CN108458709B - 基于视觉辅助测量的机载分布式pos数据融合方法和装置 - Google Patents

基于视觉辅助测量的机载分布式pos数据融合方法和装置 Download PDF

Info

Publication number
CN108458709B
CN108458709B CN201810153904.6A CN201810153904A CN108458709B CN 108458709 B CN108458709 B CN 108458709B CN 201810153904 A CN201810153904 A CN 201810153904A CN 108458709 B CN108458709 B CN 108458709B
Authority
CN
China
Prior art keywords
pos
sub
imu
fitting
main
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
CN201810153904.6A
Other languages
English (en)
Other versions
CN108458709A (zh
Inventor
李建利
邹思远
孙一弘
刘刚
房建成
顾宾
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 CN201810153904.6A priority Critical patent/CN108458709B/zh
Publication of CN108458709A publication Critical patent/CN108458709A/zh
Application granted granted Critical
Publication of CN108458709B publication Critical patent/CN108458709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • 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
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

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

Abstract

本发明公开了一种基于视觉辅助测量的机载分布式POS数据融合方法和装置，该方法利用视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，采用DBSCAN聚类法对Mr进行降噪处理得到M′r；基于所建柔性基线模型，采用正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，采用傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，再经刚性杆臂补偿加上主POS运动信息，获得分布式POS所有节点子IMU高精度运动参数M1，提高机载分布式POS测量精度。

Description

基于视觉辅助测量的机载分布式POS数据融合方法和装置
技术领域
本发明涉及遥感测试技术领域，特别是涉及一种基于视觉辅助测量的机载分布式POS数据融合方法和装置。
背景技术
机载多任务遥感载荷高精度对地观测已经成为空基对地观测的重要发展方向，如集成高分辨率测绘相机、成像光谱仪、大视场红外扫描仪、合成孔径雷达(SyntheticAperture Radar，SAR)于同一载机的多任务载荷，机载分布式阵列天线SAR和柔性多基线干涉SAR等。机载多任务遥感载荷对地观测系统要实现高精度成像，需要获取各载荷的高精度运动参数。位置姿态测量系统(Position and Orientation System，POS)由惯性测量单元(Inertial Measurement Unit，IMU)、全球定位系统(Global Position System，GPS)接收机、POS计算机(POS Computer System，PCS)和后处理软件组成，可以为成像载荷提供位置姿态信息。对于机载多任务遥感载荷对地观测系统，传统的单一POS无法满足不同载荷安置点的高精度运动参数测量需求。因此，必须建立起高精度机载分布式POS系统，为高性能航空遥感系统中所有载荷提供高精度高可靠的运动参数。
传统机载分布式POS系统一般由一个高精度主POS和多个分布在机体(包括机翼)上的低精度子IMU组成。主、子系统分别安装在机体或机翼两侧的不同载荷附近，用于测量载荷中心的运动参数。主POS通过传递对准将高精度位置、速度、姿态等运动参数传递给子IMU，从而获得各子节点的高精度运动参数信息。由于受阵风、平台机动等多源扰动影响，柔性长机翼产生多模挠曲变形颤动耦合运动，部分节点的最大振幅可达米级、挠曲变形角高达10度左右，柔性基线效应显著，必然造成主子传递对准精度降低，影响子系统测量精度。
视觉测量是一种高精度测量方法，不需要通过机翼建立主子系统的传递关系，在子系统处设置相应靶标，将相机与主系统刚性固连于机舱，能够直接测出子系统相对主系统的位置姿态信息，测量精度高，可解决柔性基线效应影响主子传递对准精度的问题。但其受外界环境影响较大，在飞机飞行过程中，大气、温度、气候、外界亮度都会影响图像提取精度，相对传统POS系统不够稳定。所以为解决柔性基线效应造成的分布式POS多传感器数据融合难题，提高子系统测量精度，基于视觉测量的分布式POS数据融合方法具有重要意义。
现有机载分布式POS数据融合方法，主要针对主POS与子IMU的传递对准，受柔性基线效应影响显著，难以满足分布式POS的高精度测量需求。为解决柔性基线效应导致机载分布式POS精度下降问题，首先，在现有主子传递对准的基础上利用视觉测量主POS与子IMU的相对运动参数，作为量测信息辅助传统传递对准，提高传递对准精度；其次，为进一步提高分布式POS子IMU测量精度，充分利用分布式POS柔性基线各子节点的相关性，将对准后子IMU与主POS的相对运动信息作为数据处理对象，首先采用DBSCAN聚类法对其进行降噪处理，然后基于柔性基线模型，采用正交多项式拟合及傅里叶逼近分别进行空间维、时间维数据融合处理，得到拟合后的主POS与子IMU的相对运动信息；最后，将上述处理结果经主POS运动信息补偿，获得分布式POS所有节点子IMU的高精度运动参数。该方法解决柔性基线效应导致多传感器数据融合难题，提高机载分布式POS测量精度。
发明内容
基于此，有必要针对传统技术，考虑到分布式POS受柔性基线效应影响，出现主子传递对准测量精度降低的问题，提出了一种基于视觉辅助测量的机载分布式POS数据融合方法和装置，能够提高分布式POS所有节点的测量精度。
第一方面，本发明实施例提供了一种基于视觉辅助测量的机载分布式POS数据融合方法，所述方法包括：通过视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；通过基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，通过DBSCAN聚类法对Mr进行降噪处理得到M′r；基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，通过刚性杆臂补偿与主POS运动信息的加和计算，获得分布式POS所有节点子IMU高精度运动参数M1，，以实现基于视觉辅助的机载分布式POS数据融合。
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视觉辅助测量的机载分布式POS数据融合方法。
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视觉辅助测量的机载分布式POS数据融合装置，所述装置包括：获取模块，用于通过视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；模型建立模块，用于通过基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；降噪模块，用于将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，通过DBSCAN聚类法对Mr进行降噪处理得到M′r；融合模块，用于基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，通过刚性杆臂补偿与主POS运动信息的加和计算，获得分布式POS所有节点子IMU高精度运动参数M1，以实现基于视觉辅助的机载分布式POS数据融合。
本发明提供的一种基于视觉辅助测量的机载分布式POS数据融合方法和装置，首先利用视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；其次，基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；然后，将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，采用DBSCAN聚类法对Mr进行降噪处理得到M′r；最后，基于所建柔性基线模型，采用正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，采用傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，再经刚性杆臂补偿加上主POS运动信息，获得分布式POS所有节点子IMU高精度运动参数M1，提高机载分布式POS测量精度。
附图说明
图1为本发明一个实施例中的一种基于视觉辅助测量的机载分布式POS数据融合方法的步骤流程示意图；
图2为本发明另一个实施例中的一种基于视觉辅助测量的机载分布式POSS数据融合方法的流程示意图；
图3为本发明一个实施例中的一种基于视觉辅助测量的机载分布式POS数据融合方法中的机载分布式POS主子系统空间分布关系示意图；
图4为本发明一个实施例中的一种基于视觉辅助测量的机载分布式POS数据融合方法中的视觉辅助测量单翼示意图；
图5为本发明一个实施例中的一种基于视觉辅助测量的机载分布式POS数据融合方法中的悬臂梁受均布载荷挠曲变形示意图；
图6为本发明一个实施例中的一种基于视觉辅助测量的机载分布式POS数据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，以下通过实施例，并结合附图，对本发明基于视觉辅助测量的机载分布式POS数据融合方法和装置的具体实施方式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。
本实施例所提供的基于视觉辅助测量的机载分布式POS数据融合方法的原理为：利用视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；为充分利用分布式POS各子节点相关性，进一步提高测量精度，将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，对Mr进行数据融合处理；首先根据Mr数据密度大、噪声不规律等特点采用DBSCAN聚类法对Mr进行降噪处理得到M′r，其次基于所建柔性基线模型，采用正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，采用傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r；最后经刚性杆臂补偿加上主POS运动信息，获得分布式POS所有节点子IMU的高精度运动参数M1。
本公开的基于视觉辅助测量的机载分布式POS数据融合方法的有益效果为：本发明采用的视觉测量辅助传统主子传递对准方法，可以直接获得主POS与子IMU的相对位置姿态信息，避免主POS与子IMU进行信息传递时柔性基线效应的影响，提高了分布式POS传递对准精度；本发明建立的柔性基线模型，综合考虑基线的空间维弯曲、时间维振颤，切实结合其对分布式POS的影响，简单有效；本发明在数据融合前采用的聚类降噪方法，针对Mr时间维数据密度大、噪声不规律等特点，符合工程需要，有效提高了全局数据融合效率及精度；本发明采用的时空数据融合方法，在主POS与子IMU传递对准的基础上，分别针对时间维、空间维进行数据拟合，充分利用分布式POS所有子节点的时空相关性，克服了柔性基线效应带来的多传感器数据融合难题，进一步提高了分布式POS系统测量精度。
如图1所示，为一个实施例中的一种基于视觉辅助测量的机载分布式POS数据融合方法的流程示意图。具体包括以下步骤：
步骤102，通过视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0。
本实施例中，通过视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0，包括：
视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，经视觉测量辅助后进行传递对准，其中，量测模型为：
Z＝[ZA ZP]T＝HX+V
Figure BDA0001580641030000061
Figure BDA0001580641030000062
其中，ψm，θm，γm分别为主POS测得的航向、俯仰、横滚，
Figure BDA0001580641030000071
为主POS的载体坐标系与导航坐标系间的方向余弦矩阵，αc，βc，γc为相机测得的子IMU相对主POS的姿态角变化在主POS载体坐标系下的表示，ψs，θs，γs为子IMU捷联解算的航向、俯仰、横滚；xm，ym，zm分别为主POS测得沿x，y，z轴的位置，xc，yc，zc分别为相机测得的子IMU相对主POS的位移(在主POS载体坐标系下的表示)，xs，ys，zs为子IMU捷联解算的沿x，y，z轴的位置(导航坐标系)；X表示子IMU的状态估计量；V表示主POS测量误差与相机测量误差的和序列；
其中，
Figure BDA0001580641030000072
Figure BDA0001580641030000073
Figure BDA0001580641030000074
其中，Rm和Rn分别为地球沿子午圈和卯酉圈的主曲率半径；L和h分别为子IMU捷联解算的纬度和高度。
步骤104，通过基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)。
本实施例中，通过基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)，包括：
机翼柔性基线挠曲、振颤模型θ(x,t)为：
Figure BDA0001580641030000081
飞机在巡航成像阶段机翼受到均布载荷，其中，Q为机翼受到的均布载荷，EI为抗弯刚度，
Figure BDA0001580641030000082
是广义外力，
Figure BDA0001580641030000083
是模态阻尼系数，
Figure BDA0001580641030000084
是模态频率。
步骤106，将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，通过DBSCAN聚类法对Mr进行降噪处理得到M′r。
步骤108，基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，通过刚性杆臂补偿与主POS运动信息的加和计算，获得分布式POS所有节点子IMU高精度运动参数M1，，以实现基于视觉辅助的机载分布式POS数据融合。需要说明的是，基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，再通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，再通过刚性杆臂补偿与主POS运动信息的加和计算，获得分布式POS所有节点子IMU高精度运动参数M1，，以实现基于视觉辅助的机载分布式POS数据融合。其中，通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，与通过刚性杆臂补偿与主POS运动信息的加和计算，获得分布式POS所有节点子IMU高精度运动参数M1，以实现基于视觉辅助的机载分布式POS数据融合上述步骤操作为顺序操作。
本实施例中，基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，且通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，包括：通过拟合函数Q(x)对集合M′r内各时间段进行空间维拟合，得到空间拟合后的新集合M″r，其中，Q(x)表示如下：
Q(x)＝a0Q0(x)+a1Q1(x)+…anQn(x)
Figure BDA0001580641030000091
其中，Qk(x)是首项为1的k次多项式，根据Qk(x)的正交性，得：
Figure BDA0001580641030000092
根据上式逐步求得Qk(x)，其相对应系数可表示如下：
Figure BDA0001580641030000093
逐步把ak·Qk(x)累加到Q(x)中，最后可求得拟合函数Q(x)；
通过利用拟合函数g(t)对集合M″r内各节点进行时间维拟合，最终得到经过时空拟合后的集合M″′r，其中，g(t)表示如下：
g(t)＝c0+c1sinw1t+c2cosw2t+…+c2p-1sinw2p-1t+c2pcosw2pt
其中，p＝1,2,…,n，g(t)是基于傅里叶逼近得到的周期拟合函数。
本发明提供的一种基于视觉辅助测量的机载分布式POS数据融合方法，首先利用视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；其次，基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；然后，将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，采用DBSCAN聚类法对Mr进行降噪处理得到M′r；最后，基于所建柔性基线模型，采用正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，采用傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，再经刚性杆臂补偿加上主POS运动信息，获得分布式POS所有节点子IMU高精度运动参数M1，提高机载分布式POS测量精度。
为了更清楚的理解与应用本发明提出的基于视觉辅助测量的机载分布式POS数据融合方法，进行以下示例。需要说明的是，本发明的保护范围不局限以下示例。
具体的，如图2所示，为本发明另一个实施例中的一种基于视觉辅助测量的机载分布式POS数据融合方法。
步骤201，利用视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统主子传递对准，获得所有子IMU的运动参数M0。
步骤202，基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型。
步骤203，M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr。
步骤204，采用DBSCAN聚类法对Mr进行降噪处理，得到集合M′r。
步骤205，采用正交多项式拟合对M′r空间维数据进行融合处理，得M″r。
步骤206，采用傅里叶逼近M″r时间维数据进行融合处理，得M″′r。
步骤207，经刚性杆臂补偿加上主POS运动信息，获得分布式POS所有节点子IMU高精度运动参数M1。
具体说明为：结合图2-3所示，利用视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0。具体步骤为：首先分布式POS所有节点子IMU进行主子传递对准，相机安装在机舱位置，与主POS刚性连接，单翼相机安装示意图如说明书附图4所示，测量主POS与子IMU的相对运动信息，作为量测信息辅助传统传递对准，采用“位置+姿态”的匹配方式进行传递对准建模。滤波器的模型包括状态方程和量测方程，具体传递对准的步骤如下：
其中，系统状态方程为：
Figure BDA0001580641030000111
其中：
Figure BDA0001580641030000112
为状态变量。φ＝[φx φy φz]T为子IMU的三轴平台失准角，δV＝[δVx δVy δVz]T为子IMU的速度误差，δL、δλ、δh分别为子IMU的纬度、经度和高度误差，ε＝[εx εy εz]T为陀螺漂移，
Figure BDA0001580641030000113
为加计零偏F为状态转移矩阵；G为系统噪声矩阵；
Figure BDA0001580641030000114
为系统噪声，并假设其为零均值高斯白噪声；F和G的表达式：
Figure BDA0001580641030000115
其中：
Figure BDA0001580641030000116
Figure BDA0001580641030000117
Figure BDA0001580641030000121
Figure BDA0001580641030000122
Figure BDA0001580641030000123
Figure BDA0001580641030000124
其中，ωie为地球自转角速度；Rm和Rn分别为地球沿子午圈和卯酉圈的主曲率半径；L和h分别为子IMU捷联解算的纬度和高度；T为滤波周期；Vx、Vy、Vz分别为子IMU捷联解算的东向、北向、天向速度；
Figure BDA0001580641030000125
为子IMU载体坐标系到导航坐标系的方向余弦矩阵。
此外，经视觉测量辅助后进行传递对准，其中，量测模型是：
Z＝[ZA ZP]T＝HX+V
Figure BDA0001580641030000131
Figure BDA0001580641030000132
其中，ψm，θm，γm分别为主POS测得的航向、俯仰、横滚，
Figure BDA0001580641030000133
为主POS的载体坐标系与导航坐标系间的方向余弦矩阵，αc，βc，γc为相机测得的子IMU相对主POS的姿态角变化在主POS载体坐标系下的表示，ψs，θs，γs为子IMU捷联解算的航向、俯仰、横滚；xm，ym，zm分别为主POS测得沿x，y，z轴的位置，xc，yc，zc分别为相机测得的子IMU相对主POS的位移(在主POS载体坐标系下的表示)，xs，ys，zs为子IMU捷联解算的沿x，y，z轴的位置(导航坐标系)；X表示子IMU的状态估计量；V表示主POS测量误差与相机测量误差的和序列；
其中，
Figure BDA0001580641030000134
Figure BDA0001580641030000135
Figure BDA0001580641030000136
再者，利用上述主子传递对准误差状态量计算修正子IMU位置、速度和姿态。
其中，速度修正
Figure BDA0001580641030000137
其中，V′x,V′y,V′z分别为修正后子IMU的东向、北向和天向速度；
其中，位置修正
Figure BDA0001580641030000141
其中,λ为捷联解算得到的子IMU的经度；L′、λ′和h′分别为修正后子IMU的纬度、经度和高度。
其中，姿态修正
利用
Figure BDA0001580641030000142
中的失准角φx,φy,φz来计算子IMU导航坐标系n与计算导航坐标系n′间的转换矩阵
Figure BDA0001580641030000143
Figure BDA0001580641030000144
修正后的转换矩阵
Figure BDA0001580641030000145
为：
Figure BDA0001580641030000146
其中，
Figure BDA0001580641030000147
为子IMU进行捷联解算后得到的姿态矩阵。利用修正后的
Figure BDA0001580641030000148
计算子IMU的姿态角，包括航向角ψ′、俯仰角θ′和横滚角γ′。
经过误差修正后得到子IMU经过主子传递对准后的导航信息记为m：
m＝[ψ′ θ′ γ′ V′xV′y V′z L′ λ′ h′]
m是T×9的矩阵，T为总的采样数，为采样时间t与采样频率f的乘积：T＝t×f。
对分布式POS所有节点子IMU重复上述步骤，得到分布式POS所有节点子IMU的运动参数集合M0＝[m1,m2,…,mn]。
需要说明的是，根据飞机的气动特性和结构参数，结合分布式POS布局，分析柔性基线的动力学频谱特性，揭示多源振动耦合下柔性基线非线性挠曲变形机理和颤动规律。基于气动弹性动力学理论，采用运动模态叠加方法，建立柔性基线多模态挠曲运动复合模型。具体实施方法为：由于机翼柔性特性，受阵风、湍流等外因和发动机振动内因影响，柔性机翼产生多阶模态运动叠加而成的非线性挠曲变形和颤动，其中高阶模态振幅较小，且随机性强，因此柔性基线挠曲运动建模时，主要考虑低阶模态的影响。
对于机体弹性变形角，以阵列天线SAR为例，分布式POS中子IMU安装在机翼两侧，机翼的振动及弹性变形主要是绕机体y轴，所以在传递对准误差建模中只考虑绕机体坐标系y轴的弹性变形角θy。
根据弹性力学理论中的模态叠加方法，杆臂绕oy轴的弯曲位移uy(x,t)可描述为：
Figure BDA0001580641030000151
式中：x是ox轴上的坐标；n代表杆臂的n阶模态；ψi(x)、qi(t)是第i阶模态的振型函数与模态坐标。由此可知，绕机体坐标系y轴的挠曲变形角可表示为：
Figure BDA0001580641030000152
其中可用模态坐标分析机翼颤振，描述为：
Figure BDA0001580641030000153
式中，
Figure BDA0001580641030000154
是模态阻尼系数；
Figure BDA0001580641030000155
是模态频率；
Figure BDA0001580641030000156
是广义外力。
Figure BDA0001580641030000157
可根据机翼的实际参数用有限元方法确定。而空气扰动产生的广义外力
Figure BDA0001580641030000158
一般可以根据空气扰动信号的频率范围确定，大气扰动的频率一般在数十赫兹。机翼随时间的振动可以看作机翼受外力的颤振。由于飞机在正常飞行过程中，模态阻尼系数均为小阻尼震颤，即
Figure BDA0001580641030000159
所以模态坐标函数可视为欠阻尼二阶系统。在飞机巡航飞行过程中将广义外力
Figure BDA00015806410300001510
可近似看作阶跃激励，由此可解得模态坐标函数为：
Figure BDA0001580641030000161
由于在飞行中，飞机受到的大气湍流等外部扰动的频率一般小于飞机的颤振频率(飞机的颤振频率为数十赫兹)，故仅取第一阶弯曲模态近似机翼的挠曲运动。考虑大飞机在巡航状态下，机翼受到均布载荷Q，抗弯刚度为EI，可简化为悬臂梁模型，其一阶模态变形可简化如图5所示。振形函数方程可表示为：
Figure BDA0001580641030000162
则绕y轴变化取其微分形式为：
Figure BDA0001580641030000163
将式(4)、(7)代入(2)得机翼绕y轴挠曲角变形可近似为：
Figure BDA0001580641030000164
由此可建立机翼柔性基线挠曲、振颤模型θ(x,t)：
Figure BDA0001580641030000165
飞机在巡航成像阶段机翼受到均布载荷，其中，Q为机翼受到的均布载荷，EI为抗弯刚度，
Figure BDA0001580641030000166
是广义外力，
Figure BDA0001580641030000167
是模态阻尼系数，
Figure BDA0001580641030000168
是模态频率。
可以理解的是，将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，针对实施步骤1得到的集合Mr数据密度大、噪声不规律等特点，采用DBSCAN聚类法对Mr中每个节点的数据分别进行降噪处理，得到集合M′r。具体实施步骤为：首先，将主子传递对准后的集合M0内所有数据，减去主POS的绝对运动参数，获得对准后相应各子IMU相对主POS的运动信息Mr＝[mr1,mr2,…,mrn]。
其次，针对集合Mr中mri(i＝1,2,…,n)计算DBSCAN聚类法的扫描半径E和最小包含点数MinPts。计算步骤说明为：解析样本数据文件mri；计算mri中每个数据点与其他所有数据点之间的欧几里得距离。计算公式如下：
Figure BDA0001580641030000171
其中，i，j代表不同时间点。
此外，计算每个点的k-距离值，并对所有点的k-距离集合进行升序排序，输出排序后的k-距离值。此处对DBSCAN算法中使用的k-距离的概念说明如下：
k-距离是指给定数据集P＝{p(i)；i＝0,1,...n}，对于任意点p(i)，计算点p(i)到整个数据集合D的子集S＝{p(1),p(2),...,p(i-1),p(i+1),...,p(n)}中所有点之间的距离，距离按照从小到大的顺序排序，假设排序后的距离集合为D＝{d(1),d(2),...,d(k-1),d(k),d(k+1),...,d(n)}，则d(k)就被称为p(i)对应的k-距离。
进一步地，针对所有的k-距离值，计算k距离变化趋势，k距离突变处对应的k-距离值作为半径E，此处的k值作为MinPts。
然后，根据上述计算得到的半径E和Minpts，采用DBSCAN算法寻找孤立点(噪声点)从而实现降噪。DBSCAN算法的实现步骤说明为：从含有二维数据的mri中任选一个未被访问的点P0；检测mri中尚未被检查过的对象点Pi，如果Pi未被处理(即Pi被归为某个簇或者标记为噪声)，则按照扫描半径E检查其邻域，若邻域中包含的对象数不小于MinPts，则建立新簇C，将其中的所有点加入候选集N；若邻域中包含的对象数小于MinPts，则Pi点暂时被标记作为噪声点；对候选集N中所有尚未被处理的对象Q，查其邻域，若至少包含MinPts个对象，则将这些对象加入N；如果Q未归入任何一个簇，则将Q加入C；重复上述步骤操作，继续检查N中未处理的对象，直至当前候选集N为空；重复除了从含有二维数据的mri中任选一个未被访问的点P0，步骤操作的所有步骤，直到所有对象都归入了某个簇或标记为噪声；最后，针对Mr中所有mri重复上述步骤，完成各节点子IMU信息的时间维降噪处理，获得降噪后的数据集合M′r。
更进一步地，基于所建柔性基线模型，采用正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，采用傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，再经刚性杆臂补偿加上主POS运动信息，获得分布式POS所有节点子IMU高精度运动参数M1。具体实施步骤为：空间维拟合步骤，即利用拟合函数Q(x)对集合M′r内各时间段进行空间维拟合，得到空间拟合后的新集合M″r。Q(x)表示如下：
Q(x)＝a0Q0(x)+a1Q1(x)+…anQn(x)
Figure BDA0001580641030000181
其中，Qk(x)是首项为1的k次多项式，根据Qk(x)的正交性，得：
Figure BDA0001580641030000182
根据式上式逐步求得Qk(x)，其相对应系数可表示如下：
Figure BDA0001580641030000183
逐步把ak·Qk(x)累加到Q(x)中，最后可求得拟合函数Q(x)。
此外，时间维拟合，即利用拟合函数g(t)对集合M″r内各节点进行时间维拟合，最终得到经过时空拟合后的集合M″′r。g(t)表示如下：
g(t)＝c0+c1sinw1t+c2cosw2t+…+c2p-1sinw2p-1t+c2pcosw2pt
其中，p＝1,2,…,n，g(t)是基于傅里叶逼近得到的周期拟合函数。
最后，M″′r经刚性杆臂补偿加上主POS运动信息，将主POS测量的绝对运动参数通过杆臂补偿，再加上数据融合处理后的相对运动参数M″′r，得到分布式POS所有节点子IMU经过全局数据融合后的绝对运动参数M1。
基于同一发明构思，还提供了一种基于视觉辅助测量的机载分布式POS数据融合装置。由于此装置解决问题的原理与前述一种基于视觉辅助测量的机载分布式POS数据融合方法相似，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6所示，为一个实施例中的一种基于视觉辅助测量的机载分布式POS数据融合装置的结构示意图。该基于视觉辅助测量的机载分布式POS数据融合装置10包括：获取模块200、模型建立模块400、降噪模块600和融合模块800。
其中，获取模块200用于通过视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；模型建立模块400用于通过基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；降噪模块600用于将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，通过DBSCAN聚类法对Mr进行降噪处理得到M′r；融合模块800用于基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，通过刚性杆臂补偿与主POS运动信息的加和计算，获得分布式POS所有节点子IMU高精度运动参数M1，，以实现基于视觉辅助的机载分布式POS数据融合。
本实施例中，获取模块200包括：量测模型传递单元(图中未示出)用于视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，经视觉测量辅助后进行传递对准，其中，量测模型为：
Z＝[ZA ZP]T＝HX+V
Figure BDA0001580641030000201
Figure BDA0001580641030000202
其中，ψm，θm，γm分别为主POS测得的航向、俯仰、横滚，
Figure BDA0001580641030000203
为主POS的载体坐标系与导航坐标系间的方向余弦矩阵，αc，βc，γc为相机测得的子IMU相对主POS的姿态角变化在主POS载体坐标系下的表示，ψs，θs，γs为子IMU捷联解算的航向、俯仰、横滚；xm，ym，zm分别为主POS测得沿x，y，z轴的位置，xc，yc，zc分别为相机测得的子IMU相对主POS的位移(在主POS载体坐标系下的表示)，xs，ys，zs为子IMU捷联解算的沿x，y，z轴的位置(导航坐标系)；X表示子IMU的状态估计量；V表示主POS测量误差与相机测量误差的和序列；
其中，
Figure BDA0001580641030000204
Figure BDA0001580641030000205
Figure BDA0001580641030000206
其中，Rm和Rn分别为地球沿子午圈和卯酉圈的主曲率半径；L和h分别为子IMU捷联解算的纬度和高度。
进一步地，在一个实施例中，机翼柔性基线挠曲、振颤模型θ(x,t)为：
Figure BDA0001580641030000211
飞机在巡航成像阶段机翼受到均布载荷，其中，Q为机翼受到的均布载荷，EI为抗弯刚度，
Figure BDA0001580641030000212
是广义外力，
Figure BDA0001580641030000213
是模态阻尼系数，
Figure BDA0001580641030000214
是模态频率。
更进一步地，融合模块800包括：拟合单元(图中未示出)用于通过拟合函数Q(x)对集合M′r内各时间段进行空间维拟合，得到空间拟合后的新集合M″r，其中，Q(x)表示如下：
Q(x)＝a0Q0(x)+a1Q1(x)+…anQn(x)
Figure BDA0001580641030000215
其中，Qk(x)是首项为1的k次多项式，根据Qk(x)的正交性，得：
Figure BDA0001580641030000216
根据上式逐步求得Qk(x)，其相对应系数可表示如下：
Figure BDA0001580641030000217
逐步把ak·Qk(x)累加到Q(x)中，最后可求得拟合函数Q(x)；
通过利用拟合函数g(t)对集合M″r内各节点进行时间维拟合，最终得到经过时空拟合后的集合M″′r，其中，g(t)表示如下：
g(t)＝c0+c1sinw1t+c2cosw2t+…+c2p-1sinw2p-1t+c2pcosw2pt
其中，p＝1,2,…,n，g(t)是基于傅里叶逼近得到的周期拟合函数。
本发明提供的一种基于视觉辅助测量的机载分布式POS数据融合装置，首先通过获取模块200利用视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；其次，通过模型建立模块400基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；然后，通过降噪模块600将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，采用DBSCAN聚类法对Mr进行降噪处理得到M′r；最后，通过融合模块800基于所建柔性基线模型，采用正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，采用傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，再经刚性杆臂补偿加上主POS运动信息，获得分布式POS所有节点子IMU高精度运动参数M1，提高机载分布式POS测量精度。
本发明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。
本发明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发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种基于视觉辅助测量的机载分布式POS数据融合方法，其特征在于，所述方法包括：
通过视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；
通过基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；
将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，通过DBSCAN聚类法对Mr进行降噪处理得到M′r；
基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，通过刚性杆臂补偿与主POS运动信息的加和计算，获得分布式POS所有节点子IMU高精度运动参数M1，以实现基于视觉辅助的机载分布式POS数据融合；所述通过视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0，包括：
视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，经视觉测量辅助后进行传递对准，其中，量测模型为：
Z＝[ZA ZP]T＝HX+V
Figure FDA0002310668770000011
Figure FDA0002310668770000012
其中，ψm，θm，γm分别为主POS测得的航向、俯仰、横滚，
Figure FDA0002310668770000013
为主POS的载体坐标系与导航坐标系间的方向余弦矩阵，αc，βc，γc为相机测得的子IMU相对主POS的姿态角变化在主POS载体坐标系下的表示，ψs，θs，γs为子IMU捷联解算的航向、俯仰、横滚；xm，ym，zm分别为主POS测得沿x，y，z轴的位置，xc，yc，zc分别为相机测得的子IMU相对主POS的位移，xs，ys，zs为子IMU捷联解算的沿x，y，z轴的位置；X表示子IMU的状态估计量；V表示主POS测量误差与相机测量误差的和序列；
其中，
Figure FDA0002310668770000021
Figure FDA0002310668770000022
Figure FDA0002310668770000023
其中，Rm和Rn分别为地球沿子午圈和卯酉圈的主曲率半径；L和h分别为子IMU捷联解算的纬度和高度；所述通过基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)，包括：
机翼柔性基线挠曲、振颤模型θ(x,t)为：
Figure FDA0002310668770000024
飞机在巡航成像阶段机翼受到均布载荷，其中，Q为机翼受到的均布载荷，EI为抗弯刚度，
Figure FDA0002310668770000025
是广义外力，
Figure FDA0002310668770000026
是模态阻尼系数，
Figure FDA0002310668770000027
是模态频率；所述基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，且通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，包括：通过拟合函数Q(x)对集合M′r内各时间段进行空间维拟合，得到空间拟合后的新集合M″r，其中，Q(x)表示如下：Q(x)＝a0Q0(x)+a1Q1(x)+…anQn(x)
Figure FDA0002310668770000031
其中，Qk(x)是首项为1的k次多项式，根据Qk(x)的正交性，得：
Figure FDA0002310668770000032
根据上式逐步求得Qk(x)，其相对应系数可表示如下：
Figure FDA0002310668770000033
逐步把ak·Qk(x)累加到Q(x)中，最后可求得拟合函数Q(x)；
通过利用拟合函数g(t)对集合M″r内各节点进行时间维拟合，最终得到经过时空拟合后的集合M″′r，其中，g(t)表示如下：
g(t)＝c0+c1sinw1t+c2cosw2t+…+c2p-1sinw2p-1t+c2pcosw2pt
其中，p＝1,2,…,n，g(t)是基于傅里叶逼近得到的周期拟合函数。
2.一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所述的方法。
3.一种基于视觉辅助测量的机载分布式POS数据融合装置，其特征在于，所述装置包括：
获取模块，用于通过视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，获得所有节点子IMU的运动参数M0；
模型建立模块，用于通过基于弹性力学模态叠加方法，建立机翼柔性基线挠曲、振颤模型θ(x,t)；
降噪模块，用于将M0经刚性杆臂补偿减去主POS运动信息，获得对准后子IMU与主POS的相对运动信息Mr，通过DBSCAN聚类法对Mr进行降噪处理得到M′r；
融合模块，用于基于所建柔性基线模型，通过正交多项式拟合对M′r空间维数据进行融合处理，获得M″r，通过傅里叶逼近对M″r时间维数据进行融合处理，获得M″′r，通过刚性杆臂补偿与主POS运动信息的加和计算，获得分布式POS所有节点子IMU高精度运动参数M1，以实现基于视觉辅助的机载分布式POS数据融合；所述获取模块，包括：量测模型传递单元，用于视觉测量主POS与子IMU相对位置姿态，作为量测信息辅助传统传递对准，经视觉测量辅助后进行传递对准，其中，量测模型为：
Z＝[ZA ZP]T＝HX+V
Figure FDA0002310668770000041
Figure FDA0002310668770000042
其中，ψm，θm，γm分别为主POS测得的航向、俯仰、横滚，
Figure FDA0002310668770000043
为主POS的载体坐标系与导航坐标系间的方向余弦矩阵，αc，βc，γc为相机测得的子IMU相对主POS的姿态角变化在主POS载体坐标系下的表示，ψs，θs，γs为子IMU捷联解算的航向、俯仰、横滚；xm，ym，zm分别为主POS测得沿x，y，z轴的位置，xc，yc，zc分别为相机测得的子IMU相对主POS的位移，xs，ys，zs为子IMU捷联解算的沿x，y，z轴的位置；X表示子IMU的状态估计量；V表示主POS测量误差与相机测量误差的和序列；
其中，
Figure FDA0002310668770000051
Figure FDA0002310668770000052
Figure FDA0002310668770000053
其中，Rm和Rn分别为地球沿子午圈和卯酉圈的主曲率半径；L和h分别为子IMU捷联解算的纬度和高度；所述机翼柔性基线挠曲、振颤模型θ(x,t)为：
Figure FDA0002310668770000054
飞机在巡航成像阶段机翼受到均布载荷，其中，Q为机翼受到的均布载荷，EI为抗弯刚度，
Figure FDA0002310668770000055
是广义外力，
Figure FDA0002310668770000056
是模态阻尼系数，
Figure FDA0002310668770000057
是模态频率；所述融合模块，包括：拟合单元，用于通过拟合函数Q(x)对集合M′r内各时间段进行空间维拟合，得到空间拟合后的新集合M″r，其中，Q(x)表示如下：
Q(x)＝a0Q0(x)+a1Q1(x)+…anQn(x)
Figure FDA0002310668770000058
其中，Qk(x)是首项为1的k次多项式，根据Qk(x)的正交性，得：
Figure FDA0002310668770000061
根据上式逐步求得Qk(x)，其相对应系数可表示如下：
Figure FDA0002310668770000062
逐步把ak·Qk(x)累加到Q(x)中，最后可求得拟合函数Q(x)；
通过利用拟合函数g(t)对集合M″r内各节点进行时间维拟合，最终得到经过时空拟合后的集合M″′r，其中，g(t)表示如下：
g(t)＝c0+c1sinw1t+c2cosw2t+…+c2p-1sinw2p-1t+c2pcosw2pt
其中，p＝1,2,…,n，g(t)是基于傅里叶逼近得到的周期拟合函数。
CN201810153904.6A 2018-02-22 2018-02-22 基于视觉辅助测量的机载分布式pos数据融合方法和装置 Active CN108458709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810153904.6A CN108458709B (zh) 2018-02-22 2018-02-22 基于视觉辅助测量的机载分布式pos数据融合方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810153904.6A CN108458709B (zh) 2018-02-22 2018-02-22 基于视觉辅助测量的机载分布式pos数据融合方法和装置

Publications (2)

Publication Number Publication Date
CN108458709A CN108458709A (zh) 2018-08-28
CN108458709B true CN108458709B (zh) 2020-03-24

Family

ID=63216575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810153904.6A Active CN108458709B (zh) 2018-02-22 2018-02-22 基于视觉辅助测量的机载分布式pos数据融合方法和装置

Country Status (1)

Country Link
CN (1) CN108458709B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110068325A (zh) * 2019-04-11 2019-07-30 同济大学 一种车载ins/视觉组合导航系统的杆臂误差补偿方法
CN110646016B (zh) * 2019-11-11 2021-04-13 北京航空航天大学 基于经纬仪与视觉辅助柔性基线分布式pos标校方法和装置
CN112100735B (zh) * 2020-08-03 2022-11-11 东南大学 一种基于机翼形变的机载imu高精度参考基准获取方法
CN112164081B (zh) * 2020-09-30 2023-04-21 西南交通大学 一种车载LiDAR点云铁路横断面轮廓提取方法
CN113188566B (zh) * 2021-03-23 2023-09-29 北京航空航天大学 一种机载分布式pos数据融合方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107600067A (zh) * 2017-09-08 2018-01-19 中山大学 一种基于多视觉惯导融合的自主泊车系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104567930A (zh) * 2014-12-30 2015-04-29 南京理工大学 一种能够估计和补偿机翼挠曲变形的传递对准方法
CN104699104B (zh) * 2015-03-17 2018-02-02 武汉纺织大学 一种自适应agv视觉导航视线调整装置的线迹跟踪方法
CN107402012A (zh) * 2016-05-20 2017-11-28 北京自动化控制设备研究所 一种车辆的组合导航方法
CN106289246B (zh) * 2016-07-25 2018-06-12 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107600067A (zh) * 2017-09-08 2018-01-19 中山大学 一种基于多视觉惯导融合的自主泊车系统及方法

Also Published As

Publication number Publication date
CN108458709A (zh) 2018-08-28

Similar Documents

Publication Publication Date Title
CN108458709B (zh) 基于视觉辅助测量的机载分布式pos数据融合方法和装置
CN109001787B (zh) 一种姿态角解算与定位的方法及其融合传感器
CN111426318B (zh) 基于四元数-扩展卡尔曼滤波的低成本ahrs航向角补偿方法
CN107728182B (zh) 基于相机辅助的柔性多基线测量方法和装置
CN111189442B (zh) 基于cepf的无人机多源导航信息状态预测方法
Ahn et al. Fast alignment using rotation vector and adaptive Kalman filter
CN112146655B (zh) 一种BeiDou/SINS紧组合导航系统弹性模型设计方法
CN108375383B (zh) 多相机辅助的机载分布式pos柔性基线测量方法和装置
Lu et al. Applied quaternion optimization method in transfer alignment for airborne AHRS under large misalignment angle
CN110243377B (zh) 一种基于分层式结构的集群飞行器协同导航方法
CN111238467A (zh) 一种仿生偏振光辅助的无人作战飞行器自主导航方法
CN105352529B (zh) 多源组合导航系统分布式惯性节点全误差在线标定方法
CN109708663B (zh) 基于空天飞机sins辅助的星敏感器在线标定方法
CN103884340A (zh) 一种深空探测定点软着陆过程的信息融合导航方法
CN113295162A (zh) 基于无人机状态信息的广义因子图融合导航方法
Chen et al. New rapid transfer alignment method for SINS of airborne weapon systems
Zhou et al. Spinning projectile’s angular measurement using crest and trough data of a geomagnetic sensor
Liu et al. Integrated navigation on vehicle based on low-cost SINS/GNSS using deep learning
CN107764268B (zh) 一种机载分布式pos传递对准的方法和装置
CN113129377B (zh) 一种三维激光雷达快速鲁棒slam方法和装置
CN111337056B (zh) 基于优化的LiDAR运动补偿位置姿态系统对准方法
CN111982126B (zh) 一种全源BeiDou/SINS弹性状态观测器模型设计方法
Gong et al. An innovative distributed filter for airborne distributed position and orientation system
CN111220182B (zh) 一种火箭传递对准方法及系统
Condomines Nonlinear Kalman Filter for Multi-Sensor Navigation of Unmanned Aerial Vehicles: Application to Guidance and Navigation of Unmanned Aerial Vehicles Flying in a Complex Environment

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