CN116182867A - 复杂室内环境下基于紧组合的ins/uwb无人车定位方法 - Google Patents
复杂室内环境下基于紧组合的ins/uwb无人车定位方法 Download PDFInfo
- Publication number
- CN116182867A CN116182867A CN202310150395.2A CN202310150395A CN116182867A CN 116182867 A CN116182867 A CN 116182867A CN 202310150395 A CN202310150395 A CN 202310150395A CN 116182867 A CN116182867 A CN 116182867A
- Authority
- CN
- China
- Prior art keywords
- ins
- uwb
- noise
- error
- expressed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 41
- 238000013139 quantization Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000005295 random walk Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出复杂室内环境下基于紧组合的INS/UWB无人车定位方法,涉及室内高精度定位领域。首先基于捷联惯性导航***的误差模型,设计了基于紧组合的INS/UWB组合定位***;其次,为了提高UWB异常值时INS单独定位的精度,使用Allan方差对惯性传感器的误差项进行辨识,从而建立惯性传感器的误差模型,精确了INS的误差状态模型;最后,采用自适应扩展卡尔曼滤波算法,对噪声矩阵进行自适应调整,从而增强了对环境的适应性。
Description
技术领域
本发明涉及无人车定位技术领域,具体涉及复杂室内环境下基于紧组合的INS/UWB无人车定位方法。
背景技术
自航空运输服务产生以及各大机场建设运营以来,机场地面服务作为航班保障的重要环节,与航空运作息息相关且不可或缺。从飞机进入停机坪,到离开停机坪进入滑行道,飞机停泊期间的所有地面服务,包括飞机引导、给油、给水、旅客下机登机、行李搬运、飞机餐点装载、机身清洁、废弃物处理等,皆为机场地面设备服务内容。无人地面车辆(Unmanned Ground Vehicle,UGV)的出现为机场的地面设备服务提供了便捷。其中,UGV的低成本和高精度定位技术发挥着关键作用。全球导航卫星***(GNSS)可以提供高精度的位置信息,基本可以满足高精度位置信息的需要。目前已完成和在建的全球卫星导航***有GPS导航***、BDS导航***、GLONAS导航***以及Galileo导航***。然而,由于在航站楼、地下通道这些区域,卫星定位信号容易受到干扰而导致无法提供有效的位置估计。因此,实现低成本、高精度的定位已经成为航站楼、地下通道这些室内领域的研究热点。
超宽带(Ultra Wide Band,UWB)具有高分辨率、低功耗和高测距精度等优点被广泛应用在室内定位中。UWB是一种利用纳秒级的非正弦波窄脉冲传输数据的通信技术,可以达到厘米级的测距精度。除了具有良好的精度,UWB在遭受多径效应时也具有更好的鲁棒性。然而,在非视距(Non Line of Sight,NLOS)情况下,由于UWB的高频带,测距精度将大大降低,并且单一的UWB定位***不能提供定位对象的方向信息。惯性导航***(InertialNavigation System,INS)不需要任何外来信息,也不会向外辐射任何信息,完全依靠运动载体设备自主完成导航任务(自主性好),且能够提供比较齐全的导航参数(参数齐全)。同时,无需预先部署任何参考基站(BS)可以直接计算载体的姿态、速度和位置。为了在复杂的室内环境中实现低成本、高精度定位,将UWB和INS以互补的方式进行结合是一种高效、低成本的方案。
基于微机电***(Micro-Electro-Mechanical System,MEMS)技术的惯性传感器以较低的成本广泛应用于INS/UWB导航***,但其精度受到复杂随机误差的显著影响。另一方面,在非视距的影响下,UWB的导航和定位精度也遭到严重下降。为了进一步提高INS/UWB***的导航性能,设计了基于紧组合的INS/UWB组合导航定位***。
目前现有技术如下:
申请号:CN202010034636.3,申请名称:基于粒子滤波算法的UWB/INS组合室内定位方法,针对非视距环境下UWB(超宽带)测距结果易受复杂环境干扰进而影响定位精度的情况,提出基于粒子滤波算法的UWB/INS组合室内定位方法。通过UWB***获取待定位人员到各参考基站的距离,通过UWB位置解算单元计算出人员的东方向位置和北方向位置。通过INS(惯性导航***)获取人员在行走过程中的三轴加速度、三轴角速度、以及三轴磁场强度,通过INS解算单元计算出人员行进时的步长、东方向步速、北方向步速、迈步时间以及姿态角。通过粒子滤波算法,将UWB***计算结果与INS***计算结果进行数据融合。最终达到降低非视距复杂环境的影响,提高定位精度的目的。
其是室内高精度人员定位。而我们的目标是实现复杂室内环境下无人车的低成本、高精度定位,采用的是粒子滤波算法对UWB和INS的数据进行融合。而本申请采用的是基于紧组合的自适应扩展卡尔曼滤波来进行两者之间的数据融合。相对于CN111256695A采用的算法具有更简单,有效的特点,同时能够对量测噪声进行自适应调整,能够适用于更复杂的室内环境。
申请号:CN202110382193.1,申请名称:基于动态鲁棒容积卡尔曼的UWB/INS融合定位方法,涉及一种基于动态鲁棒容积卡尔曼的UWB/INS融合定位方法,包括:建立UWB-INS融合定位的运动模型;采用超宽带UWB定位技术确定待定位点的第一位置和第一速度;采用惯性导航***INS获取待定位点的第二位置数据和第二速度;计算以上两种定位方式的实际测量误差;采用动态鲁棒容积卡尔曼滤波算法对实际测量误差进行修正处理,得到最终位置误差;通过最终位置误差对第二位置数据进行修正,得到准确位置s。本发明方法可以缓解外界噪声对***估计的影响,又可以追踪***的运动误差模型状态,降低运动不确定性对目标轨迹预测的影响,从而实现精确、稳定的室内导航。
其是室内高精度人员定位,根据运动学规律构建室内行人的状态方程和测量方程。而我们的针对的复杂室内环境下无人车的低成本、高精度定位,根据捷联惯性导航***的误差模型构建状态方程,其采用了基于动态鲁棒容积卡尔曼的UWB/INS融合定位方法,而我们采用的是基于自适应扩展卡尔曼滤波的UWB/INS融合定位方法。相对于CN113074739B采用的算法具有更简单,有效的特点。
申请号:CN201711108074.7,申请名称:一种室内定位方法、导航方法及***,用以解决现有技术中累计误差/非视距误差大的问题。该方法应用于自动导引运输车AGV,AGV包括主控制器、惯性导航***INS和至少2个UWB电子标签,包括:主控制器从INS获取第一定位数据和第一姿态数据,并分别从至少两个超宽带UWB电子标签中获取UWB电子标签与各UWB基站间的距离数据;利用获取到的距离数据确定AGV的第二定位数据和第二姿态数据;采用卡尔曼滤波器对第一和第二定位数据、第一和第二姿态数据进行自回归数据处理,得到最优定位数据和最优姿态数据。利用本定位方法可获得准确的定位数据获得导航信息,能够使用较为廉价的器件得到理想的导航精度。其采用的卡尔曼滤波器对INS和UWB的数据进行融合,而我们采用的是扩展卡尔曼滤波算法来融合两者之间的数据。相对于CN108036784A采用的滤波算法,可以提高在UWB异常值INS/组合***的精度
在对INS的数据进行处理时,没有考虑惯性传感器中有色噪声的影响。若此时直接采用卡尔曼滤波算法,将导致卡尔曼滤波算法中的计算协方差矩阵与实际估计误差之间严重不匹配,从而使得综合导航精度受到极大限制。而我们的专利通过对惯性传感器中的随机误差项进行建模,精确了INS的误差模型,消除了这一影响。
发明内容
为解决上述技术问题,本发明提出复杂室内环境下基于紧组合的INS/UWB无人车定位方法,涉及室内高精度定位领域。首先基于捷联惯性导航***的误差模型,设计了基于紧组合的INS/UWB组合定位***;其次,为了提高UWB异常值时INS单独定位的精度,使用Allan方差对惯性传感器的误差项进行辨识,从而建立惯性传感器的误差模型,精确了INS的误差状态模型;最后,采用自适应扩展卡尔曼滤波算法,对噪声矩阵进行自适应调整,从而增强了对环境的适应性。
为实现上述目的,本发明采取的技术方案是:
复杂室内环境下基于紧组合的INS/UWB无人车定位方法,其特征在于:具体过程如下:
步骤1:选取地理坐标系作为导航坐标系,采用捷联惯导算法;
步骤2:建立惯性传感器的误差模型,选取姿态、速度和位置误差以及陀螺与加速度计零偏误差作为状态向量,以此建立INS/UWB组合导航定位***的状态方程;
使用阿仑方差建立惯性传感器误差的随机模型,表示为
基于KF理论,白噪声直接用作***的驱动噪声,而无需建模,量化噪声通过INS的误差模型转换为等效白噪声,其中状态转化定义为
因此,得到经过量化噪声增强的INS的误差方程,表示为
为了补偿卡尔曼滤波中有色噪声引起的惯性传感器漂移,需要对有色噪声进行建模,通过成形滤波器传递函数的傅里叶逆变换得到有色噪声的随机微分方程;
零偏不稳定性的随机微分方程表示为
角速率随机游走的随机微分方程表示为
速率斜坡的随机微分方程可以表示为
步骤3:以UWB距离测量与INS推算距离等差值作为***量测,从而建立***的量测方程,不需要进行UWB独立解算;
步骤4:在UWB与IMU组合定位中,采用卡尔曼滤波算法进行数据融合;
扩展卡尔曼滤波算法进行数据融合,具体方法为:
假设目前有N个可用的UWB基站,则UWB测量的距离与INS计算的距离之间的差值为
***的量测向量为
z=[z1 z2 … zN]T,
量测方程表示为
zk=f(xk)+vk,
其中
vk表示为量测噪声,即UWB距离测量噪声。INS的位置误差为
xINS,k=xk+1+δxk+1,yINS,k=yk+1+δyk+1,zINS,k=zk+1+δzk+1,
将量测方程代入f(xk)表达式,然后在(0,0,0)处进行泰勒级数展开,以获得线性化的测量方程;
zk=Hkxk+vk,
其中
Hk=[0N×3 J(0,0,0) 0N×3 0N×3 0N×3],
J(0,0,0)是(43)at(0,0,0)的雅可比矩阵,表示为
步骤5:在滤波级自适应地调整噪声,增强***对环境的适应性。
作为本发明进一步改进,所述步骤1中捷联惯性导航算法,表示为
其中,φ=[φE φN φU]T表示失准角误差矢量,δvn=[δvE δvN δvU]T表示速度误差矢量,δpn=[δpE δpN δpU]T表示位置误差矢量。
作为本发明进一步改进,所述步骤2中惯性传感器中存在五种主要的随机误差,即量化噪声、角度随机游走、角速率随机游走、零偏不稳定性、速率斜坡,其中角速率随机游走、零偏不稳定性、速率斜坡属于有色噪声。
作为本发明进一步改进,在EKF算法中,假设***噪声和测量噪声为高斯分布,然而,当***受到非视距影响时,***的状态估计将受到干扰,为了评估非视距对当前位置的影响,设计了一种基于自适应的EKF算法,该算法使用基于高斯分布的概率密度函数来自适应地调整噪声;
定义非视距辨别指标DI为
其中
假设不受非视距的影响,基站坐标是固定的,因此,当DI的值太小时,UWB信号在传输期间受到NLOS干扰,假设DI满足均值为0和方差为/>的高斯分布,即/>因此,DI的概率密度函数用于评估当前UWB信号受NLOS影响的程度;
基于上式,自适应***噪声表示为
类似地,自适应测量噪声表示为
其中th表示阈值,由经验值确定。
与现有技术相比,本发明的有益效果为:
1.设计了适用于复杂室内环境下低成本、高精度的INS/UWB组合定位***,利用UWB的量测值抑制SINS的误差累积,从而提供可靠的姿态、速度和位置信息;
2.对惯性传感器的随机误差项进行建模,精确了INS的误差状态模型,从而提高了UWB异常值时INS单独定位的精度;
4.采用紧组合的方式,以UWB距离测量与SINS推算距离等差值作为***量测,不需要进行UWB独立解算;
5.采用自适应扩展卡尔曼滤波算法,可以自适应调整噪声矩阵,从而增强了对环境的适应性。
附图说明
图1是本发明算法框架;
图2是本发明***框图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
作为本发明一种具体实施例,本申请提供复杂室内环境下基于紧组合的INS/UWB无人车定位方法,包括以下步骤:
步骤1:选取地理坐标系作为导航坐标系(n系),采用捷联惯导算法(如图1所示)
在室内定位中,由于MEMS陀螺仪的低精度,无法感知地球旋转信息以及忽略载体低速引起的地球自转和曲率的影响,因此采用简化的捷联惯性导航(S-SINS)算法,可以表示为
其中,φ=[φE φN φU]T表示失准角误差矢量,δvn=[δvE δvN δvU]T表示速度误差矢量,δpn=[δpE δpN δpU]T表示位置误差矢量。
步骤2:建立惯性传感器的误差模型,选取姿态、速度和位置误差以及陀螺与加速度计零偏误差作为状态向量,以此建立INS/UWB组合导航定位***的状态方程
根据惯性传感器的IEEE标准,惯性传感器中存在五种主要的随机误差,即量化噪声(QN)、角度随机游走(ARW)、角速率随机游走(RRW)、零偏不稳定性(BI)、速率斜坡(RR),其中角速率随机游走、零偏不稳定性、速率斜坡属于有色噪声(CN)。因此,使用阿仑方差(AV)建立惯性传感器误差的随机模型,可以表示为
基于KF理论,白噪声(角度随机游走)可以直接用作***的驱动噪声,而无需建模。量化噪声可以通过INS的误差模型转换为等效白噪声,其中状态转化定义为
因此,可以得到经过量化噪声增强的INS的误差方程,表示为
为了补偿卡尔曼滤波中有色噪声引起的惯性传感器漂移,需要对有色噪声进行建模,通过成形滤波器传递函数的傅里叶逆变换可以得到有色噪声的随机微分方程。
零偏不稳定性的随机微分方程可以表示为
角速率随机游走的随机微分方程可以表示为
速率斜坡的随机微分方程可以表示为
步骤3:以UWB距离测量与INS推算距离等差值作为***量测,从而建立***的量测方程
设计了UWB和IMU的紧组合***,以UWB距离测量与SINS推算距离等差值作为***量测,不需要进行UWB独立解算,***框图如图2所示;
步骤4:在UWB与IMU组合定位中,采用卡尔曼滤波算法(Kalman filter,KF)进行数据融合;
在UWB与IMU组合定位中,采用扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)进行数据融合。
假设目前有N个可用的UWB基站,则UWB测量的距离与INS计算的距离之间的差值为
***的量测向量为
z=[z1 z2 ... zN]T, (10)
量测方程可以表示为
zk=f(xk)+vk, (11)
其中
vk表示为量测噪声,即UWB距离测量噪声。INS的位置误差为
xINS,k=xk+1+δxk+1,yINS,k=yk+1+δyk+1,zINS,k=zk+1+δzk+1, (13)
将(11)代入(12),然后在(0,0,0)处进行泰勒级数展开,以获得线性化的测量方程。
zk=Hkxk+vk, (14)
其中
Hk=[0N×3 J(0,0,0) 0N×3 0N×3 0N×3], (15)
J(0,0,0)是(43)at(0,0,0)的雅可比矩阵,表示为
步骤5:在滤波级自适应地调整噪声,增强***对环境的适应性
根据从UWB和INS获得的距离差概率密度函数可以自适应地调整噪声参数,从而增强***对环境的适应性
在EKF算法中,假设***噪声和测量噪声为高斯分布。然而,当***受到非视距影响时,***的状态估计将受到干扰。为了评估非视距对当前位置的影响,设计了一种基于自适应的EKF算法,该算法可以使用基于高斯分布的概率密度函数来自适应地调整噪声。
定义非视距辨别指标DI为
其中
假设不受非视距的影响,基站坐标是固定的。因此,当DI的值太小时,UWB信号在传输期间受到NLOS干扰。假设DI满足均值为0和方差为/>的高斯分布,即/>因此,DI的概率密度函数可用于评估当前UWB信号受NLOS影响的程度。
基于(19),自适应***噪声可以表示为
类似地,自适应测量噪声表示为
其中th表示阈值,由经验值确定。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.复杂室内环境下基于紧组合的INS/UWB无人车定位方法,其特征在于:具体过程如下:
步骤1:选取地理坐标系作为导航坐标系,采用捷联惯导算法;
步骤2:建立惯性传感器的误差模型,选取姿态、速度和位置误差以及陀螺与加速度计零偏误差作为状态向量,以此建立INS/UWB组合导航定位***的状态方程;
使用阿仑方差建立惯性传感器误差的随机模型,表示为
基于KF理论,白噪声直接用作***的驱动噪声,而无需建模,量化噪声通过INS的误差模型转换为等效白噪声,其中状态转化定义为
因此,得到经过量化噪声增强的INS的误差方程,表示为
为了补偿卡尔曼滤波中有色噪声引起的惯性传感器漂移,需要对有色噪声进行建模,通过成形滤波器传递函数的傅里叶逆变换得到有色噪声的随机微分方程;
零偏不稳定性的随机微分方程表示为
角速率随机游走的随机微分方程表示为
速率斜坡的随机微分方程可以表示为
步骤3:以UWB距离测量与INS推算距离等差值作为***量测,从而建立***的量测方程,不需要进行UWB独立解算;
步骤4:在UWB与IMU组合定位中,采用卡尔曼滤波算法进行数据融合;
扩展卡尔曼滤波算法进行数据融合,具体方法为:
假设目前有N个可用的UWB基站,则UWB测量的距离与INS计算的距离之间的差值为
***的量测向量为
z=[z1 z2 … zN]T,
量测方程表示为
zk=f(xk)+vk,
其中
vk表示为量测噪声,即UWB距离测量噪声。INS的位置误差为
xINS,k=xk+1+δxk+1,yINS,k=yk+1+δyk+1,zINS,k=zk+1+δzk+1,
将量测方程代入f(xk)表达式,然后在(0,0,0)处进行泰勒级数展开,以获得线性化的测量方程;
zk=Hkxk+vk,
其中
Hk=[0N×3 J(0,0,0) 0N×3 0N×3 0N×3],
J(0,0,0)是(43)at(0,0,0)的雅可比矩阵,表示为
步骤5:在滤波级自适应地调整噪声,增强***对环境的适应性。
3.根据权利要求1所述的复杂室内环境下基于紧组合的INS/UWB无人车定位方法,其特征在于,所述步骤2中惯性传感器中存在五种主要的随机误差,即量化噪声、角度随机游走、角速率随机游走、零偏不稳定性、速率斜坡,其中角速率随机游走、零偏不稳定性、速率斜坡属于有色噪声。
4.根据权利要求1所述的复杂室内环境下基于紧组合的INS/UWB无人车定位方法,其特征在于,
在EKF算法中,假设***噪声和测量噪声为高斯分布,然而,当***受到非视距影响时,***的状态估计将受到干扰,为了评估非视距对当前位置的影响,设计了一种基于自适应的EKF算法,该算法使用基于高斯分布的概率密度函数来自适应地调整噪声;
定义非视距辨别指标DI为
其中
假设不受非视距的影响,基站坐标是固定的,因此,当DI的值太小时,UWB信号在传输期间受到NLOS干扰,假设DI满足均值为0和方差为/>的高斯分布,即/>因此,DI的概率密度函数用于评估当前UWB信号受NLOS影响的程度;
基于上式,自适应***噪声表示为
类似地,自适应测量噪声表示为
其中th表示阈值,由经验值确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310150395.2A CN116182867A (zh) | 2023-02-22 | 2023-02-22 | 复杂室内环境下基于紧组合的ins/uwb无人车定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310150395.2A CN116182867A (zh) | 2023-02-22 | 2023-02-22 | 复杂室内环境下基于紧组合的ins/uwb无人车定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116182867A true CN116182867A (zh) | 2023-05-30 |
Family
ID=86437980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310150395.2A Pending CN116182867A (zh) | 2023-02-22 | 2023-02-22 | 复杂室内环境下基于紧组合的ins/uwb无人车定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116182867A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117367431A (zh) * | 2023-10-23 | 2024-01-09 | 哈尔滨工业大学(威海) | 带未知量测偏置的mems与uwb紧组合定位方法及*** |
CN117433517A (zh) * | 2023-10-27 | 2024-01-23 | 青岛威弗德自动化***有限公司 | 一种基于多传感器融合的四向穿梭车高精度定位算法 |
CN117490689A (zh) * | 2023-11-06 | 2024-02-02 | 河南理工大学 | 一种二维超宽带与惯性导航融合定位方法及*** |
CN117848331A (zh) * | 2024-03-06 | 2024-04-09 | 河北美泰电子科技有限公司 | 基于视觉标签地图的定位方法及装置 |
-
2023
- 2023-02-22 CN CN202310150395.2A patent/CN116182867A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117367431A (zh) * | 2023-10-23 | 2024-01-09 | 哈尔滨工业大学(威海) | 带未知量测偏置的mems与uwb紧组合定位方法及*** |
CN117367431B (zh) * | 2023-10-23 | 2024-05-14 | 哈尔滨工业大学(威海) | 带未知量测偏置的mems与uwb紧组合定位方法及*** |
CN117433517A (zh) * | 2023-10-27 | 2024-01-23 | 青岛威弗德自动化***有限公司 | 一种基于多传感器融合的四向穿梭车高精度定位算法 |
CN117490689A (zh) * | 2023-11-06 | 2024-02-02 | 河南理工大学 | 一种二维超宽带与惯性导航融合定位方法及*** |
CN117848331A (zh) * | 2024-03-06 | 2024-04-09 | 河北美泰电子科技有限公司 | 基于视觉标签地图的定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116182867A (zh) | 复杂室内环境下基于紧组合的ins/uwb无人车定位方法 | |
CN109946731B (zh) | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 | |
CN105628026B (zh) | 一种移动物体的定位定姿方法和*** | |
CN113124856B (zh) | 基于uwb在线锚点的视觉惯性紧耦合里程计及计量方法 | |
Fan et al. | Data fusion for indoor mobile robot positioning based on tightly coupled INS/UWB | |
CN110702091B (zh) | 一种沿地铁轨道移动机器人的高精度定位方法 | |
US6947880B2 (en) | Method for improving accuracy of a velocity model | |
CN111426320B (zh) | 一种基于图像匹配/惯导/里程计的车辆自主导航方法 | |
Wang et al. | Multiple-vehicle localization using maximum likelihood Kalman filtering and ultra-wideband signals | |
CN114111802B (zh) | 一种行人航迹推算辅助uwb的定位方法 | |
CN111983660A (zh) | Gnss拒止环境下四旋翼无人机定位***和方法 | |
CN114018273A (zh) | 煤矿井下自动驾驶车辆精确定位***及其定位方法 | |
Jiang et al. | Improved decentralized multi-sensor navigation system for airborne applications | |
CN114111767B (zh) | 基于多信息融合对线路设计线型进行优化的方法 | |
Zhou et al. | Wi-Fi RTT/encoder/INS-based robot indoor localization using smartphones | |
CN113419265B (zh) | 一种基于多传感器融合的定位方法、装置与电子设备 | |
Yuan et al. | MIAKF: Motion inertia estimated adaptive Kalman filtering for underground mine tunnel positioning | |
Javed et al. | A gyroless attitude estimation for ground vehicle under severe dynamic conditions | |
CN114035154B (zh) | 一种运动参数辅助的单站射频信号定位方法 | |
CN113721188B (zh) | 拒止环境下的多无人机自身定位与目标定位方法 | |
JP2024057930A (ja) | 飛行体の高度算出方法、高度算出プログラム、及びそれを有する飛行体 | |
CN112762936B (zh) | 一种运用于长航时无人机载荷的多源定位信息融合方法 | |
Song | An integrated GPS/vision UAV navigation system based on Kalman filter | |
CN114993299A (zh) | 一种基于超宽带的无人机辅助定位方法及*** | |
Zahran et al. | Augmented radar odometry by nested optimal filter aided navigation for UAVS in GNSS denied environment |
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 |