CN105973238B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN105973238B
CN105973238B CN201610303633.9A CN201610303633A CN105973238B CN 105973238 B CN105973238 B CN 105973238B CN 201610303633 A CN201610303633 A CN 201610303633A CN 105973238 B CN105973238 B CN 105973238B
Authority
CN
China
Prior art keywords
aircraft
norm constraint
equation
state
attitude
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
Application number
CN201610303633.9A
Other languages
English (en)
Other versions
CN105973238A (zh
Inventor
娄泰山
贺振东
杨小亮
王妍
吴青娥
陈虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
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 Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN201610303633.9A priority Critical patent/CN105973238B/zh
Publication of CN105973238A publication Critical patent/CN105973238A/zh
Application granted granted Critical
Publication of CN105973238B publication Critical patent/CN105973238B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12Navigation; 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
    • G01C21/16Navigation; 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

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范数约束容积卡尔曼滤波的飞行器姿态估计方法,步骤如下:建立飞行器导航系统的状态方程;建立飞行器导航系统的非线性量测方程;离散化状态方程和量测方程;对离散后的状态方程和量测方程采用范数约束容积卡尔曼滤波算法,输出飞行器的姿态。本发明所采用的范数约束容积卡尔曼滤波,将描述飞行器姿态的四元数的范数约束引入了姿态估计中,有效地解决了姿态估计过程中不考虑范数约束的协方差奇异问题,仅增加了少许计算量,有效地修正了四元数的范数约束条件对飞行器姿态估计的影响,提高了姿态估计精度,进而提高了飞行器的导航精度,增强了导航过程的稳定性。

Description

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
技术领域
本发明属于非线性约束状态估计和姿态估计的技术领域,具体涉及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,可用于提高飞行器姿态估计的精度。
背景技术
众所周知,卡尔曼滤波得到的是线性随机估计问题的无约束最优解。但是,当状态变量或者部分状态变量满足一定的约束时,卡尔曼滤波得到的估计结果就不一定是最优的。研究状态具有约束的情况下卡尔曼滤波的估计问题是必须要解决的难题,近年来越来越引起学者们的关注。
姿态估计是对飞行器导航和控制的一项关键技术,也是一种典型的非线性滤波问题。由于大多数飞行器的姿态用四元数进行描述,因此解决具有四元数描述的姿态非线性估计问题是一个热点问题。用四元数描述飞行器的姿态时,四元数变量具有范数约束,即四元数四个变量的平方和的范数为一,若不考虑此范数约束条件进行非线性滤波,得到的姿态估计的精度较差,甚至会导致协方差奇异问题。经典的扩展卡尔曼滤波方法通过时间更新和量测更新对状态进行估计,但扩展卡尔曼滤波方法是利用一阶线性近似非线性状态方程和非线性量测方程,因此滤波过程中会产生较大的误差,特别是当模型不精确的时候,甚至会导致滤波系统发散。近年来,Arasaratnam提出了一种容积卡尔曼滤波,利用一组等权值容积点解决贝叶斯滤波积分方程,从而来传播系统状态的均值和方差,具有较高的滤波精度(Arasaratnam I.,Haykin S.Cubature Kalman Filters.Automatic Control,IEEETransactions on,2009,54(6):1254-1269.)。容积卡尔曼滤波提供了一种新的实现方式用以解决非线性估计问题。考虑到范数约束问题,本发明将范数约束引入到容积卡尔曼滤波中,提出具有范数约束的容积卡尔曼滤波方法,用以提高飞行器的姿态估计精度。
发明内容
为了改进现有的飞行器姿态估计受范数约束的影响精度较低的问题,本发明提出了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,将范数约束引入到容积卡尔曼滤波中,并将其应用到飞行器的姿态估计问题中,提高了飞行器的姿态估计精度。
为了达到上述目的,本发明的技术方案是:一种范数约束容积卡尔曼滤波的飞行器姿态估计方法,其步骤如下:
步骤一、建立飞行器导航系统的非线性状态方程
在目标坐标系下,利用惯性测量单元提供的飞行器的加速度和角速度建立飞行器的动力学模型,其状态方程为
其中,r=[rx,ry,rz]T和v=[vx,vy,vz]T分别是飞行器的位置和速度,X、Y、Z是目标系的坐标轴;q=[q0 q1 q2 q3]T是姿态四元数;a=[ax,ay,az]T和ω=[ωxyz]T分别是陀螺的加速度和角速度;g是重力加速度;是从体坐标系到目标坐标系的系数转换矩阵,系数转换矩阵为:
四元数矩阵Ω(ω)为:
状态向量为x=[r,v,ba,bω,q]T,则其状态方程为
其中,分别为加速度计和陀螺仪的输出向量,a和ω分别为陀螺真实的加速度和角速度,ba和bω分别为加速度的偏差和角速度的偏差,ξa和ξω分别为加速度和角速度的零均值高斯白噪声,ηa和ηω分别为加速度和角速度的漂移偏差的高斯白噪声,系数矩阵Θq
步骤二:建立飞行器导航系统的非线性量测方程
将惯性测量单元的速度和加速度,测距测速仪测得的高度和三轴速度和两个导航信标的距离作为量测值引入到量测模型,则量测方程为:
z=[rz vc R1 R2]T+ζ=h(x)+ζ (6)
其中,
其中,Rm表示飞行器与导航信标的距离,rb是信标的位置坐标,ζR,m是测距的噪声,ζR,m为零均值高斯白噪声;
步骤三:离散化状态方程和量测方程
将状态方程和量测方程进行离散化,得到离散的飞行器的状态方程和量测方程:
xk=f(xk-1)+wk-1 (9)
zk=h(xk)+ζk (10)
其中,k时刻的状态变量xk具有范数约束wk和ζk是相互独立的零均值高斯白噪声序列,且wk和ζk的方差分别为Qk和Rk,且满足
其中,δkj为Kroneckerδ函数,当k=j时,δkj=1;当k≠j时,δkj=0;
步骤四:将离散后状态方程和量测方程采用范数约束容积卡尔曼滤波,输出飞行器的姿态
1.对离散的状态方程和量测方程的状态和误差方差阵分别进行初始化:
2.设第k-1步tk-1时刻的状态估计值和误差方差阵分别为则第k步tk时刻的容积点为:
其中,上标“+”表示其后验估计,为误差方差距阵的平方根,满足ξi为2n个容积点的第i个值,其取值集合为
其中,ei,i=1,2,…,n,为单位向量,其第i个值为1,其余元素均为零,即ei=[0,…,0,1,0,…,0]T
经过非线性函数传递后的容积点为;
则其相应的先验状态估计和方差分别为
式中,上标“-”表示变量的先验估计;
3.进行量测方程的更新:首先,由先验状态估计和方差重新计算容积点:
然后,计算经过非线性量测函数传递的容积点为:
其次,计算量测先验估计值及先验估计值的方差、先验估计值协方差:
4.计算范数约束的卡尔曼增益:首先,计算无约束的卡尔曼增益
和无约束的最优状态估计值
其中,
然后,计算具有范数约束的卡尔曼增益Kk
其中,
5.计算状态估计值和相应的方差阵:基于范数约束的后验状态估计值为
方差阵为
式中,
通过步骤四中步骤2-5的4步循环迭代,得到飞行器的实时状态估计值,包含探测器的位置、速度和姿态。
所述步骤一中的目标坐标系是指以预定着陆点为原点,x轴指向东,y轴指向北,z轴指向天;体坐标系是指以飞行器的重心为原点,OX轴位于飞行器参考平面内平行于飞行器轴线并指向飞行器前方,OY轴垂直于飞行器参考面并指向飞行器右方,OZ轴在参考面内垂直于XOY平面,并指向飞行器下方。
所述步骤一中姿态四元数的向量q=[q0 q1 q2 q3]T的2范数是q中各个元素平方之和再开根号:且满足范数约束||q||2=1。
本发明的有益效果:与标准的容积卡尔曼滤波相比,本发明所采用的范数约束容积卡尔曼滤波,将描述飞行器姿态的四元数的范数约束引入了姿态估计中,有效地解决了姿态估计过程中不考虑范数约束的协方差奇异问题,仅增加了少许计算量,有效地修正了四元数的范数约束条件对飞行器姿态估计的影响,提高了姿态估计精度,进而提高了飞行器的导航精度,增强了导航过程的稳定性。
附图说明
图1为本发明的流程图。
图2为本发明中的范数约束容积卡尔曼滤波的原理图。
具体实施方式
下面结合附图和实施例对本发明作详细的说明。
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,其计算流程图如图1所示,数约束容积卡尔曼滤波算法流程图如图2所示,它包括以下四个步骤:
步骤一:建立飞行器导航系统的状态方程
在目标坐标系下,利用惯性测量单元提供的飞行器的加速度和角速度,建立飞行器的动力学模型,即状态方程为:
其中,r=[rx,ry,rz]T和v=[vx,vy,vz]T分别是飞行器的位置和速度,X、Y、Z是目标系的坐标轴;q=[q0 q1 q2 q3]T是姿态四元数,姿态四元数向量q的2范数是其中各个元素平方之和再开根号,即且满足范数约束||q||2=1;a=[ax,ay,az]T和ω=[ωxyz]T分别是陀螺的加速度和角速度;g是重力加速度,其值为g=[0,0,-3.69]Tm/s2是从体坐标系到目标坐标系的系数转换矩阵,系数矩阵为:
四元数矩阵Ω(ω)定义为
状态向量取为x=[r,v,ba,bω,q]T,则相应的状态方程为
上式中,分别为加速度计和陀螺仪输出的加速度和角速度,a和ω分别为真实的加速度和角速度,ba和bω分别为加速度偏差和角速度偏差,ξa和ξω分别为加速度和角速度的零均值高斯白噪声,ηa和ηω分别为加速度和角速度的漂移偏差的高斯白噪声,系数矩阵Θq定义为
其中,目标坐标系是指以预定着陆点为原点,x轴指向东,y轴指向北,z轴指向天;体坐标系是指以飞行器的重心为原点,OX轴位于飞行器参考平面内平行于飞行器轴线并指向飞行器前方,OY轴垂直于飞行器参考面并指向飞行器右方,OZ轴在参考面内垂直于XOY平面,指向飞行器下方。
步骤二:建立飞行器导航系统的非线性量测方程
在建立量测模型时,考虑将惯性测量单元的速度和加速度、测距测速仪测得的高度和三轴速度、两个导航信标的距离作为量测值引入到量测模型,则相应的量测方程为
z=[rz vc R1 R2]T+ζ=h(x)+ζ (6)
式中,
式中,Ri表示飞行器与导航信标的距离,rb是信标的位置坐标,ζR,i是测距的噪声,ζR,i为零均值高斯白噪声。
步骤三:离散化状态方程和量测方程
将状态方程和量测方程进行离散化,得到离散的飞行器的状态方程和量测方程:
xk=f(xk-1)+wk-1 (9)
zk=h(xk)+ζk (10)
式中,设此时状态变量xk具有范数约束wk和ζk为独立的零均值高斯白噪声序列。wk和ζk的方差分别为Qk和Rk,且满足:
式中,δkj为Kroneckerδ函数,即有当k=j时,δkj=1;当k≠j时,δkj=0。
其中,在本发明中范数约束即为姿态四元数的约束:||q||2=1,也就是说上述算法中的
步骤四:将离散后的状态方程和量测方程采用范数约束容积卡尔曼滤波,输出飞行器的姿态
步骤三中的离散化的式(9)状态方程和式(10)量测方程,考虑其状态满足一定的范数约束,将其引入到容积卡尔曼滤波算法中,形成新的范数约束容积卡尔曼滤波算法。本发明的范数约束容积卡尔曼滤波算法的原理图参见图2,实现步骤为:
1.对离散的状态方程和量测方程的状态和误差方差阵进行初始化:赋予状态和误差方差阵初值
2.设第k-1步即tk-1时刻的状态估计值和误差方差阵分别为在此基础之上生成第k步即tk时刻的容积点
式中,“+”表示后验估计,为方差的平方根,即满足ξj为2n个容积点的第j个值,其取值集合为
其中,ej(i=1,2,…,n)为单位向量,其第j个值为1,其余元素均为零,即ej=[0,…,0,1,0,…,0]T
经过非线性函数传递后的容积点分别为
则相应的状态和误差方差阵的先验状态估计和方差分别为
式中,上标“-”表示先验估计。
3.进行量测更新:首先,由先验状态估计和方差重新计算容积点
然后,计算经过非线性量测函数传递的容积点为:
其次,计算量测先验估计值及先验估计值的的方差、协方差为
4.计算范数约束的卡尔曼增益:首先,计算无约束的卡尔曼增益
和无约束的最优状态估计值
式中,
然后,计算具有范数约束的卡尔曼增益Kk
式中,
5.计算状态估计值和相应的方差阵:基于范数约束的后验状态估计值为
方差阵为
式中,
通过第2-5步的4步循环进行即可得到飞行器的实时状态估计值包含探测器的位置速度和姿态
本发明通过建立飞行器导航系统的非线性状态方程和量测方程,然后利用范数约束容积卡尔曼滤波算法将范数约束引入到容积卡尔曼滤波中,提高了飞行器的姿态估计精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于范数约束容积卡尔曼滤波的飞行器姿态估计方法,其特征在于,其步骤如下:
步骤一、建立飞行器导航系统的非线性状态方程
在目标坐标系下,利用惯性测量单元提供的飞行器的加速度和角速度建立飞行器的动力学模型,其状态方程为
其中,r=[rx,ry,rz]T和v=[vx,vy,vz]T分别是飞行器的位置和速度,X、Y、Z是目标系的坐标轴;q=[q0 q1 q2 q3]T是姿态四元数;a=[ax,ay,az]T和ω=[ωxyz]T分别是陀螺的加速度和角速度;g是重力加速度;是从体坐标系到目标坐标系的系数转换矩阵,系数转换矩阵为:
四元数矩阵Ω(ω)为:
状态向量为x=[r,v,ba,bω,q]T,则其状态方程为
其中,分别为加速度计和陀螺仪的输出向量,a和ω分别为陀螺真实的加速度和角速度,ba和bω分别为加速度的偏差和角速度的偏差,ξa和ξω分别为加速度和角速度的零均值高斯白噪声,ηa和ηω分别为加速度和角速度的漂移偏差的高斯白噪声,系数矩阵Θq
步骤二:建立飞行器导航系统的非线性量测方程
将惯性测量单元的速度和加速度,测距测速仪测得的高度和三轴速度和两个导航信标的距离作为量测值引入到量测模型,则量测方程为:
z=[rz vc R1 R2]T+ζ=h(x)+ζ (6)
其中,
其中,Rm表示飞行器与导航信标的距离,rb是信标的位置坐标,ζR,m是测距的噪声,ζR,m为零均值高斯白噪声;
步骤三:离散化状态方程和量测方程
将状态方程和量测方程进行离散化,得到离散的飞行器的状态方程和量测方程:
xk=f(xk-1)+wk-1 (9)
zk=h(xk)+ζk (10)
其中,k时刻的状态变量xk具有范数约束wk和ζk是相互独立的零均值高斯白噪声序列,且wk和ζk的方差分别为Qk和Rk,且满足
其中,δkj为Kroneckerδ函数,当k=j时,δkj=1;当k≠j时,δkj=0;
步骤四:将离散后状态方程和量测方程采用范数约束容积卡尔曼滤波,输出飞行器的姿态
1.对离散的状态方程和量测方程的状态和误差方差阵分别进行初始化:
2.设第k-1步tk-1时刻的状态估计值和误差方差阵分别为则第k步tk时刻的容积点为:
其中,上标“+”表示其后验估计,为误差方差阵的平方根,满足ξi为2n个容积点的第i个值,其取值集合为
其中,ei,i=1,2,…,n,为单位向量,其第i个值为1,其余元素均为零,即ei=[0,…,0,1,0,…,0]T
经过非线性函数传递后的容积点为;
则其相应的先验状态估计和方差分别为
式中,上标“-”表示变量的先验估计;
3.进行量测方程的更新:首先,由先验状态估计和方差重新计算容积点:
然后,计算经过非线性量测函数传递的容积点为:
其次,计算量测先验估计值及先验估计值的方差、先验估计值协方差:
4.计算范数约束的卡尔曼增益:首先,计算无约束的卡尔曼增益
和无约束的最优状态估计值
其中,
然后,计算具有范数约束的卡尔曼增益Kk
其中,
5.计算状态估计值和相应的方差阵:基于范数约束的后验状态估计值为
方差阵为
式中,
通过步骤四中步骤2-5的4步循环迭代,得到飞行器的实时状态估计值包含探测器的位置速度和姿态
2.根据权利要求1所示的基于范数约束容积卡尔曼滤波的飞行器姿态估计方法,其特征在于,所述步骤一中的目标坐标系是指以预定着陆点为原点,x轴指向东,y轴指向北,z轴指向天;体坐标系是指以飞行器的重心为原点,OX轴位于飞行器参考平面内平行于飞行器轴线并指向飞行器前方,OY轴垂直于飞行器参考面并指向飞行器右方,OZ轴在参考面内垂直于XOY平面,并指向飞行器下方。
3.根据权利要求1所示的基于范数约束容积卡尔曼滤波的飞行器姿态估计方法,其特征在于,所述步骤一中姿态四元数的向量q=[q0 q1 q2 q3]T的2范数是q中各个元素平方之和再开根号:且满足范数约束||q||2=1。
CN201610303633.9A 2016-05-09 2016-05-09 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 Active CN105973238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610303633.9A CN105973238B (zh) 2016-05-09 2016-05-09 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610303633.9A CN105973238B (zh) 2016-05-09 2016-05-09 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

Publications (2)

Publication Number Publication Date
CN105973238A CN105973238A (zh) 2016-09-28
CN105973238B true CN105973238B (zh) 2018-08-17

Family

ID=56991775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610303633.9A Active CN105973238B (zh) 2016-05-09 2016-05-09 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

Country Status (1)

Country Link
CN (1) CN105973238B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106871905B (zh) * 2017-03-02 2020-02-11 哈尔滨工业大学 一种非理想条件下高斯滤波替代框架组合导航方法
CN108036785A (zh) * 2017-11-24 2018-05-15 浙江大学 一种基于直接法与惯导融合的飞行器位姿估计方法
CN108318038A (zh) * 2018-01-26 2018-07-24 南京航空航天大学 一种四元数高斯粒子滤波移动机器人姿态解算方法
CN109740209A (zh) * 2018-12-20 2019-05-10 北京空天技术研究所 高超声速飞行器参数在线辨识方法及使用其的力学模型
CN109581356B (zh) * 2019-01-04 2020-07-10 北京理工大学 一种常值机动空间目标的约束滤波追踪方法
CN111351482B (zh) * 2020-03-19 2023-08-18 南京理工大学 基于误差状态卡尔曼滤波的多旋翼飞行器组合导航方法
CN112527119B (zh) * 2020-12-22 2022-05-27 南京航空航天大学 一种手势位姿数据处理方法及存储介质
CN112904393B (zh) * 2021-01-19 2023-11-10 江苏大学 一种导航路径几何约束辅助的农业机械自主导航方法
CN113074753A (zh) * 2021-03-19 2021-07-06 南京天巡遥感技术研究院有限公司 一种星敏感器陀螺联合定姿方法、联合定姿系统及应用
CN116067370B (zh) * 2023-04-03 2023-06-27 广东智能无人系统研究院(南沙) 一种imu姿态解算方法及设备、存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101982732B (zh) * 2010-09-14 2012-02-01 北京航空航天大学 一种基于esoqpf和ukf主从滤波的微小卫星姿态确定方法
US8762100B1 (en) * 2012-02-10 2014-06-24 Tokyo Electron Limited Numerical aperture integration for optical critical dimension (OCD) metrology
CN103727941B (zh) * 2014-01-06 2016-04-13 东南大学 基于载体系速度匹配的容积卡尔曼非线性组合导航方法
CN103900574B (zh) * 2014-04-04 2017-02-22 哈尔滨工程大学 一种基于迭代容积卡尔曼滤波姿态估计方法
CN104019817B (zh) * 2014-05-30 2017-01-04 哈尔滨工程大学 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
CN104121907B (zh) * 2014-07-30 2017-02-08 杭州电子科技大学 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

Also Published As

Publication number Publication date
CN105973238A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
CN105973238B (zh) 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
Mueller et al. Fusing ultra-wideband range measurements with accelerometers and rate gyroscopes for quadrocopter state estimation
WO2021082790A1 (zh) 一种基于IMU的uwb定位异常值处理方法
Fan et al. Data fusion for indoor mobile robot positioning based on tightly coupled INS/UWB
Huang et al. A new fast in-motion coarse alignment method for GPS-aided low-cost SINS
WO2020220729A1 (zh) 基于角加速度计/陀螺/加速度计的惯性导航解算方法
CN103822633B (zh) 一种基于二阶量测更新的低成本姿态估计方法
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
CN105606094B (zh) 一种基于mems/gps组合系统的信息条件匹配滤波估计方法
CN106052685B (zh) 一种两级分离融合的姿态和航向估计方法
CN106708066A (zh) 基于视觉/惯导的无人机自主着陆方法
CN109459019A (zh) 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
CN105021092B (zh) 一种捷联寻的导引头的制导信息提取方法
CN103712598B (zh) 一种小型无人机姿态确定方法
CN106441291B (zh) 一种基于强跟踪sdre滤波的组合导航系统及导航方法
CN107621266B (zh) 基于特征点跟踪的空间非合作目标相对导航方法
CN107702712A (zh) 基于惯性测量双层wlan指纹库的室内行人组合定位方法
CN103363992A (zh) 基于梯度下降的四旋翼无人机姿态航向参考系统解算方法
CN107101649B (zh) 一种空间飞行器制导工具在轨误差分离方法
CN107270896A (zh) 一种行人定位与轨迹跟踪方法和系统
CN105180728A (zh) 基于前数据的旋转制导炮弹快速空中对准方法
CN101900573A (zh) 一种实现陆用惯性导航系统运动对准的方法
CN106352897B (zh) 一种基于单目视觉传感器的硅mems陀螺误差估计与校正方法
Bavle et al. A flight altitude estimator for multirotor UAVs in dynamic and unstructured indoor environments
CN106672265A (zh) 一种基于光流信息的小天体定点着陆制导控制方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant