CN116026325A - 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 - Google Patents
一种基于神经过程与卡尔曼滤波的导航方法及相关装置 Download PDFInfo
- Publication number
- CN116026325A CN116026325A CN202310125904.6A CN202310125904A CN116026325A CN 116026325 A CN116026325 A CN 116026325A CN 202310125904 A CN202310125904 A CN 202310125904A CN 116026325 A CN116026325 A CN 116026325A
- Authority
- CN
- China
- Prior art keywords
- navigation
- data
- training
- model
- layer
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种基于神经过程与卡尔曼滤波的导航方法及相关装置,包括:求解运动载体速度与姿态的导航数据,将导航数据协同陀螺仪与加速度计数据组成训练数据集;对训练数据集中的数据进行分组,并建立导航方法的NP模型;选取训练数据训练NP模型,直至训练结果收敛,得到导航参数预测模型;更新运动载体的姿态信息,将更新后的姿态信息输入导航参数预测模型,估计后一时刻的导航参数;重复更新运动载体的姿态信息直至导航任务完成或GNSS重新稳定工作。本发明将LSTM与NP相结合,降低了NP对数据格式依赖性。本发明将NP与KF相结合,将KF矫正后的导航参数输入NP用于下一周期的预测。
Description
技术领域
本发明属于惯性导航技术领域,涉及一种基于神经过程与卡尔曼滤波的导航方法及相关装置。
背景技术
全球导航卫星***(Global Navigation Satellite System,GNSS)-捷联式惯性导航***(Strapdown Inertial Navigation System,SINS)组合导航技术是目前应用最为广泛的组合导航技术之一。然而,由于GNSS***的脆弱性、应用环境的复杂性和多样性,GNSS信号很容易失锁或被干扰,从而严重影响GNSS/SINS组合导航***的准确性和稳定性。在GNSS失锁情况下,如何获得长时间、高精度的导航信息一直是学术界和工业界共同期望解决的问题。针对这一问题国内外的学者开展了大量的研究工作,提出了增加辅助的传感器和利用神经网络等机器学习算法估计运动载体的导航参数这两类解决方案。
与增加辅助传感器的方案相比,基于神经网络的运动载***姿估计方法具有结构简单,适用性好,易于在现有的导航***上升级改造等优势,是GNSS失锁情况下获得高精度导航信息的热点研究方向。针对该方案,目前惯用的方法是基于神经网络、卡尔曼滤波器(Kalman Filter,KF)和SINS的运动载***姿估计方案。当GNSS稳定工作时,利用传感器数据与导航参数对神经网络进行训练,调节神经网络参数使误差达到最小,训练神经网络的过程实质上就是通过调节网络参数使神经网络逼近函数。GNSS失效时,将传感器数据与导航参数直接输入至神经网络进行预测。虽然该方案在预测运动载体的位置和速度方面取得了一定的进展,但距离实际的工程应用还存在一定的差距,其问题主要体现在GNSS失锁后,受测量噪声及模型不确定性的影响,现有的方法往往难以获得高精度的估计以及当运动载体的姿态发生变化时,位置和速度的估计精度会迅速降低,仅能应对短时间、姿态无变化的应用场景,无法估计运动载体姿态变化后的运动轨迹这两个方面。
发明内容
本发明的目的在于解决传统基于神经网络估计算法的缺陷,提供一种基于神经过程与卡尔曼滤波的导航方法及相关装置,基于NP在随机变量估计上的优势,利用陀螺和加速度计的输出数据,实现对运动载***置信息概率分布的高精度估计,再借助***的动力学方程,利用KF实现运动载***姿联合估计,实现在仅有陀螺和加速度信息输入情况下,对运动载体多维耦合导航参数长时间、高精度估计的预测。
为了实现上述目的,本发明采用以下技术方案予以实现:
第一方面,本发明提供一种基于神经过程与卡尔曼滤波的导航方法,包括以下步骤:
求解运动载体速度与姿态的导航数据,将导航数据协同陀螺仪与加速度计数据组成训练数据集;
对训练数据集中的数据进行分组,并建立导航方法的NP模型;
选取训练数据训练NP模型,直至训练结果收敛,得到导航参数预测模型;
更新运动载体的姿态信息,将更新后的姿态信息输入导航参数预测模型,估计后一时刻的导航参数;重复更新姿态信息并估计后一时刻导航参数,直至导航任务完成或GNSS重新稳定工作。
第二方面,本发明提供一种基于神经过程与卡尔曼滤波的导航***方法,包括以下步骤:
数据集生成模块,用于求解运动载体速度与姿态的导航数据,将导航数据协同陀螺仪与加速度计数据组成训练数据集;
NP模型建立模块,用于对训练数据集中的数据进行分组,并建立导航方法的NP模型;
NP模型训练模块,用于选取训练数据训练NP模型,直至训练结果收敛,得到导航参数预测模型;
导航参数估计模块,用于更新运动载体的姿态信息,将更新后的姿态信息输入导航参数预测模型,估计后一时刻的导航参数;重复更新运动载体的姿态信息直至导航任务完成或GNSS重新稳定工作。
第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法的步骤。
与现有技术相比,本发明具有以下有益效果:
针对现有组合导航***与神经网络估计方法的局限性,本发明通过神经过程(Neural Process,NP)算法估计出载体导航参数的概率分布信息,实现对关键参数的估计。通过KF更新估计参数,实现GNSS失锁下利用陀螺和加速度计的导航参数估计。本发明具有较高的预测精度,是预测导航参数的有效方法,常规组合导航方法受到强磁场环境、地形地貌等因素的影响,导致组合导航***易受干扰;现有基于神经网络的方法仅学习少量路线的数据,易受测量噪声及模型不确定性的影响,导致预测导航参数的抗干扰能力差。本发明通过充分利用NP可以自适应学习随机变量数据集的特点与KF对噪声的处理的优势,可以在GNSS失锁的条件下仅依赖陀螺和加速度计以较高的精度实现导航参数估计。
本发明将LSTM与NP相结合,使LSTM对传感器数据做前处理,利用LSTM对时序数列的处理能力,降低了NP对数据格式依赖性。其次,本发明将NP与KF相结合,将NP预测的状态参数与方差作为KF的观测值与观测值方差,将KF矫正后的导航参数输入NP用于下一周期的预测。最后,本发明利用NP估计位置、速度信息,并利用该预测值与方差,估计姿态信息与姿态信息的方差,并将所述导航信息估计值与方差作为KF观测值。
附图说明
为了更清楚的说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明方法的流程图。
图2为本发明***的示意图。
图3为本发明一实施例的导航方法实现流程图。
图4为NP模型示意图。
图5为KF计算示意图。
图6为本发明一实施例的实验平台结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明实施例公开了一种基于神经过程与卡尔曼滤波的导航方法,包括以下步骤:
步骤S1:对于具有一定运动模式的运动载体,在GNSS正常工作时,利用卡尔曼滤波器KF求解运动载体速度与姿态的导航信息,将导航数据协同陀螺仪与加速度计数据组成训练数据集,该数据集以传感器数据与同时刻导航参数为变量,以后一时刻的导航参数为目标值;
步骤S2:随机从S1中训练数据集中以200组数据为一组,每组数据按3:1的比例划分为上下文集与目标集,取K组数据,建立导航方法的NP模型,所述NP模型结合神经网络与高斯过程的优点,NP模型整体由编码器和解码器构成。所述编码器分别应用确定性路径与隐路径学***均并分别通过两个双层128节点全连接多层感知机MLP分别获取高维隐变量z的均值向量μ与方差向量σ,随机采样即获取高维隐变量z。所述高维隐变量z服从多维高斯分布。所述隐路径的多层感知机MLP的结构同确定性路径的多层感知机MLP,所述解码器利用多层感知机MLP处理上述特征序列g、高维特征值V与高维隐变量z来估计导航参数。所述解码器的多层感知机MLP输入层神经单元个数由输入数据决定,本发明中为128单元,包含一个隐藏层,每个隐藏层包含128个神经元,输出层由2个神经元构成,分别输出预测值与预测方差;
步骤S3:训练NP模型,从训练集随机采K组样本,该样本涵盖所有运动模式,且数量不低于测试集数据量的20%,从测试机随机采Q组样本,该样本数量不低于测试集数据量的30%,将选取训练数据输入NP进行训练,采用证据下确界为损失函数;重复训练直至训练结果收敛,得到导航参数预测模型;
步骤S4:借助***动力学方程,利用KF更新姿态信息,实现运动载***姿联合估计,将更新后的导航参数输入步骤S4训练完成的导航参数预测模型,估计后一时刻导航参数;重复更新姿态信息并估计后一时刻导航参数,直至导航任务完成或GNSS重新稳定工作。
本发明的原理:
本发明通过LSTM算法处理时序数据,初步提取原始数据中的重要特征,减小数据结构对NP预测结果的影响,增强***对数据结构的鲁棒性,提高导航精度;将训练集合理划分为训练内容集与训练目标集,利用内容集与训练目标集间相关的数据特性训练NP,建立以传感器数据为基础的导航参数预测模型,充分利用了运动模式的相关性并较好地克服GNSS失锁时可靠数据较少的特点;NP将导航参数理解为一组随机变量,利用高斯过程处理随机变量的优势与NP可以自适应地学习高斯过程核函数的优势,可以充分提取传感器数据的各项信息预测导航参数。
本发明可以用于飞行平台导航参数在线预测,对于飞行平台实时传感器数据,将训练数据与附近的数据组作为内容集,将新的数据与导航参数组合作为步骤S3中的目标集,将该内容集与目标集输入NP模型,实现飞行平台导航参数的在线预测。
本发明编码器内确定性路径中使用多头注意力机制处理LSTM网络输出的特征序列g与MLP输出的高维特征值V,所述注意力机制能充分学习特征序列的全局特征与局部特征,并在学习内容集与目标集的过程中,为更重要的特征赋予更多的权重,同时提高学习效率和预测效果,多头注意力机制在训练阶段与预测阶段中的计算过程相同,在编码器内对前置数据进行处理并输送至编码器内。
LSTM网络能提取目标集与内容集数据的关键特征,出现相似的特征时,多头注意力机制会促使网络着重于学习处理该特征,提升NP对特征的处理能力,进而提高网络学习效率和预测效果。
如图2所示,本发明实施例公开了一种基于神经过程与卡尔曼滤波的导航***方法,包括以下步骤:
数据集生成模块,用于求解运动载体速度与姿态的导航数据,将导航数据协同陀螺仪与加速度计数据组成训练数据集;
NP模型建立模块,用于对训练数据集中的数据进行分组,并建立导航方法的NP模型;
NP模型训练模块,用于选取训练数据训练NP模型,直至训练结果收敛,得到导航参数预测模型;
导航参数估计模块,用于更新运动载体的姿态信息,将更新后的姿态信息输入导航参数预测模型,估计后一时刻的导航参数;重复更新运动载体的姿态信息直至导航任务完成或GNSS重新稳定工作。
实施例:
本实施例公开了一种基于神经过程与卡尔曼滤波的导航方法,其实现流程如图3所示,具体方法包括以下步骤:
步骤S1:对于具有一定运动模式的运动载体,在GNSS正常工作时,利用KF求解运动载体速度与姿态的导航信息,将导航数据协同陀螺仪与加速度计数据组成训练数据集,数据集共有N组样本,该数据集以传感器数据与同时刻导航参数为变量,以后一时刻的导航参数为目标值;
本实施例针对某飞行器平台,以50Hz的频率记录包括陀螺仪、加速度计和GNSS等各项传感器数据,向下对齐后,利用KF求解飞行平台姿态、速度等导航参数,采集数据10分钟即可获取30000组数据,以所有数据作为原始训练数据集。
步骤S2:随机从S1中训练数据集中以200组数据为一组,每组数据按3:1的比例划分为内容集与目标集,取K组数据,建立导航方法的NP模型。
如图4所示,所述NP模型结合神经网络与高斯过程的优点,NP模型整体由编码器和解码器构成,所述编码器分别应用确定性路径与隐路径学***均并分别通过两个双层128节点全连接MLP分别获取高维隐变量z的均值向量与方差向量,随机采样即获取高维隐变量z,所述z服从多维高斯分布,所述隐路径MLP结构同确定性路径MLP,所述解码器利用MLP处理上述g,V与z估计导航参数,所述解码器MLP输入层神经单元个数由输入数据决定,本发明中为128单元,包含一个隐藏层,每个隐藏层包含128个神经元,输出层由2个神经元构成,分别输出预测值与预测方差;
受测量噪声及模型不确定性的影响,现有基于神经网络的方法往往难以获得高精度的估计,当运动载体的姿态发生变化时,位置和速度的估计精度会迅速降低。NP通过计算高维随机变量,将高斯过程的建模过程转化为对高维随机变量的计算,利用了高斯过程对随机变量估计的优势,同时改进了高斯过程学习核函数的过程,可以自适应地学习导航参数与传感器数据之间的关系,实现准确的回归估计。
步骤S3:训练NP模型,从训练集随机采K组样本,该样本数量不低于训练集数据量的30%,从测试机随机采Q组样本,该样本应涵盖所有运动模式,且数量不低于测试集数据量的20%,将选取训练数据输入NP进行训练,采用证据下确界为损失函数;
将步骤S1中的原始训练数据集进行数据筛选,选取相似运动模式下不同的20组训练数据组,作为训练数据,每个训练组内的数据时序上前后相接,前150组为上下文点,后50组为目标集,NP网络的变量包含传感器数据与对齐的导航参数,目标值为后一时刻的导航参数,按照证据下确界公式计算损失函数:
ELBO(q)=E[logp(z,x)]-E[logq(z)]
步骤S4:重复步骤S3直至训练结果收敛,得到导航参数预测模型;
当损失函数训练至3以上可以使NP网络获取较好的估计能力,NP网络单独估计速度的误差最大值小于0.6m/s,稳定估计时误差小于0.2m/s。
步骤S5:借助***动力学方程,利用如图5所示的KF更新姿态信息,实现运动载***姿联合估计,将更新后的导航参数输入步骤S4训练完成的NP,估计后一时刻导航参数;
估计时,借助***动力学方程,将NP网络估计的导航参数均值与方差联合传感器数据输入KF,完成对姿态、速度等导航参数的更新,并利用修正后的导航参数更新内容集和目标集,合理利用更新的内容集和目标集即可实现在线预测,完成后续估计。
步骤S6:重复步骤S5直至导航任务完成或GNSS重新稳定工作。
本发明一实施例提供的计算机设备。该实施例的计算机设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。图6为本发明一实施例的实验平台结构图。
所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可包括,但不仅限于,处理器、存储器。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机设备的各种功能。
所述计算机设备集成的模块/单元如果以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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经过程与卡尔曼滤波的导航方法,其特征在于,包括以下步骤:
求解运动载体速度与姿态的导航数据,将导航数据协同陀螺仪与加速度计数据组成训练数据集;
对训练数据集中的数据进行分组,并建立导航方法的NP模型;
选取训练数据训练NP模型,直至训练结果收敛,得到导航参数预测模型;
更新运动载体的姿态信息,将更新后的姿态信息输入导航参数预测模型,估计后一时刻的导航参数;重复更新姿态信息并估计后一时刻导航参数,直至导航任务完成或GNSS重新稳定工作。
2.根据权利要求1所述的基于神经过程与卡尔曼滤波的导航方法,其特征在于,所述求解运动载体速度与姿态的导航数据是利用卡尔曼滤波器KF进行求解的。
3.根据权利要求1所述的基于神经过程与卡尔曼滤波的导航方法,其特征在于,所述对训练数据集中的数据进行分组,包括:
随机从训练数据集中以200个数据为一组,每组数据按3:1的比例划分为上下文集与目标集。
4.根据权利要求1所述的基于神经过程与卡尔曼滤波的导航方法,其特征在于,所述NP模型由编码器和解码器构成;
所述编码器应用确定性路径与隐路径学习导航数据的目标特征与不确定性,并利用长短期记忆模型LSTM前处理传感器数据,获取特征序列;
所述确定性路径利用多层感知机MLP处理特征序列和导航数据,并利用多头注意力计算得到传感器数据序列的高维特征值;所述用于前处理的长短期记忆模型LSTM为单层128节点网络;所述用于确定性路径的多层感知机MLP的输入层神经元个数与用于前处理的长短期记忆模型LSTM的每层节点数相同,包含两个隐藏层,每个隐藏层包含128个神经单元,输出层包含128个神经元;所述多头注意力利用多个点乘注意力矩阵与softmax函数计算注意力头,并通过注意力头的线性计算输出多头注意力的高维特征值;
所述隐路径利用多层感知机MLP处理特征序列和导航参数,生成一组高维特征张量,对高维特征张量求平均并分别通过两个双层128节点全连接多层感知机MLP分别获取均值向量与方差向量,随机采样以获取高维隐变量;所述高维隐变量服从多维高斯分布;所述用于隐路径的多层感知机MLP的结构与用于确定性路径的多层感知机MLP相同;
所述解码器利用多层感知机MLP处理上述特征序列、高维特征值与高维隐变量来估计导航参数;所述用于解码器的多层感知机MLP的输入层神经单元的个数由输入数据决定。
5.根据权利要求1所述的基于神经过程与卡尔曼滤波的导航方法,其特征在于,所述训练数据包括从训练集和测试集随机选取的样本,具体如下:
从训练集随机选取若干组样本,该若干组样本涵盖所有运动模式,且数量不低于测试集数据量的20%;
从测试集随机选取若干组样本,该若干组样本数量不低于测试集数据量的30%。
6.根据权利要求1或5所述的基于神经过程与卡尔曼滤波的导航方法,其特征在于,所述训练NP模型时,采用证据下确界的损失函数对NP模型进行训练。
7.根据权利要求1所述的基于神经过程与卡尔曼滤波的导航方法,其特征在于,所述更新运动载体的姿态信息,是利用卡尔曼滤波器KF进行更新的。
8.一种基于神经过程与卡尔曼滤波的导航***方法,其特征在于,包括以下步骤:
数据集生成模块,用于求解运动载体速度与姿态的导航数据,将导航数据协同陀螺仪与加速度计数据组成训练数据集;
NP模型建立模块,用于对训练数据集中的数据进行分组,并建立导航方法的NP模型;
NP模型训练模块,用于选取训练数据训练NP模型,直至训练结果收敛,得到导航参数预测模型;
导航参数估计模块,用于更新运动载体的姿态信息,将更新后的姿态信息输入导航参数预测模型,估计后一时刻的导航参数;重复更新运动载体的姿态信息直至导航任务完成或GNSS重新稳定工作。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125904.6A CN116026325A (zh) | 2023-02-16 | 2023-02-16 | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310125904.6A CN116026325A (zh) | 2023-02-16 | 2023-02-16 | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116026325A true CN116026325A (zh) | 2023-04-28 |
Family
ID=86075994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310125904.6A Pending CN116026325A (zh) | 2023-02-16 | 2023-02-16 | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026325A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116878535A (zh) * | 2023-09-05 | 2023-10-13 | 杭州宇谷科技股份有限公司 | 一种基于混合时序网络的智能换电引导方法和*** |
-
2023
- 2023-02-16 CN CN202310125904.6A patent/CN116026325A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116878535A (zh) * | 2023-09-05 | 2023-10-13 | 杭州宇谷科技股份有限公司 | 一种基于混合时序网络的智能换电引导方法和*** |
CN116878535B (zh) * | 2023-09-05 | 2023-12-12 | 杭州宇谷科技股份有限公司 | 一种基于混合时序网络的智能换电引导方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A hybrid prediction method for bridging GPS outages in high-precision POS application | |
CN109709934B (zh) | 一种飞行控制***故障诊断冗余设计方法 | |
CN111366156A (zh) | 基于神经网络辅助的变电站巡检机器人导航方法及*** | |
CN109827579A (zh) | 一种组合定位中滤波模型实时校正的方法和*** | |
CN115451952B (zh) | 一种故障检测及抗差自适应滤波的多***组合导航方法和装置 | |
CN111913175A (zh) | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 | |
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 | |
CN116381753B (zh) | Gnss/ins组合导航***在gnss中断时的神经网络辅助导航方法 | |
Li et al. | Novel hybrid algorithm of improved CKF and GRU for GPS/INS | |
Yan et al. | An adaptive nonlinear filter for integrated navigation systems using deep neural networks | |
Jingsen et al. | Integrating extreme learning machine with Kalman filter to bridge GPS outages | |
CN110672103A (zh) | 一种多传感器目标跟踪滤波方法及*** | |
Qian et al. | An INS/DVL integrated navigation filtering method against complex underwater environment | |
Li et al. | A new adaptive unscented Kalman filter based on covariance matching technique | |
CN116608859A (zh) | 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备 | |
Yang et al. | Adaptively constrained Kalman filtering for navigation applications | |
CN114018250B (zh) | 惯性导航方法、电子设备、存储介质和计算机程序产品 | |
Zug et al. | An approach towards smart fault-tolerant sensors | |
Li et al. | Neural network application on ship motion prediction | |
Guo et al. | A novel self-learning gnss/ins integrated navigation method | |
CN102654403A (zh) | 一种基于小波熵的微机电陀螺信息融合***及方法 | |
Malleswaran et al. | Real-time INS/GPS data fusion using hybrid adaptive network based fuzzy inference | |
Xin et al. | Research on dual-threshold detection based adaptive fault-tolerant kalman filtering algorithm for dynamic 6-DOF measurement | |
CN116499469B (zh) | 利用神经网络模型在线学习和补偿的gnss/ins组合导航方法 | |
Zhukov et al. | Improving the Accuracy of Air Navigation Systems for Unmanned Aerial Vehicles |
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 |