CN103810382B - 机载分布式多传感器两级数据融合策略选择方法 - Google Patents
机载分布式多传感器两级数据融合策略选择方法 Download PDFInfo
- Publication number
- CN103810382B CN103810382B CN201410039994.8A CN201410039994A CN103810382B CN 103810382 B CN103810382 B CN 103810382B CN 201410039994 A CN201410039994 A CN 201410039994A CN 103810382 B CN103810382 B CN 103810382B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- machine
- fusion
- test
- 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.)
- Active
Links
Abstract
本发明提出的一种机载分布式传感器两级数据融合策略选择方法,是首先判断参与传感器融合数据来源,确定融合数据类型后进行坐标变换处理,将传感器融合数据统一到处理平台中心,在同一平台中心通过对传感器位置样本观测数据,对多种传感器多模式组合下位置检测数据相似性的单因素方差分析,然后对多个传感器组合方案进行显著性检验;以本机为处理中心,根据多个传感器信息组合形成备选方案,对于方案Pm,m∈[1,k],分别进行:某一试验条件下s个试验总体和显著性检验,根据检验结果进行不同融合方法的选择,实现统一计算框架下的目标数据融合。本发明根据检验结果进行不同融合方法的选择,解决了两级不同精度组合融合问题,提高了航空多传感器融合系统的通用性及实用性。
Description
技术领域
本发明涉及信息融合领域中机载多传感器系统工程的传感器数据融合处理技术,特别是涉及一种基于精度水平的航空机载多传感器数据融合策略选择方法,是对多种传感器多模式组合下检测位置数据相似性的单因素方差分析,完成多种组合方案的显著性检验,实现统一计算框架下的目标数据融合方法。
背景技术
多传感器数据融合技术是一门新兴前沿技术。近年来,多传感器数据融合技术已经受到广泛关注,它的理论和方法已经被应用到许多研究领域。多传感器数据融合是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究,是多学科交叉的新技术,涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。近年来,这一技术广泛应用于复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、医疗诊断、模式识别等领域。实践证明:与单传感器系统相比,运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面,能够增强系统生存能力,提高整个系统的可靠性和鲁棒性,增强数据的可信度,并提高精度,扩展整个系统的时间、空间覆盖率,增加系统的实时性和信息利用率等。多传感器数据融合技术的基本原理就像人脑综合处理信息一样,充分利用多个传感器资源,通过对多传感器及其观测信息的合理支配和使用,把多传感器在空间和时间上冗余或互补信息依据某种准则来进行组合,以获得被测对象的一致性解释或描述。具体的说,多传感器数据融合原理如如下:(1)N个不同类型的传感器(有源或无源的)收集观测目标的数据;(2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换,提取代表观测数据的特征矢量;(3)对特征矢量Y进行模式识别处理,完成各传感器关于目标的说明;(4)将各传感器关于目标的说明数据按同一目标进行分组,即关联;(5)利用融合算法将每一目标各传感器数据进行合成,得到该目标的一致性解释与描述。多传感器系统的核心问题是选择合适的融合算法。对于多传感器系统来说,信息具有多样性和复杂性,因此,对信息融合方法的基本要求是具有鲁棒性和并行处理能力,此外,还有方法的运算速度和精度;与前续预处理系统和后续预处理信息识别系统的接口功能;与不同技术和方法的协调能力;对信息样本的要求等。一般情况下,基于非线性的数学方法,如果它具有容错性、自适应性、联想记忆和并行处理能力,则都可以用来作为融合方法。多传感器的常用方法基本上可概括为随机和人工智能两大类,随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理,产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。
多传感器数据融合技术在综合处理来自多个传感器的数据和相关信息,可以获得比运动单个、孤立的传感器更加详细和精确的结论。综合使用多传感器网络,可以实现全高度、全方位、强电磁干扰和复杂气象条件下的综合探测、跟踪等不同任务。目前针对通用结构的数据融合算法研究很多,融合算法与融合结构密切相关,融合结构大致分为三类:集中式、分布式、混合式。在典型的航空分布式融合处理结构中,单个平台节点既有自身配置的传感器和信息源的输入,又有其它融合节点的输入信息,信息源类型的不同,会存在较大差异,包含粒度、精度、不确定性、时序、维度等方面的差异。存在传感器数据维度不全,各维度精度水平参差不齐的融合问题。
发明内容
本发明的任务是针对分布式传感器系统特定使用结构存在的传感器数据维度不全,各维度精度水平参差不齐的融合问题,提供一种基于精度水平的两级分布式航空传感器数据融合策略,能够解决特定传感器不同精度组合的融合问题,并能提高航空分布式传感器系统,完整性和准确性的机载分布式传感器两级数据融合策略选择方法。
本发明的上述目的可以通过以下措施来达到,一种机载分布式传感器两级数据融合策略选择方法,其特征在于包括如下步骤:首先判断参与传感器融合数据来源,确定融合数据类型后进行坐标变换处理,将传感器融合数据统一到处理平台中心,在同一平台中心通过对传感器位置样本观测数据,对多种传感器多模式组合下位置检测数据相似性的单因素方差分析;在两级不同精度组合相似数据融合中,通过输入数据类型判断多传感器数据链网络是否有需要转换的目标位置参数,有,则对多传感器数据链网络数据进行坐标转换;首先对数据链传来的它机载机极坐标向它机载机笛卡儿坐标(xDL,yDL,zDL)转换,然后进入下一步它机载机笛卡儿坐标(xDL,yDL,zDL)向本机笛卡儿坐标(x,y,z)转换,再通过本机笛卡儿坐标(x,y,z)向本机载机极坐标转换;最后以本机为处理中心,根据多个传感器信息组合形成备选方案P1,P2,…,Pk,对于方案Pm,m∈[1,k]分别进行:(1)某一试验条件下s个试验总体,对三个位置维度依次构造检验统计量,进行ni次试验,试验总次数对考察指标进行观测,这里i=1,2,...s;ni≥2;(2)显著性检验:零假设H0成立时,有拒绝域FA~F(s-1,n-s);则H0的拒绝域为FA>Fα(s-1,n-s),式中,α为给定的显著性水平,取为0.05和0.01;对备选方案P1,P2,…,Pk,显著性检验结果为不显著的,令 i=1,2,...s;对于多个只有角度测量值而无距离测量的传感器,令则则X为最终的融合输出;显著性检验结果为显著的,表明此方案中传感器精度水平差异明显,直接采用精度最高的输出,即
本发明具有如下有益效果。
本发明通过坐标转换实现不同航空平台间的位置参数变换,在同一平台中心通过对位置样本观测数据单因素方差分析,对多个传感器组合方案进行显著性检验,根据检验结果进行不同融合方法的选择,实现统一计算框架下的目标数据融合,在数据链网络环境中解决两级不同精度组合融合问题,提高了航空多传感器融合系统的通用性及实用性。
附图说明
图1是本发明机载分布式多传感器两级数据融合策略选择方法流程图。
图2是图1中关于机载分布式数据链网络数据坐标转换流程示意图。
具体实施方式
参阅图1。本发明提供的航空平台完成多传感器数据链网络环境中,两级不同精度组合相似数据融合策略选择方法,可以通过以下步骤予以实现:
步骤1:通过输入数据类型判断判断传感器数据链网络是否有需要转换的目标位置参数,如果有,执行步骤2,如果没有,执行步骤3;
步骤2:按如图2所示转换流程,融合平台中心对数据链网络数据进行坐标转换,首先对数据链传来的它机载机极坐标(ρDL,θDL,φDL)向它机载机笛卡儿坐标(xDL,yDL,zDL)转换,用公式(1)
然后对它机载机笛卡尔坐标向本机载机笛卡尔坐标转换,用公式(2)
最后对本机笛卡儿坐标(x,y,z)向本机载机极坐标转换,用公式(3)、(4)、(5);
按照技术方案里步骤二,可以得到本机参与融合参数(ρ,θ,φ),
其中:为数据链它机探测目标的极坐标参数,(xDL,yDL,zDL)为数据链它机探测目标参数笛卡尔直角坐标,(βDL,εDL,γDL)为它机平台偏航角、俯仰角和横滚角,(LDL,MDL,HDL)为它机平台的经度、纬度、高度,(L,M,H)为本机平台的经度、纬度、高度,(β,ε,γ)为本机平台偏航角、俯仰角和横滚角,(x,y,z)为转换到本机平台的笛卡儿直角坐标,为转换到本机参加处理的极坐标。
步骤3:以本机为处理中心,根据多个传感器信息组合,形成备选方案P1,P2,…,Pk,对于方案Pm,m∈[1,k],分别进行步骤4步骤5:
步骤4:某一试验条件下s个试验总体,对三个位置维度依次构造检验统计量,进行ni次试验,试验总次数对考察指标进行观测,这里i=1,2,...s;ni≥2,
其中,σ2为统计均方差,SE为误差离差平方和,
SA为组间离差平方和,
步骤5显著性检验:零假设H0成立时,有FA~F[s-1,n-s);则H0的拒绝域为FA>Fα(s-1,n-s),式中,α为给定的显著性水平,取为0.05和0.01。
步骤6:对备选方案P1,P2,…,Pk,显著性检验结果为显著的,表明此方案中传感器精度水平差异明显,直接采用精度最高的输出;显著性检验结果为不显著的,进行步骤7。
步骤7:令i=1,2,...s;对于多个只有角度测量值而无距离测量的传感器,令则 则X为最终的融合输出。
通过上述技术方案,即可完成数据链网络环境中两级不同精度组合相似数据融合。
实施本发明的原理如下:首先判断参与融合的数据来源,确定类型后进行坐标变换处理,将数据统一到处理平台中心,对观测数据进行单因素方差分析,对多个传感器组合方案进行显著性检验,根据检验结果进行不同融合方法的选择,实现统一计算框架下的目标数据融合。
以下结合一个配备机间数据链通信的两机编队融合处理中心,对本发明进行进一步说明。首先对涉及到的坐标系进行定义说明。
机载坐标系定义:
载机球坐标系:距离表示目标至载机质心的绝对距离,方位角表示目标在飞机主基准面的投影与机头正向的夹角,目标偏右翼为正,偏左翼为负,取值范围为[-180°,180°),俯仰角表示目标与载机质心连线与主基准面所成夹角,目标位于载机上方为正,位于载机下方为负,取值范围为[-90°,90°];
载机直角坐标系:坐标原点为载机质心,主基准面为XY平面,X轴平行机轴指向机头前方,Y轴垂直机轴指向右翼,Z轴垂直主基准面指向机腹下方;
载机地理坐标系:选用北东地坐标系,简称NED(North-East-Down)坐标系,载机质心为坐标原点,X轴指向地理指北针方向,Y轴指向载机所在位置地球自转切向东,Z轴垂直NE平面指向下方。当目标位于极北轴附近时,设X轴与ECEF坐标系X轴反平行,位于极南轴附近时,设X轴与ECEF坐标系X轴平行,上述两种情形下,Y轴均平行于ECEF坐标系Y轴;
ECEF坐标系:即地心地固坐标系,也称WGS-84直角坐标系,1987年由美国国防部制图局建立。其坐标原点位于地球的质心,Z轴指向BIH1984.0定义的协议地球北极方向,X轴指向BIH1984.0的启始子午面和赤道的交点,Y轴与X轴和Z轴构成右手系;
机载平台姿态角定义
偏航角:载机机轴正向在S3坐标系NE水平面内投影与N向所成夹角,顺时针为角度增加方向,取值范围为[0°,360°];
俯仰角:载机机轴正向与NE水平面的夹角,上方为正,下方为负,取值范围为[-90°,90°];
横滚角:载机纵向对称面与纵向铅垂面之间的夹角,机轴右下倾为正,左下倾为负,取值范围为[-180°,180°]。
单因素方差分析模型
利用多个传感器收集关于目标与环境的信息,以任务为导向,在一定约束条件下,合理选择参与执行任务的传感器,并在网络中共享传感器信息,形成备选方案Plan:P1,P2,...Pk,不同的开关状态、工作模式、工作参数、传感器配置等,决定了传感器精度水平的不同组合,对于方案Pm,m∈[1,k],进行多次实验得到样本观测值,如表1传感器数据分析模型所示:
表1传感器数据分析模型
其中,下标一样的样本值表示来自于同一个时刻对同一个目标的实验值,i,i∈[1,s]来自于机载数据链目标参数,经过技术方案里步骤二,得到相对于本机平台的目标参数,以本机平台为中心对数据进行单因素显著水平指标考察。
基于精度水平的样本检验
本实施例中的单因素方差分析,只考虑传感器精度的影响情况。需要说明的是,对融合结果的影响因素并不仅此一个,实际上,是若干个影响因素共同作用,我们只考虑其中精度影响的作用,而把别的因素在适当的水平上固定下来,对此进行单因素方差分析,观察它对指标或者结果的影响。
针对相同试验条件,有s个传感器对目标进行检测,则该试验有s个总体,进行t次试验,对三个维度的目标参数进行录取,这里i=1,2,...s;t≥2,各传感器对目标检测是相互独立的。分别记为A1,A2,...As,对于目标参数距离项,各总体的平均数表示为μρ1,μρ2,...μρε,各总体的方差表示为在这s个总体服从正态分布且方差相等的情况下,检验各总体的平均数是否相等,即零检验假设H0:μρ1=μρ2=...=μρε。当零假设成立时,认为因素对试验之间没有显著影响。零假设H0成立时,有
FA~F(s-1,n-s)
则H0的拒绝域为:
FA>Fα(s-1,n-s)
式中,α为给定的显著性水平,通常显著性水平取为0.05和0.01。其中,ST为总离差平方和,它反映了考察指标的全部样本观测值之间的差异程度,
总离差平方和ST可分解为:
ST=SE+SA,
其中,SE为误差离差平方和,表示了在水平Ai下,样本观测值的差异程度,这个差异是由随机因素引起的,反映了随机误差对考察指标总的影响程度。
SA为组间离差平方和,表示在水平在水平Ai下,样本平均值与总的样本平均值之间的差异,
这个差异由因素A水平的变化引起的,反映了因素A改变对考察指标的影响程度。
由χ2分布定理及可加性性质,不同水平间的样本相互独立性,有
构造检验统计量
类似的,按照表2单因素方差分析表分别对方位俯仰进行显著性检验。
表2单因素方差分析表
其中
对备选方案Plan:P1,P2,...Pk,按照表3方案选择进行处理。
表3方案选择
(1)机载多传感器两级相似数据融合
对于表3方案选择中检验结果为不显著的,需要进行融合处理,对表1传感器数据分析模型中数据,令i∈[1,s];对于多个只有角度测量值而无距离测量的传感器,令则
X为某一时刻最终的融合输出。
Claims (7)
1.一种机载分布式传感器两级数据融合策略选择方法,其特征在于包括如下步骤:首先判断参与传感器融合数据来源,确定融合数据类型后进行坐标变换处理,将传感器融合数据统一到处理平台中心,在同一平台中心通过对传感器位置样本观测数据,对多种传感器多模式组合下位置检测数据相似性的单因素方差分析,然后对多个传感器组合方案进行显著性检验;在两级不同精度组合相似数据融合中,通过输入数据类型判断多传感器数据链网络是否有需要转换的目标位置参数,有,则对多传感器数据链网络数据进行坐标转换;首先对数据链传来的它机载机斜距、方位、俯仰极坐标向它机载机笛卡儿坐标(xDL,yDL,zDL)转换,然后进入下一步它机载机笛卡儿坐标(xDL,yDL,zDL)向本机笛卡儿坐标(x,y,z)转换,再通过本机笛卡儿坐标(x,y,z)向本机载机极坐标转换;最后以本机为处理中心,根据多个传感器信息组合形成备选方案P1,P2,…,Pk,对于方案Pm,m∈[1,k],分别进行:某一试验条件下s个试验总体,显著性检验,显著性检验包括不显著H0和显著H1,显著性检验是在零假设H0成立时,有拒绝域FA~F(s-1,n-s);则H0的拒绝域为FA>Fα(s-1,n-s),式中,α为给定的显著性水平,取为0.05或0.01;对备选方案P1,P2,…,Pk,显著性检验结果为显著的,表明此方案中传感器精度水平差异明显,直接采用精度最高的输出;显著性检验结果为不显著的,令i=1,2,…s;对于多个只有角度测量值而无距离测量的传感器,令则则X为最终的融合输出,完成数据链网络环境中两级不同精度组合相似数据融合;然后根据检验结果进行不同融合方法的选择,实现统一计算框架下的目标数据融合,其中k、s为自然数。
2.如权利要求1所述的机载分布式传感器两级数据融合策略选择方法,其特征在于:所述某一试验条件下s个试验总体,是对三个位置维度依次构造检验统计量,进行ni次试验,试验总次数对考察指标进行观测,这里i=1,2,…s;ni≥2;
检验统计量
其中,σ为统计均方差,SE为误差离差平方和,SA为组间离差平方和,
3.如权利要求1所述的机载分布式传感器两级数据融合策略选择方法,其特征在于:对数据链网络数据进行坐标转换,它机载机极坐标向它机载机笛卡儿直角坐标(xDL,yDL,zDL)转换,用公式(1):
4.如权利要求1所述的机载分布式传感器两级数据融合策略选择方法,其特征在于:坐标变换最后一步,对本机笛卡儿直角坐标(x,y,z)向本机载机极坐标转换,用公式:
斜距:
方位角:
俯仰角:
得到本机参与融合参数其中:为数据链它机探测目标的极坐标参数,(xDL,yDL,zDL)为数据链它机探测目标直角坐标参数,(βDL,εDL,γDL)为它机平台偏航角、俯仰角和横滚角,(LDL,MDL,HDL)为它机平台的经度、纬度、高度,(L,M,H)为本机平台的经度、纬度、高度,(β,ε,γ)为本机平台偏航角、俯仰角和横滚角。
5.如权利要求1所述的机载分布式传感器两级数据融合策略选择方法,其特征在于:针对相同试验条件,有s个传感器对目标进行检测,则该试验有s个总体,进行t次试验,对三个维度的目标参数进行录取,这里i=1,2,…s;t≥2,各传感器对目标检测是相互独立的,分别记为A1,A2,…As,对于目标参数距离项,各总体的平均数表示为μρ1,μρ2,…μρs,各总体的方差表示为在这s个总体服从正态分布且方差相等的情况下,检验各总体的平均数是否相等,即零检验假设H0:μρ1=μρ2=…=μρs。
6.如权利要求5所述的机载分布式传感器两级数据融合策略选择方法,其特征在于:
总离差平方和ST可分解为:
ST=SE+SA,其中,ST为总离差平方和,它反映了考察指标的全部样本观测值之间的差异程度,
其中,SA为组间离差平方和,表示在水平Ai下,样本平均值与总的样本平均值之间的差异,SE为误差离差平方和,表示了在水平Ai下,样本观测值的差异程度,这个差异是由随机因素引起的,反映了随机误差对考察指标总的影响程度。
7.如权利要求1所述的机载分布式传感器两级数据融合策略选择方法,其特征在于:显著性检验结果为显著的,则直接采用精度最高的输出,即
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410039994.8A CN103810382B (zh) | 2014-01-27 | 2014-01-27 | 机载分布式多传感器两级数据融合策略选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410039994.8A CN103810382B (zh) | 2014-01-27 | 2014-01-27 | 机载分布式多传感器两级数据融合策略选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103810382A CN103810382A (zh) | 2014-05-21 |
CN103810382B true CN103810382B (zh) | 2017-01-25 |
Family
ID=50707142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410039994.8A Active CN103810382B (zh) | 2014-01-27 | 2014-01-27 | 机载分布式多传感器两级数据融合策略选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103810382B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137950B (zh) * | 2015-09-24 | 2017-08-25 | 李拥军 | 一种基于物联网技术的温室大棚智能控制系统 |
CN108731679A (zh) * | 2017-04-18 | 2018-11-02 | 深圳市丰巨泰科电子有限公司 | 移动机器人环境特征定位方法 |
CN110873888B (zh) * | 2018-09-04 | 2022-05-06 | 腾讯大地通途(北京)科技有限公司 | 定位方法、定位装置、定位设备和计算机存储介质 |
CN111353510B (zh) * | 2018-12-20 | 2023-07-18 | 长沙智能驾驶研究院有限公司 | 多传感器目标检测方法、装置、计算机设备和存储介质 |
CN112345240B (zh) * | 2019-08-08 | 2022-12-20 | 上海三菱电梯有限公司 | 机械零部件故障诊断系统 |
CN112378414A (zh) * | 2020-11-20 | 2021-02-19 | 深圳信息职业技术学院 | 一种基于pm2.5健康出行的路径规划装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6178382B1 (en) * | 1998-06-23 | 2001-01-23 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for analysis of large sets of multiparameter data |
CN101082668A (zh) * | 2007-06-25 | 2007-12-05 | 北京航空航天大学 | 一种高动态、多元、异步监视系统的误差校准方法 |
CN101216319A (zh) * | 2008-01-11 | 2008-07-09 | 南京航空航天大学 | 基于联邦ukf算法的低轨卫星多传感器容错自主导航方法 |
CN102508238A (zh) * | 2011-10-14 | 2012-06-20 | 北京理工大学 | 一种基于坐标旋转变换的雷达跟踪方法 |
CN103018722A (zh) * | 2012-10-15 | 2013-04-03 | 西安电子科技大学 | 利用组网雷达系统对抗欺骗式假目标的方法 |
-
2014
- 2014-01-27 CN CN201410039994.8A patent/CN103810382B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6178382B1 (en) * | 1998-06-23 | 2001-01-23 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for analysis of large sets of multiparameter data |
CN101082668A (zh) * | 2007-06-25 | 2007-12-05 | 北京航空航天大学 | 一种高动态、多元、异步监视系统的误差校准方法 |
CN101216319A (zh) * | 2008-01-11 | 2008-07-09 | 南京航空航天大学 | 基于联邦ukf算法的低轨卫星多传感器容错自主导航方法 |
CN102508238A (zh) * | 2011-10-14 | 2012-06-20 | 北京理工大学 | 一种基于坐标旋转变换的雷达跟踪方法 |
CN103018722A (zh) * | 2012-10-15 | 2013-04-03 | 西安电子科技大学 | 利用组网雷达系统对抗欺骗式假目标的方法 |
Non-Patent Citations (7)
Title |
---|
2D机载雷达目标定位精度分析;常军等;《电讯技术》;20080428;第48卷(第4期);第3节 * |
基于多特征融合和极坐标变化的目标识别;高文琦等;《计算机工程》;20110605;第37卷(第11期);第197-199页 * |
多传感器数据融合及其综合性能评估;王洁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20081115;I140-201 * |
多雷达数据处理中坐标转换的新方法;李锋等;《微计算机信息》;20070210;第303-305页 * |
机载雷达目标的大地坐标定位;常军;《电讯技术》;20030428;第97-100页 * |
直升机载雷达侦察系统目标定位精度分析;廖龙灵;《电讯技术》;20050828;第107-110页 * |
雷达测量误差模型的容错检验算法;胡绍林等;《中国空间科学技术》;20111225;第1节、第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN103810382A (zh) | 2014-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103810382B (zh) | 机载分布式多传感器两级数据融合策略选择方法 | |
CN108415032A (zh) | 一种基于深度学习与激光雷达的点云语义地图构建方法 | |
CN110703802A (zh) | 基于多无人机协同作业的桥梁自动检测方法及系统 | |
Zhao et al. | Learning-based bias correction for time difference of arrival ultra-wideband localization of resource-constrained mobile robots | |
CN108061889A (zh) | Ais与雷达角度系统偏差的关联方法 | |
CN103278170A (zh) | 基于显著场景点检测的移动机器人级联地图创建方法 | |
CN106646450A (zh) | 基于距离分步聚类的雷达航迹抗差关联方法 | |
CN110244715A (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN101839721A (zh) | 自主交会对接中的视觉导航方法 | |
CN107422736A (zh) | 一种无人船自主返航系统及其工作方法 | |
CN110081888A (zh) | 一种基于可信度的惯导和地磁融合的室内定位算法 | |
CN102162847B (zh) | 一种基于奇异值分解的高效航迹相关方法 | |
Mueller et al. | GIS-based topological robot localization through LIDAR crossroad detection | |
CN103247057A (zh) | 目标-回波-道路网三元数据关联的道路目标多假设跟踪算法 | |
CN106441279A (zh) | 基于自主定位和边缘探索的机器人定位方法、系统 | |
CN103294895A (zh) | 基于证据推理的航迹航路分类方法 | |
CN107783119A (zh) | 应用在避障系统中的决策融合方法 | |
CN110046677A (zh) | 数据预处理方法、地图构建方法、回环检测方法及系统 | |
CN102981160B (zh) | 一种确定空中目标航迹的方法及装置 | |
CN104237862B (zh) | 基于ads‑b的概率假设密度滤波雷达系统误差融合估计方法 | |
CN107292039A (zh) | 一种基于小波聚类的uuv巡岸轮廓构建方法 | |
CN106289281A (zh) | 一种基于三证据ds理论的双模式地图匹配方法 | |
CN108562893A (zh) | 一种外辐射源雷达多站混合跟踪方法 | |
Zhao et al. | A fault-tolerant architecture for mobile robot localization | |
Lehouillier et al. | A flexible framework for solving the air conflict detection and resolution problem using maximum cliques in a graph |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |