CN107228672A - 一种适用于姿态机动工况下的星敏和陀螺数据融合方法 - Google Patents
一种适用于姿态机动工况下的星敏和陀螺数据融合方法 Download PDFInfo
- Publication number
- CN107228672A CN107228672A CN201710500466.1A CN201710500466A CN107228672A CN 107228672 A CN107228672 A CN 107228672A CN 201710500466 A CN201710500466 A CN 201710500466A CN 107228672 A CN107228672 A CN 107228672A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mover
- msub
- mtd
- 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
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
-
- 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
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Gyroscopes (AREA)
Abstract
本发明涉及一种适用于姿态机动工况下的星敏和陀螺数据融合方法,基于最小二乘原理,确定星敏测量增益系数;基于上节拍估计姿态和当前陀螺测量角速度,一步递推得到当前拍姿态;融合星敏测量姿态数据和陀螺递推姿态数据。本发明采用最小二乘法,将星敏数据和陀螺积分数据进行融合,利用陀螺积分姿态噪声小的特点提高姿态估计精度,利用星敏测量值准确的特点来保持姿态不发散,解决现有扩展卡尔曼滤波算法在姿态机动期间姿态估计不准确的问题。
Description
技术领域
本发明涉及航天器姿轨控系统星敏感器(后面简称“星敏”)和陀螺之间数据融合方法,本方法适用于卫星姿态机动期间星敏和陀螺数据融合。
背景技术
卡尔曼滤波是信息融合算法中应用最普遍的算法之一,主要用于实时融合动态多敏感器冗余数据。其要点是通过测量手段校正模型的不确定性,以模型的连续性克服测量的离散性,以测量的确定性抑制模型的不确定性。当系统的状态方程和量测方程均为线性并且系统噪声与传感器的测量噪声均为高斯白噪声时,应用经典卡尔曼滤波算法可以为融合数据提供唯一的统计意义下的最优估计。用卡尔曼滤波器对数据进行融合后,既能获得系统的当前状态估计,又可预报系统的未来状态。
经典卡尔曼滤波只适用于系统模型为线性的情况,而实际系统都包含非线性因素,扩展卡尔曼滤波(EKF)利用线性化技巧将非线性滤波问题转化为近似线性滤波问题,具体做法是假设步长足够小,围绕标称状态把状态量和观测量展开成泰勒级数,并取一次近似值。
总之,扩展卡尔曼滤波(EKF)是一种常用的线性化方法,将非线性问题转换为标称状态附近的线性问题。克服了经典卡拉曼滤波仅用于线性估计的不足。
实际工程上,采用扩展卡尔曼滤波的方式对星敏和陀螺数据进行融合,可以获得卫星稳态工作时高精度姿态数据,取得较好的应用效果。但是,随着卫星应用越来越多,卫星任务也越来越复杂,姿态确定精度也越来越高,比如某些卫星要求在姿态机动过程中仍需要进行高精度的星敏和陀螺数据融合,由于姿态机动的存在,不满足扩展卡尔曼滤波线性化的假设前提,即传统扩展卡尔曼滤波不适用于卫星姿态机动期间的星敏和陀螺高精度数据融合问题。
发明内容
本发明的目的在于提供一种适用于任意姿态机动情况下星敏感器和陀螺数据融合的方法,解决现有扩展卡尔曼滤波算法在姿态期间姿态估计不准确的问题。
为了达到上述目的,本发明提供一种适用于姿态机动工况下的星敏和陀螺数据融合方法,其包含以下过程:
第一:基于最小二乘原理,确定星敏测量增益系数;
第二:基于上节拍估计姿态和当前陀螺测量角速度,一步递推得到当前拍姿态;
第三:融合星敏测量姿态数据和陀螺递推姿态数据。
本发明采用最小二乘法,将星敏数据和陀螺积分数据进行融合,利用陀螺积分姿态噪声小的特点提高姿态估计精度,利用星敏测量值准确的特点来保持姿态不发散。
本发明提供了一种针对星敏感器和陀螺联合滤波的改进手段,与现有技术相比,其优点和有益效果是:
1)采用最小二乘法对星敏和陀螺数据进行融合,可同时保证数据融合的准确性和精确性;
2)避免了kalman滤波线性化要求,使得星敏和陀螺数据融合算法不仅适用于稳态,也适用于姿态机动等模式。
3)算法原理简单,参数物理意义清晰,软件实现简单可靠,具备极好的工程可操作性。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
以下将结合实施例对本发明的方法作进一步详细说明。
第一:基于最小二乘原理,确定星敏测量增益系数Kxm
其中,σtl为陀螺积分姿态白噪声,σxm为星敏测量姿态白噪声。
说明:σtl和σxm可以根据测量数据在线估计,也可以通过地面上注决定。
特殊地:如果陀螺当前节拍故障,可认为σtl→∞,此时Kxm=1;同理,如果星敏当前节拍故障,可认为σxm→∞,此时Kxm=0
第二:基于上节拍估计姿态和当前陀螺测量角速度一步递推得到当前拍姿态
其中:为的范数,Φ为欧拉轴转角,为的函数;分别等于
其中,为的三轴角速度分量,ΔT为滤波算法的迭代周期。
第三:融合星敏测量姿态数据和陀螺递推姿态数据
化简得:
注:本发明假设星敏和陀螺之间的所有系统误差标定方式很多,这里不再进行详细描述。因此,对于本发明来说,星敏和陀螺的测量数据均只包含白噪声,不包含系统噪声。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (6)
1.一种适用于姿态机动工况下的星敏和陀螺数据融合方法,其特征在于,包含以下过程:
第一:基于最小二乘原理,确定星敏测量增益系数Kxm
<mrow>
<msub>
<mi>K</mi>
<mrow>
<mi>x</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>t</mi>
<mi>l</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>x</mi>
<mi>m</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>t</mi>
<mi>l</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中,σtl为陀螺积分姿态白噪声,σxm为星敏测量姿态白噪声;
第二:基于上节拍估计姿态和当前陀螺测量角速度一步递推得到当前拍姿态
<mrow>
<msub>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>&Phi;</mi>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<msub>
<mi>I</mi>
<mrow>
<mn>4</mn>
<mo>&times;</mo>
<mn>4</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>&Phi;</mi>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:为的范数,Φ为欧拉轴转角,为的函数;
第三:融合星敏测量姿态数据和陀螺递推姿态数据
<mrow>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>x</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>x</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>x</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
2.如权利要求1所述适用于姿态机动工况下的星敏和陀螺数据融合方法,其特征在于,陀螺积分姿态白噪声σtl和星敏测量姿态白噪声σxm,根据测量数据在线估计或者通过地面上注决定。
3.如权利要求1所述适用于姿态机动工况下的星敏和陀螺数据融合方法,其特征在于,
若陀螺当前节拍故障,则陀螺积分姿态白噪声σtl→∞,Kxm=1;
若星敏当前节拍故障,则星敏测量姿态白噪声σxm→∞,Kxm=0。
4.如权利要求1所述适用于姿态机动工况下的星敏和陀螺数据融合方法,其特征在于,第二步中,
<mrow>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>|</mo>
<mo>|</mo>
<mo>=</mo>
<msqrt>
<mrow>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>x</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>y</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>z</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mrow>
<mrow>
<mi>&Phi;</mi>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>|</mo>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mi>&Delta;</mi>
<mi>T</mi>
</mrow>
<mrow>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>x</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>y</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>z</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>x</mi>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>z</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>y</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>y</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>z</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>z</mi>
</msub>
</mtd>
<mtd>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>y</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>x</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,为当前陀螺测量角速度的三轴角速度分量,ΔT为滤波算法的迭代周期。
5.如权利要求1所述适用于姿态机动工况下的星敏和陀螺数据融合方法,其特征在于,递推的姿态数据化简为:
<mrow>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>K</mi>
<mrow>
<mi>x</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>x</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>/</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>.</mo>
</mrow>
6.如权利要求1所述适用于姿态机动工况下的星敏和陀螺数据融合方法,其特征在于,星敏和陀螺的测量数据包含白噪声,而不包含系统噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710500466.1A CN107228672B (zh) | 2017-06-27 | 2017-06-27 | 一种适用于姿态机动工况下的星敏和陀螺数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710500466.1A CN107228672B (zh) | 2017-06-27 | 2017-06-27 | 一种适用于姿态机动工况下的星敏和陀螺数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107228672A true CN107228672A (zh) | 2017-10-03 |
CN107228672B CN107228672B (zh) | 2021-01-29 |
Family
ID=59936176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710500466.1A Active CN107228672B (zh) | 2017-06-27 | 2017-06-27 | 一种适用于姿态机动工况下的星敏和陀螺数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107228672B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209185A (zh) * | 2019-06-26 | 2019-09-06 | 北京控制工程研究所 | 一种利用星敏信息姿态重置的航天器姿态机动稳定方法 |
CN111207775A (zh) * | 2020-02-24 | 2020-05-29 | 上海航天控制技术研究所 | 卫星gnc系统半物理仿真闭环测试陀螺零位标定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101078936A (zh) * | 2007-06-08 | 2007-11-28 | 北京航空航天大学 | 一种基于遗传最优request和gupf的高精度组合定姿方法 |
CN106342175B (zh) * | 2010-01-14 | 2013-11-13 | 西北工业大学 | 一种提高陀螺精度的数据融合方法 |
CN106568436A (zh) * | 2016-10-26 | 2017-04-19 | 上海航天控制技术研究所 | 一种利用陀螺修正星敏感器轨道周期系统误差的方法 |
-
2017
- 2017-06-27 CN CN201710500466.1A patent/CN107228672B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101078936A (zh) * | 2007-06-08 | 2007-11-28 | 北京航空航天大学 | 一种基于遗传最优request和gupf的高精度组合定姿方法 |
CN106342175B (zh) * | 2010-01-14 | 2013-11-13 | 西北工业大学 | 一种提高陀螺精度的数据融合方法 |
CN106568436A (zh) * | 2016-10-26 | 2017-04-19 | 上海航天控制技术研究所 | 一种利用陀螺修正星敏感器轨道周期系统误差的方法 |
Non-Patent Citations (3)
Title |
---|
GENG YUNHAI ET AL.: "Calibration for Star Tracker with Lens Distortion", 《INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 * |
吴延元等: "基于陀螺/星敏感器的微小卫星姿态确定方法研究", 《计算机测量与控制》 * |
徐樱等: "星敏感器慢变误差校准方法研究", 《上海航天》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209185A (zh) * | 2019-06-26 | 2019-09-06 | 北京控制工程研究所 | 一种利用星敏信息姿态重置的航天器姿态机动稳定方法 |
CN110209185B (zh) * | 2019-06-26 | 2022-02-01 | 北京控制工程研究所 | 一种利用星敏信息姿态重置的航天器姿态机动稳定方法 |
CN111207775A (zh) * | 2020-02-24 | 2020-05-29 | 上海航天控制技术研究所 | 卫星gnc系统半物理仿真闭环测试陀螺零位标定方法 |
CN111207775B (zh) * | 2020-02-24 | 2023-07-07 | 上海航天控制技术研究所 | 卫星gnc系统半物理仿真闭环测试陀螺零位标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107228672B (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Model predictive based unscented Kalman filter for hypersonic vehicle navigation with INS/GNSS integration | |
CN103776446B (zh) | 一种基于双mems-imu的行人自主导航解算算法 | |
CN108592945A (zh) | 一种惯性/天文组合系统误差的在线标定方法 | |
CN101246012B (zh) | 一种基于鲁棒耗散滤波的组合导航方法 | |
JP2009098125A (ja) | 動的に較正されるセンサデータと、ナビゲーションシステム内の繰り返し拡張カルマンフィルタとを使用する、ジャイロコンパスの整合用のシステム及び方法 | |
CN106767837A (zh) | 基于容积四元数估计的航天器姿态估计方法 | |
CN106896819A (zh) | 基于三星敏感器的卫星姿态确定方法和系统 | |
CN109489661B (zh) | 一种卫星初始入轨时陀螺组合常值漂移估计方法 | |
CN103344259A (zh) | 一种基于杆臂估计的ins/gps组合导航系统反馈校正方法 | |
CN102980580A (zh) | 基于张量积多胞鲁棒h2滤波的无陀螺卫星姿态确定方法 | |
CN103900574A (zh) | 一种基于迭代容积卡尔曼滤波姿态估计方法 | |
CN107228674A (zh) | 一种针对星敏感器和陀螺联合滤波的改进方法 | |
CN103398725A (zh) | 一种基于星敏感器的捷联惯导系统初始对准的方法 | |
CN103123487B (zh) | 一种航天器姿态确定方法 | |
CN107228672A (zh) | 一种适用于姿态机动工况下的星敏和陀螺数据融合方法 | |
Chiang et al. | Constrained filtering method for attitude determination using GPS and gyro | |
Stearns et al. | Multiple model adaptive estimation of satellite attitude using MEMS gyros | |
Maliňák et al. | Pure-inertial AHRS with adaptive elimination of non-gravitational vehicle acceleration | |
Quadri et al. | Error and Noise Analysis in an IMU using Kalman Filter | |
Chu et al. | Performance comparison of tight and loose INS-Camera integration | |
CN104931069A (zh) | 标定陀螺仪的方法、装置及系统 | |
CN104613984B (zh) | 临近空间飞行器传递对准模型不确定性的鲁棒滤波方法 | |
CN103344244B (zh) | 火星大气进入段消除测量数据中系统误差的两步滤波方法 | |
CN101949702B (zh) | 使用mems加速度计的gnss pvt质量快速自检方法 | |
CN105371852B (zh) | 一种基于残差生成器的最优陀螺组合选取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |