | 2022-03-07 | 2022-03-07 | 一种加权不确定性无人机集群协同导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214825.8A CN114608578B (zh) | 2022-03-07 | 2022-03-07 | 一种加权不确定性无人机集群协同导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114608578A true CN114608578A (zh) | 2022-06-10 |
CN114608578B CN114608578B (zh) | 2024-04-09 |
Family
ID=81860302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210214825.8A Active CN114608578B (zh) | 2022-03-07 | 2022-03-07 | 一种加权不确定性无人机集群协同导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114608578B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151737A (zh) * | 2017-12-19 | 2018-06-12 | 南京航空航天大学 | 一种动态互观测关系条件下的无人机蜂群协同导航方法 |
CN109813311A (zh) * | 2019-03-18 | 2019-05-28 | 南京航空航天大学 | 一种无人机编队协同导航方法 |
WO2020220729A1 (zh) * | 2019-04-29 | 2020-11-05 | 南京航空航天大学 | 基于角加速度计/陀螺/加速度计的惯性导航解算方法 |
-
2022
- 2022-03-07 CN CN202210214825.8A patent/CN114608578B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151737A (zh) * | 2017-12-19 | 2018-06-12 | 南京航空航天大学 | 一种动态互观测关系条件下的无人机蜂群协同导航方法 |
CN109813311A (zh) * | 2019-03-18 | 2019-05-28 | 南京航空航天大学 | 一种无人机编队协同导航方法 |
WO2020220729A1 (zh) * | 2019-04-29 | 2020-11-05 | 南京航空航天大学 | 基于角加速度计/陀螺/加速度计的惯性导航解算方法 |
Non-Patent Citations (1)
Title |
---|
刘晓洋;李瑞涛;徐胜红;: "基于测距/测速信息的无人机协同导航算法研究", 战术导弹技术, no. 02, 30 April 2019 (2019-04-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN114608578B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110487301B (zh) | 一种雷达辅助机载捷联惯性导航***初始对准方法 | |
CN113175931B (zh) | 基于约束卡尔曼滤波的集群组网协同导航方法及*** | |
US20110209544A1 (en) | Sensor cluster navigation device and method | |
CN112346104B (zh) | 一种无人机信息融合定位方法 | |
CN110398242B (zh) | 一种高旋高过载条件飞行器的姿态角确定方法 | |
CN115685278B (zh) | 基于kf的低空无人机航迹定位修正方法 | |
CN112902967A (zh) | 一种基于残差卡方-改进序贯概率比的抗欺骗导航方法 | |
CN108303063B (zh) | 一种高精度车载组合高程测量方法 | |
CN116086445A (zh) | 一种基于因子图优化的多源信息时延融合导航方法 | |
CN112697154B (zh) | 一种基于矢量分配的自适应多源融合导航方法 | |
Zhang et al. | SINS initial alignment based on fifth-degree cubature Kalman filter | |
Chu et al. | Performance comparison of tight and loose INS-Camera integration | |
CN112284388B (zh) | 一种无人机多源信息融合导航方法 | |
CN106886037B (zh) | 适用于弱gnss信号条件的pos数据纠偏方法 | |
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 | |
CN114608578B (zh) | 一种加权不确定性无人机集群协同导航方法 | |
CN117156382A (zh) | 一种异空域分布的飞行器集群协同导航优化方法 | |
CN115560757B (zh) | 随机姿态误差条件下基于神经网络的无人机直接定位校正方法 | |
CN117320148A (zh) | 多源数据融合定位方法、***、电子设备及存储介质 | |
CN115127591A (zh) | 一种基于统计置信距离量测自举的机载dpos传递对准方法 | |
Zakharin et al. | Concept of navigation system design of UAV | |
CN114199220A (zh) | 一种无人机空中在线磁罗盘校准方法和装置 | |
Mai et al. | Mobile target localization and tracking techniques in harsh environment utilizing adaptive multi‐modal data fusion | |
CN114063647A (zh) | 一种基于距离测量的多无人机互定位方法 | |
CN112683265A (zh) | 一种基于快速iss集员滤波的mimu/gps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 |