CN102768361A - 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 - Google Patents
基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 Download PDFInfo
- Publication number
- CN102768361A CN102768361A CN2012102344353A CN201210234435A CN102768361A CN 102768361 A CN102768361 A CN 102768361A CN 2012102344353 A CN2012102344353 A CN 2012102344353A CN 201210234435 A CN201210234435 A CN 201210234435A CN 102768361 A CN102768361 A CN 102768361A
- Authority
- CN
- China
- Prior art keywords
- ins
- gps
- zone
- navigation
- error
- 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
Landscapes
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，属于复杂环境下的组合导航定位技术领域。该方法将模糊神经网络（FNN）作为遗传粒子滤波（GPF）的辅助算法进行应用：在GPS信号有效时，利用FNN算法建立INS导航系统的导航误差模型；在GPS信号失锁时，依靠之前训练得到的FNN误差模型对导航系统误差进行补偿。该方法克服了在城市、峡谷或森林环境下GPS信号失锁时，传统的GPS/INS组合导航系统无法提供持久的高精度实时导航问题。该方法可应用于车辆在城市、隧道等密闭复杂环境下的长距离长时间高精度导航定位。
Description
技术领域
本发明涉及一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，属于复杂环境下组合导航技术领域。
背景技术
近年来，对载体精确导航定位的需求推动了导航技术的发展，并且在未来的很长一段时间内，这种发展趋势仍将保持不变。在现有的导航方式当中，惯性导航和卫星导航是最常用的两种方式。惯性导航系统（Inertial Navigation System，INS）的基本原理是牛顿提出的相对惯性空间力学定律，利用陀螺仪、加速度计测量载体相对惯性空间的角运动和线运动参数，在给定的运动初始条件下，由计算机进行积分运算，便能够连续、实时地提供载体的位置、速度和姿态信息。INS完全依靠自身的惯性敏感元件，不依赖于任何外界信息测量导航参数，具有隐蔽性好、不受气候条件限制、抗干扰性强和短时精度高等优点，是一种完全自主式、全天候的导航系统。但是，INS也有其自身的不足。由于捷联算法中的积分原理，惯性期间的误差会导致导航误差随时间累积，因此单纯的INS难以满足远程、长时间运动载体的高精度导航要求。全球卫星导航系统（Global Positioning System，GPS）是另外一种最常用的导航方式。它的优点是定位精度高，导航误差不随时间积累，可全天时、全天候的工作。但是其易受电磁干扰、遮挡等外界环境影响的缺点限制了其应用范围，特别是室内、地下巷道等一些密闭的、环境复杂的场景，GPS信号被严重遮挡，从而无法进行有效的工作。
为了获取相对稳定的定位精度，许多学者利用智能算法将INS与GPS组合起来，形成GPS/INS组合导航系统。GPS/INS组合导航能够使导航系统维持长时间的稳定，但是其导航精度依然受到环境的限制。比如当载体长期运行于城市或隧道中时，由于建筑物遮挡，GPS信号可能会出现长时间的失锁，INS不能提供长时高精度导航的缺点会导致GPS/INS组合导航系统出现严重的精度下降。因此，针对GPS长期失锁状况下的INS误差补偿研究显得尤为重要。
发明内容
本发明克服现有技术的不足，提出了一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，该方法首先在GPS信号良好的情况下采用模糊神经网络（FNN）对INS的导航误差模型进行训练，当GPS信号失锁时，依靠训练好的FNN模型对INS系统误差进行补偿。该方法克服了GPS失锁带来的组合导航系统精度下降的问题，能够提供持久的高精度导航。
本发明为解决其技术问题采用如下技术方案：
一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，包括下列步骤：
（1）将组合导航系统运行的区域分为训练区域和补偿区域两部分，所述训练区域为GPS信号良好的区域，所述补偿区域为GPS信号失锁的区域；
（2）在训练区域，GPS和INS导航系统同时工作，首先将GPS测量的位置、速度信息与INS测量的位置、速度信息作差，并将作差结果输入滤波器进行数据融合，以得到INS系统的测量误差；
（3）在采用遗传粒子滤波进行数据融合，并得出INS导航误差的同时，将该误差信息作为误差模型的理想输出，将INS中陀螺仪和加速度计的输出作为误差模型的输入，对误差模型进行建模训练；
（4）当GPS失锁时，即载体进入误差补偿区域，在这一区域，组合导航系统无法得到GPS导航信息，而只能利用INS完成这一区域的自主导航，此时利用在训练区域训练得到的误差模型对INS测量得出的导航信息进行误差补偿，得到最优导航信息。
步骤（2）中训练区域，进行数据融合的滤波器为遗传粒子滤波器，该滤波器利用遗传算法优化粒子滤波中的重采样过程，以解决粒子滤波中存在的粒子退化现象。
步骤（3）中所述利用INS中陀螺和加速度计的输出作为输入、滤波器得出的误差信息作为理想输出对误差模型进行建模训练，其所用误差模型为模糊神经网络。
本发明的有益效果如下：
（1）利用人工智能算法对INS误差进行建模，能够在GPS失锁后对INS误差进行有效的补偿，从而提高了GPS/INS组合导航系统的适用范围。
（2）利用遗传算法优化粒子滤波的重采样过程，可有效的抑制粒子退化现象。
（3）利用模糊神经网络对INS误差进行建模，可得到精度较高的预测模型。
附图说明
图1为基于GPF与FNN的GPS/INS系统误差训练框图。
图2为基于FNN的GPS/INS系统误差补偿框图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
如图1为基于GPF与FNN的GPS/INS系统误差训练框图。在训练区域，GPS与INS同时工作，首先将GPS测量的位置、速度信息与INS测量的位置、速度信息作差，并将作差结果输入滤波器进行数据融合，得出INS导航误差并对系统输出进行补偿；同时，将遗传粒子滤波（GPF）输出的误差作为FNN的理想输出，将INS中陀螺仪和加速度计的输出作为模糊神经网络（FNN）的输入，对FNN进行训练，建立基于INS中陀螺仪和加速度计输出的INS误差模型。
当载体进入GPS失锁区域时，则组合导航系统进入误差补偿阶段，如图2所示。在这一区域，组合导航系统无法获得GPS测量结果，只能依靠INS完成这一部分的自主导航。此时INS利用在训练区域得到的FNN误差模型对测量的导航信息进行误差补偿，得到最优的导航信息。从而避免了因GPS无法工作导致的导航精度迅速下降的问题，具有良好的可行性和前瞻性。
本发明的原理是： GPS/INS是目前应用最广泛的组合导航系统。尽管GPS能够为地球上任何地点的用户提供导航信息，但GPS要求捕获四颗或更多的卫星，所以在城市、峡谷或者森林等地区，由于受建筑物、山体、树木等遮挡，导致GPS信号衰减或失锁，此时组合导航系统中只有INS能够正常使用，从而导致整个系统导航定位精度下降，甚至无法正常工作。因此必须对GPS失锁情况下的INS误差进行补偿。由于INS位置误差、速度误差和姿态误差是由INS中的陀螺仪和加速度计误差引起的，所以可以利用人工智能方法建立输入为陀螺仪、加速度计误差，输出为INS位置误差、速度误差和姿态误差的模型。
粒子滤波器（Particle Filter，PF）是目前应用较为广泛一种信息融合算法，它利用一批具有相应权重的离散随机样本粒子，根据量测信息不断调整粒子的权重和位置，来近似状态向量的后验概率密度，并根据这些粒子及其权重来计算状态估计值。在粒子算法中，普遍存在的一个问题是粒子退化现象。可以用有效样本数来衡量一个样本的退化程度，有效样本数定义如下：
其中，表示有效样本数，
表示归一化后的粒子权值。
越小则退化现象越严重，若
小于设定的阈值时采用重采样从
得到新的粒子及其权值
。其中，
用来描述k时刻目标状态
的后验概率分布，
是对应于权值为
的粒子集，其中权值满足
。具体为：
为了解决粒子退化现象，本发明采用遗传算法对粒子样本进行重采样，从而提高滤波性能。
人工神经网络（Artificial Neural Network，ANN）因其广泛的适应能力、学习能力和映射能力，在多变量非线性系统建模方面取得了惊人的成就。ANN的主要优点是不需依赖于模型，但其代价则是使得网络的权值难以理解。另外，在对ANN的进一步训练中，也难以知道它将对哪些知识进行编码，又将哪些已有的知识遗忘。与ANN相反，模糊系统（Fuzzy System，FS）直接对专家预言描述的事件、关联的关系进行编码，然后将编码结果放入一个模糊矩阵中。因此，模糊系统可以追踪其推理过程，其编码知识容易理解且容易引入启发性知识。FS的缺点是编码的精度较低，特别是当推理路径较长时，其精度下降也更大。而将ANN与FS相结合，即采用模糊神经网络（FNN）则可有效的扬长避短，将ANN与FS的优点融合在一起。
Claims (3)
1.一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，其特征在于，包括下列步骤：
（1）将组合导航系统运行的区域分为训练区域和补偿区域两部分，所述训练区域为GPS信号良好的区域，所述补偿区域为GPS信号失锁的区域；
（2）在训练区域，GPS和INS导航系统同时工作，首先将GPS测量的位置、速度信息与INS测量的位置、速度信息作差，并将作差结果输入滤波器进行数据融合，以得到INS系统的测量误差；
（3）在采用遗传粒子滤波进行数据融合，并得出INS导航误差的同时，将该误差信息作为误差模型的理想输出，将INS中陀螺仪和加速度计的输出作为误差模型的输入，对误差模型进行建模训练；
（4）当GPS失锁时，即载体进入误差补偿区域，在这一区域，组合导航系统无法得到GPS导航信息，而只能利用INS完成这一区域的自主导航，此时利用在训练区域训练得到的误差模型对INS测量得出的导航信息进行误差补偿，得到最优导航信息。
2.根据权利要求1中所述的基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，其特征在于：步骤（2）中训练区域，进行数据融合的滤波器为遗传粒子滤波器，该滤波器利用遗传算法优化粒子滤波中的重采样过程，以解决粒子滤波中存在的粒子退化现象。
3.根据权利要求1中所述的基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，其特征在于：步骤（3）中所述利用INS中陀螺和加速度计的输出作为输入、滤波器得出的误差信息作为理想输出对误差模型进行建模训练，其所用误差模型为模糊神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012102344353A CN102768361A (zh) | 2012-07-09 | 2012-07-09 | 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012102344353A CN102768361A (zh) | 2012-07-09 | 2012-07-09 | 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102768361A true CN102768361A (zh) | 2012-11-07 |
Family
ID=47095824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012102344353A Pending CN102768361A (zh) | 2012-07-09 | 2012-07-09 | 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102768361A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103149580A (zh) * | 2013-02-04 | 2013-06-12 | 东南大学 | 一种基于stkf和wnn的gps/ins组合导航方法 |
| CN103592669A (zh) * | 2013-11-22 | 2014-02-19 | 湖北航天技术研究院总体设计所 | 减小失锁时速度误差对组合导航精度影响的方法及系统 |
| CN103605143A (zh) * | 2013-11-26 | 2014-02-26 | 中国人民武装警察部队工程大学 | 一种神经网络组合导航方法 |
| CN103969667A (zh) * | 2014-05-27 | 2014-08-06 | 哈尔滨工业大学 | 一种基于分块粒子滤波的gnss解算方法 |
| CN104330084A (zh) * | 2014-11-13 | 2015-02-04 | 东南大学 | 一种水下航行器用神经网络辅助组合导航方法 |
| CN104502922A (zh) * | 2014-12-09 | 2015-04-08 | 沈阳航空航天大学 | 一种神经网络辅助粒子滤波的gps接收机自主完好性监测方法 |
| CN104656112A (zh) * | 2015-01-28 | 2015-05-27 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
| CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
| CN105021188A (zh) * | 2015-06-09 | 2015-11-04 | 北京航空航天大学 | 一种双模式仿生偏振/地磁辅助组合导航系统 |
| CN105593776A (zh) * | 2013-08-01 | 2016-05-18 | 日产自动车株式会社 | 车辆位置姿势角推定装置及车辆位置姿势角推定方法 |
| CN106352880A (zh) * | 2016-10-28 | 2017-01-25 | 中国电子科技集团公司第五十四研究所 | 一种基于非线性网络的惯性导航算法架构的确定方法 |
| CN106767795A (zh) * | 2017-01-20 | 2017-05-31 | 福州大学 | 一种基于惯性导航的移动机器人位移计算算法 |
| CN107490760A (zh) * | 2017-08-22 | 2017-12-19 | 西安工程大学 | 基于遗传算法改进模糊神经网络的断路器故障诊断方法 |
| CN107643088A (zh) * | 2017-08-10 | 2018-01-30 | 中国科学院深圳先进技术研究院 | 无人机导航方法、装置、无人机及存储介质 |
| CN107806886A (zh) * | 2016-09-08 | 2018-03-16 | 千寻位置网络有限公司 | 一种移动终端惯性导航定位修正方法及其装置 |
| CN108801245A (zh) * | 2018-05-29 | 2018-11-13 | 深圳市海梁科技有限公司 | 一种导航系统 |
| CN109059909A (zh) * | 2018-07-23 | 2018-12-21 | 兰州交通大学 | 基于神经网络辅助的卫星/惯导列车定位方法与系统 |
| CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
| WO2020123493A1 (en) * | 2018-12-11 | 2020-06-18 | Qirfiraz Siddiqui | Apparatus, systems, and methods for determining a geo-location |
| CN112649337A (zh) * | 2020-12-21 | 2021-04-13 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控方法及装置 |
| US11129129B2 (en) * | 2018-12-11 | 2021-09-21 | Qirfiraz Siddiqui | Apparatus, systems, and methods for determining a geo-location |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6408245B1 (en) * | 2000-08-03 | 2002-06-18 | American Gnc Corporation | Filtering mechanization method of integrating global positioning system receiver with inertial measurement unit |
| CN101476894A (zh) * | 2009-02-01 | 2009-07-08 | 哈尔滨工业大学 | 车载sins/gps组合导航系统性能增强方法 |
| CN101819041A (zh) * | 2010-04-16 | 2010-09-01 | 北京航空航天大学 | 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法 |
| CN101871782A (zh) * | 2010-05-19 | 2010-10-27 | 北京航空航天大学 | 基于set2fnn的gps/mems-ins组合导航系统定位误差预测方法 |
| TW201126429A (en) * | 2010-01-25 | 2011-08-01 | Mingchi Inst Of Technology | A method and system for processing GPS navigation information and INS navigation information by utilization of artificial neural network and Kalman wave filter |
-
2012
- 2012-07-09 CN CN2012102344353A patent/CN102768361A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6408245B1 (en) * | 2000-08-03 | 2002-06-18 | American Gnc Corporation | Filtering mechanization method of integrating global positioning system receiver with inertial measurement unit |
| CN101476894A (zh) * | 2009-02-01 | 2009-07-08 | 哈尔滨工业大学 | 车载sins/gps组合导航系统性能增强方法 |
| TW201126429A (en) * | 2010-01-25 | 2011-08-01 | Mingchi Inst Of Technology | A method and system for processing GPS navigation information and INS navigation information by utilization of artificial neural network and Kalman wave filter |
| CN101819041A (zh) * | 2010-04-16 | 2010-09-01 | 北京航空航天大学 | 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法 |
| CN101871782A (zh) * | 2010-05-19 | 2010-10-27 | 北京航空航天大学 | 基于set2fnn的gps/mems-ins组合导航系统定位误差预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 房建成等: "月球探测器天文导航的遗传粒子滤波方法", 《北京航空航天大学学报》 * |
| 杨洋等: "遗传算法辅助下的粒子滤波及其在GPS/SINS深组合中的应用", 《解放军理工大学学报》 * |
| 聂红林等: "BP神经网络在GPS_DRS组合导航系统中的应用研究", 《交通工程测量技术研讨交流会论文集》 * |
| 高为广等: "神经网络辅助的GPS/INS组合导航故障检测算法", 《测绘学报》 * |
| 高宪军等: "GPS/INS组合导航系统的研究", 《光学精密工程》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103149580A (zh) * | 2013-02-04 | 2013-06-12 | 东南大学 | 一种基于stkf和wnn的gps/ins组合导航方法 |
| CN105593776A (zh) * | 2013-08-01 | 2016-05-18 | 日产自动车株式会社 | 车辆位置姿势角推定装置及车辆位置姿势角推定方法 |
| CN103592669A (zh) * | 2013-11-22 | 2014-02-19 | 湖北航天技术研究院总体设计所 | 减小失锁时速度误差对组合导航精度影响的方法及系统 |
| CN103605143A (zh) * | 2013-11-26 | 2014-02-26 | 中国人民武装警察部队工程大学 | 一种神经网络组合导航方法 |
| CN103969667A (zh) * | 2014-05-27 | 2014-08-06 | 哈尔滨工业大学 | 一种基于分块粒子滤波的gnss解算方法 |
| CN104330084B (zh) * | 2014-11-13 | 2017-06-16 | 东南大学 | 一种水下航行器用神经网络辅助组合导航方法 |
| CN104330084A (zh) * | 2014-11-13 | 2015-02-04 | 东南大学 | 一种水下航行器用神经网络辅助组合导航方法 |
| CN104502922A (zh) * | 2014-12-09 | 2015-04-08 | 沈阳航空航天大学 | 一种神经网络辅助粒子滤波的gps接收机自主完好性监测方法 |
| CN104656112A (zh) * | 2015-01-28 | 2015-05-27 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
| CN104656112B (zh) * | 2015-01-28 | 2017-08-25 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
| CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
| CN104898148B (zh) * | 2015-06-02 | 2017-08-04 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
| CN105021188A (zh) * | 2015-06-09 | 2015-11-04 | 北京航空航天大学 | 一种双模式仿生偏振/地磁辅助组合导航系统 |
| CN107806886A (zh) * | 2016-09-08 | 2018-03-16 | 千寻位置网络有限公司 | 一种移动终端惯性导航定位修正方法及其装置 |
| CN106352880A (zh) * | 2016-10-28 | 2017-01-25 | 中国电子科技集团公司第五十四研究所 | 一种基于非线性网络的惯性导航算法架构的确定方法 |
| CN106352880B (zh) * | 2016-10-28 | 2019-04-12 | 中国电子科技集团公司第五十四研究所 | 一种基于非线性网络的惯性导航算法架构的确定方法 |
| CN106767795B (zh) * | 2017-01-20 | 2019-10-15 | 福州大学 | 一种基于惯性导航的移动机器人位移计算算法 |
| CN106767795A (zh) * | 2017-01-20 | 2017-05-31 | 福州大学 | 一种基于惯性导航的移动机器人位移计算算法 |
| CN107643088A (zh) * | 2017-08-10 | 2018-01-30 | 中国科学院深圳先进技术研究院 | 无人机导航方法、装置、无人机及存储介质 |
| CN107490760A (zh) * | 2017-08-22 | 2017-12-19 | 西安工程大学 | 基于遗传算法改进模糊神经网络的断路器故障诊断方法 |
| CN108801245A (zh) * | 2018-05-29 | 2018-11-13 | 深圳市海梁科技有限公司 | 一种导航系统 |
| CN109059909A (zh) * | 2018-07-23 | 2018-12-21 | 兰州交通大学 | 基于神经网络辅助的卫星/惯导列车定位方法与系统 |
| WO2020123493A1 (en) * | 2018-12-11 | 2020-06-18 | Qirfiraz Siddiqui | Apparatus, systems, and methods for determining a geo-location |
| US11129129B2 (en) * | 2018-12-11 | 2021-09-21 | Qirfiraz Siddiqui | Apparatus, systems, and methods for determining a geo-location |
| CN113574415A (zh) * | 2018-12-11 | 2021-10-29 | 齐尔菲拉兹·西迪基 | 用于确定地理位置的装置，系统和方法 |
| CN113574415B (zh) * | 2018-12-11 | 2022-06-07 | 齐尔菲拉兹·西迪基 | 用于确定地理位置的装置，系统和方法 |
| CN110401978A (zh) * | 2019-07-19 | 2019-11-01 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
| CN112649337A (zh) * | 2020-12-21 | 2021-04-13 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102768361A (zh) | 基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法 | |
| Wahlström et al. | Fifteen years of progress at zero velocity: A review | |
| Georgy et al. | Low-cost three-dimensional navigation solution for RISS/GPS integration using mixture particle filter | |
| CN107830862A (zh) | 一种基于智能手机的室内定位行人追踪的方法 | |
| CN202216696U (zh) | 基于信息融合的煤矿救灾机器人导航装置 | |
| Wang et al. | Land vehicle dynamics-aided inertial navigation | |
| CN106406320A (zh) | 机器人路径规划方法及规划路线的机器人 | |
| CN103149580A (zh) | 一种基于stkf和wnn的gps/ins组合导航方法 | |
| CN104713554A (zh) | 一种基于mems惯性器件与安卓智能手机融合的室内定位方法 | |
| CN105865450A (zh) | 一种基于步态的零速更新方法及系统 | |
| CN102538781A (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 | |
| CN102288176A (zh) | 基于信息融合的煤矿救灾机器人导航系统及方法 | |
| CN105628027A (zh) | 一种基于mems惯性器件的室内环境精确实时定位方法 | |
| CN103968827A (zh) | 一种可穿戴式人体步态检测的自主定位方法 | |
| CN107490378A (zh) | 一种基于mpu6050与智能手机的室内定位与导航的方法 | |
| CN104613965B (zh) | 一种基于双向滤波平滑技术的步进式行人导航方法 | |
| CN106168485A (zh) | 步行航迹数据推算方法及装置 | |
| CN103104251A (zh) | 一种用于小井斜下光纤陀螺测斜仪的方位角和工具面角的精度提高方法 | |
| CN104808174B (zh) | 基于卡尔曼滤波器和航位推测法的核电站无线定位系统 | |
| CN103292812A (zh) | 一种微惯性sins/gps组合导航系统的自适应滤波方法 | |
| CN103047995A (zh) | 基于卫星定位技术的gps终端里程统计方法 | |
| CN109459028A (zh) | 一种基于梯度下降的自适应步长估计方法 | |
| CN104697520A (zh) | 一体化无陀螺捷联惯导系统与gps系统组合导航方法 | |
| CN104197935A (zh) | 一种基于移动智能终端的室内定位方法 | |
| CN105547300A (zh) | 用于auv的全源导航系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121107 |