CN116222541A - 利用因子图的智能多源组合导航方法及装置 - Google Patents
利用因子图的智能多源组合导航方法及装置 Download PDFInfo
- Publication number
- CN116222541A CN116222541A CN202310239286.8A CN202310239286A CN116222541A CN 116222541 A CN116222541 A CN 116222541A CN 202310239286 A CN202310239286 A CN 202310239286A CN 116222541 A CN116222541 A CN 116222541A
- Authority
- CN
- China
- Prior art keywords
- information
- navigation
- unmanned aerial
- aerial vehicle
- data
- 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
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- 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
- G01C21/1652—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 with ranging devices, e.g. LIDAR or RADAR
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- 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
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种利用因子图的智能多源组合导航方法及装置。其中,该方法包括:通过卫星***获取无人机的卫星定位数据,并对所述卫星定位数据进行修正;通过惯性导航***获取无人机的位置、速度、姿态的惯性导航数据,对所述惯性导航数据进行误差补偿,并对误差补偿进行机械编排处理;通过辅助设备获取所述无人机的辅助量测信息;利用因子图或容积卡尔曼滤波技术融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,并利用融合后的信息确定导航结果。本申请解决了由于单一导航***的动态性能差、数据频率低造成的、导航信息少、抗干扰能力差的问题的技术问题。
Description
技术领域
本申请涉及导航领域,具体而言,涉及一种利用因子图的智能多源组合导航方法及装置。
背景技术
固定翼无人机因其拥有优良的***,使得其在行业内备受青睐,且有飞行距离长,巡航面积大、飞行速度快、飞行高度高、可设置航线自动飞行等优点,目前已被广泛应用在测绘、地质、石油、农林等行业。
随着多信息融合理论与技术的发展,组合导航***开始把具有不同特点的导航***组合在一起,取长补短,以提高导航***的精度。无人机由于其工作环境和执行任务的特殊性,对导航***的性能提出了极高的要求。惯性/地形辅助导航***、惯性/景象匹配导航***虽然都有着很强的自主性和隐蔽性,但受到地形等因素的影响较为严重,因此也不能满足无人机的高精度定位导航需求。随后,卫星导航***的出现使惯性/卫星导航***得到了快速的发展,并在无人机上得到了广泛的应用。然而卫星导航***易受控制、欺骗和干扰,并受到卫星拥有国的使用限制,因此,惯性/卫星导航***也越来越不适应实际状况和需求。惯性/多传感器组合导航***也逐步出现在大众的视野中,通过最优估计或信息融合的方式,将具有不同优势的导航***构成多信息融合自主导航***,提高了定位、导航精度以及导航的可靠性。
BDS定位精度高,精度均匀稳定,是当前主要的位置服务手段之一。实时动态载波相位差分定位(RTK)技术通过进行双差模式的基线解算,消除或减弱了钟差和大气误差的影响,可以极大提高BDS的定位精度。但BDS与其他卫星导航***一样,有着动态性能差、数据频率低、导航信息少、抗干扰能力差的缺点。惯性导航***(INS)技术不需要外部信息,抗干扰能力强,能提供高频、丰富、稳定的导航信息,但传统INS体积大,价格昂贵,难以大规模使用。自21世纪以来微机电***(MEMS)高速发展,低成本INS的性能不断提升,使BDS RTK+MEMS的组合拥有了较高的实用性。
上述现有的技术方案多采用卡尔曼滤波算法实现。卡尔曼滤波算法作为实现融合定位***的最优方案,一直以来都受到相关学者的广泛关注。卡尔曼滤波是一种针对线性***的状态进行最优估计的算法,它需要满足***噪声和量测噪声符合高斯分布的特性。传统的卡尔曼滤波器(KF)只能等待量测信息全部到达才可以进行滤波处理,而不同的传感器量测信息不同步。在高斯假设下逼近KF框架中的多变量统计积分,其中扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)是典型的例子。
EKF和UKF是常用的非线性高斯滤波器。然而,由于***模型的线性化,对于强非线性***,EKF估计误差较大,而UKF由于无迹变换中出现负权而不稳定,特别是对于高维(大于3)非线性***。上述所用的卡尔曼滤波方法,都不能很好的满足固定翼无人机在使用时,需实时更新数据并对数据进行及时处理。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种利用因子图的智能多源组合导航方法及装置,以至少解决由于单一导航***的动态性能差、数据频率低造成的、导航信息少、抗干扰能力差的问题的技术问题。
根据本申请实施例的一个方面,提供了一种利用因子图的智能多源组合导航方法,包括:通过卫星***获取无人机的卫星定位数据,并对所述卫星定位数据进行修正;通过惯性导航***获取无人机的位置、速度、姿态的惯性导航数据,对所述惯性导航数据进行误差补偿,并对误差补偿进行机械编排处理;通过辅助设备获取所述无人机的辅助量测信息;利用因子图或容积卡尔曼滤波融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,并利用融合后的信息确定导航结果。
根据本申请实施例的另一方面,还提供了一种利用因子图的智能多源组合导航***,包括:卫星定位模块,被配置为获取无人机的卫星定位数据,并对所述卫星定位数据进行修正;惯性传感器模块,被配置为获取无人机的位置、速度、姿态的惯性导航数据,对所述惯性导航数据进行误差补偿,并对误差补偿处理进行机械编排处理;辅助模块,被配置为通过辅助设备获取所述无人机的辅助量测信息;融合模块,被配置为利用因子图或容积卡尔曼滤波技术融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,并利用融合后的信息确定导航结果。
在本申请实施例中,采用因子图对所收集的信息进行融合导航的方式,实现了导航抗干扰能力强的技术效果,进而解决了由于单一导航***的动态性能差、数据频率低造成的、导航信息少、抗干扰能力差的问题的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种利用因子图的智能多源组合导航方法的流程图;
图2是根据本申请实施例的一种基于因子图的固定翼无人机的多源组合导航方法的流程图;
图3是根据本申请实施例的捷联惯性导航***操作示意图;
图4是根据本申请实施例的基于因子图的多传感器融合框架的结构示意图;
图5是根据本申请实施例的一种基于容积卡尔曼滤波的固定翼无人机的多源组合导航方法的流程图;
图6是根据本申请实施例的一种利用因子图的智能多源组合导航***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本申请实施例,提供了一种利用因子图的智能多源组合导航方法,如图1所示,该方法包括:
步骤S 102,通过卫星***获取无人机的卫星定位数据,并对所述卫星定位数据进行修正。
通过卫星***获取无人机的卫星定位数据;利用RTK的双差模式对所述无人机的卫星定位数据进行修正,得到修正后的卫星定位数据。
例如,通过以下公式进行修正:
其中,ΔPcorr表示修正后的无人机的卫星定位数据;ρ1,s表示卫星1到接收机的伪距离;ρ2,s表示卫星2到接收机的伪距离;ρ1,r表示卫星1到基准站的伪距离;ρ2,r表示卫星2到基准站的伪距离;I表示电离层延迟误差,它是由电离层中的自由电子对卫星信号的传播产生的影响造成的;T表示对流层延迟误差,它是由大气中的水蒸气、氧气和氮气等分子对卫星信号的传播产生的影响造成的;∈表示观测噪声,它是由卫星信号的传输和接收过程中的各种噪声和误差造成的;f0表示卫星信号的中心频率,通常为1575.42MHz;fk是卫星信号的另一个频率,通常为1227.60MHz;ρ1,k表示接收机接收到的中心频率对应的卫星信号L1的伪距离;ρ2,k表示接收机接收到的fk频率对应的卫星信号L2的伪距离;n表示可见卫星数,它是在当前位置可见的卫星数量。
由于L1和L2信号的频率不同,它们在电离层中的传播速度也不同,因此在接收机中会产生多频率误差。本实施例中考虑了这种误差的影响,通过使用多频率的距离差来进行修正,从而使得修正结果更为准确。
步骤S104,通过惯性导航***获取无人机的位置、速度、姿态的惯性导航数据,对所述惯性导航数据进行误差补偿,并对误差补偿进行机械编排处理。
对所述惯性导航数据进行误差补偿;利用实时动态定位技术RTK对所述误差补偿进行机械编排处理。
本申请实施例基于RTK、MEMS技术与获取目标信息和地形信息的技术的结合发展,再加上基于因子图技术,创新性的提出了一种便捷、高效的导航模式,使得过程更为简单,节省更多时间和资源,高效实现对目标任务的精确定位。
步骤S106,通过辅助设备获取所述无人机的辅助量测信息。
通过三维测量***对所述无人机的周围环境进行实时三维扫描,得到环境信息;通过激光雷达***发射激光束探测所述无人机的特征量确定所述无人机的目标位置速度信息;通过空速计和压强计对所述无人机自身状态进行检测,得到状态信息;其中,所述辅助量测信息包括以下至少之一:所述环境信息、所述目标位置速度信息、所述状态信息。
步骤S108,利用因子图或容积卡尔曼滤波技术融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,并利用融合后的信息确定导航结果。
下面将描述利用因子图来确定导航结果的方法。
首先,基于所述卫星定位数据确定卫星BDS因子。例如,基于BDS量测函数和量测噪声确定BDS量测方程;基于所述BDS量测方程和所述BDS量测函数确定所述BDS因子。
接着,基于机械编排处理处理后的所述惯性导航数据确定惯性导航MEMS因子。例如,基于加速度计和陀螺仪测量的比力和角速度确定所述无人机导航状态的时间更新函数;对所述时间更新函数进行离散化处理,通过量测函数进行合理预测可得到导航状态初始值xk+1;基于所述量测函数/>和所述导航状态初始值xk+1,得到所述MEMS因子。
之后,基于所述辅助量测信息确定辅助传感器因子。确定辅助传感器因子的方法和确定惯性导航MEMS因子的方法相同,此处不再赘述。
最后,基于所述BDS因子、所述MEMS因子、所述传感器因子,利用因子图融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息。
下面将描述利用容积卡尔曼滤波来确定导航结果的方法。将积分形式转换为球面径向积分形式,并利用球面径向准则通过容积点集来计算目标状态估计值和协方差矩阵;对所述协方差矩阵进行修正,基于修正后的所述协方差矩阵来对所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息进行融合,并利用融合后的信息确定导航结果。
本申请实施例基于RTK+MEMS技术、通过对固定翼无人机安装激光雷达(LaserRadar)、三维测量(3D dimensional measurement)、空速计(Airspeed meter)、压强计(Piezometer)等相关技术,让自身可迅速获取目标信息、地形信息,可以在作战中实现精准打击;基于因子图的即插即用的强大功能处理数据,对组合导航***中各个传感器进行信号处理,得出导航最优估计。
相较于基于PID控制的固定翼无人机控制导航,本申请基于RTK技术、MEMS技术、获取目标信息和地形信息的技术的结合发展,解决了单一导航***的动态性能差、数据频率低、导航信息少、抗干扰能力差的问题。
本申请实施例克服传统卡尔曼滤波器计算时间会根据***的状态维数变化而变化、无法对串联滤波进行求解以及滤波的精度下降等问题,运用因子图即插即用,对组合导航***进行信号处理,得出导航最优估计。
实施例2
根据本申请实施例,还提供了一种基于因子图的固定翼无人机的多源组合导航方法,如图2所示,该方法包括:
步骤S202,获取并处理惯性传感器数据。
通过惯导***中MEMS传感器获取的无人机的位置、速度、姿态的原始数据,并对数据进行误差补偿和机械编排处理,处理数据信息。
图3为捷联惯性导航***的示意图。如图3所示,惯导***中MEMS传感器(加速度计、磁力计、陀螺仪)获取数据后,***在计算机中进行误差补偿、姿态解算、速度位置更新后,对外输出位置、速度和姿态信息。
步骤S204,获取并处理卫星定位数据。
北斗定位***中RTK对无人机的定位精度进行修正。
本申请实施例将高精度的实时动态定位技术(RTK)和强抗干扰MEMS进行融合,从而让定位***具备高精度、可靠、低成本等优点,既可以解决短时间内RTK卫星信号丢失的问题,又可以避免惯性导航***的误差(主要是位置误差)随时间积累而增加,从而有效地实现精确、连续、可靠。两***优劣互补,进行组合能在移动测绘、车辆导航、航空航天等领域发挥重要作用
步骤S206,获取辅助量测信息。
辅助模块中的三维测量***对周围环境进行实时三维扫描,激光雷达***确定目标位置速度等信息,空速计、压强计实现对机体自身状态的检测。通过上述方式,得到辅助量测信息。
激光雷达(Laser Radar),是以发射激光束探测目标的位置、速度等特征量的雷达***作适当处理后,就可获得目标的有关信息;三维测量,顾名思义就是被测物进行全方位测量,确定被测物的三维坐标;空速计(Airspeed meter)为飞行器提供多种重要的飞行参数,例如飞行高度(Hp)和空速(CAS),静压(Ps),动压(Qc)。
步骤S208,将收集到的信息加入因子图算法。
将三大部分的数据信息输入因子图算法中,因子节点与变量节点分别为传感器数据与时刻,对每时刻的数据进行处理。
利用因子图来进行融合定位将在下文详细描述,此处不再赘述。
步骤S210,输出导航结果。
输出导航结果。本申请实施例辅助上述传感器或技术支持,结合因子图即插即用的处理信息数据的能力,固定翼无人机在导航、寻找目标、发现目标、追踪目标等方面都有较大提升,使得多源组合导航持续发挥作用。
下面将详细描述利用因子图来进行融合定位的方法。
图4是根据本申请实施例的基于因子图的多传感器融合框架的结构示意图。在图4中,xk代表***的导航状态,fMEMS表示来自INS***的量测信息,与时刻tk与tk+1的导航状态相关;fBDS表示BDS的量测信息;f3D表示三维测量***的量测信息;fLaserRadar表示激光雷达***的量测信息;fPiezometer表示压强计的量测信息;fairspeedmeter表示空速计的量测信息。
首先,确定MEMS因子。
无人机导航状态的时间更新可用如下方程进行抽象描述
式中:fb和ωb分别表示加速度计和陀螺仪测量的比力和角速度,x表示,x表示不同时刻获取到的位置等传感器信息。h(·)表示在导航***中,通常量测函数h(·)可以根据状态变量估计预测出传感器的量测值,而因子节点可得到预测的测量值和实际测量值之间的差值,通过构建相应函数获得状态变量估计。,表示量测函数信息。
此时因子节点可表示为
式中,d[·]表示相应的代价函数。
接着,确定BDS因子。
将BDS量测方程表示为
基于因子图架构的多源组合导航***,能够有效实现导航传感器的即插即用,将不同频率、不同误差的传感器合并起来,增强了导航***的冗余性,使得导航***能够长时间为无人机进行导航。
压强计和激光雷达***等的量测因子可参考BDS因子表示方法,公式不再赘述。
为了导航***能够快速进行数据融合,将MEMS捷联解算得到的基本导航参数误差与惯性仪器参数误差合并,得到***的状态向量
式中:为姿态失准角;δV=[δVE δVN δVU]T为东北天三个方向的速度误差;δp=[δL δλ δh]T为纬度、经度和高度位置误差;ε=[εx εy εz]T为陀螺仪随机误差;/>为加速度计随机误差;/>为三维测量***的随机误差;/>为激光雷达***的随机误差。
采用上述方法,具有以下有益效果:
1)提高了导航***的精度和鲁棒性,将MEMS捷联解算得到的基本导航参数误差与惯性仪器参数误差合并,可以获得更准确的导航状态向量,从而提高导航***的精度和鲁棒性。
2)加快了数据融合速度:将不同仪器的误差合并到一个状态向量中,可以简化数据融合的过程,并加快导航***的响应速度。
3)减少了***计算负担:将多个参数误差合并为一个状态向量,可以减少***需要处理的参数数量,降低计算负担,提高***的效率和响应速度。
4)降低了***成本:使用MEMS捷联解算和惯性仪器结合的方案,可以在保证导航***精度和鲁棒性的同时,降低***成本,提高性价比。
总之,将MEMS捷联解算得到的基本导航参数误差与惯性仪器参数误差合并,得到***的状态向量,可以提高导航***的精度和鲁棒性,加快数据融合速度,降低***成本,并减少***计算负担。
***状态方程为
式中:F为状态转移矩阵;G为噪声转移矩阵;W为状态噪声矢量。
本申请提供的基于因子图的固定翼无人机的多源组合导航技术,相较于现阶段相关技术的融合发展,即插即用的因子图推算方法与多源组合导航技术的融合,使得过程更为简单,节省更多时间和资源。
本申请实施例创新性地提出了基于因子图技术的固定翼无人机的一种便捷、高效的、基于RTK和MEMS的导航方法,再加上机身安装激光雷达(Laser Radar)、三维测量(3Ddimensional measurement)、空速计(Airspeed meter)、压强计(Piezometer)等相关技术,让自身可迅速获取目标信息、地形信息,可以在作战中实现精准打击;相较于其他导航方式,其在导航过程中误差减小,定位精度更为优秀,与此同时抗干扰能力强,能接受高频、丰富、稳定的导航信息。
本申请实施例基于因子图建模的主要目的是将复杂的***进行因式化分解,当因子图的节点表示随机变量和概率分布时,因子图也是一种概率图模型,在因子图框架下,利用最大后验概率估计算法解决了导航***中的状态估计问题。
实施例3
根据本申请实施例,还提供了另一种基于因子图的固定翼无人机的多源组合导航方法,如图4所示,该方法包括:
步骤S402,获取并处理惯性传感器数据。
通过惯导***中MEMS传感器获取的无人机的位置、速度、姿态的原始数据,并对数据进行误差补偿和机械编排处理,处理数据信息。
步骤S404,获取并处理卫星定位数据。
北斗定位***中RTK对无人机的定位精度进行修正。
步骤S406,获取辅助量测信息。
辅助模块中的三维测量***对周围环境进行实时三维扫描,激光雷达***确定目标位置速度等信息,空速计、压强计实现对机体自身状态的检测。通过上述方式,得到辅助量测信息。
步骤S402至步骤S406与实施例2中步骤S202至S206相同,此处不再赘述。
步骤S408,利用容积卡尔曼滤波技术进行导航。
目前,对多源组合导航算法研究多以卡尔曼滤波为主,但由于各个传感器数据传输频率的不同,传统联邦卡尔曼滤波器需要全部量测信息到来之后才能进行滤波,使得在处理异步信息时能力有所不足,并且在使用外推内插法将量测信息同步时,将误差引入了滤波器,增加了计算量。
在多传感器数据融合方面,目前采用较多的方法是联邦Kalman滤波算法。但是,多传感器数据融合***往往各个传感器的频率不同,误差特性也不同,传统的Kalman滤波算法为了保持数据的同步往往需要丢弃一部分测量值,这样会造成信息的浪费。同时,标准Kalman滤波器只能解决线性问题,而大多数传感器模型都包含了非线性成分。扩展Kalman滤波算法应用于非线性状态估计***中虽然已经得到了学术界认可并被广泛使用,然而该种方法也带来了两个缺点:1)当强非线性时其违背局部线性假设,Taylor展开式中被忽略的高阶项带来大的误差时,扩展Kalman滤波算法可能会使滤波发散;2)由于在线性化处理时需要用Jacobi矩阵,其繁琐的计算过程导致该方法实现相对困难;还有无迹卡尔曼(UKF)。
容积卡尔曼滤波(CKF)是一种新兴的非线性高斯滤波策略,它利用球-径向容积规则来近似贝叶斯后验概率密度函数的数值积分,导致状态的后验均值和协方差至少具有二阶精度。但CKF与UKF不同的是,CKF通过一组偶数个相等权重的容积点集(CubaturePoints)来近似贝叶斯概率分布,即使在高维状态空间中,滤波权值总是正数,具有比UKF更高的鲁棒性和滤波精度。
CKF算法关键步骤是将积分形式转换为球面径向积分形式以及利用球面径向准则来进行数值计算。
I(f)=∫f(x)exp(-xxT)dx (2.1)
式中,被积函数为非线性函数f(x)与高斯密度的乘积,I(f)表示目标函数积分结果,x表示状态向量。
CKF算法以贝叶斯估计为理论基础,采用三阶球面径向规则,通过容积点集来计算目标状态估计值和协方差,避免***线性化带来的误差,有较好的滤波估计精度,在高维***情况下优于其他非线性滤波算法,适用于任何形式的非线性***。多源组合导航(MEMS+BDS和辅助传感器***)与容积卡尔曼滤波组合使用,实现对数据信息的处理,最大程度下得出最优解,提供准确的导航数据。
与其他非线性算法相比,CKF算法不需要计算非线性函数中复杂的雅克比矩阵,跟踪***高维情况下有更好的跟踪性能,但容积卡尔曼滤波算法对目标跟踪***的模型要求严格,状态参数变化等不确定因素对于滤波器的性能也会产生较大的影响。同时目标运动存在不确定性,通过误差协方差矩阵一定程度上可以反映出测量结果的不确定度的,因此直接修正协方差矩阵能够更好的降低目标运动不确定性的影响。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例4
根据本申请实施例,还提供了一种利用因子图的智能多源组合导航***,如图6所示,该***包括:卫星定位模块62、惯性传感器模块64、辅助模块66和融合模块68。
卫星定位模块62被配置为获取无人机的卫星定位数据,并对所述卫星定位数据进行修正;
惯性传感器模块64被配置为获取无人机的位置、速度、姿态的惯性导航数据,对所述惯性导航数据进行误差补偿,并对误差补偿处理进行机械编排处理;
辅助模块66被配置为通过辅助设备获取所述无人机的辅助量测信息。
融合模块68被配置为利用因子图或容积卡尔曼滤波技术融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,并利用融合后的信息确定导航结果。
本申请实施例利用INS的短时高精度特点得到的位置信息辅助RTK定位算法进行解算,提高浮点解的估计精度,减小整周模糊度的搜索空间,提高模糊度的固定效率;其次在BDS信号受阻情况下如城市高楼、树荫、隧道等,导致定位误差增大或者无法定位时,提供可靠、连续的定位导航信息。同时加上辅助传感器模块中激光雷达***、三维测量***、压强计、空速计对周围环境模拟监测,实时精准定位导航与目标物体信息;其数据整理后,融入因子图***进行最优估计。融合定位算法主要由误差补偿、机械编排、因子图算法、导航信息输出组成。基于因子图的即插即用算法,输出导航结果。
实施例5
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质被设置为存储用于执行实施例1至3中的程序代码。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例1至3中所描述的示例,本实施例在此不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的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,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请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全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种利用因子图的智能多源组合导航方法,其特征在于,包括:
通过卫星***获取无人机的卫星定位数据,并对所述卫星定位数据进行修正;
通过惯性导航***获取无人机的位置、速度、姿态的惯性导航数据,对所述惯性导航数据进行误差补偿,并对误差补偿进行机械编排处理;
通过辅助设备获取所述无人机的辅助量测信息;
利用因子图或容积卡尔曼滤波融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,并利用融合后的信息确定导航结果。
2.根据权利要求1所述的方法,其特征在于,通过卫星***获取无人机的卫星定位数据,并对所述卫星定位数据进行修正,包括:
通过卫星***获取无人机的卫星定位数据;
利用实时动态定位技术RTK的双差模式对所述无人机的卫星定位数据进行修正。
3.根据权利要求2所述的方法,其特征在于,对所述惯性导航数据进行误差补偿,并对误差补偿处理进行机械编排处理,包括:
对所述惯性导航数据进行误差补偿;
利用实时动态定位技术RTK对所述误差补偿进行机械编排处理。
4.根据权利要求1所述的方法,其特征在于,通过辅助设备获取所述无人机的辅助量测信息,包括以下至少之一:
通过三维测量***对所述无人机的周围环境进行实时三维扫描,得到环境信息;
通过激光雷达***发射激光束探测所述无人机的特征量确定所述无人机的目标位置速度信息;
通过空速计和压强计对所述无人机自身状态进行检测,得到状态信息;
其中,所述辅助量测信息包括以下至少之一:所述环境信息、所述目标位置速度信息、所述状态信息。
5.根据权利要求1所述的方法,其特征在于,利用因子图融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,包括:
基于所述卫星定位数据确定卫星BDS因子;
基于机械编排处理处理后的所述惯性导航数据确定惯性导航MEMS因子;
基于所述辅助量测信息确定辅助传感器因子;
基于所述BDS因子、所述MEMS因子、所述传感器因子,利用因子图融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息。
7.根据权利要求5所述的方法,其特征在于,基于所述卫星定位数据确定卫星BDS因子,包括:
基于BDS量测函数和量测噪声确定BDS量测方程;
基于所述BDS量测方程和所述BDS量测函数确定所述BDS因子。
8.根据权利要求1所述的方法,其特征在于,利用容积卡尔曼滤波融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,并利用融合后的信息确定导航结果,包括:
将积分形式转换为球面径向积分形式,并利用球面径向准则通过容积点集来计算目标状态估计值和协方差矩阵;
对所述协方差矩阵进行修正,基于修正后的所述协方差矩阵来对所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息进行融合,并利用融合后的信息确定导航结果。
9.一种利用因子图的智能多源组合导航***,其特征在于,包括:
卫星定位模块,被配置为获取无人机的卫星定位数据,并对所述卫星定位数据进行修正;
惯性传感器模块,被配置为获取无人机的位置、速度、姿态的惯性导航数据,对所述惯性导航数据进行误差补偿,并对误差补偿处理进行机械编排处理;
辅助模块,被配置为通过辅助设备获取所述无人机的辅助量测信息;
融合模块,被配置为利用因子图或容积卡尔曼滤波技术融合修正后的所述卫星定位数据、机械编排处理处理后的所述惯性导航数据、以及所述辅助量测信息,并利用融合后的信息确定导航结果。
10.一种计算机可读存储介质,其上存储有程序,其特征在于,在所述程序运行时,使得计算机执行如权利要求1至7中任一项方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310239286.8A CN116222541A (zh) | 2023-03-08 | 2023-03-08 | 利用因子图的智能多源组合导航方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310239286.8A CN116222541A (zh) | 2023-03-08 | 2023-03-08 | 利用因子图的智能多源组合导航方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116222541A true CN116222541A (zh) | 2023-06-06 |
Family
ID=86576735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310239286.8A Pending CN116222541A (zh) | 2023-03-08 | 2023-03-08 | 利用因子图的智能多源组合导航方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116222541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117008169A (zh) * | 2023-07-18 | 2023-11-07 | 湖北海派海洋科技发展有限公司 | 一种基于北斗卫星的定位定向设备 |
-
2023
- 2023-03-08 CN CN202310239286.8A patent/CN116222541A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117008169A (zh) * | 2023-07-18 | 2023-11-07 | 湖北海派海洋科技发展有限公司 | 一种基于北斗卫星的定位定向设备 |
CN117008169B (zh) * | 2023-07-18 | 2024-02-02 | 湖北海派海洋科技发展有限公司 | 一种基于北斗卫星的定位定向设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111102978B (zh) | 一种车辆运动状态确定的方法、装置及电子设备 | |
CN110412635B (zh) | 一种环境信标支持下的gnss/sins/视觉紧组合方法 | |
Obst et al. | Urban multipath detection and mitigation with dynamic 3D maps for reliable land vehicle localization | |
CN111221018B (zh) | 一种用于抑制海上多路径的gnss多源信息融合导航方法 | |
CN112146655B (zh) | 一种BeiDou/SINS紧组合导航***弹性模型设计方法 | |
RU2487419C1 (ru) | Система комплексной обработки информации радионавигационных и автономных средств навигации для определения действительных значений параметров самолетовождения | |
CN107063245B (zh) | 一种基于5阶ssrckf的sins/dvl组合导航滤波方法 | |
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
CN112946681B (zh) | 融合组合导航信息的激光雷达定位方法 | |
CN109084762A (zh) | 基于惯导辅助单星定位的卡尔曼滤波动目标定位方法 | |
CN112525188B (zh) | 一种基于联邦滤波的组合导航方法 | |
WO2024001649A1 (zh) | 机器人定位方法、装置和计算可读存储介质 | |
Lyu et al. | Optimal time difference-based TDCP-GPS/IMU navigation using graph optimization | |
CN116222541A (zh) | 利用因子图的智能多源组合导航方法及装置 | |
CN108508463A (zh) | 基于Fourier-Hermite正交多项式扩展椭球集员滤波方法 | |
CN117387604A (zh) | 基于4d毫米波雷达和imu融合的定位与建图方法及*** | |
CN114897942B (zh) | 点云地图的生成方法、设备及相关存储介质 | |
CN113917509B (zh) | 一种双差模糊度固定方法、设备以及可读存储介质 | |
CN115685287A (zh) | 基于深度学习的变电站区域弹性融合定位方法及装置 | |
Jiaqi et al. | INS aided high dynamic single-satellite position algorithm | |
CN111473786A (zh) | 一种基于局部反馈的两层分布式多传感器组合导航滤波方法 | |
Yi et al. | Nonlinear Bayesian filter: Alternative to the extended Kalman filter in the GPS/INS fusion systems | |
Xiaoyu et al. | GH-LPS/INS integration for precise UAV application | |
CN110082805A (zh) | 一种三维定位装置和方法 | |
CN115128656B (zh) | 一种rtk-gnss抗差滤波姿态解算方法 |
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 |