CN108168548A - 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 - Google Patents
一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 Download PDFInfo
- Publication number
- CN108168548A CN108168548A CN201810149228.5A CN201810149228A CN108168548A CN 108168548 A CN108168548 A CN 108168548A CN 201810149228 A CN201810149228 A CN 201810149228A CN 108168548 A CN108168548 A CN 108168548A
- Authority
- CN
- China
- Prior art keywords
- foot
- information
- inertia
- sensor
- inertial
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000005021 gait Effects 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 7
- 230000001953 sensory effect Effects 0.000 claims description 42
- 230000005389 magnetism Effects 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000011551 heat transfer agent Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; 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
- G01C21/16—Navigation; 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
- G01C21/165—Navigation; 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 combined with non-inertial navigation instruments
-
- 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
- G01C21/04—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means
- G01C21/08—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by terrestrial means involving use of the magnetic field of the earth
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Navigation (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种通过机器学习算法与模型辅助的行人惯性导航系统和方法，属于惯性与组合导航领域，以及人工智能领域。该方法通过安装于人体足部的惯性/地磁传感器组件，以及集中或分布式安装于人体其他部位的传感器组件识别人体不同类型的步态特征。自适应地采用不同的机器学习算法与模型对足部与其他部位的传感器信息进行训练，实现通过其他部位传感器信息模拟足部惯性传感器信息的目的，从而可对行人导航系统进行实时故障检测，并且可在足部惯性传感器出现超量程前的一个步态周期以内进行预报，再基于模拟生成的一种或多种虚拟足部惯性传感器信息，通过系统重构原理构建行人导航系统，实现故障与超量程情况下的惯性行人导航功能。
Description
技术领域
本发明涉及一种通过机器学习算法与模型辅助的行人惯性导航系统和方法，属于惯性与组合导航领域以及人工智能领域。
背景技术
行人导航是导航定位领域中的一个重要分支。行人导航系统可实时确定并监测个人的位置以及人体的运动状态，从而有效地提高军事作战人员、抢险搜救人员的快速反应能力，以及提供民用背景下行人实时、精确的定位信息，具有广阔的军事与民用应用前景。
基于惯性技术的行人导航技术始于上世纪九十年代，主要应用于美国等发达国家的未来士兵系统，该类技术中行人导航系统通常采用基于微惯性/地磁测量组件足部安装的系统结构，系统经无干扰磁环境中磁传感器误差标定与补偿后进行初始对准，之后导航系统进入导航工作状态，通过人体步态相位检测对导航系统进行间断性的零速修正，估计导航系统级误差以及陀螺仪与加速度计的部分漂移误差。在上述研究中发现，人体运动中足部在常规动作中的加速度与角速度是人体躯干的3-5倍，在剧烈运动中甚至可达10倍以上。目前的中低精度微惯性传感器件无法兼顾测量精度与量程之间的矛盾，而这两个因素都是决定行人导航系统性能的重要因素，而高精度微惯性传感器由于已达到战术级惯性器件精度指标，较难应用于民用领域。因此，人体运动状态下的实时定位对中低精度微惯性传感器量程与精度的综合性能提出了很高的要求。此外，人体在剧烈运动条件下，惯性传感器容易出现故障，一旦出现故障将导致整个行人导航系统无法正常工作。因此，惯性传感器的故障对行人导航系统的影响也是不容忽视的。
发明内容
本发明所要解决的技术问题是：为了克服现有技术的缺点，本发明提出一种通过机器学习算法与模型辅助的行人惯性导航系统和方法。
本发明为解决上述技术问题采用以下技术方案：
本发明提出一种通过机器学习算法与模型辅助的行人惯性导航系统，包括：
足部惯性/地磁传感器组件，设置于人体足部，用于采集人体足部姿态信息；
传感器组件,集中或分布式安装于人体其它部位，用于采集人体其它部位的姿态各类传感信息，传感信息包含且不仅限于惯性传感器信息；
导航计算机，设置于人体任意部位，自适应地采用机器学习算法与模型对足部与其他部位的传感器信息进行训练，实现通过其他部位传感器信息模拟足部惯性传感器信息。
进一步的，本发明所提出的行人惯性导航系统，所述导航计算机包括：
机器学习模块，用于采用足部惯性传感器信息、人体其他部位传感器信息进行训练，得到虚拟惯性传感器信息；
故障检测系统重构模块，用于检测足部惯性/地磁传感器组件是否出现故障或超量程，并在足部惯性/地磁传感器组件出现超量程前的一个步态周期以内进行预报；并用虚拟惯性传感器信息替代故障或即将超量程的惯性传感器信息；
姿态解算模块，用于根据故障检测重构模块输出的虚拟足部惯性传感器信息，或者无故障情况下的实际足部惯性传感器输出信息解算出姿态信息；
航向解算模块，用于根据解算出的姿态信息和来自足部惯性/地磁测量组件的三轴磁分量，得到航向信息；
速度解算模块，用于根据航向信息、姿态信息以及实际后虚拟的足部惯性传感器输出信息解算出速度信息；
位置解算模块，用于根据速度信息解算出位置信息，并输出全导航参数；
步态相位检测模块，用于根据足部惯性/地磁测量组件与其他部位的传感器组件检测人体运动过程中足部的运动状态，即步态，并得到零速区间信息；
零速修正模块，用于根据零速区间信息进行导航系统的零速修正，输出误差修正结果分别反馈至位置解算模块、速度解算模块、姿态解算模块和人体其他部位传感器组件；
导航输出模块，输出经过误差修正的航向信息、位置信息、速度信息和姿态信息，用于行人惯性导航。
本发明还提出一种通过机器学习算法与模型辅助的行人惯性导航方法，具体包括以下步骤：
步骤1、通过安装于人体足部的惯性/地磁传感器组件，以及集中或分布式安装于人体其他部位的一种或多种传感器组件采集惯性信息，对所得信息进行处理，识别人体不同类型的步态特征；
步骤2、针对不同特征的步态，自适应地采用不同的机器学习算法与模型对足部与其他部位的传感器信息进行训练，实现通过其他部位传感器信息模拟生成虚拟足部惯性传感器信息；
步骤3、将模拟生成的虚拟足部惯性传感器信息与实际的足部惯性/地磁传感器组件的信息对比处理，从而对行人导航系统进行实时故障检测，并在足部惯性/地磁传感器组件出现超量程前的一个步态周期以内进行预报；
步骤4、在安装于足部惯性/地磁传感器组件出现故障的时刻或的超量程的时刻到来时，用基于模拟生成的一种或多种虚拟足部惯性传感器信息，替代步骤3所述的故障或即将超量程的惯性传感器信息，通过系统重构原理构建行人导航系统，实现故障与超量程情况下的惯性行人导航功能。
进一步的，本发明所提出的一种通过机器学习算法与模型辅助的行人惯性导航方法，步骤1所述对惯性信息进行处理的步骤包括：
101)足部惯性/地磁传感组件信号采集：
采集足部惯性/地磁传感组件的输出信号，得到角速度、比力和磁场强度，并将信号传输给导航计算机；
102)足部惯性/地磁传感组件中的惯性传感器的随机误差的实时建模与校正：
首先对零位偏置的特性进行统计分析，分别建立符合陀螺仪与加速度计的零位偏置趋势项，在陀螺仪与加速度计的信号输出端加入零位偏置趋势项校正；分别建立陀螺仪与加速度计的随机误差模型，将经过零位偏置趋势项建模与校正步骤后的陀螺仪与加速度计输出作为观测量，将陀螺仪与加速度计的理论输出估计值作为状态量，建立基于随机误差模型的卡尔曼滤波器，分别实时估计陀螺仪与加速度计的理论输出估计值；
103)足部惯性/地磁传感组件中的惯性传感器初始对准：
该步骤应用于足部惯性/地磁传感组件，在导航计算机中进行；系统启动后在静态条件下，利用步骤(二)中的加速度计数据，在导航计算机中通过水平自对准得到足部惯性传感组件初始横滚角与俯仰角，并将磁强计的信号输出至导航计算机，结合初始横滚角与俯仰角得到足部惯性/地磁传感组件的初始航向角；
104)基于足部惯性/地磁传感组件的捷联惯性导航系统的惯性导航解算：
(1)基于足部惯性/地磁传感组件的捷联惯性导航系统的姿态解算：基于足部惯性/地磁传感组件中的三轴陀螺仪数据，采用四元数法进行姿态解算；
(2)基于足部惯性/地磁传感组件的捷联惯性导航系统的速度、位置解算：把基于足部的惯性传感器组件中的三轴加速度计原始输出通过姿态转移矩阵转换到导航坐标系中，解算出人体足部在地理系中的速度，通过行进中的速度在导航坐标系中的投影，进一步求得人体的经纬度以及高度信息；
105)基于足部惯性/地磁传感组件信息的零速修正：
应用于基于足部惯性/地磁传感组件的捷联惯性导航系统，求解加速度计数据的三轴矢量和，通过判断该值是否接近重力等步态检测方法来检测人体足部是否处于着地时间段，并利用着地时间段相对地面静止的特点进行间断式的零速修正，即根据捷联惯性导航系统误差与惯性传感组件误差建立系统状态方程与观测方程，实现人体行走中的零速修正，实时修正捷联惯性导航系统的误差与惯性传感组件误差。；
106)人体其他部位传感器组件的信号采集。
进一步的，本发明所提出的一种通过机器学习算法与模型辅助的行人惯性导航方法，步骤2所述采用机器学习算法，实现通过其他部位传感器信息模拟足部惯性传感器信息的功能，步骤具体包括：
201)针对人体的多种不同特征的步态，分别对足部惯性/地磁传感组件和人体其他部位的传感器组件的信息进行同步采集；
202)将足部惯性/地磁传感器组件输出的惯性传感器信息作为输出量，将其他部位的传感器信息作为输入量，所述采集的其他部位传感器信息在相同时刻或超前一个步态周期内采集；采用不同的机器学习算法与模型进行在线或离线训练，以获得其他部位传感器信息与足部惯性传感器信息之间的非线性关系；
203)实现采用通过其他部位传感器信息模拟足部惯性传感器信息。
进一步的，本发明所提出的一种通过机器学习算法与模型辅助的行人惯性导航方法，步骤3所述实时故障检测与预报的步骤具体包括：
301)两两对比该步态下虚拟与实际三轴加速度计与三轴陀螺仪信息；
302)当一轴或多轴传感器信息差值超过设定阈值时，认为安装于足部的惯性/地磁传感器组件中对应轴向的惯性传感器出现故障。
进一步的，本发明所提出的一种通过机器学习算法与模型辅助的行人惯性导航方法，步骤4所述故障或超量程情况下的导航系统智能重构的步骤具体包括：
401)实现基于智能重构的足部捷联惯性导航系统的惯性导航解算：
若实际足部惯性传感器出现故障或者超量程，则用上述方法重构的虚拟、实际混合型的足部惯性/地磁传感器组件，结合导航计算机构成重构惯性导航系统，解算步骤分为姿态解算与速度、位置解算：
(1)重构惯性导航系统的姿态解算：基于虚拟、实际混合的惯性传感器组件中的三轴陀螺仪，采用四元数法进行姿态解算；
(2)重构惯性导航系统的速度、位置解算：把虚拟、实际混合的惯性传感器组件中的三轴加速度计原始输出通过姿态转移矩阵转换到导航坐标系中，解算出人体足部在地理系中的速度，通过行进中的速度在导航坐标系中的投影，进一步求得人体的经纬度以及高度信息；
402)对重构惯性导航系统进行零速修正：
求解加速度计输出经步骤102)中建模与校正后的理论输出估计值的三轴矢量和，通过步态检测方法来检测人体足部是否处于着地时间段，并利用着地时间段相对地面静止的特点进行间断式的零速修正，即：根据重构惯性导航系统误差与传感组件误差建立系统状态方程与观测方程，实现人体行走中的零速修正，实时修正重构惯性导航系统的误差与其惯性传感组件的误差。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所涉传感器均可采用中低精度微惯性传感器，而人体运动状态下的实时定位对中低精度微惯性传感器量程与精度的综合性能提出了很高的要求；本发明将机器学习算法应用于惯性导航系统，提出的系统和方法能有效解决这一问题；
本发明通过系统重构原理构建行人导航系统，实现故障与超量程情况下的惯性行人导航功能。
附图说明
图1是本发明所述系统的结构框图。
图2是本发明的流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
如图1所示，本发明提出一种通过机器学习算法与模型辅助的行人惯性导航系统，所述行人导航系统包括惯性/地磁传感器组件和多组传感器组件。其中，惯性/地磁传感器组件安装于人体足部，多组传感器组件分别安装于人体其他部位，导航计算机安装在人体任意位置上，所述导航计算机与多种传感组件之间通过电缆或无线通讯完成数据传输。
参考图2所示，本发明还提出一种通过机器学习算法与模型辅助的行人惯性导航方法，具体步骤包括：
(一)足部惯性/地磁传感组件的信号采集：
采集足部惯性/地磁传感组件中陀螺仪、加速度计及磁传感器的输出信号，得到角速度、比力和磁场强度，并将信号通过通信电缆传输给安装于躯干的基于DSP处理器的微型导航计算机。
(二)足部惯性/地磁传感组件中的惯性传感器的随机误差的实时建模与校正：
首先对零位偏置的特性进行统计分析，分别建立符合陀螺仪与加速度计的零位偏置趋势项，在陀螺仪与加速度计的信号输出端加入零位偏置趋势项校正；分别建立陀螺仪与加速度计的随机误差模型，将经过零位偏置趋势项建模与校正步骤后的陀螺仪与加速度计输出作为观测量，将陀螺仪与加速度计的理论输出估计值作为状态量，建立基于随机误差模型的卡尔曼滤波器，分别实时估计陀螺仪与加速度计的理论输出估计值，作为后续解算的数据来源，下文简称为陀螺仪与角速度计数据；
(三)足部惯性/地磁传感组件中的惯性传感器初始对准：
该步骤应用于足部惯性/地磁传感组件，在导航计算机中进行；系统启动后在静态条件下，利用步骤(二)中的加速度计数据，在导航计算机中通过水平自对准得到足部惯性传感组件初始横滚角与俯仰角，并将磁强计的信号输出至导航计算机，结合初始横滚角与俯仰角得到足部惯性/地磁传感组件的初始航向角；
水平自对准的公式为：
其中，θ为俯仰角，γ为横滚角，g为重力加速度，与分别为加速度计数据在载体坐标系中投影的x与y轴分量；
通过俯仰角θ与横滚角γ可将地磁传感器的输出投影到水平面与垂直的方向上。
通过可以计算出航向角ψ为：
(四)基于足部惯性/地磁传感组件的捷联惯性导航系统的惯性导航解算：
(1)基于足部惯性/地磁传感组件的捷联惯性导航系统的姿态解算：基于足部惯性/地磁传感组件中的三轴陀螺仪数据，采用四元数法进行姿态解算:
1)载体相对导航坐标系角速度的计算：
其中，为MEMS陀螺仪数据，可通过行进速度在导航坐标系中的投影、地球自转角速度ωie以及上个周期的姿态转移矩阵求得。
2)四元数微分方程的求解：
四元数微分方程的离散化形式，即四元数迭代计算公式如下：
其中，为规范化后的四元数，为相互正交的单位矢量；l为四元数算法计算的单位时间间隔；ω1、ω2、ω3分别为在一次姿态解算周期内对MEMS陀螺仪数据的3次采样值，即采用3子样采样方法补偿陀螺非定轴转动时角速度矢量积分产生的计算误差，MEMS陀螺仪采样周期为h。
上式中，[]表示向量的矩阵扩展，ΔΦ0 2＝ΔΦx 2+ΔΦy 2+ΔΦz 2。
3)四元数规范化：
姿态解算中计算误差的存在使得计算的变换四元数的范数不再等于1，即计算的四元数失去规范性，因此对计算的四元数必须周期性地进行规范化处理。设为直接由四元数微分方程计算得到的四元数，而设规范化后的四元数为其中为相互正交的单位矢量，利用最小二乘判据可以求得最优规范化的变换四元数,公式如下：
4)由四元数计算姿态转移矩阵
依据四元数表示的固定矢量之间的变换关系，可获得四元数与方向余弦矩阵的关系为：
5)由姿态转移矩阵提取姿态角：
其中，θ、γ、φ分别为捷联惯性导航系统的俯仰角、横滚角和航向角；c′11、c′12、c′13、c′21、c′22、c′23、c′31、c′32、c′33分别为姿态转移矩阵对应行列位置的各元素，即c11'＝cosγcosφ+sinγsinθsinφ、c12'＝cosθsinφ、c13'＝-sinγcosφ-cosγsinθsinφ、c21'＝-cosγsinφ+sinγsinθcosφ、c22'＝cosθcosφ、c23'＝-sinγsinφ-cosγsinθcosφ、c31'＝-sinγcosθ、c32'＝sinθ、c33'＝cosγcosθ。
(2)基于足部惯性/地磁传感组件的捷联惯性导航系统的速度、位置解算：把基于足部的惯性传感器组件中的三轴加速度计原始输出通过姿态转移矩阵转换到导航坐标系中，解算出人体足部在地理系中的速度，通过行进中的速度在导航坐标系中的投影，进一步求得人体的经纬度以及高度信息。具体步骤为：
捷联惯性导航系统的速度解算中，由于加速度计固连在MEMS惯性传感组件上，它的输出是载体相对于惯性空间的比力在载体坐标系中的投影，因此需要把加速度计数据通过姿态转移矩阵转换到导航坐标系中，记为即
从而可以解算出载体在地理系中的速度，其微分方程为：
其中，fn为MEMS加速度计数据在导航坐标系中的投影，为地球自转角速度在导航坐标系中的投影，为导航坐标系相对于地球坐标系的角速度在导航坐标系中的投影，可通过行进中的速度在导航坐标系中的投影求得。将上式移项并展开得：
式中，分别是在东向、北向和地向的投影分量，Ve、Vn、Vd分别是东向、北向和地向的速度分量，λ、L分别为当地的经度与纬度，g为当地重力加速度。
利用Ve、Vn、Vd并结合上个时刻载体的纬度、经度、高度与速度，求解当前时刻导航坐标系相对于惯性坐标系的角速度在导航坐标系中的投影以及当前时刻载体的纬度L、经度λ、高度h，完成整个捷联惯性导航系统的算法流程。
(五)基于足部惯性/地磁传感组件信息的零速修正：
该步骤应用于实际捷联惯性导航系统，在微型导航计算机中进行，求解加速度计与陀螺仪经步骤2误差建模与校正后的数据的具体特征量，通过步态检测方法来判断人体足部是否处于着地时间段，并利用着地时间段相对地面静止的特点进行间断式的零速修正，即根据实际足部惯性导航系统误差与惯性器件误差特性误差建立状态方程：
式中，误差状态量X＝[δVN δVE φN φE φD ▽x ▽y εx εy εz]，其中δVN、δVE为水平速度误差沿北、东方向的分量，φN、φE、φD为平台误差角在北、东、地方向的分量；▽x、▽y分别为加速度计的常值零偏在载体坐标系中x、y方向的分量；εx、εy、εz分别为陀螺零位常值漂移在载体坐标系中x、y、z方向的分量；状态转移矩阵其中，
ΩD,ΩN为地球自转角速度在地向与北向的分量，c11'～c33'分别为惯性导航系统姿态转移矩阵中的对应行列位置上的各元素，定义同上；g为当地重力加速度；W＝[w1 w2 w3 w4 w5]，式中w1、w2为等效北向、东向的加速度计输出白噪声分量，w3、w4、w5为等效北向、东向、地向的陀螺仪输出白噪声分量。以足部着地点MEMS惯性导航系统的水平速度输出作为观测量，建立系统的观测方程：
式中，δVN、δVE分别为水平速度误差沿北、东方向的分量，X定义同上；V为观测噪声矢量。
运用最优滤波方法实时估计基于足部的惯性导航系统的初始平台误差角，陀螺仪随机常值误差以及加速度计随机常值误差，并以反馈校正的方式提高足部捷联惯性导航系统的水平姿态精度与实际惯性器件精度。
(六)足部与其他传感器组件的信号采集：
同步采集足部惯性/地磁传感组件的陀螺仪与角速度计数据，以及人体其他部位的传感器信息，如惯性传感器信号、肌电信号等。
(七)虚拟足部惯性传感器的构建：
针对人体的多种不同特征的步态，如水平步行、上楼、下楼、奔跑、跳跃、横跨步、匍匐前进等，分别对足部与其他部位的传感器信息进行相同或不同频率的同步采集，将足部惯性/地磁传感器组件输出的陀螺仪与角速度计数据作为输出量，并分别将在相同时刻或超前一个步态周期以内的时刻所采集的其他部位的传感器信息作为输入量，采用不同的机器学习算法与模型进行在线或离线训练，以获得其他部位传感器信息与足部惯性传感器信息之间的非线性关系，从而实现通过其他部位传感器信息模拟足部惯性传感器信息的功能。进而可以在实际足部惯性传感器出现故障或者超量程情况下，构建虚拟足部惯性传感器。
(八)在足部惯性传感器组件出现故障或超量程情况下的导航系统智能重构
人体其他部位的传感器信息作为输入，通过训练够过后的机器学习算法与模型，输出虚拟足部惯性传感器信息。将虚拟足部惯性传感器信息与实际足部惯性传感器信息作比较，判断实际足部惯性传感器是否出现故障或者是否超量程。在足部惯性传感器出现故障时可对行人导航系统进行故障检测，并且在足部惯性传感器出现超量程前可进行预报，再基于模拟生成的一种或多种虚拟足部惯性传感器信息，替代故障或即将超量程的惯性传感器信息，通过系统重构原理构建行人导航系统，实现故障与超量程情况下的惯性行人导航功能，具体步骤如下：
(1)采用机器学习算法与模型将人体足部外其他部位的传感器信息作为机器学习算法与模型的输入量，实时模拟生成相同时刻采集的足部惯性/地磁传感器组件所输出的惯性传感器信息，即实时生成相同时刻的虚拟惯性传感器信息，并将其与实际安装于足部的惯性/地磁传感器组件所输出的惯性传感器信息作对比，即两两对比虚拟与实际三轴加速度计与三轴陀螺仪信息，当一轴或多轴传感器信息差值超过设定阈值时，认为安装于足部的惯性/地磁传感器组件中对应轴向的惯性传感器出现故障，并将其替代为对应轴向的虚拟惯性传感器信息，完成安装于足部的惯性/地磁传感器组件的信息重构，从而进一步完成行人导航系统的信息重构，实现足部惯性传感器故障条件下的基于足部惯性/地磁传感器组件的行人导航功能。本专利提出的故障检测方法也可以结合其他故障检测方法，共同对行人导航系统进行故障检测，进一步提高故障检测准确性。
(2)采用机器学习算法与模型将人体足部外其他部位的传感器信息作为机器学习算法与模型的输入量，实时模拟生成超前一个步态周期以内的时刻所采集的足部惯性/地磁传感器组件所输出的惯性传感器信息，即实时生成滞后一个步态周期以内的虚拟足部惯性传感器信息，并将其与实际安装于足部的惯性/地磁传感器组件所对应的惯性传感器量程作对比，当一轴或多轴传感器信息接近或超过该量程时，认为安装于足部的惯性/地磁传感器组件中对应轴向的惯性传感器将在滞后一个步态周期以内的时刻超过其量程，即实现一个步态周期以内超量程预报。在安装于足部惯性/地磁传感器组件的超量程时刻到来时，将该轴惯性传感器信息替代为对应轴向的虚拟惯性传感器信息，完成安装于足部的惯性/地磁传感器组件的信息重构，从而进一步完成行人导航系统的信息重构，实现实际足部惯性传感器超量程条件下基于虚拟足部惯性传感器组件的行人导航功能。
(九)基于智能重构的足部捷联惯性导航系统的惯性导航解算：
若实际足部惯性传感器出现故障或者超量程，则用上述方法重构的虚拟、实际混合型的足部惯性/地磁传感器组件，结合导航计算机构成基于智能重构的足部捷联惯性导航系统，下文简称重构惯性导航系统。重构惯性导航系统的惯性导航解算步骤分为姿态解算与速度、位置解算：
(1)重构惯性导航系统的姿态解算：基于虚拟、实际混合的惯性传感器组件中的三轴陀螺仪，采用四元数法进行姿态解算；
(2)重构惯性导航系统的速度、位置解算：把虚拟、实际混合的惯性传感器组件中的三轴加速度计原始输出通过姿态转移矩阵转换到导航坐标系中，解算出人体足部在地理系中的速度，通过行进中的速度在导航坐标系中的投影，进一步求得人体的经纬度以及高度信息。
(十)重构惯性导航系统的零速修正：
该步骤应用于重构惯性导航系统，在导航计算机中进行，求解加速度计输出经步骤(二)中建模与校正后的理论输出估计值的三轴矢量和，通过判断该值是否接近重力等步态检测方法来检测人体足部是否处于着地时间段，并利用着地时间段相对地面静止的特点进行间断式的零速修正，即根据重构惯性导航系统误差与传感组件误差建立系统状态方程与观测方程，实现人体行走中的零速修正，实时修正重构惯性导航系统的误差与其惯性传感组件的误差。
综上，导航计算机输出最终为经过误差修正的航向输出、位置输出、速度输出、姿态输出。本发明通过系统重构原理构建行人导航系统，实现故障与超量程情况下的惯性行人导航功能。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种通过机器学习算法与模型辅助的行人惯性导航系统，其特征在于，包括：
足部惯性/地磁传感器组件，设置于人体足部，用于采集人体足部姿态信息；
传感器组件,集中或分布式安装于人体其它部位，用于采集人体其它部位的各类传感信息，传感信息包含且不仅限于惯性传感器信息；
导航计算机，设置于人体任意部位，自适应地采用机器学习算法与模型对足部与其他部位的传感器信息进行训练，实现通过其他部位传感器信息模拟足部惯性传感器信息。
2.根据权利要求1所述的行人惯性导航系统，其特征在于，所述导航计算机包括：
机器学习模块，用于采用足部惯性传感器信息、人体其他部位传感器信息进行训练，得到虚拟惯性传感器信息；
故障检测系统重构模块，用于检测足部惯性/地磁传感器组件是否出现故障或超量程，并在足部惯性/地磁传感器组件出现超量程前的一个步态周期以内进行预报；并用虚拟惯性传感器信息替代故障或即将超量程的惯性传感器信息；
姿态解算模块，用于根据故障检测重构模块输出的虚拟足部惯性传感器信息，或者无故障情况下的实际足部惯性传感器输出信息解算出姿态信息；
航向解算模块，用于根据解算出的姿态信息和来自足部惯性/地磁测量组件的三轴磁分量，得到航向信息；
速度解算模块，用于根据航向信息、姿态信息以及实际后虚拟的足部惯性传感器输出信息解算出速度信息；
位置解算模块，用于根据速度信息解算出位置信息，并输出全导航参数；
步态相位检测模块，用于根据足部惯性/地磁测量组件与其他部位的传感器组件检测人体运动过程中足部的运动状态，即步态，并得到零速区间信息；
零速修正模块，用于根据零速区间信息进行导航系统的零速修正，输出误差修正结果分别反馈至位置解算模块、速度解算模块、姿态解算模块和人体其他部位传感器组件；
导航输出模块，输出经过误差修正的航向信息、位置信息、速度信息和姿态信息，用于行人惯性导航。
3.一种通过机器学习算法与模型辅助的行人惯性导航方法，其特征在于，具体包括以下步骤：
步骤1、通过安装于人体足部的惯性/地磁传感器组件，以及集中或分布式安装于人体其他部位的一种或多种传感器组件采集惯性信息，对所得惯性信息进行处理，识别人体不同类型的步态特征；
步骤2、针对不同特征的步态，自适应地采用不同的机器学习算法与模型对足部与其他部位的传感器信息进行训练，实现通过其他部位传感器信息模拟生成虚拟足部惯性传感器信息；
步骤3、将模拟生成的虚拟足部惯性传感器信息与实际的足部惯性/地磁传感器组件的信息对比处理，从而对行人导航系统进行实时故障检测，并在足部惯性/地磁传感器组件出现超量程前的一个步态周期以内进行预报；
步骤4、在安装于足部惯性/地磁传感器组件出现故障的时刻或超量程的时刻到来时，用基于模拟生成的一种或多种虚拟足部惯性传感器信息，替代步骤3所述的故障或即将超量程的惯性传感器信息，通过系统重构原理构建行人导航系统，实现故障与超量程情况下的惯性行人导航功能。
4.如权利要求3所述的行人惯性导航方法，其特征在于，步骤1所述对惯性信息进行处理的步骤包括：
101）足部惯性/地磁传感组件信号采集：
采集足部惯性/地磁传感组件的输出信号，得到角速度、比力和磁场强度，并将信号传输给导航计算机；
102）足部惯性/地磁传感组件中的惯性传感器的随机误差的实时建模与校正：
首先对零位偏置的特性进行统计分析，分别建立符合陀螺仪与加速度计的零位偏置趋势项，在陀螺仪与加速度计的信号输出端加入零位偏置趋势项校正；分别建立陀螺仪与加速度计的随机误差模型，将经过零位偏置趋势项建模与校正步骤后的陀螺仪与加速度计输出作为观测量，将陀螺仪与加速度计的理论输出估计值作为状态量，建立基于随机误差模型的卡尔曼滤波器，分别实时估计陀螺仪与加速度计的理论输出估计值；
103）足部惯性地磁传感组件中的惯性传感器初始对准：
在静态条件下，利用步骤102中的加速度计数据，在导航计算机中通过水平自对准得到足部惯性传感组件初始横滚角与俯仰角，并将磁强计的信号输出至导航计算机，结合初始横滚角与俯仰角得到足部惯性/地磁传感组件的初始航向角；
104）基于足部惯性/地磁传感组件的捷联惯性导航系统的惯性导航解算：
（1）姿态解算：基于足部惯性/地磁传感组件中的三轴陀螺仪数据，采用四元数法进行姿态解算；
（2）速度、位置解算：把基于足部的惯性传感器组件中的三轴加速度计原始输出通过姿态转移矩阵转换到导航坐标系中，解算出人体足部在地理系中的速度，通过行进中的速度在导航坐标系中的投影，进一步求得人体的经纬度以及高度信息；
105）基于足部惯性/地磁传感组件信息的零速修正：
应用于基于足部惯性/地磁传感组件的捷联惯性导航系统，求解加速度计数据的三轴矢量和，通过判断该值是否接近重力等步态检测方法来检测人体足部是否处于着地时间段，并利用着地时间段相对地面静止的特点进行间断式的零速修正，即根据捷联惯性导航系统误差与惯性传感组件误差建立系统状态方程与观测方程，实现人体行走中的零速修正，实时修正捷联惯性导航系统的误差与惯性传感组件误差；
106）人体其他部位传感器组件的信号采集。
5.如权利要求3所述的行人惯性导航方法，其特征在于，步骤2所述采用机器学习算法，实现通过其他部位传感器信息模拟足部惯性传感器信息，具体步骤包括：
201）针对人体的多种不同特征的步态，分别对足部惯性/地磁传感组件和人体其他部位的传感器组件的信息进行同步采集；
202）将足部惯性/地磁传感器组件输出的惯性传感器信息作为输出量，将其他部位的传感器信息作为输入量，所述采集的其他部位传感器信息在相同时刻或超前一个步态周期内采集；采用机器学习算法与模型进行在线或离线训练，以获得其他部位传感器信息与足部惯性传感器信息之间的非线性关系；
203）实现采用通过其他部位传感器信息模拟足部惯性传感器信息。
6.如权利要求3所述的行人惯性导航方法，其特征在于，步骤3所述实时故障检测与预报的步骤具体包括：
301）两两对比该步态下虚拟与实际三轴加速度计与三轴陀螺仪信息；
302）当一轴或多轴传感器信息差值超过设定阈值时，认为安装于足部的惯性/地磁传感器组件中对应轴向的惯性传感器出现故障。
7.如权利要求3所述的行人惯性导航方法，其特征在于，步骤4所述故障或超量程情况下的导航系统智能重构的步骤具体包括：
401）实现基于智能重构的足部捷联惯性导航系统的惯性导航解算：
（1）重构惯性导航系统的姿态解算：基于虚拟、实际混合的惯性传感器组件中的三轴陀螺仪，采用四元数法进行姿态解算；
（2）重构惯性导航系统的速度、位置解算：把虚拟、实际混合的惯性传感器组件中的三轴加速度计原始输出通过姿态转移矩阵转换到导航坐标系中，解算出人体足部在地理系中的速度，通过行进中的速度在导航坐标系中的投影，进一步求得人体的经纬度以及高度信息；
402）对重构惯性导航系统进行零速修正：
求解加速度计输出经步骤102）中建模与校正后的理论输出估计值的三轴矢量和，通过步态检测方法来检测人体足部是否处于着地时间段，并利用着地时间段相对地面静止的特点进行间断式的零速修正，即：根据重构惯性导航系统误差与传感组件误差建立系统状态方程与观测方程，实现人体行走中的零速修正，实时修正重构惯性导航系统的误差与其惯性传感组件的误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810149228.5A CN108168548B (zh) | 2018-02-13 | 2018-02-13 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810149228.5A CN108168548B (zh) | 2018-02-13 | 2018-02-13 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108168548A true CN108168548A (zh) | 2018-06-15 |
| CN108168548B CN108168548B (zh) | 2022-03-15 |
Family
ID=62514131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810149228.5A Active CN108168548B (zh) | 2018-02-13 | 2018-02-13 | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108168548B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109059910A (zh) * | 2018-07-25 | 2018-12-21 | 南京师范大学 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
| CN109146972A (zh) * | 2018-08-21 | 2019-01-04 | 南京师范大学镇江创新发展研究院 | 基于快速特征点提取及网格化三角形约束的视觉导航方法 |
| CN109998551A (zh) * | 2019-04-11 | 2019-07-12 | 北京航空航天大学 | 一种分段式局部峰值检测的步态相位分析方法 |
| CN111160072A (zh) * | 2018-11-07 | 2020-05-15 | 千寻位置网络有限公司 | 载体停车识别方法及装置、存储器、终端 |
| CN112368547A (zh) * | 2018-11-02 | 2021-02-12 | 谷歌有限责任公司 | 上下文感知导航语音助手 |
| CN113056751A (zh) * | 2018-11-09 | 2021-06-29 | 西门子股份公司 | 多轴机器的轴控制的调整 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020072851A1 (en) * | 2000-12-08 | 2002-06-13 | John Ahearn | Navigational off- line and off-heading indication system and method |
| WO2012066288A1 (en) * | 2010-11-16 | 2012-05-24 | Christopher Shelton | Navigation apparatus for marine environment based on following an intended course |
| CN102541062A (zh) * | 2012-02-24 | 2012-07-04 | 天津大学 | 一种水下自主式航行器的局部路径规划方法 |
| CN102679977A (zh) * | 2012-06-20 | 2012-09-19 | 南京航空航天大学 | 基于惯性网络的分布式导航装置及其信息融合方法 |
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN104613963A (zh) * | 2015-01-23 | 2015-05-13 | 南京师范大学 | 基于人体运动学模型的行人导航系统与导航定位方法 |
| CN104656112A (zh) * | 2015-01-28 | 2015-05-27 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
| CN104729507A (zh) * | 2015-04-13 | 2015-06-24 | 大连理工大学 | 一种基于惯性传感器的步态识别方法 |
| CN105300379A (zh) * | 2015-10-13 | 2016-02-03 | 上海新纪元机器人有限公司 | 一种基于加速度的卡尔曼滤波姿态估计方法及系统 |
| CN106370183A (zh) * | 2016-11-14 | 2017-02-01 | 黑龙江省科学院自动化研究所 | 一种消防组合定位系统 |
| CN106557446A (zh) * | 2015-09-28 | 2017-04-05 | 瑞萨电子株式会社 | 总线系统 |
| CN106972959A (zh) * | 2017-03-15 | 2017-07-21 | 千寻位置网络有限公司 | 一种传感器算法的在线服务化方法及系统 |
| CN107014375A (zh) * | 2017-02-22 | 2017-08-04 | 上海谦尊升网络科技有限公司 | 超低部署的室内定位系统及方法 |
| CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
| CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
-
2018
- 2018-02-13 CN CN201810149228.5A patent/CN108168548B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020072851A1 (en) * | 2000-12-08 | 2002-06-13 | John Ahearn | Navigational off- line and off-heading indication system and method |
| WO2012066288A1 (en) * | 2010-11-16 | 2012-05-24 | Christopher Shelton | Navigation apparatus for marine environment based on following an intended course |
| CN102541062A (zh) * | 2012-02-24 | 2012-07-04 | 天津大学 | 一种水下自主式航行器的局部路径规划方法 |
| CN102679977A (zh) * | 2012-06-20 | 2012-09-19 | 南京航空航天大学 | 基于惯性网络的分布式导航装置及其信息融合方法 |
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN104613963A (zh) * | 2015-01-23 | 2015-05-13 | 南京师范大学 | 基于人体运动学模型的行人导航系统与导航定位方法 |
| CN104656112A (zh) * | 2015-01-28 | 2015-05-27 | 重庆大学 | 基于表面肌电信号与mems惯组组合的个人定位方法和装置 |
| CN104729507A (zh) * | 2015-04-13 | 2015-06-24 | 大连理工大学 | 一种基于惯性传感器的步态识别方法 |
| CN106557446A (zh) * | 2015-09-28 | 2017-04-05 | 瑞萨电子株式会社 | 总线系统 |
| CN105300379A (zh) * | 2015-10-13 | 2016-02-03 | 上海新纪元机器人有限公司 | 一种基于加速度的卡尔曼滤波姿态估计方法及系统 |
| CN106370183A (zh) * | 2016-11-14 | 2017-02-01 | 黑龙江省科学院自动化研究所 | 一种消防组合定位系统 |
| CN107014375A (zh) * | 2017-02-22 | 2017-08-04 | 上海谦尊升网络科技有限公司 | 超低部署的室内定位系统及方法 |
| CN106972959A (zh) * | 2017-03-15 | 2017-07-21 | 千寻位置网络有限公司 | 一种传感器算法的在线服务化方法及系统 |
| CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
| CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
Non-Patent Citations (3)
| Title |
|---|
| DAVIDSON, P等: ""Algorithm for pedestrian navigation combining IMU measurements and gait models"", 《GYROSCOPY AND NAVIGATION》 * |
| XING, L等: ""A dynamic error excitation and calibration method for high precision IMU"", 《IEEE CHINESE GUIDANCE, NAVIGATION AND CONTROL CONFERENCE (CGNCC)》 * |
| 钱伟行等: ""基于机器学习的人体虚拟惯性测量组件构建方法"", 《中国惯性技术学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109059910A (zh) * | 2018-07-25 | 2018-12-21 | 南京师范大学 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
| CN109059910B (zh) * | 2018-07-25 | 2021-05-18 | 南京师范大学 | 基于惯性和肌电信息并结合机器学习的行人导航系统和方法 |
| CN109146972A (zh) * | 2018-08-21 | 2019-01-04 | 南京师范大学镇江创新发展研究院 | 基于快速特征点提取及网格化三角形约束的视觉导航方法 |
| CN109146972B (zh) * | 2018-08-21 | 2022-04-12 | 南京师范大学镇江创新发展研究院 | 基于快速特征点提取及网格化三角形约束的视觉导航方法 |
| CN112368547A (zh) * | 2018-11-02 | 2021-02-12 | 谷歌有限责任公司 | 上下文感知导航语音助手 |
| CN112368547B (zh) * | 2018-11-02 | 2024-04-30 | 谷歌有限责任公司 | 上下文感知导航语音助手 |
| CN111160072A (zh) * | 2018-11-07 | 2020-05-15 | 千寻位置网络有限公司 | 载体停车识别方法及装置、存储器、终端 |
| CN113056751A (zh) * | 2018-11-09 | 2021-06-29 | 西门子股份公司 | 多轴机器的轴控制的调整 |
| CN113056751B (zh) * | 2018-11-09 | 2022-07-19 | 西门子股份公司 | 多轴机器的轴控制的调整 |
| US11675331B2 (en) | 2018-11-09 | 2023-06-13 | Siemens Aktiengesellschaft | Tuning of axis control of multi-axis machines |
| CN109998551A (zh) * | 2019-04-11 | 2019-07-12 | 北京航空航天大学 | 一种分段式局部峰值检测的步态相位分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108168548B (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108168548A (zh) | 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法 | |
| CN104613963B (zh) | 基于人体运动学模型的行人导航系统与导航定位方法 | |
| Huang et al. | Kalman-filtering-based in-motion coarse alignment for odometer-aided SINS | |
| CN103994763B (zh) | 一种火星车的sins/cns深组合导航系统及其实现方法 | |
| Jurman et al. | Calibration and data fusion solution for the miniature attitude and heading reference system | |
| CN107655476A (zh) | 基于多信息融合补偿的行人高精度足部导航算法 | |
| CN107218938A (zh) | 基于人体运动模型辅助的穿戴式行人导航定位方法和设备 | |
| CN103759730A (zh) | 一种基于导航信息双向融合的行人与智能移动载体的协同导航系统及其导航方法 | |
| Ning et al. | A fast calibration method of the star sensor installation error based on observability analysis for the tightly coupled SINS/CNS-integrated navigation system | |
| CN106052685A (zh) | 一种两级分离融合的姿态和航向估计方法 | |
| Li et al. | Gradient descent optimization-based self-alignment method for stationary SINS | |
| CN110017837A (zh) | 一种姿态抗磁干扰的组合导航方法 | |
| CN107764261B (zh) | 一种分布式pos传递对准用模拟数据生成方法和系统 | |
| CN108871326A (zh) | 一种单轴旋转调制惯性-天文深组合导航方法 | |
| CN110296719B (zh) | 一种在轨标定方法 | |
| Woyano et al. | Evaluation and comparison of performance analysis of indoor inertial navigation system based on foot mounted IMU | |
| CN107576327A (zh) | 基于可观测度分析的可变结构综合导航系统设计方法 | |
| CN104613964A (zh) | 一种跟踪脚部运动特征的步行者定位方法及系统 | |
| CN112066980A (zh) | 一种基于人体四节点运动约束的行人导航定位方法 | |
| CN108759867A (zh) | 外界辅助惯性导航系统动基座对准可观性分析方法 | |
| Zhu et al. | Accuracy improvement of a redundant inertial measurement unit brought about by the dual-axis rotational motion | |
| Lajimi et al. | A comprehensive filter to reduce drift from Euler angles, velocity, and position using an IMU | |
| Yang et al. | Model-free integrated navigation of small fixed-wing UAVs full state estimation in wind disturbance | |
| CN109341717A (zh) | 基于机动状态判断的mems惯性导航系统水平姿态自修正方法 | |
| CN112212860B (zh) | 具有故障容错的分布式滤波微纳卫星姿态确定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |