CN108171316B - 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 PDF

Info

Publication number
CN108171316B
CN108171316B CN201711443482.8A CN201711443482A CN108171316B CN 108171316 B CN108171316 B CN 108171316B CN 201711443482 A CN201711443482 A CN 201711443482A CN 108171316 B CN108171316 B CN 108171316B
Authority
CN
China
Prior art keywords
node
error
gaussian process
ants
iteration
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
CN201711443482.8A
Other languages
English (en)
Other versions
CN108171316A (zh
Inventor
吴峻
王永杰
董国敏
沈志乐
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201711443482.8A priority Critical patent/CN108171316B/zh
Publication of CN108171316A publication Critical patent/CN108171316A/zh
Application granted granted Critical
Publication of CN108171316B publication Critical patent/CN108171316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

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

一种面向不动产测量的改进型惯性定位方法
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
Figure BDA0001526965200000021
作为高斯过程回归核函数，令
Figure BDA0001526965200000022
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，
Figure BDA0001526965200000023
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：
Figure BDA0001526965200000031
其中：
Figure BDA0001526965200000032
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；
Figure BDA0001526965200000033
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：
Figure BDA0001526965200000034
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：
Figure BDA0001526965200000041
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；
Figure BDA0001526965200000042
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
Figure BDA0001526965200000051
作为高斯过程回归核函数，令
Figure BDA0001526965200000052
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，
Figure BDA0001526965200000053
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：
Figure BDA0001526965200000061
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，
Figure BDA0001526965200000062
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：
Figure BDA0001526965200000063
其中：
Figure BDA0001526965200000064
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：
Figure BDA0001526965200000065
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：
Figure BDA0001526965200000066
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：
Figure BDA0001526965200000071
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；
Figure BDA0001526965200000072
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，结合初始位置信息与初始对准获取的姿态信息，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
Figure FDA0002401200700000011
作为高斯过程回归核函数，令
Figure FDA0002401200700000012
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，
Figure FDA0002401200700000013
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：
Figure FDA0002401200700000021
其中：
Figure FDA0002401200700000022
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；
Figure FDA0002401200700000023
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；C(X,X)为n×n阶对称正定的协方差矩阵。
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：
Figure FDA0002401200700000024
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：
Figure FDA0002401200700000031
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；
Figure FDA0002401200700000032
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。
CN201711443482.8A 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 Active CN108171316B (zh)

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 CN108171316A (zh) 2018-06-15
CN108171316B true CN108171316B (zh) 2020-06-30

Family

ID=62522010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711443482.8A Active 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558845B (zh) * 2018-11-30 2022-10-11 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
CN111123324B (zh) * 2019-12-31 2022-03-29 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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2961897B1 (fr) * 2010-06-25 2012-07-13 Thales Sa Filtre de navigation pour un systeme de navigation par correlation de terrain
FR3000219B1 (fr) * 2012-12-26 2015-01-09 Sagem Defense Securite Procede de comparaison de deux centrales inertielles solidaires d'un meme porteur

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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)

* Cited by examiner, † Cited by third party
Title
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;丁智雄 等;《绿色科技》;20140531(第5期);第205-207页 *

Also Published As

Publication number Publication date
CN108171316A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
KR101457279B1 (ko) 동시 무선 송신기 매핑 및 이동국 위치결정
Newson et al. Hidden Markov map matching through noise and sparseness
US9384394B2 (en) Method for generating accurate lane level maps
US8718927B2 (en) GPS data repair
US9544871B2 (en) Determining and aligning a position of a device and a position of a wireless access point (AP)
CN110686686B (zh) 用于地图匹配的系统和方法
CN106997666B (zh) 一种利用手机信令数据位置切换获取交通流速度的方法
CN110631594B (zh) 基于复杂轨迹网络划分模型的离线地图匹配方法和系统
CN108253976B (zh) 一种充分借助车辆航向的三阶段在线地图匹配算法
CN104900059A (zh) 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法
CN105716605A (zh) 一种重力辅助惯性导航系统匹配方法
US20130314104A1 (en) Determination of positions
JP2007333385A (ja) 不動物位置記録装置
CN108919321A (zh) 一种基于尝试法的gnss定位粗差探测方法
Knapen et al. Likelihood-based offline map matching of GPS recordings using global trace information
CN108171316B (zh) 一种面向不动产测量的改进型惯性定位方法
Jagadeesh et al. Probabilistic map matching of sparse and noisy smartphone location data
CN110346821A (zh) 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统
CN109506647B (zh) 一种基于神经网络的ins和磁力计组合定位方法
CN108592903B (zh) 一种基于路网地磁基准库的车辆地磁匹配定位方法
Yang et al. An enhanced weight-based topological map matching algorithm for intricate urban road network
CN107907134A (zh) 一种里程信息辅助地磁匹配的车辆定位系统与方法
Oran et al. An HMM-based map matching method with cumulative proximity-weight formulation
Zhuang et al. Autonomous WLAN heading and position for smartphones
Wang et al. A robust filter for TOA based indoor localization in mixed LOS/NLOS environment

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