CN107727097A - 基于机载分布式位置姿态测量系统的信息融合方法和装置 - Google Patents

基于机载分布式位置姿态测量系统的信息融合方法和装置 Download PDF

Info

Publication number
CN107727097A
CN107727097A CN201710837756.5A CN201710837756A CN107727097A CN 107727097 A CN107727097 A CN 107727097A CN 201710837756 A CN201710837756 A CN 201710837756A CN 107727097 A CN107727097 A CN 107727097A
Authority
CN
China
Prior art keywords
child node
state
information fusion
information
measurement system
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
Application number
CN201710837756.5A
Other languages
English (en)
Other versions
CN107727097B (zh
Inventor
刘刚
叶文
李建利
房建成
朱庄生
宫晓琳
袁学忠
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201710837756.5A priority Critical patent/CN107727097B/zh
Publication of CN107727097A publication Critical patent/CN107727097A/zh
Application granted granted Critical
Publication of CN107727097B publication Critical patent/CN107727097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于机载分布式位置姿态测量系统的信息融合方法，采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息；通过传递对准得到各子节点IMU的局部状态估计；将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性，通过全局信息融合方法得到状态更新值。该方法本发明实现一主多子机载分布式POS的高精度测量，适用于阵列天线对高精度分布式惯性测量的需求和分布式导航。本发明还公开了一种基于机载分布式位置姿态测量系统的信息融合装置。

Description

基于机载分布式位置姿态测量系统的信息融合方法和装置
技术领域
本发明涉及航空航天技术领域，特别是涉及一种基于机载分布式位置姿态测量系统的信息融合方法和装置。
背景技术
高精度POS可以为高分辨率航空遥感系统提供高频、高精度的时间、空间基准信息，通过运动误差补偿提高成像精度和效率。随着航空遥感对高分辨率成像需求的不断提高，新型高效多任务成像载荷联合成像技术、长基线微波载荷干涉和阵列技术逐渐成为提高成像效率和分辨率的有效手段。针对柔性长基线阵列天线SAR，因其通过机翼下挂天线吊舱，无需飞机改装、较易实现等特点在近年来受到广泛重视。但对于同一载机的多个观测载荷，采用传统的单一 POS无法满足阵列天线SAR的高精度运动参数测量的需求，而且因体积、重量、成本等因素的限制，在各观测载荷处均安装一个高精度POS也不现实。因此，迫切需要实现高精度机载分布式POS全局信息融合。机载分布式POS系统由高精度主POS和多个分布在机翼下的子IMU组成。从阵列天线成像雷达对机载分布式测量系统的需求出发，在高精度光纤主POS研究基础上，利用高精度光纤主POS、多节点子IMU和阵列天线相对导航信息，通过传递对准得到各子节点 IMU的局部状态估计。然后将所有节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各节点时空域内运动状态的相关性，通过全局信息融合方法得到新的状态更新值，最终精确测量分布在柔性基线上的阵列天线时空基准和相对空间信息,并在阵列天线成像雷达中进行运动误差补偿。
发明内容
基于此，有必要针对传统技术存在的问题，提供一种基于机载分布式位置姿态测量系统的信息融合方法和装置，能够克服现有技术的不足，采用高斯过程回归学习历史数据中的滤波估计值和平滑估计值(假设为真值)的残差，并用学习后的模型预测实际数据的残差，增强主POS的滤波性能；利用基于力学特性的二阶马尔科夫方法建立柔性基线形变模型；充分利用高精度主POS和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
第一方面，本发明实施例提供了一种基于机载分布式位置姿态测量系统的信息融合方法，所述方法包括：采用基于高斯过程的增强滤波获取高精度光纤主 POS的测量信息；通过传递对准得到各子节点IMU的局部状态估计；将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性，并通过全局信息融合方法得到状态更新值。
在其中一个实施例中，所述采用基于高斯过程的增强滤波获取高精度光纤主 POS的测量信息包括：通过所述高斯过程回归学习历史数据中的滤波估计值和平滑估计值的残差，并通过学习后的模型预测实际数据的残差增强主POS的滤波性能，其中，平滑估计值预先假设为真值。
在其中一个实施例中，所述通过传递对准得到各子节点IMU的局部状态估计包括：采用基于力学特性的二阶马尔科夫的传递对准方法。
在其中一个实施例中，所述采用基于力学特性的二阶马尔科夫的传递对准方法包括：通过力学特性分析挠曲变形角的动力学规律，并通过所述二阶马尔科夫建立节点之间的基线形变模型。
在其中一个实施例中，所述利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性包括：基于柔性基线的传递对准方法是利用基于力学特性的二阶马尔科夫方法建立节点之间的基线形变模型。
在其中一个实施例中，所述通过全局信息融合方法得到状态更新值包括：通过高精度主POS和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
在其中一个实施例中，还包括：精确测量分布在柔性基线上的阵列天线时空基准和相对空间信息。
第二方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的基于机载分布式位置姿态测量系统的信息融合方法。
第三方面，本发明实施例提供了一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述第一方面所述的方法。
第四方面，本发明实施例还提供了一种基于机载分布式位置姿态测量系统的信息融合装置，所述装置包括：获取模块，用于采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息；生成模块，用于通过传递对准得到各子节点IMU的局部状态估计；构建模块，用于将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性；信息融合模块，用于通过全局信息融合方法得到状态更新值。
本发明提供的一种基于机载分布式位置姿态测量系统的信息融合方法和装置，采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息；通过传递对准得到各子节点IMU的局部状态估计；将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性，并通过全局信息融合方法得到状态更新值。该方法采用高斯过程回归学习历史数据中的滤波估计值和平滑估计值(假设为真值)的残差，并用学习后的模型预测实际数据的残差，增强主POS的滤波性能；利用基于力学特性的二阶马尔科夫方法建立柔性基线形变模型；充分利用高精度主POS和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
附图说明
图1为本发明一个实施例中的一种基于机载分布式位置姿态测量系统的信息融合方法的流程示意图；
图2为本发明一个实施例中的一种基于机载分布式位置姿态测量系统的信息融合方法示例框图；以及
图3为本发明一个实施例中的一种基于机载分布式位置姿态测量系统的信息融合装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明基于机载分布式位置姿态测量系统的信息融合方法和装置进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为一个实施例中的一种基于机载分布式位置姿态测量系统的信息融合方法的流程示意图。具体包括以下步骤：
步骤102，采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息。本实施例中，采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息包括：通过高斯过程回归学习历史数据中的滤波估计值和平滑估计值的残差，并通过学习后的模型预测实际数据的残差增强主POS的滤波性能，其中，平滑估计值预先假设为真值。
步骤104，通过传递对准得到各子节点IMU的局部状态估计。
本实施例中，通过传递对准得到各子节点IMU的局部状态估计包括：采用基于力学特性的二阶马尔科夫的传递对准方法。具体的，通过力学特性分析挠曲变形角的动力学规律，并通过二阶马尔科夫建立节点之间的基线形变模型。
步骤106，将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性，并通过全局信息融合方法得到状态更新值。
本实施例中，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性包括：基于柔性基线的传递对准方法是利用基于力学特性的二阶马尔科夫方法建立节点之间的基线形变模型。
进一步地，通过全局信息融合方法得到状态更新值包括：通过高精度主POS 和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
更进一步地，本公开的一种基于机载分布式位置姿态测量系统的信息融合方法还包括：精确测量分布在柔性基线上的阵列天线时空基准和相对空间信息。
本公开提供的一种基于机载分布式位置姿态测量系统的信息融合方法，采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息；通过传递对准得到各子节点IMU的局部状态估计；将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性，并通过全局信息融合方法得到状态更新值。该方法采用高斯过程回归学习历史数据中的滤波估计值和平滑估计值(假设为真值)的残差，并用学习后的模型预测实际数据的残差，增强主POS的滤波性能；利用基于力学特性的二阶马尔科夫方法建立柔性基线形变模型；充分利用高精度主POS和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
为了更加清晰的理解与应用本公开提出的一种基于机载分布式位置姿态测量系统的信息融合方法，进行以下示例。需要说明的是，不公开所保护的范围不限于以下示例。
具体的，本公开的技术解决方案概述为：基于高斯过程的增强滤波方法；基于力学特性的二阶马尔科夫传递对准方法；多节点间的全局信息融合方法。其中，主POS的增强滤波方法是利用高斯过程回归学习历史数据中的滤波估计值和平滑估计值(假设为真值)的残差，并用学习后的模型预测实际数据的残差，提高主POS的滤波性能；柔性基线的传递对准方法是利用动力学方法建立节点之间的基线形变模型；多节点间的信息融合方法是充分利用高精度主POS 和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
进一步地，本公开的技术原理为：主POS的高精度高稳定度测量是机载分布式位置姿态测量系统实现高精度测量的前提。首先，利用高斯过程回归学习历史数据中的滤波估计值和平滑估计值(假设为真值)的残差，并用学习后的模型预测实际数据的残差，提高主POS的滤波性能；其次，利用基于力学特性的二阶马尔科夫方法建立节点之间的传递对准模型；最后，充分利用高精度主 POS和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
需要理解的是，本公开技术解决方案的具体实施架构如图2所示，一种机载分布式位置姿态测量系统用信息融合方法包含基于高斯过程的增强滤波方法，基于力学特性的二阶马尔科夫的传递对准方法和多节点间的全局信息融合方法。
其中，基于高斯过程的增强滤波方法为：
步骤201：初值
建立状态方程的训练数据：Df；x0是系统状态变量的初始值，是均值；P0是协方差阵初始值
建立量测方程的训练数据：Dh。
步骤202：Xk-1是Sigma 点的状态量，h是间隔因子
步骤203具体为：
Xi,k|k-1是预测Sigma的状态量，wk-1是系统噪声
步骤204：是系统状态的预测值，Wi是相关系数
步骤205：是k时刻的系统协方差预测值，
步骤206具体为：
Yi,k|k-1是量测信息的sigma点值
步骤207：是预测值
步骤208：是新息方差
步骤209：是协方差矩阵
步骤210：Kk是增益阵
步骤211：是系统状态估计值
步骤212：Pk是协方差阵的k时刻估计值
通过上述的方法实现主POS的高精度输出。
更进一步地，需要理解的是，基于力学特性的二阶马尔科夫的柔性基线传递对准模型。本公开在传统模型的基础上，将柔性杆臂变化量扩展为系统状态变量，系统模型具体如下：系统状态变量如下所示：
其中前十五维状态向量是标准的卡尔曼滤波状态向量；ρx,ρy,ρz和sx,sy,sz分别为机翼IMU与机腹IMU间的固定安装误差角和固定安装误差位移，其建模为常值θx,θy,θz为柔性变形角；Δlx,Δly,Δlz为柔性杆臂变形量。
本公开采用基于力学特性的二阶马尔科夫过程作为载体动态变形的模型，并且认为各个轴的柔性变形过程是独立的。
三个柔性变形角所满足的方程为：
其中，τi为三个轴上的柔性变形的相关时间；ηx,ηy,ηz一般被认为是具有一定方差的白噪声(如果是有色噪声，则需白化处理)，其方差满足：
为三个柔性变形角θx,θy,θz的方差。
柔性杆臂变形量是由柔性变形角引起的，柔性杆臂变形如下述，在柔性变形角θx作用下，y方向的杆臂y0即OA变为OB，同时导致z方向的杆臂发生A'B的变化量。
经推导可得，柔性变形角θx作用下，y方向杆臂和z方向杆臂分别发生如下变化量：
采用相似的方法，柔性变形角θy作用下，x方向杆臂和z方向杆臂分别发生如下变化量：
采用相似的方法，柔性变形角θz作用下，x方向杆臂和y方向杆臂分别发生如下变化量：
将柔性变形角θx,θy,θz的柔性杆臂变化量组合可得：
对上式进行微分可得柔性杆臂变化量的微分方程：
更进一步地，系统量测量包括姿态误差、速度误差和位置误差。为方便推导量测误差模型，给出如下定义：
n为机腹POS导航坐标系；n1为机翼POS计算导航坐标系；a为机腹POS 载体坐标系；b为机翼POS载体坐标系。
n和n1之间的关系在小角度时可由如下方向余弦阵来确定：
式中：φ×为失准角φx、φy、φz组成的斜对称阵。
同理，两POS载体系之间的关系在小角度时可由如下方向余弦阵来确定：
式中：
可得下列关系成立：
将上述方程整理得到：
Tb＝(I-φ×)Ta(I+u×)＝Ta+Ta(u×)-(φ×)Ta-(φ×)Ta(u×) (11)
忽略二阶小量的乘积，取近似值有：
Tb＝Ta+Ta(u×)-(φ×)Ta (12)
设机腹POS和机翼POS计算出的航向角、俯仰角及横滚角分别为ψ、θ、γ和ψs、θs、γs。记
则有
将上述第一式左边按泰勒级数展开，取前两项得：
将上述第一式右边按泰勒级数展开，取前两项并忽略二阶小量得：
右边为
联合式(16)和(17)，得：
同理可得：
上述式中，ν1、ν2、ν3为姿态量测噪声。
机腹POS的速度和位置首先要经过初始的固定杆臂补偿，然后与机翼POS 的位置和速度做差。
速度和位置量测量如下：
由于
因此：
进一步可得速度误差和位置误差量测方程为：
可以意识到的是，多节点的全局信息融合中，在测量融合阶段，每个独立的测量融合滤波器充分利用本节点以及主POS的测量信息，得到该节点的局部状态估计；在状态融合中，各节点的局部状态估计汇集在一个全局滤波器中进行数据融合，最终输出全局最优估计。
依据建立的柔性基线形变运动模型，充分利用高精度主POS和各节点子 IMU传递对准局部状态估计信息，得到该节点的局部状态估计；在状态融合中，各节点的局部状态估计汇集在一个全局滤波器中进行数据融合，最终输出全局最优估计。分析平台机动方式、机翼形变变形等对分布式POS系统状态可观测度的影响规律，基于分段定常系统(PiecewiseConstant System，PWCS)的非线性时变系统状态可观测度分析方法，提出基于系统状态可观测度分析的分布式 POS传递对准自适应反馈校正方法，根据各状态变量的可观测度确定反馈因子，对系统进行自适应反馈校正，最终提高柔性基线分布式POS的测量精度和稳定性。
本公开提出的一种基于机载分布式位置姿态测量系统的信息融合方法，一方面机载分布式测量系统实时信息融合。具体的，分布式POS由高精度POS中单个IMU增加为多个IMU，信息融合计算量显著增大，对系统计算的实时性带来了挑战。采用适用于模型非线性和系统非高斯噪声特点的先进滤波算法和结构，以增强滤波算法的鲁棒性。在保证滤波精度的同时，研究模型降维、智能滤波等方法以增强卡尔曼滤波算法的实时性，最终提升机载分布式POS的鲁棒性与实时性能；另一方面，机载分布式测量系统事后信息融合。具体的，针对系统非线性、噪声非高斯以及模型不确定问题，利用双滤波器平滑估计方法，它是利用前向和后向处理进行线性加权组合得到平滑估计值，提高滤波精度和数据平滑度。结合迭代估计方法将精确的柔性杆臂状态等逐次反馈到传递对准模型中，解决大失准角条件下分布式POS传递对准非线性、非高斯随机误差估计问题，提高系统传递对准精度和稳定性。
基于同一公开构思，还提供了一种基于机载分布式位置姿态测量系统的信息融合装置。由于此装置解决问题的原理与前述一种基于机载分布式位置姿态测量系统的信息融合方法相似，因此，该装置的实施可以按照前述方法的具体步骤时限，重复之处不再赘述。
如图3所示，为一个实施例中的一种基于机载分布式位置姿态测量系统的信息融合装置的结构示意图。该基于机载分布式位置姿态测量系统的信息融合装置10包括：获取模块200、生成模块400、构建模块600和信息融合模块800。
其中，获取模块200用于采用基于高斯过程的增强滤波获取高精度光纤主 POS的测量信息；生成模块400用于通过传递对准得到各子节点IMU的局部状态估计；构建模块600用于将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性；信息融合模块 800用于通过全局信息融合方法得到状态更新值。
本公开提供的一种基于机载分布式位置姿态测量系统的信息融合装置，通过获取模块200采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息；再通过生成模块400通过传递对准得到各子节点IMU的局部状态估计；继而通过构建模块600将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性，最终通过信息融合模块800 通过全局信息融合方法得到状态更新值。该装置采用高斯过程回归学习历史数据中的滤波估计值和平滑估计值(假设为真值)的残差，并用学习后的模型预测实际数据的残差，增强主POS的滤波性能；利用基于力学特性的二阶马尔科夫方法建立柔性基线形变模型；充分利用高精度主POS和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
本公开实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，该程序被图1或图2中处理器执行。
本公开实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行上述图1或2的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以做出若干变形和改进，这些都属于本公开的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于机载分布式位置姿态测量系统的信息融合方法，所述方法包括：
采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息；
通过传递对准得到各子节点IMU的局部状态估计；
将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性，并通过全局信息融合方法得到状态更新值。
2.根据权利要求1所述的方法，其中，所述采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息包括：通过所述高斯过程回归学习历史数据中的滤波估计值和平滑估计值的残差，并通过学习后的模型预测实际数据的残差增强主POS的滤波性能，其中，平滑估计值预先假设为真值。
3.根据权利要求1所述的方法，其中，所述通过传递对准得到各子节点IMU的局部状态估计包括：采用基于力学特性的二阶马尔科夫的传递对准方法。
4.根据权利要求3所述的方法，其中，所述采用基于力学特性的二阶马尔科夫的传递对准方法包括：通过力学特性分析挠曲变形角的动力学规律，并通过所述二阶马尔科夫建立节点之间的基线形变模型。
5.根据权利要求1所述的方法，其中，所述利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性包括：基于柔性基线的传递对准方法是利用基于力学特性的二阶马尔科夫方法建立节点之间的基线形变模型。
6.根据权利要求1所述的方法，其中，所述通过全局信息融合方法得到状态更新值包括：通过高精度主POS和各节点子IMU传递对准局部状态估计信息，基于柔性基线形变模型完成机载分布式测量系统全局信息融合。
7.根据权利要求1所述的方法，还包括：精确测量分布在柔性基线上的阵列天线时空基准和相对空间信息。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
9.一种基于机载分布式位置姿态测量系统的信息融合装置，所述装置包括：
获取模块，用于采用基于高斯过程的增强滤波获取高精度光纤主POS的测量信息；
生成模块，用于通过传递对准得到各子节点IMU的局部状态估计；
构建模块，用于将各子节点的局部状态估计值作为观测量，利用柔性基线形变运动模型构建各子节点时空域内运动状态的相关性；
信息融合模块，用于通过全局信息融合方法得到状态更新值。
CN201710837756.5A 2017-09-18 2017-09-18 基于机载分布式位置姿态测量系统的信息融合方法和装置 Active CN107727097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710837756.5A CN107727097B (zh) 2017-09-18 2017-09-18 基于机载分布式位置姿态测量系统的信息融合方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710837756.5A CN107727097B (zh) 2017-09-18 2017-09-18 基于机载分布式位置姿态测量系统的信息融合方法和装置

Publications (2)

Publication Number Publication Date
CN107727097A true CN107727097A (zh) 2018-02-23
CN107727097B CN107727097B (zh) 2020-08-14

Family

ID=61206571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710837756.5A Active CN107727097B (zh) 2017-09-18 2017-09-18 基于机载分布式位置姿态测量系统的信息融合方法和装置

Country Status (1)

Country Link
CN (1) CN107727097B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109612472A (zh) * 2019-01-11 2019-04-12 中国人民解放军国防科技大学 一种深空探测器自主导航系统构建方法及装置
CN110672124A (zh) * 2019-09-27 2020-01-10 北京耐威时代科技有限公司 离线杠杆臂估计方法
CN111475940A (zh) * 2020-04-03 2020-07-31 北京航空航天大学 一种基于光纤光栅传感器和机翼模态的柔性基线动态预测方法
CN111650616A (zh) * 2020-05-12 2020-09-11 烟台南山学院 一种高精度北斗导航定位系统导航定位参数计算方法
CN111811507A (zh) * 2020-04-08 2020-10-23 北京嘀嘀无限科技发展有限公司 移动设备姿态的确定方法、装置、存储介质及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020060784A1 (en) * 2000-07-19 2002-05-23 Utah State University 3D multispectral lidar
US20090093959A1 (en) * 2007-10-04 2009-04-09 Trimble Navigation Limited Real-time high accuracy position and orientation system
US20120075109A1 (en) * 2010-09-28 2012-03-29 Xianghui Wang Multi sensor position and orientation system
CN102997908A (zh) * 2011-09-15 2013-03-27 北京自动化控制设备研究所 一种正反向组合导航结果融合的pos后处理方法
CN104034329A (zh) * 2014-06-04 2014-09-10 南京航空航天大学 发射惯性系下的多组合导航处理装置及其导航方法
CN104655152A (zh) * 2015-02-11 2015-05-27 北京航空航天大学 一种基于联邦滤波的机载分布式pos实时传递对准方法
CN106054185A (zh) * 2016-05-23 2016-10-26 北京航空航天大学 一种基于分布式POS的机载双天线InSAR基线计算方法
CN106289246A (zh) * 2016-07-25 2017-01-04 北京航空航天大学 一种基于位置和姿态测量系统的柔性杆臂测量方法
CN106352876A (zh) * 2016-07-25 2017-01-25 北京航空航天大学 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020060784A1 (en) * 2000-07-19 2002-05-23 Utah State University 3D multispectral lidar
US20090093959A1 (en) * 2007-10-04 2009-04-09 Trimble Navigation Limited Real-time high accuracy position and orientation system
US20120075109A1 (en) * 2010-09-28 2012-03-29 Xianghui Wang Multi sensor position and orientation system
CN102997908A (zh) * 2011-09-15 2013-03-27 北京自动化控制设备研究所 一种正反向组合导航结果融合的pos后处理方法
CN104034329A (zh) * 2014-06-04 2014-09-10 南京航空航天大学 发射惯性系下的多组合导航处理装置及其导航方法
CN104655152A (zh) * 2015-02-11 2015-05-27 北京航空航天大学 一种基于联邦滤波的机载分布式pos实时传递对准方法
CN106054185A (zh) * 2016-05-23 2016-10-26 北京航空航天大学 一种基于分布式POS的机载双天线InSAR基线计算方法
CN106289246A (zh) * 2016-07-25 2017-01-04 北京航空航天大学 一种基于位置和姿态测量系统的柔性杆臂测量方法
CN106352876A (zh) * 2016-07-25 2017-01-25 北京航空航天大学 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GONG XIAOLIN,ETC: "An innovative transfer alignment method based on federated filter for airborne distributed POS", 《MEASUREMENT》 *
LI JIANLI,ETC: "Multisensor Time Synchronization Error Modeling and Compensation Method for Distributed POS", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
兰远鸽，等: "航空摄影测量中位置姿态测量系统的现状分析", 《遥感信息》 *
刘占超，等: "基于双捷联算法的ＰＯＳ误差在线标定方法", 《航空学报》 *
宫晓琳，等: "一种机载遥感成像用分布式POS传递对准方法", 《北京航空航天大学学报》 *
房建成，等: "机载分布式POS传递对准建模与仿真", 《中国惯性技术学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109612472A (zh) * 2019-01-11 2019-04-12 中国人民解放军国防科技大学 一种深空探测器自主导航系统构建方法及装置
CN110672124A (zh) * 2019-09-27 2020-01-10 北京耐威时代科技有限公司 离线杠杆臂估计方法
CN111475940A (zh) * 2020-04-03 2020-07-31 北京航空航天大学 一种基于光纤光栅传感器和机翼模态的柔性基线动态预测方法
CN111475940B (zh) * 2020-04-03 2022-07-12 北京航空航天大学 一种基于光纤光栅传感器和机翼模态的柔性基线动态预测方法
CN111811507A (zh) * 2020-04-08 2020-10-23 北京嘀嘀无限科技发展有限公司 移动设备姿态的确定方法、装置、存储介质及电子设备
CN111650616A (zh) * 2020-05-12 2020-09-11 烟台南山学院 一种高精度北斗导航定位系统导航定位参数计算方法

Also Published As

Publication number Publication date
CN107727097B (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN107727097A (zh) 基于机载分布式位置姿态测量系统的信息融合方法和装置
CN103776453B (zh) 一种多模型水下航行器组合导航滤波方法
CN101221238B (zh) 基于高斯均值移动配准的动态偏差估计方法
CN100462682C (zh) 一种基于预测滤波和upf航天器自标定方法
CN106352876A (zh) 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法
CN104199295B (zh) 基于神经网络的机电伺服系统摩擦补偿和变结构控制方法
CN106643737A (zh) 风力干扰环境下四旋翼飞行器姿态解算方法
Liu et al. Sideslip angle estimation of ground vehicles: a comparative study
CN103363993A (zh) 一种基于无迹卡尔曼滤波的飞机角速率信号重构方法
CN108645415A (zh) 一种船舶航迹预测方法
Fernández-Prades et al. Bayesian nonlinear filtering using quadrature and cubature rules applied to sensor data fusion for positioning
CN108197350A (zh) 一种无人船速度和不确定性估计系统及设计方法
CN109343550A (zh) 一种基于滚动时域估计的航天器角速度的估计方法
CN105701352A (zh) 空间运动目标的轨迹预测方法
CN103792562A (zh) 一种基于变换采样点的强跟踪ukf的滤波方法
Qian et al. IMM-UKF based land-vehicle navigation with low-cost GPS/INS
CN113447021A (zh) 基于lstm神经网络模型的mems惯性导航系统定位增强方法
CN109764870A (zh) 基于变换估计量建模方案的载体初始航向估算方法
CN114739397A (zh) 矿井环境运动惯性估计自适应卡尔曼滤波融合定位方法
CN109781374A (zh) 一种实时在线快速估计飞行器推力的方法
El Sabbagh et al. Promoting navigation system efficiency during GPS outage via cascaded neural networks: A novel AI based approach
CN107063300B (zh) 一种基于反演的水下导航系统动力学模型中扰动估计方法
CN103296995A (zh) 任意维高阶(≥4阶)无味变换与无味卡尔曼滤波方法
CN102707268A (zh) 机动雷达组网批处理式误差配准器
Ljungberg et al. Consistent estimators for nonlinear vessel models

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