CN102636166B - 基于航向角的wsn/ins组合导航系统的控制方法 - Google Patents

基于航向角的wsn/ins组合导航系统的控制方法 Download PDF

Info

Publication number
CN102636166B
CN102636166B CN201210131071.6A CN201210131071A CN102636166B CN 102636166 B CN102636166 B CN 102636166B CN 201210131071 A CN201210131071 A CN 201210131071A CN 102636166 B CN102636166 B CN 102636166B
Authority
CN
China
Prior art keywords
ins
navigation
module
unknown node
mode
Prior art date
Application number
CN201210131071.6A
Other languages
English (en)
Other versions
CN102636166A (zh
Inventor
陈熙源
徐元
李庆华
黄浩乾
申冲
Original Assignee
东南大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 东南大学 filed Critical 东南大学
Priority to CN201210131071.6A priority Critical patent/CN102636166B/zh
Publication of CN102636166A publication Critical patent/CN102636166A/zh
Application granted granted Critical
Publication of CN102636166B publication Critical patent/CN102636166B/zh

Links

Abstract

一种基于航向角的WSN/INS组合导航系统及方法，属于多传感器数据融合领域。该组合导航系统包括参考节点部分和未知节点部分，参考节点部分包括参考节点无线网络接收模块、超声测距模块和时间同步模块；未知节点部分包括未知节点无线网络接收模块、INS导航模块和中央数据处理模块。利用扩展卡尔曼滤波得到系统中INS测量的位置误差和速度误差最优预估值，将INS本身测出的导航信息与最优预估值作差，得出最优的导航信息。本方法通过运用WSN/INS组合导航的方法，克服了在地下巷道、狭长隧道等GPS信号长期失锁的环境下INS导航的误差随时间漂移的问题。能满足地面城市交通、狭长隧道、小型智能机器人等中低精度的定位和定向的要求。

Description

基于航向角的WSN/1 NS组合导航系统的控制方法

技术领域 [0001]

[0002] 本发明涉及一种基于航向角的WSN/INS组合导航系统及方法，属于多传感器数据 融合领域。

背景技术 [0003]

[0004] 全球定位系统（Global positioning systems, GPS)和惯性导航系统（Inertial navigation system, INS)均为目前应用最广泛的导航系统之一。其中GPS能够提供精确 地，具有持续稳定导航精度的导航信息，但是在室内、高层建筑密集的市区、矿井、隧道等环 境下，GPS信号失锁，不能进行定位。INS虽然具有全自主、运动信息且全面、短时、高精度的 优点，虽然可以实现自主导航，但误差随时间积累，长航时运行条件下将导致导航精度严重 下降。因此，INS对GPS导航信息的补偿只能是短期补偿，而目前最为常用的GPS/INS组合 导航系统的导航精度依赖于GPS的导航精度，在GPS长时间失锁的情况下，组合导航系统无 法提供高精度的导航信息。

[0005] 近年来，无线传感器网络（Wireless Sensors Network, WSN)以其低成本、低功耗 和低系统复杂度的特点在短距离定位领域表现出很大的潜力。WSN为在无 GPS信号地区，即 所谓的"盲区"时，如室内、高层建筑密集的市区、矿井、隧道等环境下未知节点定位提供了 可能。但由于WSN采用的通信技术通常为短距离无线通信技术(如ZigBee、WIFI等)，因此若 想完成长距离的目标跟踪定位，需要大量的网络节点共同完成，这增加了 WSN的网络负担。 除此之外，WSN只能提供位置和速度信息，不能提供全面的运动信息。

[0006] 为了在GPS长失锁环境下得到长时间的稳定的导航信息，许多学者提出将WSN定 位技术引入到低成本的INS系统中，构建WSN/INS组合导航系统，如东南大学Y. Xu，虽然这 一组合方式很好的解决了地下密闭环境下的长距离目标跟踪和导航设备成本高的问题，但 是这种方法只是运用了载体的速度、未知节点与参考节点之间的距离信息来对载体的导航 信息进行预估，并没有将INS得到的载体的姿态信息(如航向角，加速度计等）考虑进去，没 有有效的利用周围的环境信息。

发明内容 [0007]

[0008] 为了解决上述问题，本发明提出了一种基于航向角的WSN/INS组合导航系统及方 法。

[0009] 本发明为解决其技术问题采用如下技术方案：

[0010] 一种基于航向角的WSN/INS组合导航系统，包括参考节点部分和未知节点部分， 参考节点部分包括参考节点无线网络接收模块、超声测距模块和时间同步模块，其中，参考 节点部分中的参考节点无线网络接收模块负责完成远程命令的收发，在接到远程命令之后 首先控制时间同步模块完成测距的时间同步，接着打开超声测距模块测量相应的距离信 息，最后，将超声测距模块测量得到的距离信息通过参考节点无线网络接收模块返回给未 知节点；未知节点部分包括未知节点无线网络接收模块、INS导航模块和中央数据处理模 块，其中，未知节点部分中的未知节点无线网络接收模块负责完成未知节点与参考节点之 间的距离信息的采集，并将采集得到的数据传送给中央数据处理模块；INS导航模块完成 的是陀螺加表信息的采集，并将采集得到的数据传送给中央数据处理单元；中央数据处理 单元负责将未知节点无线网络接收模块和INS导航模块采集到的数据进行数据融合，从而 得到导航信息。

[0011] 所述的基于航向角的WSN/INS组合导航系统的控制方法，包括下列步骤：

[0012] (1)将导航过程分为培训过程和自适应补偿过程两部分，将有WSN信号的导航过 程称为培训过程，而只有INS信号的导航过程称之为自适应补偿过程；

[0013] (2)在培训过程中，在本地相对坐标系中将INS和WSN进行集成，通过扩展卡尔曼 滤波对得到的同步导航数据进行数据融合；

[0014] (3)构建扩展卡尔曼滤波器的系统方程，该系统方程以INS每一时刻两个方向的 位置误差

Figure CN102636166BD00051

、速度误差

Figure CN102636166BD00052

、加速度计误差

Figure CN102636166BD00053

和航向角

Figure CN102636166BD00054

作为状 态变量，滤波器的系统方程如式（1)所示，其中了为采样周期，

Figure CN102636166BD00055

为系统噪声，

Figure CN102636166BD00056

为载体的 航向角，I：为系统的采样周期计数；

[0015]

Figure CN102636166BD00057

(1)

[0016] (4)通过INS测量每个时刻未知节点在X和y方向的位置，将得到的位置信息与参 考节点的位置信息通过距离公式计算出INS测量得到的未知节点和第个参考节点之间的

Figure CN102636166BD00058

距离

Figure CN102636166BD00059

如式（2)所示：

[0017]

Figure CN102636166BD000510

(2)

[0018] 其中，

Figure CN102636166BD000511

为INS测量得到的未知节点的坐标，

Figure CN102636166BD000512

为第i个参考节 点的坐标，

Figure CN102636166BD000513

为参考节点的数目；通过超声测距模块测量出未知节点和第个参考节点

Figure CN102636166BD000514

之间的距离

Figure CN102636166BD000515

，将

Figure CN102636166BD000516

的平方与

Figure CN102636166BD000517

的平方作差，差值定义为

Figure CN102636166BD000518

在此基础上，以

Figure CN102636166BD000519

作为滤波器的观测量，与此同时，将INS测量的每个时刻的两个方向的速 度与WSN中包含的测速传感器测量得到的速度作差，将差值也作为滤波器的观测量，同时， 将INS测量得到的航向角也作为观测量，通过上述的观测量构建观测方程，滤波器观测方 程如式（3)所示：

[0019]

Figure CN102636166BD00061

(3)

[0020] 其中，

Figure CN102636166BD00062

为参考节点在相对坐标系中的位置，

Figure CN102636166BD00063

Figure CN102636166BD00064

为观测方程噪声矩阵，

Figure CN102636166BD00065

为系统的采样周期计数；

Figure CN102636166BD00066

为载体的航向 角；

[0021] (5)滤波器进行数据滤波，在滤波的过程中，将KF得到的这一时刻最优的误差估 计与时间输入到人工智能算法中，通过BP神经网络建INS预估的相对导航信息随时间偏差 的模型；

[0022] (6)若未知节点离开搭建有WSN的区域进入自适应补偿过程，在这一过程，组合导 航系统获取不到WSN测量的相对导航信息，只能依靠 MINS系统完成这一部分的自主导航， INS利用在培训过程训练的误差模型对测量的绝对导航信息进行误差补偿，得到最优的导 航信息。

[0023] 本发明的有益效果如下：

[0024] 1、通过运用WSN/INS组合导航的方法，克服了在地下巷道、狭长隧道等GPS信号长 期失锁的环境下INS导航的误差随时间漂移的问题。

[0025] 2、在所用的滤波方法中，将INS的航向角、两个方向的加表误差引入到滤波器的 系统方程中，从而更加充分的应用了在GPS信号长期失锁的环境下本就十分有限的导航载 体周围环境信息。

[0026] 3、在滤波器的观测方程中，在传统无偏模型的基础上，通过采用

Figure CN102636166BD00067

作为观测量的方法，完全消除了传统无偏模型中存在的弱耦合问题。

附图说明 [0027]

[0028] 图1为基于航向角的WSN/INS组合导航系统结构示意图。

[0029] 图2为基于航向角的WSN/INS组合导航方法示意图。

[0030] 图3为组合导航方法实现的流程图。

[0031] 图4为实施例的参考节点、未知节点分布。

具体实施方式 [0032]

[0033] 下面结合附图对本发明创造做进一步详细说明。

[0034] 一种基于航向角的WSN/INS组合导航系统如图1所示，包括参考（RN)节点部分和 未知（BN)节点部分，RN节点部分由参考节点无线网络接收模块、超声测距模块和时间同步 模块组成，其中，参考节点无线网络接收模块主要负责完成远程命令的收发，在接到远程命 令之后首先控制时间同步模块完成测距的时间同步，接着打开超声测距模块测量相应的距 离信息，最后，将超声测距模块测量得到的距离信息通过参考节点无线网络接收模块返回 给未知（BN)节点；BN节点部分由未知节点无线网络接收模块、INS导航模块、中央数据处理 模块组成，其中，未知节点上的未知节点无线网络接收模块主要负责完成未知节点与参考 节点之间的距离信息的采集，并将采集得到的数据传送给中央数据处理模块；INS导航模 块主要完成的是陀螺加表信息的采集，并将采集得到的数据传送给中央数据处理单元；中 央数据处理单元主要负责将未知节点无线网络接收模块和INS导航模块采集到的数据进 行数据融合，从而得到导航信息。

[0035] 组合导航方法如图2所示，提出的扩展卡尔曼滤波器（Extened Kalman Filter, EKF)的系统方程以INS每一时刻两个方向的位置误差

Figure CN102636166BD00071

、速度误差

Figure CN102636166BD00072

加速度计误差

Figure CN102636166BD00073

和航向角

Figure CN102636166BD00074

作为状态变量，滤波器的系统方程如式（1)所示：

Figure CN102636166BD00075

(1)

[0036] 其中了为采样周期，

Figure CN102636166BD00076

为系统噪声，

Figure CN102636166BD00077

为载体的航向角，

Figure CN102636166BD00078

为系统的采样周期计 数。观测方程通过INS测量每个时刻未知节点（Blind Node，BN)在X和y方向的位置，将得 到的位置信息与参考节点（Reference Node, RN)的位置信息通过距离公式如式（2)所示：

[0037]

Figure CN102636166BD00079

(2)

[0038] 计算出INS测量得到的BN节点和第个RN节点之间的距离

Figure CN102636166BD000710

，其中

Figure CN102636166BD000711

Figure CN102636166BD000712

为INS测量得到的未知节点的坐标，

Figure CN102636166BD000713

为第

Figure CN102636166BD000714

个参考节点的坐标，

Figure CN102636166BD000715

为 参考节点的数目。通过超声测距模块测量出BN节点和第个RN节点之间的距离

Figure CN102636166BD000716

Figure CN102636166BD000717

将

Figure CN102636166BD00081

的平方与

Figure CN102636166BD00082

的平方作差，差值定义为

Figure CN102636166BD00083

在

Figure CN102636166BD00084

的基础上，以

Figure CN102636166BD00085

作为滤波器的观测量。与此同时，滤波器的观测量还包括每个时刻两个方向的速度误差， 即

Figure CN102636166BD00086

具体做法是将INS测量的每个时刻的两个方向的速度与WSN中包含的 测速传感器测量得到的速度作差，将差值作为这个方向的速度误差，即

Figure CN102636166BD00087

Figure CN102636166BD00088

同时，将INS测量得到的航向角也作为观测量，通过上述的观测量构建 观测方程如式（3)所示：

[0039]

Figure CN102636166BD00089

(3)

[0040] 其中，

Figure CN102636166BD000810

为参考节点在相对坐标系中的位置，

Figure CN102636166BD000811

Figure CN102636166BD000812

为观测方程噪声矩阵，

Figure CN102636166BD000813

为系统的采样周期计数。通过上述的观测 量构建新的观测方程，彻底取消传统模型中观测方程存在的耦合情况，使观测方程变成线 性系统，而系统方程仍然为非线性系统。

[0041] 组合方法将导航过程分为培训过程和自适应补偿过程两部分。将有WSN信号的导 航过程称为培训过程。而只有INS信号的导航过程称为自适应补偿过程。在培训过程中， 组合方法其特征是在本地相对坐标系中将INS和WSN进行集成，将两种方法测量得到的未 知节点到已知节点的距离信息输入到EKF中，从而得到一种比上述任何单一导航方法精度 更高的导航信息。在滤波器进行数据滤波的过程中，将EKF得到的这一时刻最优的误差估 计与时间输入到人工智能算法中，通过BP神经网络构建INS预估的相对导航信息随时间偏 差的模型。若未知节点离开搭建有WSN的区域进入自适应补偿过程，在这一过程，组合导航 系统获取不到WSN测量的相对导航信息，只能依靠 MINS系统完成这一部分的自主导航，INS 利用在培训过程训练的误差模型对测量的绝对导航信息进行误差补偿，得到最优的导航信 肩、。

[0042] 组合导航方法实现的具体流程如图3所示，图4给出了实施例的参考节点、未知节 点分布的环境及按图3流程得到的BN节点沿着图示的轨迹运动。方法的具体步骤如下：

[0043] (1)通过INS采集加表信息，在采集到加表信息之后进行解算，获得INS测量的 BN节点的位置和速度信息，通过测量，在某一时刻通过INS测量得到的BN的位置信息为 (129. 5388, 57. 2544) (m)，通过解算得到的BN节点在本地相对坐标系中的速度信息为 (22. 7675, 10. 9697) (m/s)，航向角为70度。在这一时刻BN节点周围的RN节点坐标分别 为（120,48. 6764)，（125,50. 4963)，（130,52. 3161)，（125,40.4963) (m)。

[0044] (2) BN节点通过超声测距模块测量得到BN节点与步骤（1)中相应的RN节点之 间的距离，分别为8. 0076m，3. 9013m，6. 5727m，6. 1673m。通过未知节点自带的测速计得到 的未知节点在本地相对坐标系中的速度信息为（23. 0237,8. 3785) (m/s)，我们将此信息看 作WSN测量的速度信息。

[0045] (3)在获取到上述信息之后，构建扩展卡尔曼滤波器的系统方程，该系统方程 以INS每一时刻两个方向的位置误差

Figure CN102636166BD00091

、速度误差

Figure CN102636166BD00092

、加速度计误差

Figure CN102636166BD00093

和航向角

Figure CN102636166BD00094

作为状态变量，滤波器的系统方程如式（1)所示，其中

Figure CN102636166BD00095

为采样周 期，

Figure CN102636166BD00096

为系统噪声，

Figure CN102636166BD00097

|为载体航向角，A为系统的采样周期计数；

[0046]

Figure CN102636166BD00098

(1)

[0047] (4)通过INS测量每个时刻未知节点在X和y方向的位置，将得到的位置信息与参 考节点的位置信息通过距离公式如式（2)所示：

Figure CN102636166BD00099

(2)

[0048] 计算出INS测量得到的BN节点和第个RN节点之间的距离

Figure CN102636166BD000910

其中

Figure CN102636166BD000911

Figure CN102636166BD000912

为INS测量得到的未知节点的坐标，

Figure CN102636166BD000913

为第

Figure CN102636166BD000914

个参考节点的坐标，

Figure CN102636166BD000915

为参 考节点的数目。通过超声测距模块测量出未知节点和第个参考节点之间的距离

Figure CN102636166BD000916

，将

Figure CN102636166BD000917

Figure CN102636166BD000918

的平方与

Figure CN102636166BD000919

的平方作差，差值定义为

Figure CN102636166BD000920

，在此基础上，以

Figure CN102636166BD000921

作为滤 波器的观测量，与此同时，将INS测量的每个时刻的两个方向的速度与WSN中包含的测速传 感器测量得到的速度作差，将差值也作为滤波器的观测量，同时，将INS测量得到的航向角 也作为观测量，通过上述的观测量构建观测方程，滤波器观测方程如式（3)所示：

[0049]

Figure CN102636166BD00101

(3)

[0050] 其中，

Figure CN102636166BD00102

为参考节点在相对坐标系中的位置，

Figure CN102636166BD00103

Figure CN102636166BD00104

为观测方程噪声矩阵，

Figure CN102636166BD00105

为系统的采样周期计数，

Figure CN102636166BD00106

为载体航向角。

[0051] (5)通过扩展卡尔曼滤波器对INS的导航信息预估误差进行预估，在这一时刻 得到的最优位置误差估计为（1.7394,11. 0215) (m)。将这一时刻内INS本身测出的导航 信息（129. 5388, 57. 2544) (m)减去主滤波器的最优误差估计，最后得到修正后的结果 (127. 7994,46. 2329) (m)〇

Claims (1)

1. 一种基于航向角的WSN/INS组合导航系统的控制方法，该组合导航系统包括参考节 点部分和未知节点部分，参考节点部分包括参考节点无线网络接收模块、超声测距模块和 时间同步模块，其中，参考节点部分中的参考节点无线网络接收模块负责完成远程命令的 收发，在接到远程命令之后首先控制时间同步模块完成测距的时间同步，接着打开超声测 距模块测量相应的距离信息，最后，将超声测距模块测量得到的距离信息通过参考节点无 线网络接收模块返回给未知节点；未知节点部分包括未知节点无线网络接收模块、INS导 航模块和中央数据处理模块，其中，未知节点部分中的未知节点无线网络接收模块负责完 成未知节点与参考节点之间的距离信息的采集，并将采集得到的数据传送给中央数据处理 模块；INS导航模块完成的是陀螺加表信息的采集，并将采集得到的数据传送给中央数据 处理单元；中央数据处理单元负责将未知节点无线网络接收模块和INS导航模块采集到的 数据进行数据融合，从而得到导航信息；其特征在于，所述控制方法包括下列步骤： (1)将导航过程分为培训过程和自适应补偿过程两部分，将有WSN信号的导航过程称 为培训过程，而只有INS信号的导航过程称之为自适应补偿过程； (2 )在培训过程中，在本地相对坐标系中将INS和WSN进行集成，通过扩展卡尔曼滤波 对得到的同步导航数据进行数据融合； (3) 构建扩展卡尔曼滤波器的系统方程，该系统方程以INS每一时刻两个方向的位置 误差
Figure CN102636166BC00021
、速度误差
Figure CN102636166BC00022
、加速度计误差
Figure CN102636166BC00023
和航向角
Figure CN102636166BC00024
作为状态变 量，滤波器的系统方程如式（1)所示，其中T为采样周期，
Figure CN102636166BC00025
为系统噪声，
Figure CN102636166BC00026
为载体的航向 角，
Figure CN102636166BC00027
为系统的采样周期计数；
Figure CN102636166BC00028
(1) (4) 通过INS测量每个时刻未知节点在X和y方向的位置，将得到的位置信息与参考节 点的位置信息通过距离公式计算出INS测量得到的未知节点和第1个参考节点之间的距离
Figure CN102636166BC00029
如式⑵所示： (2) 其中，
Figure CN102636166BC00031
为INS测量得到的未知节点的坐标，
Figure CN102636166BC00032
为第i个参考节点 的坐标，
Figure CN102636166BC00033
为参考节点的数目；通过超声测距模块测量出未知节点和第1个参考节点之 间的距离
Figure CN102636166BC00034
，将
Figure CN102636166BC00035
的平方与
Figure CN102636166BC00036
的平方作差，差值定义为
Figure CN102636166BC00037
，在此基础上，以
Figure CN102636166BC00038
作为滤波器的观测量，与此同时，将INS测量的每个时刻的两个方向的速 度与WSN中包含的测速传感器测量得到的速度作差，将差值也作为滤波器的观测量，同时， 将INS测量得到的航向角也作为观测量，通过上述的观测量构建观测方程，滤波器观测方 程如式（3)所示：
Figure CN102636166BC00039
(3) 其中，
Figure CN102636166BC000310
为参考节点在相对坐标系中的位置，
Figure CN102636166BC000311
Figure CN102636166BC000312
为观测方程噪声矩阵，
Figure CN102636166BC000313
为系统的采样周期计数；
Figure CN102636166BC000314
为载体的航向 角； (5) 滤波器进行数据滤波，在滤波的过程中，将KF得到的这一时刻最优的误差估计与 时间输入到人工智能算法中，通过BP神经网络建INS预估的相对导航信息随时间偏差的模 型； (6) 若未知节点离开搭建有WSN的区域进入自适应补偿过程，在这一过程，组合导航系 统获取不到WSN测量的相对导航信息，只能依靠 MINS系统完成这一部分的自主导航，INS 利用在培训过程训练的误差模型对测量的绝对导航信息进行误差补偿，得到最优的导航信 肩、。
CN201210131071.6A 2012-05-02 2012-05-02 基于航向角的wsn/ins组合导航系统的控制方法 CN102636166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210131071.6A CN102636166B (zh) 2012-05-02 2012-05-02 基于航向角的wsn/ins组合导航系统的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210131071.6A CN102636166B (zh) 2012-05-02 2012-05-02 基于航向角的wsn/ins组合导航系统的控制方法

Publications (2)

Publication Number Publication Date
CN102636166A CN102636166A (zh) 2012-08-15
CN102636166B true CN102636166B (zh) 2014-10-08

Family

ID=46620656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210131071.6A CN102636166B (zh) 2012-05-02 2012-05-02 基于航向角的wsn/ins组合导航系统的控制方法

Country Status (1)

Country Link
CN (1) CN102636166B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103148855B (zh) * 2013-02-27 2015-07-08 东南大学 一种ins辅助的室内移动机器人无线定位方法
CN103471595B (zh) * 2013-09-26 2016-04-06 东南大学 一种面向ins/wsn室内移动机器人紧组合导航的迭代扩展rts均值滤波方法
CN103983263A (zh) * 2014-05-30 2014-08-13 东南大学 一种采用迭代扩展卡尔曼滤波与神经网络的惯性/视觉组合导航方法
CN104316058B (zh) * 2014-11-04 2017-01-18 东南大学 一种采用交互多模型的移动机器人wsn/ins组合导航方法
CN104374389B (zh) * 2014-12-10 2017-04-05 济南大学 一种面向室内移动机器人的imu/wsn组合导航方法
CN105259902B (zh) * 2015-09-06 2018-10-12 江苏科技大学 水下机器人惯性导航方法及系统
CN105928518B (zh) * 2016-04-14 2018-10-19 济南大学 采用伪距和位置信息的室内行人uwb/ins紧组合导航系统及方法
CN106291455A (zh) * 2016-07-25 2017-01-04 四川中电昆辰科技有限公司 基于运动状态信息的定位装置及方法
CN107783163A (zh) * 2016-08-31 2018-03-09 地壳（北京）机器人科技有限公司 一种智能轮式机器人行进航向角融合方法
US20200149892A1 (en) * 2017-03-31 2020-05-14 Intel Corporation Autonomous tunnel navigation with a robotic system
CN109916401A (zh) * 2019-04-17 2019-06-21 济南大学 采用ls-svm辅助ekf滤波方法的分布式无缝紧组合导航方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050143916A1 (en) * 2003-12-26 2005-06-30 In-Jun Kim Positioning apparatus and method combining RFID, GPS and INS
CN101004449A (zh) * 2007-01-18 2007-07-25 北京航空航天大学 无线传感器网络的加权距离矢量定位方法
CN101059916A (zh) * 2007-05-15 2007-10-24 合肥工业大学 基于无线传感器定位的汽车桩考系统及桩考方法
CN202562486U (zh) * 2012-05-02 2012-11-28 东南大学 基于航向角的wsn/ins组合导航系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8294568B2 (en) * 2006-07-10 2012-10-23 Venture Corporation Limited Wireless mine tracking, monitoring, and rescue communications system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050143916A1 (en) * 2003-12-26 2005-06-30 In-Jun Kim Positioning apparatus and method combining RFID, GPS and INS
CN101004449A (zh) * 2007-01-18 2007-07-25 北京航空航天大学 无线传感器网络的加权距离矢量定位方法
CN101059916A (zh) * 2007-05-15 2007-10-24 合肥工业大学 基于无线传感器定位的汽车桩考系统及桩考方法
CN202562486U (zh) * 2012-05-02 2012-11-28 东南大学 基于航向角的wsn/ins组合导航系统

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
Design and Implementation of a Fully Distributed Ultrasonic Positioning System;Masateru Minami;《Electronics and Communications in Japan》;20051212;第90卷(第6期);第17-26页 *
Integration of Inertial Navigation System and Wireless Sensor Network for Mine Environment;Zhu Zhibin;《International Symposium on Test Automation and Instrumentation》;20081231;全文 *
Masateru Minami.Design and Implementation of a Fully Distributed Ultrasonic Positioning System.《Electronics and Communications in Japan》.2005,第90卷(第6期),正文17-26页.
RBFNN辅助卡尔曼滤波在 GPS/SINS 组合导航中的应用;顾明武;《红外与激光工程》;20080430;第37卷;第270-273页 *
Tightly-coupled model for INS WSN integrated navigation based on Kalman filter;Xu Yuan;《Journal of Southeast University》;20111231;第27卷(第4期);第384-385页 *
Xu Yuan.Tightly-coupled model for INS WSN integrated navigation based on Kalman filter.《Journal of Southeast University》.2011,第27卷(第4期),第384-385页.
Zhu Zhibin.Integration of Inertial Navigation System and Wireless Sensor Network for Mine Environment.《International Symposium on Test Automation and Instrumentation》.2008,正文1-4页.
卡尔曼/粒子滤波器在船用组合导航中的应用;祝雪芬;《舰船电子工程》;20090430;第29卷(第4期);第59-63页 *
祝雪芬.卡尔曼/粒子滤波器在船用组合导航中的应用.《舰船电子工程》.2009,第29卷(第4期),第59-63页.
顾明武.RBFNN辅助卡尔曼滤波在 GPS/SINS 组合导航中的应用.《红外与激光工程》.2008,第37卷第270-273.

Also Published As

Publication number Publication date
CN102636166A (zh) 2012-08-15

Similar Documents

Publication Publication Date Title
Liu et al. An innovative information fusion method with adaptive Kalman filter for integrated INS/GPS navigation of autonomous vehicles
CN105628026B (zh) 一种移动物体的定位定姿方法和系统
CN103926925B (zh) 一种基于改进的vfh算法的定位与避障方法及机器人
CN104076382B (zh) 一种基于多源信息融合的车辆无缝定位方法
CN102538781B (zh) 基于机器视觉和惯导融合的移动机器人运动姿态估计方法
Zhou et al. Activity sequence-based indoor pedestrian localization using smartphones
Kothari et al. Robust indoor localization on a commercial smart phone
CN103472823B (zh) 一种智能机器人用的栅格地图创建方法
US9451580B2 (en) Mobile terminal and method for obtaining location information about mobile terminal
CN102519450B (zh) 一种用于水下滑翔器的组合导航装置及方法
Zhuang et al. Tightly-coupled integration of WiFi and MEMS sensors on handheld devices for indoor pedestrian navigation
CN106840179B (zh) 一种基于多传感器信息融合的智能车定位方法
AU2016365012B2 (en) Combined initial alignment system and alignment method for strapdown inertial navigation system of underground coal mining machine
EP2749842B1 (en) System and method for collaborative navigation
CN201266089Y (zh) Ins/gps组合导航系统
CN105352504B (zh) 一种惯性导航与激光扫描融合的采煤机定位装置及方法
Georgy et al. Enhanced MEMS-IMU/odometer/GPS integration using mixture particle filter
US20140172361A1 (en) Multi-posture stride length calibration system and method for indoor positioning
US10082583B2 (en) Method and apparatus for real-time positioning and navigation of a moving platform
CN102445200B (zh) 微小型个人组合导航系统及其导航定位方法
CN106225784B (zh) 基于低成本多传感器融合行人航位推算方法
CN102419180B (zh) 一种基于惯性导航系统和wifi的室内定位方法
CN102830402B (zh) 水下传感器网络目标跟踪系统及方法
CN101900558B (zh) 集成声纳微导航的自主式水下机器人组合导航方法
CN104819716A (zh) 一种基于mems的ins/gps组合的室内外个人导航算法

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
C14 Grant of patent or utility model