CN108171316A - 一种面向不动产测量的改进型惯性定位方法 - Google Patents
一种面向不动产测量的改进型惯性定位方法 Download PDFInfo
- Publication number
- CN108171316A CN108171316A CN201711443482.8A CN201711443482A CN108171316A CN 108171316 A CN108171316 A CN 108171316A CN 201711443482 A CN201711443482 A CN 201711443482A CN 108171316 A CN108171316 A CN 108171316A
- Authority
- CN
- China
- Prior art keywords
- node
- ant
- error
- gaussian process
- real estate
- 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 60
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 239000003016 pheromone Substances 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 241000257303 Hymenoptera Species 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
- G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Agricultural Chemicals And Associated Chemicals (AREA)
Abstract
本发明公开了一种面向不动产测量的改进型惯性定位方法，包括：在作业区域内选定待测点和控制点；在控制点处初始对准，获取惯性测量系统的初始姿态信息；在惯性测量系统行进间，通过捷联算法解算行进间的数据；选择高斯过程回归核函数拟合停车区间的速度误差，并采用蚁群优化算法搜索最优的高斯过程回归核函数的超参数；将拟合的速度误差积分后得到位置误差，补偿到惯性解算结果中，完成待测点的测量。本发明针对惯性系统定位误差随时间积累，无法维持长时间的定位精度的问题，提出利用高斯过程回归曲线拟合载体停车区间的速度误差样本，进而补偿位置误差，并且通过蚁群优化算法搜索高斯过程回归核函数的超参数，提高了定位精度。
Description
技术领域
本发明涉及测量、测绘技术和捷联惯性定位技术领域，特别是涉及一种面向不动产测量的改进型惯性定位方法。
背景技术
不动产统一登记调查的良好实施关系着国计民生。目前，普遍使用的不动产测量方法主要包括全站仪测量方法和GPS-RTK测量方法。全站仪测量由于实际测量环境的复杂多变，常出现无法通视的情况，且测量过程需要频繁的迁站，导致工作效率低下。GPS-RTK测量精度易受卫星信号强弱影响，在信号易受遮挡区域，精度难以达到要求。
惯性定位技术通过对惯性传感器输出进行积分解算，实现待测点测量，具有良好的自主性和适应性。但由于惯性传感器误差会随着积分累积，无法满足长时间的定位测量工作。零速修正技术是提高车载定位系统长时间精度的一种廉价而有效的方法，其利用载体停车时速度输出作为速度误差的观测量，进而对其他误差进行校正。
传统零速修正需要载体的停车时间间隔短，停车区间样本使用率低。高斯过程(Gaussian process，GP)又称正态随机过程，适用于处理小样本、非线性、高维数等问题。采用高斯过程回归曲线拟合停车区间速度误差，进而补偿位置误差。
针对高斯过程回归核函数的超参数主要通过共轭梯度法求取，所求超参数精度不高。蚁群优化算法(Ant Colony Optimization，ACO)是由Marco Dorigo于1992年提出的一种新型仿生进化优化算法，具有良好的正反馈特性、鲁棒性及并行搜索优点。
发明内容
发明目的：针对传统不动产测量方式易受环境等因素影响，而惯性测量方式其捷联解算误差会随时间累积的问题，本发明目的在于提出一种面向不动产测量的改进型惯性定位方法，将零速修正技术引入惯性定位中，并通过蚁群优化算法对高斯过程回归核函数超参数进行优化，得到最优的参数值，以提高误差曲线的拟合精度，从而提升定位精度。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种面向不动产测量的改进型惯性定位方法，包括如下步骤：
(1)在作业区域内选定待测点，以及一个位置信息已知的点作为控制点；
(2)在控制点处采集并存储惯性测量系统传感器数据，根据初始对准算法，获取惯性测量系统的初始姿态信息；
(3)在惯性测量系统行进间，结合初始对准获取的初始位置信息与姿态信息，通过捷联算法解算行进间的数据；
(4)采集并存储停车区间内惯性测量系统传感器数据，选择高斯过程回归核函数拟合停车区间的速度误差，并采用蚁群优化算法搜索最优的高斯过程回归核函数的超参数；
(5)将拟合的速度误差积分后得到位置误差，补偿到惯性解算结果中，完成当前待测点的测量；重复步骤(1)至步骤(5)，获取所有需要测量的待测点位置信息。
作为优选，所述步骤(1)中，所述控制点为待测点附近GPS信号良好的点，采用GPS-RTK测量获取控制点的初始位置信息。
作为优选，所述步骤(4)中具体包括：
(4.1)选择二次协方差函数作为高斯过程回归核函数，令θ为包含所有超参数的向量，M＝diag(l-2)为超参数的对称矩阵，l为关联性测度超参数，为核函数的信号方差，α为核函数的形状参数,xi和xj表示任意两个时刻；
(4.2)采集并存储停车区间内惯性测量系统传感器数据，将上一停车区间和当前停车区间采集的速度误差样本数据分为训练样本和测试样本；
(4.3)选取若干只蚂蚁，给每只蚂蚁随机分配初始超参数值；
(4.4)将每只蚂蚁的超参数值代入核函数，根据采集的停车区间速度误差信息，进行高斯过程回归训练，得到相应的评价函数值，所述评价函数值为测试样本预测误差之和；
(4.5)计算每只蚂蚁下一步转移概率，若小于全局转移概率，则进行局部搜索，否则进行全局搜索；
(4.6)本次转移后，对信息素进行更新，并将具有最好评价函数值的蚂蚁保存。
(4.7)对步骤(4.4)至(4.6)进行循环，直到迭代次数达到设置值，得出全局最优解，即对应具有最好评价函数值的精灵蚂蚁对应的超参数值。
作为优选，所述步骤(4.4)中，高斯过程回归训练时，测试样本速度误差向量v*用期望表示为：
其中：
C(x*,X)＝[C(x*,x1),C(x*,x2),…,C(x*,xn)]
矩阵X由训练数据输入时刻xi组成，i＝1,…n，n为训练样本时刻数；为噪声方差；I为单位矩阵；v为对应时间速度误差输出序列；x*为预测样本时刻；v*为预测样本时刻对应的速度误差输出。
作为优选，所述步骤(4.5)中，转移概率计算公式为：
其中，Pij(r)为第r次循环迭代时蚂蚁从i节点转移到j节点的概率；τij(r)表示第r次迭代时所有蚂蚁遗留在i节点到j节点路径上的信息素量；τis(r)表示第r次迭代时所有蚂蚁遗留在i节点到s节点路径上的信息素量，i节点到s节点路径代表除i节点到j节点路径之外其他所有可选路径；ΔWij(r)表示第r次迭代时i节点与j节点处评价函数值的差的绝对值；ΔWis(r)表示第r次迭代时i节点与s节点处评价函数值的差的绝对值；λ表示轨迹信息素的重要性，其值越大，蚂蚁间的协作性越强；η表示启发因子的重要程度，Ye表示蚂蚁可选转移节点集。
作为优选，所述步骤(4.6)中，信息素更新的计算公式为：
其中，τij(r+1)表示第r+1次迭代时所有蚂蚁遗留在i节点到j节点路径上的信息素量；Δτij(r,r+1)表示第r+1次迭代在i节点到j节点路径上新增的信息素量；ρ为信息素挥发系数；表示第q只蚂蚁在一次循环中在路径ij上留下的信息素，Z为蚂蚁总数。
作为优选，所述步骤(5)中包括：基于最优的超参数采用高斯过程回归训练(ti-1,ti-1+T)与(ti,ti+T)两个区间的停车速度样本，并拟合出(ti-1,ti+T)间的速度误差曲线，通过积分运算得到该时间区间的位置误差，将位置误差代入到捷联解算的结果对位置信息进行修正；其中，ti-1、ti分别为上一停车区间和当前停车区间的起始时刻，T为停车时间。
有益效果：与现有技术相比，本发明提供的面向不动产测量的改进型惯性定位方法，即蚁群-高斯过程回归优化的惯性定位方法(Improved Inertial Location Method，IILM)，将零速修正技术引入惯性定位中可有效提高定位系统的长时间精度。本发明提出采用蚁群-高斯过程拟合停车区间速度误差曲线，即用蚁群优化高斯过程回归核函数超参数，并用高斯过程回归曲线拟合停车区间误差曲线，可有效提高停车区间速度误差使用率，有效提高误差曲线的拟合精度，提升定位精度，从而克服传统零速修正技术存在的需要载体停车时间间隔短，停车区间样本使用率低的问题。
附图说明
图1是本发明实施例的方法流程图。
图2是本发明实施例中蚁群算法优化高斯过程回归核函数超参数流程图。
图3是本发明实施例中蚁群－高斯过程回归零速修正原理框图。
具体实施方式
下面将结合附图，对本发明的具体实施例进行详细的描述。
如图1所示，本发明实施例公开的一种面向不动产测量的改进型惯性定位方法，该方法包含以下步骤：
步骤1：在作业区域内选定待测点，以及一个位置信息已知的点作为控制点。本步骤中，具体包括为：确定需要测量的点即待测点，在其附近取卫星信号良好的点作为位置已知点，通过GPS-RTK测量其坐标作为初始值。
步骤2：在控制点处采集并存储惯性测量系统传感器数据，根据初始对准算法，获取惯性测量系统的初始姿态信息。
步骤3：在惯性测量系统行进间，结合初始对准获取的初始位置信息与姿态信息，通过捷联算法解算行进间的数据。
步骤4：采集并存储停车区间内惯性测量系统传感器数据，选择高斯过程回归核函数拟合停车区间的速度误差，并采用蚁群优化算法搜索最优的高斯过程回归核函数的超参数。
步骤5：将拟合的速度误差积分后得到位置误差，补偿到惯性解算结果中，完成当前待测点的测量；重复步骤1)至步骤5)，获取所有需要测量的待测点位置信息。
其中，步骤4中通过蚁群算法优化高斯过程回归核函数超参数的流程如图2所示，具体包括如下步骤：
(4.1)选择二次协方差函数作为高斯过程回归核函数，令θ为包含所有超参数的向量，M＝diag(l-2)为超参数的对称矩阵，l为关联性测度超参数，为核函数的信号方差，α为核函数的形状参数，xi和xj表示任意两个时刻；
(4.2)采集并存储停车区间内惯性测量系统传感器数据，将上一停车区间(ti-1,ti-1+T)和当前停车区间(ti,ti+T)采集的速度误差样本数据分为训练样本和测试样本。
(4.3)选取Z(可取范围50-100)只蚂蚁，给每只蚂蚁随机分配超参数值，将相应超参数代入核函数，根据采集的停车区间速度误差信息，推出训练样本速度误差v和预测样本速度误差v*形成的联合高斯先验分布：
其中，C(X,X)为n×n阶对称正定的协方差矩阵(n为训练样本时刻数)，由核函数计算所得，度量了时刻xi和xj的相关性，为噪声方差；C(X,x*)为预测样本时刻x*与训练集所有输入点X的n×1阶协方差矩；C(x*,x*)为测试时刻x*自身的协方差。
(4.4)测试样本速度误差向量v*用期望表示为：
其中：
C(x*,X)＝[C(x*,x1),C(x*,x2),…,C(x*,xn)]
矩阵X由训练数据输入时刻xi组成；I为单位矩阵；v为对应时间速度误差输出序列；x*为预测样本时刻；v*为预测样本时刻对应的速度误差输出。
(4.5)对于每一只蚂蚁i，计算其对应评价函数值分别记为Wi，其中评价函数值：
其中，Δv(tk)表示tk时刻预测速度与速度真值之差，T表示预测样本中停车速度采样点数。
定义蚂蚁在第r次迭代时转移概率：
式中，Pij(r)为第r次循环迭代时蚂蚁从i节点转移到j节点的概率；τij(r)表示第r次迭代时所有蚂蚁遗留在i节点到j节点路径上的信息素量；τis(r)表示第r次迭代时所有蚂蚁遗留在i节点到s节点路径上的信息素量，i节点到s节点路径代表除i节点到j节点路径之外其他所有可选路径；ΔWij(r)表示第r次迭代时i节点与j节点处评价函数值的差的绝对值；ΔWis(r)表示第r次迭代时i节点与s节点处评价函数值的差的绝对值；λ表示轨迹信息素的重要性，其值越大，蚂蚁间的协作性越强；η表示启发因子的重要程度。
计算每只蚂蚁下一步转移概率，若小于全局转移概率，则进行局部搜索，否则进行全局搜索。寻优时，将蚂蚁按照随机原则散步在划分点上，并记录具有最好评价函数值的精灵蚂蚁，按照转移概率移动每只蚂蚁。将邻近搜索机制嵌入进搜索过程，即当ΔWij(r)＞0时，蚂蚁i从其邻域移动至j的邻域；当ΔWij(r)≤0时，蚂蚁i进行自身的邻域搜索，寻找更优的解。
(4.6)一次迭代循环后，对信息素进行更新，并将具有最好评价函数值的蚂蚁保存；蚂蚁所移动路径上信息素更新公式如下：
其中，τij(r+1)表示第r+1次迭代时所有蚂蚁遗留在i节点到j节点路径上的信息素量；Δτij(r,r+1)表示第r+1次迭代在i节点到j节点路径上新增的信息素量；ρ为信息素挥发系数；表示第l只蚂蚁在一次循环中在路径ij上留下的信息素。
(4.7)对步骤(4.4)至(4.6)进行循环，直到迭代次数达到设置值，得出全局最优解，即对应具有最好评价函数值的精灵蚂蚁对应的超参数值。
上述步骤5中将拟合的速度误差积分后得到位置误差，补偿到惯性解算结果中的具体方法为：使用蚁群-高斯过程回归方法训练停车区间内速度误差样本，更准确地拟合速度误差：车载惯性测量系统在时刻ti(i＝1,2,3...)停车，停车时间为T，用蚁群-高斯过程回归训练(ti-1,ti-1+T)与(ti,ti+T)两个区间的停车速度样本，并拟合出(ti-1,ti+T)间的速度误差曲线，通过积分运算得到该时间区间的位置误差，将位置误差代入到捷联解算的结果对位置信息进行修正。具体原理如图3所示。
本发明未详细阐述的部分属于本领域的技术人员公知技术。以上所述仅是本发明的优选实施方式，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)
1.一种面向不动产测量的改进型惯性定位方法，其特征在于，包括如下步骤：
(1)在作业区域内选定待测点，以及一个位置信息已知的点作为控制点；
(2)在控制点处采集并存储惯性测量系统传感器数据，根据初始对准算法，获取惯性测量系统的初始姿态信息；
(3)在惯性测量系统行进间，结合初始对准获取的初始位置信息与姿态信息，通过捷联算法解算行进间的数据；
(4)采集并存储停车区间内惯性测量系统传感器数据，选择高斯过程回归核函数拟合停车区间的速度误差，并采用蚁群优化算法搜索最优的高斯过程回归核函数的超参数；
(5)将拟合的速度误差积分后得到位置误差，补偿到惯性解算结果中，完成当前待测点的测量；重复步骤(1)至步骤(5)，获取所有需要测量的待测点位置信息。
2.根据权利要求1所述的面向不动产测量的改进型惯性定位方法，其特征在于，所述步骤(1)中，所述控制点为待测点附近GPS信号良好的点，采用GPS-RTK测量获取控制点的初始位置信息。
3.根据权利要求1所述的面向不动产测量的改进型惯性定位方法，其特征在于，所述步骤(4)中具体包括：
(4.1)选择二次协方差函数作为高斯过程回归核函数，令θ为包含所有超参数的向量，M＝diag(l-2)为超参数的对称矩阵，l为关联性测度超参数，为核函数的信号方差，α为核函数的形状参数,xi和xj表示任意两个时刻；
(4.2)采集并存储停车区间内惯性测量系统传感器数据，将上一停车区间和当前停车区间采集的速度误差样本数据分为训练样本和测试样本；
(4.3)选取若干只蚂蚁，给每只蚂蚁随机分配初始超参数值；
(4.4)将每只蚂蚁的超参数值代入核函数，根据采集的停车区间速度误差信息，进行高斯过程回归训练，得到相应的评价函数值，所述评价函数值为测试样本预测误差之和；
(4.5)计算每只蚂蚁下一步转移概率，若小于全局转移概率，则进行局部搜索，否则进行全局搜索；
(4.6)本次转移后，对信息素进行更新，并将具有最好评价函数值的蚂蚁保存。
(4.7)对步骤(4.4)至(4.6)进行循环，直到迭代次数达到设置值，得出全局最优解，即对应具有最好评价函数值的精灵蚂蚁对应的超参数值。
4.根据权利要求3所述的面向不动产测量的改进型惯性定位方法，其特征在于，所述步骤(4.4)中，高斯过程回归训练时，测试样本速度误差向量v*用期望表示为：
其中：
C(x*,X)＝[C(x*,x1),C(x*,x2),…,C(x*,xn)]
矩阵X由训练数据输入时刻xi组成，i＝1,…n，n为训练样本时刻数；为噪声方差；I为单位矩阵；v为对应时间速度误差输出序列；x*为预测样本时刻；v*为预测样本时刻对应的速度误差输出。
5.根据权利要求3所述的面向不动产测量的改进型惯性定位方法，其特征在于，所述步骤(4.5)中，转移概率计算公式为：
其中，Pij(r)为第r次循环迭代时蚂蚁从i节点转移到j节点的概率；τij(r)表示第r次迭代时所有蚂蚁遗留在i节点到j节点路径上的信息素量；τis(r)表示第r次迭代时所有蚂蚁遗留在i节点到s节点路径上的信息素量，i节点到s节点路径代表除i节点到j节点路径之外其他所有可选路径；ΔWij(r)表示第r次迭代时i节点与j节点处评价函数值的差的绝对值；ΔWis(r)表示第r次迭代时i节点与s节点处评价函数值的差的绝对值；λ表示轨迹信息素的重要性，其值越大，蚂蚁间的协作性越强；η表示启发因子的重要程度，Ye表示蚂蚁可选转移节点集。
6.根据权利要求3所述的面向不动产测量的改进型惯性定位方法，其特征在于，所述步骤(4.6)中，信息素更新的计算公式为：
其中，τij(r+1)表示第r+1次迭代时所有蚂蚁遗留在i节点到j节点路径上的信息素量；Δτij(r,r+1)表示第r+1次迭代在i节点到j节点路径上新增的信息素量；ρ为信息素挥发系数；表示第q只蚂蚁在一次循环中在路径ij上留下的信息素，Z为蚂蚁总数。
7.根据权利要求1所述的面向不动产测量的改进型惯性定位方法，其特征在于，所述步骤(5)中包括：基于最优的超参数采用高斯过程回归训练(ti-1,ti-1+T)与(ti,ti+T)两个区间的停车速度样本，并拟合出(ti-1,ti+T)间的速度误差曲线，通过积分运算得到该时间区间的位置误差，将位置误差代入到捷联解算的结果对位置信息进行修正；其中，ti-1、ti分别为上一停车区间和当前停车区间的起始时刻，T为停车时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711443482.8A CN108171316B (zh) | 2017-12-27 | 2017-12-27 | 一种面向不动产测量的改进型惯性定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711443482.8A CN108171316B (zh) | 2017-12-27 | 2017-12-27 | 一种面向不动产测量的改进型惯性定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108171316A true CN108171316A (zh) | 2018-06-15 |
| CN108171316B CN108171316B (zh) | 2020-06-30 |
Family
ID=62522010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711443482.8A Expired - Fee Related CN108171316B (zh) | 2017-12-27 | 2017-12-27 | 一种面向不动产测量的改进型惯性定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171316B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558845A (zh) * | 2018-11-30 | 2019-04-02 | 合肥工业大学 | 一种基于蚁群算法的心磁信号智能拟合优化方法 |
| CN111123324A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进蚁群算法的dgps整周模糊度搜索方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120022784A1 (en) * | 2010-06-25 | 2012-01-26 | Thales | Navigation filter for a navigation system using terrain correlation |
| CN104132662A (zh) * | 2014-07-25 | 2014-11-05 | 辽宁工程技术大学 | 基于零速修正的闭环卡尔曼滤波惯性定位方法 |
| CN105424036A (zh) * | 2015-11-09 | 2016-03-23 | 东南大学 | 一种低成本水下潜器地形辅助惯性组合导航定位方法 |
| CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
| US20160116302A1 (en) * | 2012-12-26 | 2016-04-28 | Sagem Defense Securite | Method for comparing two inertial units integral with a same carrier |
-
2017
- 2017-12-27 CN CN201711443482.8A patent/CN108171316B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120022784A1 (en) * | 2010-06-25 | 2012-01-26 | Thales | Navigation filter for a navigation system using terrain correlation |
| US20160116302A1 (en) * | 2012-12-26 | 2016-04-28 | Sagem Defense Securite | Method for comparing two inertial units integral with a same carrier |
| CN104132662A (zh) * | 2014-07-25 | 2014-11-05 | 辽宁工程技术大学 | 基于零速修正的闭环卡尔曼滤波惯性定位方法 |
| CN105424036A (zh) * | 2015-11-09 | 2016-03-23 | 东南大学 | 一种低成本水下潜器地形辅助惯性组合导航定位方法 |
| CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 丁智雄 等: "基于蚁群算法的改进高斯模型模拟PM2.5时空分布及其规律-以西安市中心城区为例", 《绿色科技》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558845A (zh) * | 2018-11-30 | 2019-04-02 | 合肥工业大学 | 一种基于蚁群算法的心磁信号智能拟合优化方法 |
| CN111123324A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进蚁群算法的dgps整周模糊度搜索方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108171316B (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Kalman filter-based data fusion of Wi-Fi RTT and PDR for indoor localization | |
| KR101457279B1 (ko) | 동시 무선 송신기 매핑 및 이동국 위치결정 | |
| Razavi et al. | Using reference RFID tags for calibrating the estimated locations of construction materials | |
| CN102788578B (zh) | 一种基于局部重力场逼近的匹配导航方法 | |
| CN103827632B (zh) | 位置检测装置以及位置检测方法 | |
| Han et al. | An improved TERCOM-based algorithm for gravity-aided navigation | |
| US10557711B2 (en) | Apparatus for inferring pedestrian position based on pedestrian movement detection, and method therefor | |
| CN103369466B (zh) | 一种地图匹配辅助室内定位方法 | |
| CN106597363A (zh) | 一种室内wlan环境下的行人定位方法 | |
| CN108351216A (zh) | 估计装置、控制方法、程序以及存储介质 | |
| CN110187372B (zh) | 一种低速无人车园区内组合导航方法及系统 | |
| CN105704652A (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
| CN109813327A (zh) | 一种车辆行驶轨迹缺失补偿方法 | |
| JP2008039698A (ja) | 逐次型マップマッチングシステム、逐次型マップマッチング方法及び逐次型マップマッチングプログラム | |
| CN107907134A (zh) | 一种里程信息辅助地磁匹配的车辆定位系统与方法 | |
| CN109613548A (zh) | 一种基于图优化的激光雷达路标地图构建方法 | |
| CN104197935A (zh) | 一种基于移动智能终端的室内定位方法 | |
| Yang et al. | An enhanced weight-based topological map matching algorithm for intricate urban road network | |
| CN104507097A (zh) | 一种基于WiFi位置指纹的半监督训练方法 | |
| CN108171316A (zh) | 一种面向不动产测量的改进型惯性定位方法 | |
| CN107463871A (zh) | 一种基于角特征加权的点云匹配方法 | |
| CN101730224B (zh) | 基于分布式优化策略的无线传感器网络节点定位方法 | |
| Quddus et al. | The effects of navigation sensors and spatial road network data quality on the performance of map matching algorithms | |
| Zhuang et al. | Autonomous WLAN heading and position for smartphones | |
| CN105973224A (zh) | 一种室内导航方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200630 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |