CN103900574A - 一种基于迭代容积卡尔曼滤波姿态估计方法 - Google Patents
一种基于迭代容积卡尔曼滤波姿态估计方法 Download PDFInfo
- Publication number
- CN103900574A CN103900574A CN201410136157.7A CN201410136157A CN103900574A CN 103900574 A CN103900574 A CN 103900574A CN 201410136157 A CN201410136157 A CN 201410136157A CN 103900574 A CN103900574 A CN 103900574A
- Authority
- CN
- China
- Prior art keywords
- chi
- attitude
- iteration
- delta
- omega
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000003190 augmentative effect Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005070 sampling Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于迭代容积卡尔曼滤波姿态估计方法,包括以下几个步骤:步骤一:采集陀螺与星敏感器的输出数据作为量测量;步骤二:确定状态向量和量测向量;步骤三:在k-1时刻利用迭代容积卡尔曼滤波估计出k时刻的误差四元数矢量部分以及陀螺漂移误差;步骤四:对于k时刻的估计求出四元数估计及陀螺漂移估计,对姿态及陀螺漂移进行校正,得到修正后k时刻姿态及陀螺漂移;步骤五:姿态估计非线性离散系统的运行时间为M,若k=M,则输出姿态及陀螺漂移的结果;若k<M,则重复步骤三至步骤四,直至姿态估计系统运行结束。本发明具有估计精度高、计算量少的优点。
Description
技术领域
本发明属于利用非线性滤波技术及迭代理论进行姿态估计的技术领域,特别涉及一种基于迭代容积卡尔曼滤波的姿态估计方法。
背景技术
飞行器姿态估计的精度直接影响飞行器姿态控制的精度,因此,姿态估计是姿态控制的关键技术之一。姿态估计方法主要分为两类:确定性算法和状态估计法。确定性算法的优点在于可以根据某一时刻的一组量测信息直接求解出该时刻下飞行器的姿态矩阵,算法简单,物理意义明确,但是需要知道当前时刻的至少两个独立的观测矢量,即准确的量测信息,而在实际应用中由于其他因素的干扰很难保证观测矢量的绝对准确。与这类方法相反,状态估计法是以状态空间模型为基础的递推滤波算法,可以将一些非姿态参数作为状态进行估计,一定程度上克服了不确定因素对姿态估计精度的影响,能够提高姿态估计的精度。
陀螺与星敏感器组成的非线性姿态估计系统由于测姿精度高,被广泛的用于飞行器中。欧拉角、修正罗德里格斯参数、方向余弦、四元数等是飞行器的主要姿态描述参数。扩展卡尔曼滤波(Extended Kalman Filter,MEKF)由于其结构简单、易于实现等优点被广泛应用于姿态估计中。但是,EKF存在一定的局限性:1)由模型线性化引入的截断误差会导致滤波精度下降,且需要计算较为复杂的雅克比矩阵;2)当初始状态误差较大或系统模型非线性程度较高时,会严重影响滤波精度甚至导致滤波发散。
发明内容
本发明的目的是为了提高姿态估计的精度,设计了一种基于迭代容积卡尔曼滤波姿态估计方法。
本发明是通过以下技术方案实现的:
一种基于迭代容积卡尔曼滤波姿态估计方法,其特征在于,包括以下几个步骤:
步骤一:采集飞行器运动过程中陀螺与星敏感器的输出数据作为量测量;
步骤二:确定系统的状态向量和量测向量;
步骤2.1建立飞行器姿态估计系统的非线性误差四元数方程,确定系统的状态向量;
非线性误差四元数方程为:
状态向量x由误差四元数矢量部分Δρ与陀螺漂移误差Δβ组成,x=[ΔρT,ΔβT]T;
步骤2.2确定系统的量测向量;
飞行器姿态矩阵为:
其中:q=[q1,q2,q3,q4]=[ρT,q4]为姿态四元数,ρ为四元数向量部分,
星敏感器的输出为:
系统的量测向量为:
其中:h(xk)为与状态有关的非线性函数,vk均值为零、方差为Rk的高斯白噪声;
步骤三:在k-1时刻利用迭代容积卡尔曼滤波估计出k时刻的误差四元数矢量部分以及陀螺漂移误差;
将系统的状态向量xk和量测向量zk离散化,得到:
其中:f(·)和h(·)为系统非线性状态函数和量测函数,系统噪声wk-1与量测噪声vk分别是均值为零,协方差为Qk-1和Rk的互不相关的高斯白噪声,
步骤3.1求取容积点;
容积点与容积点的权值:
式中:m为容积点总数,且m=2n,εj为第j个容积点,e=[1,0,...,0]T,符号[1]表示对e的元素进行全排列和改变元素符号所产生的点集,[1]j表示点集中[1]的第j个点;ωj为对应第j点的权值;
步骤3.2对迭代容积卡尔曼滤波器进行时间更新;
其中Pk-1=Sk-1(Sk-1)T,
一步预测的状态和协方差阵为:
步骤3.3进行量测更新,确定k时刻的状态估计值和状态协方差阵;
容积点的迭代更新函数:
其中:z为量测值,χj为需要求的迭代容积点,为已知的容积点,
量测向量线性化近似的协方差和方差为:
容积点的迭代更新函数可以求得:
求取扩维后的容积点:
式中:
第i次迭代容积点经量测方程的传递值为:
第i次迭代的量测预测、方差及协方差为:
第i次迭代的容积点以及方差为:
通过容积点计算第i次迭代的状态估计为:
迭代终止条件为:
迭代终止时的迭代次数为N,k时刻的状态估计与方差估计为:
步骤四:对姿态及陀螺漂移进行校正;
对于k时刻的估计利用约束条件||δq||2=1,求得误差四元数δqk,求出四元数估计及陀螺漂移估计分别为对姿态及陀螺漂移进行校正,其中为k-1时刻估计值积分预报k时刻的值,从而得到了修正后k时刻姿态及陀螺漂移,同时确定角速度的估计值为
步骤五:姿态估计非线性离散系统的运行时间为M,若k=M,则输出姿态及陀螺漂移的结果;若k<M,则重复步骤三至步骤四,直至姿态估计系统运行结束。
本发明一种基于迭代容积卡尔曼滤波姿态估计方法还可以包括:
1、步骤二中,陀螺测量噪声标准差为σv=0.05°/h,陀螺漂移噪声标准差为输出频率为100Hz,星敏感器测量噪声标准差为σs=18″,输出频率为1Hz,初始陀螺漂移β=[1 1 1]T°/h,初始姿态角误差设定为[0.5 0.5 15]T°。
2、步骤三中,滤波的初始姿态与陀螺漂移的估计值均设为零,初始方差阵分别设为(0.2°)2I3×3和(1.2°/h)2I3×3,Nmax=3。
本发明的有益效果:
(1)本发明采用容积数值积分理论近似非线性函数的均值与方差,不需要对非线性函数进行线性化,避免了雅克比矩阵的计算,提高了估计精度;
(2)本发明在量测更新中,用扩维理论解决每步迭代后存在状态与量测噪声相关的问题,并采用新的容积点迭代策略,直接进行容积点的迭代,避免了传统迭代策略中容积点都是通过高斯近似以及平方根运算的局限,降低了扩维带来的计算量。
附图说明
图1是本发明与现有滤波方法的一次独立实验横滚角姿态误差结果对比图;
图2是本发明与现有滤波方法的一次独立实验俯仰角姿态误差结果对比图;
图3是本发明与现有滤波方法的一次独立实验偏航角姿态误差结果对比图;
图4是本发明的方法流程图;
图5是本发明的飞行器运动轨迹。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明提出的基于迭代容积卡尔曼滤波的飞行器姿态估计方法是通过Matlab仿真软件进行仿真实验,与现有滤波算法的估计性能进行比较,如乘性扩展卡尔曼滤波(Multiplicative Extended Kalman Filter,MEKF)以及迭代容积卡尔曼滤波(ICKF)。仿真硬件环境均为Intel(R)Core(TM)i5-2410M CPU2.30GHz,4G RAM,Windows7操作系统。如图1到图3所示,本发明提出的IICKF算法与ICKF算法的收敛速度相当,但是它们的估计精度以及收敛速度始终高于MEKF算法,这是因为本发明的IICKF算法和ICKF算法都是以CKF算法为基础,其精度以及收敛速度都要高于EKF算法。比较本发明的IICKF算法和ICKF算法的估计精度,可以看出本发明的IICKF算法的估计精度要高于ICKF算法,这是由于ICKF在量测每步迭代后会造成状态与量测噪声相关,影响估计精度,而本发明提出的IICKF算法则是采用将噪声与状态扩维,解决了量测迭代后状态与量测噪声相关的问题,能够提高估计精度。
本发明是一种基于迭代容积卡尔曼滤波飞行器姿态估计方法,流程如图4所示,包括以下几个步骤:
步骤一:采集飞行器运动过程中陀螺与星敏感器的输出数据,并将其作为量测量;
步骤二:建立飞行器姿态估计系统的非线性误差四元数模型;
步骤2.1建立飞行器姿态估计系统的非线性误差四元数方程;
将误差四元数矢量部分Δρ与陀螺漂移误差Δβ组成状态向量,x=[ΔρT,ΔβT]T,建立误差四元数的非线性方程为:
步骤2.2建立系统量测方程;
由四元数表示的载体姿态矩阵为:
式中:q=[q1,q2,q3,q4]=[ρT,q4]为姿态四元数;ρ为四元数向量部分;
星敏感器的测量模型为:
式中:为星敏感器的输出;A(q(tk))为在tk时刻真实的姿态矩阵;为星敏感器的参考向量;为零均值的高斯白噪声;i为取不同参考矢量所对应的数字;为获得姿态信息,至少需要两个不平行参考矢量的观测值,目前工程应用中常采用三个不平行参考矢量的观测值,则非线性量测模型为:
式中:zk为扩维的量测向量;h(xk)为与状态有关的非线性函数;vk均值为零,方差为Rk的高斯白噪声。
步骤三:在k-1时刻利用迭代容积卡尔曼滤波估计出k时刻的误差四元数矢量部分以及陀螺漂移误差;
设采样时间为Δt,采用四阶龙格库塔法将式(1)、(2)所示的非线性连续系统离散化为:
式中:xk和zk分别为系统n维状态向量和p维量测向量;f(·)和h(·)为系统非线性状态函数和量测函数;系统噪声wk-1与量测噪声vk分别是均值为零,协方差为Qk-1和Rk的互不相关的高斯白噪声;
步骤3.1基本容积点的求取;
采用容积数值积分理论来获取基本的容积点与相应的权值:
式中:m为容积点总数,且m=2n;εj为第j个容积点,其产生方式为:设n维单位向量e=[1,0,...,0]T,使用符号[1]表示对e的元素进行全排列和改变元素符号所产生的点集,称为完整全对称点集,[1]j表示点集中[1]的第j个点;ωj为对应点的权值;
步骤3.2利用k-1时刻的状态估计对改进的迭代容积卡尔曼滤波器进行时间更新;
式中:Pk-1=Sk-1(Sk-1)T;
一步预测的状态和协方差阵为:
步骤3.3容积点迭代策略;
根据无迹回归非线性数据一致理论,建立关于容积点的迭代更新函数:
迭代更新函数是关于2n个容积点的独立最优问题,为了求解该问题,采用Gauss-Newton迭代理论可以求得:
式中:量测方程线性化近似的协方差和方差为:
通过引入量测方差以及协方差,来降低量测方程线性化高阶截断误差的影响,则式(10)变换为:
步骤3.4利用容积点迭代策略及扩维理论进行量测更新,确定k时刻的状态估计值和状态协方差阵;
然后求取扩维后的容积点:
式中:
计算第i次迭代容积点经量测方程的传递值为:
计算第i次迭代的量测预测、新息方差及协方差为:
计算第i次迭代的容积点以及方差为:
通过容积点计算第i次迭代的状态估计为:
迭代终止条件为:
设迭代终止时的迭代次数为N,则k时刻的状态估计与方差估计为:
利用步骤3.1-3.4如此不断的循环,就能实时地估计系统的误差四元数矢量部分以及陀螺漂移误差部分。
步骤四:对于k时刻的估计利用约束条件||δq||2=1,求得误差四元数δqk,然后求出四元数估计及陀螺漂移估计分别为对姿态及陀螺漂移进行校正,其中为k-1时刻估计值积分预报k时刻的值,从而得到了修正后k时刻姿态及陀螺漂移,同时确定角速度的估计值为
步骤五:姿态估计非线性离散系统的运行时间为M,若k=M,则输出姿态及陀螺漂移的结果,完成姿态估计;若k<M,表示滤波过程未完成,则重复步骤五至步骤六,直至姿态估计系统运行结束。
对本发明的有益效果说明如下:
MATLAB仿真实验,在以下的仿真条件下,对该方法进行仿真实验:
Claims (3)
1.一种基于迭代容积卡尔曼滤波姿态估计方法,其特征在于,包括以下几个步骤:
步骤一:采集飞行器运动过程中陀螺与星敏感器的输出数据作为量测量;
步骤二:确定系统的状态向量和量测向量;
步骤2.1建立飞行器姿态估计系统的非线性误差四元数方程,确定系统的状态向量;
非线性误差四元数方程为:
状态向量x由误差四元数矢量部分Δρ与陀螺漂移误差Δβ组成,x=[ΔρT,ΔβT]T;
步骤2.2确定系统的量测向量;
飞行器姿态矩阵为:
其中:q=[q1,q2,q3,q4]=[ρT,q4]为姿态四元数,ρ为四元数向量部分,
星敏感器的输出为:
系统的量测向量为:
其中:h(xk)为与状态有关的非线性函数,vk均值为零、方差为Rk的高斯白噪声;
步骤三:在k-1时刻利用迭代容积卡尔曼滤波估计出k时刻的误差四元数矢量部分以及陀螺漂移误差;
将系统的状态向量xk和量测向量zk离散化,得到:
其中:f(·)和h(·)为系统非线性状态函数和量测函数,系统噪声wk-1与量测噪声vk分别是均值为零,协方差为Qk-1和Rk的互不相关的高斯白噪声,
步骤3.1求取容积点;
容积点与容积点的权值:
式中:m为容积点总数,且m=2n,εj为第j个容积点,e=[1,0,...,0]T,符号[1]表示对e的元素进行全排列和改变元素符号所产生的点集,[1]j表示点集中[1]的第j个点;ωj为对应第j点的权值;
步骤3.2对迭代容积卡尔曼滤波器进行时间更新;
其中Pk-1=Sk-1(Sk-1)T,
一步预测的状态和协方差阵为:
步骤3.3进行量测更新,确定k时刻的状态估计值和状态协方差阵;
容积点的迭代更新函数:
量测向量线性化近似的协方差和方差为:
容积点的迭代更新函数可以求得:
求取扩维后的容积点:
式中:
第i次迭代容积点经量测方程的传递值为:
第i次迭代的量测预测、方差及协方差为:
第i次迭代的容积点以及方差为:
通过容积点计算第i次迭代的状态估计为:
迭代终止条件为:
迭代终止时的迭代次数为N,k时刻的状态估计与方差估计为:
步骤四:对姿态及陀螺漂移进行校正;
对于k时刻的估计利用约束条件||δq||2=1,求得误差四元数δqk,求出四元数估计及陀螺漂移估计分别为对姿态及陀螺漂移进行校正,其中为k-1时刻估计值积分预报k时刻的值,从而得到了修正后k时刻姿态及陀螺漂移,同时确定角速度的估计值为
步骤五:姿态估计非线性离散系统的运行时间为M,若k=M,则输出姿态及陀螺漂移的结果;若k<M,则重复步骤三至步骤四,直至姿态估计系统运行结束。
3.根据权利要求1或2所述的一种基于迭代容积卡尔曼滤波姿态估计方法,其特征在于:步骤三中,滤波的初始姿态与陀螺漂移的估计值均设为零,初始方差阵分别设为(0.2°)2I3×3和(1.2°/h)2I3×3,Nmax=3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410136157.7A CN103900574B (zh) | 2014-04-04 | 2014-04-04 | 一种基于迭代容积卡尔曼滤波姿态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410136157.7A CN103900574B (zh) | 2014-04-04 | 2014-04-04 | 一种基于迭代容积卡尔曼滤波姿态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103900574A true CN103900574A (zh) | 2014-07-02 |
CN103900574B CN103900574B (zh) | 2017-02-22 |
Family
ID=50992043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410136157.7A Expired - Fee Related CN103900574B (zh) | 2014-04-04 | 2014-04-04 | 一种基于迭代容积卡尔曼滤波姿态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103900574B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463214A (zh) * | 2014-12-11 | 2015-03-25 | 衢州学院 | 基于drvb-asckf的svr参数优化方法 |
CN104567871A (zh) * | 2015-01-12 | 2015-04-29 | 哈尔滨工程大学 | 一种基于地磁梯度张量的四元数卡尔曼滤波姿态估计方法 |
CN105066996A (zh) * | 2015-07-20 | 2015-11-18 | 东南大学 | 自适应矩阵卡尔曼滤波姿态估计方法 |
CN105973238A (zh) * | 2016-05-09 | 2016-09-28 | 郑州轻工业学院 | 一种基于范数约束容积卡尔曼滤波的飞行器姿态估计方法 |
CN106597428A (zh) * | 2016-12-20 | 2017-04-26 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面目标航向航速估算方法 |
CN106595669A (zh) * | 2016-12-27 | 2017-04-26 | 南京理工大学 | 一种旋转体姿态解算方法 |
CN106767837A (zh) * | 2017-02-23 | 2017-05-31 | 哈尔滨工业大学 | 基于容积四元数估计的航天器姿态估计方法 |
CN107246883A (zh) * | 2017-08-07 | 2017-10-13 | 上海航天控制技术研究所 | 一种高精度星敏感器安装矩阵在轨实时校准方法 |
CN107765242A (zh) * | 2017-09-16 | 2018-03-06 | 太原理工大学 | 基于状态增广迭代扩展卡尔曼滤波的系统状态估计方法 |
CN107992877A (zh) * | 2017-10-11 | 2018-05-04 | 衢州学院 | 两阶段高阶容积信息滤波方法 |
CN109000638A (zh) * | 2018-05-28 | 2018-12-14 | 哈尔滨工程大学 | 一种小视场星敏感器量测延时滤波方法 |
CN110225454A (zh) * | 2019-06-26 | 2019-09-10 | 河南大学 | 一种置信度传递的分布式容积卡尔曼滤波协作定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008134606A1 (en) * | 2007-04-30 | 2008-11-06 | The Boeing Company | Apparatus for an automated aerial refueling boom using multiple types of sensors |
CN102999696A (zh) * | 2012-11-13 | 2013-03-27 | 杭州电子科技大学 | 噪声相关系统基于容积信息滤波的纯方位跟踪方法 |
CN103065037A (zh) * | 2012-11-13 | 2013-04-24 | 杭州电子科技大学 | 非线性系统基于分散式容积信息滤波的目标跟踪方法 |
EP2657647A1 (en) * | 2012-04-23 | 2013-10-30 | Deutsches Zentrum für Luft- und Raumfahrt e. V. | Method for estimating the position and orientation using an inertial measurement unit fixed to a moving pedestrian |
-
2014
- 2014-04-04 CN CN201410136157.7A patent/CN103900574B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008134606A1 (en) * | 2007-04-30 | 2008-11-06 | The Boeing Company | Apparatus for an automated aerial refueling boom using multiple types of sensors |
EP2657647A1 (en) * | 2012-04-23 | 2013-10-30 | Deutsches Zentrum für Luft- und Raumfahrt e. V. | Method for estimating the position and orientation using an inertial measurement unit fixed to a moving pedestrian |
CN102999696A (zh) * | 2012-11-13 | 2013-03-27 | 杭州电子科技大学 | 噪声相关系统基于容积信息滤波的纯方位跟踪方法 |
CN103065037A (zh) * | 2012-11-13 | 2013-04-24 | 杭州电子科技大学 | 非线性系统基于分散式容积信息滤波的目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
MOHAMMAD AHMADI 等: "Attitude estimation by divided difference filter in quaternion space", 《ACTA ASTRONAUTICA》 * |
穆静 等: "迭代容积卡尔曼滤波算法及其应用", 《系统工程与电子技术》 * |
钱华明 等: "基于四元数平方根容积卡尔曼滤波的姿态估计", 《北京航空航天大学学报》 * |
黄铫 等: "一种扩维无迹卡尔曼滤波", 《电子测量与仪器学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463214A (zh) * | 2014-12-11 | 2015-03-25 | 衢州学院 | 基于drvb-asckf的svr参数优化方法 |
CN104567871A (zh) * | 2015-01-12 | 2015-04-29 | 哈尔滨工程大学 | 一种基于地磁梯度张量的四元数卡尔曼滤波姿态估计方法 |
CN104567871B (zh) * | 2015-01-12 | 2018-07-24 | 哈尔滨工程大学 | 一种基于地磁梯度张量的四元数卡尔曼滤波姿态估计方法 |
CN105066996B (zh) * | 2015-07-20 | 2017-11-28 | 东南大学 | 自适应矩阵卡尔曼滤波姿态估计方法 |
CN105066996A (zh) * | 2015-07-20 | 2015-11-18 | 东南大学 | 自适应矩阵卡尔曼滤波姿态估计方法 |
CN105973238A (zh) * | 2016-05-09 | 2016-09-28 | 郑州轻工业学院 | 一种基于范数约束容积卡尔曼滤波的飞行器姿态估计方法 |
CN106597428A (zh) * | 2016-12-20 | 2017-04-26 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面目标航向航速估算方法 |
CN106597428B (zh) * | 2016-12-20 | 2019-01-04 | 中国航空工业集团公司雷华电子技术研究所 | 一种海面目标航向航速估算方法 |
CN106595669A (zh) * | 2016-12-27 | 2017-04-26 | 南京理工大学 | 一种旋转体姿态解算方法 |
CN106595669B (zh) * | 2016-12-27 | 2023-04-11 | 南京理工大学 | 一种旋转体姿态解算方法 |
CN106767837A (zh) * | 2017-02-23 | 2017-05-31 | 哈尔滨工业大学 | 基于容积四元数估计的航天器姿态估计方法 |
CN106767837B (zh) * | 2017-02-23 | 2019-10-22 | 哈尔滨工业大学 | 基于容积四元数估计的航天器姿态估计方法 |
CN107246883A (zh) * | 2017-08-07 | 2017-10-13 | 上海航天控制技术研究所 | 一种高精度星敏感器安装矩阵在轨实时校准方法 |
CN107765242A (zh) * | 2017-09-16 | 2018-03-06 | 太原理工大学 | 基于状态增广迭代扩展卡尔曼滤波的系统状态估计方法 |
CN107992877A (zh) * | 2017-10-11 | 2018-05-04 | 衢州学院 | 两阶段高阶容积信息滤波方法 |
CN107992877B (zh) * | 2017-10-11 | 2020-05-19 | 衢州学院 | 两阶段高阶容积信息滤波方法 |
CN109000638A (zh) * | 2018-05-28 | 2018-12-14 | 哈尔滨工程大学 | 一种小视场星敏感器量测延时滤波方法 |
CN110225454A (zh) * | 2019-06-26 | 2019-09-10 | 河南大学 | 一种置信度传递的分布式容积卡尔曼滤波协作定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103900574B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103900574A (zh) | 一种基于迭代容积卡尔曼滤波姿态估计方法 | |
CN103389506B (zh) | 一种用于捷联惯性/北斗卫星组合导航系统的自适应滤波方法 | |
CN103344260B (zh) | 基于rbckf的捷联惯导系统大方位失准角初始对准方法 | |
CN103344259B (zh) | 一种基于杆臂估计的ins/gps组合导航系统反馈校正方法 | |
CN106772524B (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
CN105136145A (zh) | 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法 | |
CN105737823B (zh) | 一种基于五阶ckf的gps/sins/cns组合导航方法 | |
CN105806363B (zh) | 基于srqkf的sins/dvl水下大失准角对准方法 | |
CN103759742A (zh) | 基于模糊自适应控制技术的捷联惯导非线性对准方法 | |
CN101982732B (zh) | 一种基于esoqpf和ukf主从滤波的微小卫星姿态确定方法 | |
CN104655131A (zh) | 基于istssrckf的惯性导航初始对准方法 | |
CN103940433B (zh) | 一种基于改进的自适应平方根ukf算法的卫星姿态确定方法 | |
CN104121907A (zh) | 一种基于平方根容积卡尔曼滤波器的飞行器姿态估计方法 | |
CN103822633A (zh) | 一种基于二阶量测更新的低成本姿态估计方法 | |
CN104019817A (zh) | 一种用于卫星姿态估计的范数约束强跟踪容积卡尔曼滤波方法 | |
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
CN103604430A (zh) | 一种基于边缘化ckf重力辅助导航的方法 | |
CN103557864A (zh) | Mems捷联惯导自适应sckf滤波的初始对准方法 | |
CN104075713A (zh) | 一种惯性/天文组合导航方法 | |
CN103218482B (zh) | 一种动力学系统中不确定参数的估计方法 | |
CN103674059A (zh) | 一种基于外测速度信息的sins水平姿态误差修正方法 | |
CN106441291A (zh) | 一种基于强跟踪sdre滤波的组合导航系统及导航方法 | |
CN103776449A (zh) | 一种提高鲁棒性的动基座初始对准方法 | |
CN103674064A (zh) | 捷联惯性导航系统的初始标定方法 | |
CN110926499B (zh) | 基于李群最优估计的sins捷联惯性导航系统晃动基座自对准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170222 |