CN108646277A - 基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法 - Google Patents
基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法 Download PDFInfo
- Publication number
- CN108646277A CN108646277A CN201810411952.0A CN201810411952A CN108646277A CN 108646277 A CN108646277 A CN 108646277A CN 201810411952 A CN201810411952 A CN 201810411952A CN 108646277 A CN108646277 A CN 108646277A
- Authority
- CN
- China
- Prior art keywords
- formula
- state
- error
- estimation
- observation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 34
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000002411 adverse Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明的基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法包括a).获取定位数据;b).建立含有粗差的状态观测方程;c).建立状态估计;d).求取观测值方差阵;e).获取自适应滤波解;f).估计误差方差矩阵;g).抗差自适应滤。本发明的有益效果是:本发明的基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法,明显优于最小二乘法、卡尔曼滤波法,相对于扩展卡尔曼滤波法也有一定程度的提高,误差精度在5cm左右,满足农机自动驾驶的精度要求,可结合高性能控制器,有效控制农机的转向和速度,实现农机自主定位、自动航迹跟踪、自动行驶的目标。
Description
技术领域
本发明涉及一种北斗动态导航方法,更具体的说,尤其涉及一种基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法。
背景技术
农机的导航控制技术是实现农业现代化的基本要求,PVT信息(位置信息、速度信息、时间信息)的解算是农机北斗导航定位解算中最为核心的部分。国内外对于农机导航定位都有一定的研究,美国伊利诺伊大学基于RTK-GPS技术研发了车辆自动导航控制系统;中国的罗锡文、宋正河等专家对基于DGPS的农机自动驾驶技术的硬件和软件系统进行了研究,建立农机作业时的运动学和动力学模型,利用Kalman滤波等算法提高定位精确度。目前,PVT解算最基础的方法就是最小二乘法,但得到的结果不够精确误差很大,而且有些紊乱。相比较最小二乘法,卡尔曼滤波法和扩展卡尔曼滤波法精度明显提高,但还不能满足农机这类精度要求极高的行业,针对粗差的影响提出了一种可有效降低粗差影响的抗差自适应与扩展卡尔曼滤波相融合的算法,着重针对北斗动态导航方法进行深入优化,来满足农机导航的高精度要求。
北斗系统定位原理的主要是根据三球交汇定位原理,这种原理被广泛应用于北斗导航卫星定位系统,如图1所示,给出了北斗系统卫星定位原理示意图,首先设定已得到三个卫星在空间中的位置和待测北斗定位接收机到这三个卫星的距离,再根据上述方法结合伪距定位,这样我们就可以得知,以这三个卫星为中心,以待测定位接收机到卫星的距离为半径的三个球的交点上,然后再根据工程经验非常简单就可以排除另外一个点,这个点是不与地球面重合的。所剩下的那个点就是想要知道的待测北斗定位接收机的真实位置,北斗导航定位系统进行定位解算就是以这个原理为基础。因为每颗卫星都有它的时延,在进行定位解算时,这个也需要作为一个未知变量参与方程组的求解,所以依据惯例,需要多知道一颗卫星的空间位置信息,也就是至少四颗才能进一步完成定位解算。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法。
本发明的基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法,通过以下步骤来实现:
a).获取定位数据,农机利用装载的北斗定位模块获取t时间段内的定位数据(A,B,H),设采样周期为T,样本容量为n;集合A、B、H中的数据均通过以下步骤进行处理;
b).建立含有粗差的状态观测方程,由于获取的定位数据中含有粗差,会使得状态估计受到干扰,建立如公式(1)所示的含有粗差的状态观测方程:
式中,为m维状态矢量Zk的估计,Xk是系统的n维状态矢量,Hk是m×n维观测矩阵;Gk为粗差干扰矩阵,由元素0和1组成,Mk为粗差向量,Vk是m维系统的观测噪声矢量;含有粗差影响的预测残差为:
式中,是观测噪声矢量Vk的估计,是状态一步预测值Xk,k-1的估计,为k时刻的观测值;
由公式(1)和(2)可得到一个新的滤波状态估计模型:
式中,Kk为增益矩阵;
可见,在有粗差的情况下,状态估计滤波值的大小是通过增益矩阵Kk的改变而改变的,通过调节增益矩阵Kk的大小来减小或消除粗差对状态的影响;
c).建立状态估计,建立如公式(4)所示的状态估计:
状态进一步预测为:
Φk,k-1是系统的n×n维状态转移矩阵;增益矩阵Kk通过如下公式进行求取:
上式中:k0,k1是抗差参数,k0一般取2.5~3.5,k1一般取3.5~4.5,其中:
上式中:i,j分别代表状态向量和观测向量的维数;vk,rj,σj分别代表观测向量的预测残差、多余观测分量和量测标准差;其中:
d).求取观测值方差阵,利用公式(9)和公式(10)来求取观测值方差阵:
根据所求得到sj同k0,k1的大小比较,利用公式(6)来得到对应Kij的值,以便于消除粗差对于状态估计的影响;
e).获取自适应滤波解,建立如公式(11)所示的自适应抗差滤波函数:
上述式中:ρ为连续非减凸函数,αk(0<αk≤1)为自适应因子,Pi为Xi的方差,为Xk的方差;在取得极值min后,建立如公式(12)所示的关于状态向量的自适应滤波解:
公式(12)的等价的表示为:
等价增益矩阵可表示为:
f).估计误差方差矩阵可表示为:
采用两段函数来表示自适应因子:
上述式中,c为常量。可以构建模型误差的判别统计量为:
其中tr为表示矩阵的迹;
g).利用抗差自适应滤波法将得到:
集合A、B、H中的数据分别通过上述步骤的处理后,即可得到其当前k时刻的状态估计值并比较估计值与测量值的大小,如果两者之差小于设定阈值,则采用测量值作为k时刻实际值;如果两者之差大于设定阈值,则采用估计值作为k时刻实际值,以避免系统误差、干扰信号对测量结果造成的不利影响。
本发明的有益效果是:本发明的基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法,明显优于最小二乘法、卡尔曼滤波法,相对于扩展卡尔曼滤波法也有一定程度的提高,误差精度在5cm左右,满足农机自动驾驶的精度要求,可结合高性能控制器,有效控制农机的转向和速度,实现农机自主定位、自动航迹跟踪、自动行驶的目标。
附图说明
图1为北斗系统卫星定位原理示意图;
图2为采用最小二乘法的仿真实验结果;
图3为采用卡尔曼滤波算法的仿真实验结果;
图4为采用本发明的基于抗差自适应与扩展卡尔曼滤波融合算法的仿真实验结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
通过以下步骤来实现:
a).获取定位数据,农机利用装载的北斗定位模块获取t时间段内的定位数据(A,B,H),设采样周期为T,样本容量为n;集合A、B、H中的数据均通过以下步骤进行处理;
b).建立含有粗差的状态观测方程,由于获取的定位数据中含有粗差,会使得状态估计受到干扰,建立如公式(1)所示的含有粗差的状态观测方程:
式中,为m维状态矢量Zk的估计,Xk是系统的n维状态矢量,Hk是m×n维观测矩阵;Gk为粗差干扰矩阵,由元素0和1组成,Mk为粗差向量,Vk是m维系统的观测噪声矢量;含有粗差影响的预测残差为:
式中,是观测噪声矢量Vk的估计,是状态一步预测值Xk,k-1的估计,为k时刻的观测值;
由公式(1)和(2)可得到一个新的滤波状态估计模型:
式中,Kk为增益矩阵;
可见,在有粗差的情况下,状态估计滤波值的大小是通过增益矩阵Kk的改变而改变的,通过调节增益矩阵Kk的大小来减小或消除粗差对状态的影响;
c).建立状态估计,建立如公式(4)所示的状态估计:
状态进一步预测为:
Φk,k-1是系统的n×n维状态转移矩阵;增益矩阵Kk通过如下公式进行求取:
上式中:k0,k1是抗差参数,k0一般取2.5~3.5,k1一般取3.5~4.5,其中:
上式中:i,j分别代表状态向量和观测向量的维数;vk,rj,σj分别代表观测向量的预测残差、多余观测分量和量测标准差;其中:
d).求取观测值方差阵,利用公式(9)和公式(10)来求取观测值方差阵:
根据所求得到sj同k0,k1的大小比较,利用公式(6)来得到对应Kij的值,以便于消除粗差对于状态估计的影响;
e).获取自适应滤波解,建立如公式(11)所示的自适应抗差滤波函数:
上述式中:ρ为连续非减凸函数,αk(0<αk≤1)为自适应因子,Pi为Xi的方差,为Xk的方差;在取得极值min后,建立如公式(12)所示的关于状态向量的自适应滤波解:
公式(12)的等价的表示为:
等价增益矩阵可表示为:
f).估计误差方差矩阵可表示为:
采用两段函数来表示自适应因子:
上述式中,c为常量。可以构建模型误差的判别统计量为:
其中tr为表示矩阵的迹;
g).利用抗差自适应滤波法将得到:
集合A、B、H中的数据分别通过上述步骤的处理后,即可得到其当前k时刻的状态估计值并比较估计值与测量值的大小,如果两者之差小于设定阈值,则采用测量值作为k时刻实际值;如果两者之差大于设定阈值,则采用估计值作为k时刻实际值,以避免系统误差、干扰信号对测量结果造成的不利影响。
最小二乘法:由于PVT解算模型一般是非线性模型,而最小二乘法通常只适用于线性模型。因此,需要用泰勒级数展开的方法将非线性转化为线性模型[8]。我们设为用户的粗略定位,用泰勒级数将其转化为线性模型。然后设(xu,yu,zu)为用户的准确定位。用泰勒级数伪距表达式的粗略定位,未知的偏移量(Δx,Δy,Δz)就可以通过已知坐标和线性函数来表示,用如下方程组表示此偏移量:
以如下表达式来表示伪距:
通过接近的位置和时偏估计伪距便可以粗略的求出来:
前文假定由两部分组成用户的真实定位,同理可得,北斗接收机的时偏也看作是由两部分组成的,如下式所示:
其中表示粗略位置,表示粗略时偏,Δxu表示增量定位,Δtu表示增量时偏,因此有:
式子(1.5)可以围绕近似点和相关联的接收机时偏的预测值用泰勒级数展开为:
前文描述过,消除非线性项才能使用最小二重迭代法。式(1.6)中只对一阶偏导数进行了保留,而对其他高阶项进行了省略。分别计算如下四个偏导数:
其中:
在式(1.6)中代入式(1.3)和式(1.7),得到如下:
这样,式(1.2)对于未知数Δxu,Δyu,Δzu,Δtu的线性化就解决了。将式(1.9)中的变量进行简单的调整,将得到:
将上述复杂式用以下新的未知量来表示:
式(1.11)中的axj是在x方向上的由用户的大体定的位置指向卫星j的矢量cos值,axj是在y方向上的由用户的大体定的位置指向卫星j的矢量cos值,axj是在z方向上的通过用户的大体定的位置指向卫星j的矢量cos值。
因此式(1.10)可以写成:
Δρj=axjΔxu+ayjΔyu+azjΔzu-cΔtu (1.12)
现在有四个未知的变量Δxu,Δyu,Δzu,Δtu,可以利用四颗卫星的伪距式联立成如下方程组,来求得未知量:
上述的方程可以用如下矩阵来表示:
Δρ=HΔx (1.14)
其中:
式(1.13)的解为:
ΔX=H-1Δρ (1.16)未知量就可以通过以上公式来求解,而用户的真实定位xu,yu,zu,和接收机时偏tu也可以利用式(1.4)来求解。
在实际进行测量工作时,一般都能搜到四颗以上的卫星,可以通过测量更多的卫星,来提高测量精度,减小测量误差。
卡尔曼滤波法:卡尔曼滤波法(Kalman)也是一种线性的估计算法,这点如同最小二乘法,但相比于前者卡尔曼滤波法在去噪效果和算法效率都有了提升。卡尔曼滤波法是在运行中不断的预测和修正数据,而且不需要对所观测到的数据进行大量的存储,每当测量到新的观测值,它仅仅通过前一个估计值和最新的观测数据来对当前的信号值进行预估,很适合实时数据的处理[10]。卡尔曼滤波法是用状态方程和观测方程来实现的。
不考虑控制作用,设系统的方程为:
上述式中:Xk是系统的n维状态矢量;Zk是系统的m维状态矢量;Wk-1是p维系统的过程噪声矢量;Vk是m维系统的观测噪声矢量;Φk,k-1是系统的n×n维状态转移矩阵;Γk,k-1是n×p为噪声输入矩阵;Hk是m×n维观测矩阵。
系统的过程噪声和观测噪声都是零均值的白噪声序列,假定如下[11]:
上述式中:Qk是系统的过程噪声Wk的p×p维对称非负定方差矩阵;Rk是系统观测噪声Vk的m×m维对称正定方差矩阵;δkj是Kronecker函数:
若各参数均满足上述方程的约束,并且已得到k-1时刻Xk1的最优状态估计则Xk的估计可通过如下卡尔曼滤波方程求解:
状态一步预测:
状态估计:
滤波增益矩阵:
一步预测误差方差矩阵:
估计误差方差矩阵:
式(1.22)进一步写成:
式(1.24)进一步写成:
Pk=[I-KkHk]Pk,k-1 (1.26)
只要选择一个合适的初值和P0,以保证Kalman滤波算法迭代的收敛性,再根据k时刻的观测值Zk,就能得到k时刻的最优状态估计值以此来减小误差所带来的影响。
利用MATLAB仿真软件分别对最小二乘法、卡尔曼滤波法和本发明的基于抗差自适应与扩展卡尔曼滤波融合算法进行仿真,其中横坐标为观测数据的采样时间,单位为min,纵坐标为定位误差值,单位为m,仿真结果分别如图2、3、4所示。
可见,最小二乘法的定位结果的绝对误差为9.9cm,采用卡尔曼滤波法的定位结果的绝对误差为7.8cm,采用扩展卡尔曼滤波法的定位结果的绝对误差为7.2cm,采用抗差自适应扩展卡尔曼滤波法的定位结果的绝对误差为5.2cm。
Claims (1)
1.一种基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法,其特征在于,通过以下步骤来实现:
a).获取定位数据,农机利用装载的北斗定位模块获取t时间段内的定位数据(A,B,H),设采样周期为T,样本容量为n;集合A、B、H中的数据均通过以下步骤进行处理;
b).建立含有粗差的状态观测方程,由于获取的定位数据中含有粗差,会使得状态估计受到干扰,建立如公式(1)所示的含有粗差的状态观测方程:
式中,为m维状态矢量Zk的估计,Xk是系统的n维状态矢量,Hk是m×n维观测矩阵;Gk为粗差干扰矩阵,由元素0和1组成,Mk为粗差向量,Vk是m维系统的观测噪声矢量;含有粗差影响的预测残差为:
式中,是观测噪声矢量Vk的估计,是状态一步预测值Xk,k-1的估计,为k时刻的观测值;
由公式(1)和(2)可得到一个新的滤波状态估计模型:
式中,Kk为增益矩阵;
可见,在有粗差的情况下,状态估计滤波值的大小是通过增益矩阵Kk的改变而改变的,通过调节增益矩阵Kk的大小来减小或消除粗差对状态的影响;
c).建立状态估计,建立如公式(4)所示的状态估计:
状态进一步预测为:
Φk,k-1是系统的n×n维状态转移矩阵;增益矩阵Kk通过如下公式进行求取:
上式中:k0,k1是抗差参数,k0一般取2.5~3.5,k1一般取3.5~4.5,其中:
上式中:i,j分别代表状态向量和观测向量的维数;vk,rj,σj分别代表观测向量的预测残差、多余观测分量和量测标准差;其中:
d).求取观测值方差阵,利用公式(9)和公式(10)来求取观测值方差阵:
根据所求得到sj同k0,k1的大小比较,利用公式(6)来得到对应Kij的值,以便于消除粗差对于状态估计的影响;
e).获取自适应滤波解,建立如公式(11)所示的自适应抗差滤波函数:
上述式中:ρ为连续非减凸函数,αk(0<αk≤1)为自适应因子,Pi为Xi的方差,为Xk的方差;在取得极值min后,建立如公式(12)所示的关于状态向量的自适应滤波解:
公式(12)的等价的表示为:
等价增益矩阵可表示为:
f).估计误差方差矩阵可表示为:
采用两段函数来表示自适应因子:
上述式中,c为常量。可以构建模型误差的判别统计量为:
其中tr为表示矩阵的迹;
g).利用抗差自适应滤波法将得到:
集合A、B、H中的数据分别通过上述步骤的处理后,即可得到其当前k时刻的状态估计值并比较估计值与测量值的大小,如果两者之差小于设定阈值,则采用测量值作为k时刻实际值;如果两者之差大于设定阈值,则采用估计值作为k时刻实际值,以避免系统误差、干扰信号对测量结果造成的不利影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810411952.0A CN108646277A (zh) | 2018-05-03 | 2018-05-03 | 基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810411952.0A CN108646277A (zh) | 2018-05-03 | 2018-05-03 | 基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108646277A true CN108646277A (zh) | 2018-10-12 |
Family
ID=63749005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810411952.0A Pending CN108646277A (zh) | 2018-05-03 | 2018-05-03 | 基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108646277A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709592A (zh) * | 2018-12-13 | 2019-05-03 | 大连交通大学 | 一种北斗辅助列车定位算法 |
CN109946723A (zh) * | 2019-03-07 | 2019-06-28 | 深圳开阳电子股份有限公司 | 一种自适应扩展卡尔曼跟踪方法、装置及存储介质 |
CN109990789A (zh) * | 2019-03-27 | 2019-07-09 | 广东工业大学 | 一种飞行导航方法、装置及相关设备 |
CN110161543A (zh) * | 2019-04-29 | 2019-08-23 | 东南大学 | 一种基于卡方检验的部分粗差抗差自适应滤波方法 |
CN111045048A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种动态精密单点定位的抗差自适应分步滤波方法 |
CN113075712A (zh) * | 2021-03-17 | 2021-07-06 | 北京云恒科技研究院有限公司 | 一种自主可控的多系统高精度导航设备及导航方法 |
CN113326616A (zh) * | 2021-05-31 | 2021-08-31 | 上海航天测控通信研究所 | 抗慢变量测粗差的容错卡尔曼滤波方法 |
CN113406678A (zh) * | 2021-05-12 | 2021-09-17 | 中铁第四勘察设计院集团有限公司 | 滤波方法、装置、设备和存储介质 |
CN114136310A (zh) * | 2021-10-29 | 2022-03-04 | 北京自动化控制设备研究所 | 一种惯性导航系统误差自主抑制系统及方法 |
CN114912551A (zh) * | 2022-07-18 | 2022-08-16 | 中国铁路设计集团有限公司 | 面向桥梁变形监测的gnss和加速度计实时融合算法 |
CN115390096A (zh) * | 2022-08-29 | 2022-11-25 | 浙江大学 | 基于全视角星载gnss接收系统的低轨卫星实时相对定轨方法 |
CN115408652A (zh) * | 2022-10-31 | 2022-11-29 | 北京航空航天大学 | 一种基于截断误差估计的ekf组合导航保护级确定方法 |
CN116358566A (zh) * | 2023-06-01 | 2023-06-30 | 山东科技大学 | 一种基于抗差自适应因子的粗差探测组合导航方法 |
CN117545070A (zh) * | 2024-01-09 | 2024-02-09 | 宁波市阿拉图数字科技有限公司 | 一种适用于室内遮挡环境下的uwb高精度定位方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090243927A1 (en) * | 2007-09-18 | 2009-10-01 | Deutsches Zentrum Fur Luft- Und Raumfahrt E.V. | Method for estimating hidden channel parameters of a GNSS navigation signal received in a multipath environment |
CN101793522A (zh) * | 2010-03-31 | 2010-08-04 | 上海交通大学 | 基于抗差估计的稳健滤波方法 |
CN103528587A (zh) * | 2013-10-15 | 2014-01-22 | 西北工业大学 | 自主组合导航系统 |
CN104714244A (zh) * | 2015-03-31 | 2015-06-17 | 东南大学 | 一种基于抗差自适应Kalman滤波的多系统动态PPP解算方法 |
CN104950322A (zh) * | 2015-05-21 | 2015-09-30 | 中国电子科技集团公司第十研究所 | 中长基线gnss接收机高精度相对定位方法 |
CN105549049A (zh) * | 2015-12-04 | 2016-05-04 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
CN106200377A (zh) * | 2016-06-29 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 一种飞行器控制参数的估计方法 |
CN106772524A (zh) * | 2016-11-25 | 2017-05-31 | 安徽科技学院 | 一种基于秩滤波的农业机器人组合导航信息融合方法 |
CN107229060A (zh) * | 2017-06-26 | 2017-10-03 | 北京工商大学 | 一种基于自适应滤波的gps测量数据处理方法 |
-
2018
- 2018-05-03 CN CN201810411952.0A patent/CN108646277A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090243927A1 (en) * | 2007-09-18 | 2009-10-01 | Deutsches Zentrum Fur Luft- Und Raumfahrt E.V. | Method for estimating hidden channel parameters of a GNSS navigation signal received in a multipath environment |
CN101793522A (zh) * | 2010-03-31 | 2010-08-04 | 上海交通大学 | 基于抗差估计的稳健滤波方法 |
CN103528587A (zh) * | 2013-10-15 | 2014-01-22 | 西北工业大学 | 自主组合导航系统 |
CN104714244A (zh) * | 2015-03-31 | 2015-06-17 | 东南大学 | 一种基于抗差自适应Kalman滤波的多系统动态PPP解算方法 |
CN104950322A (zh) * | 2015-05-21 | 2015-09-30 | 中国电子科技集团公司第十研究所 | 中长基线gnss接收机高精度相对定位方法 |
CN105549049A (zh) * | 2015-12-04 | 2016-05-04 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
CN106200377A (zh) * | 2016-06-29 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 一种飞行器控制参数的估计方法 |
CN106772524A (zh) * | 2016-11-25 | 2017-05-31 | 安徽科技学院 | 一种基于秩滤波的农业机器人组合导航信息融合方法 |
CN107229060A (zh) * | 2017-06-26 | 2017-10-03 | 北京工商大学 | 一种基于自适应滤波的gps测量数据处理方法 |
Non-Patent Citations (8)
Title |
---|
付心如等: "抗差自适应UKF的INS/GNSS组合导航算法", 《导航定位学报》 * |
付心如等: "组合导航抗差自适应卡尔曼滤波", 《测绘学报》 * |
李冲等: "抗差自适应卡尔曼滤波在GPS精密单点定位中的应用", 《测绘科学》 * |
段宇等: "基于EKF和自适应抗差滤波的星载GPS定轨方法", 《测绘工程》 * |
石威等: "优化抗差自适应滤波器在深组合导航中的应用", 《导航与控制》 * |
费恒敏等: "INS/GPS紧耦合组合导航系统抗差定位算法", 《微型机与应用》 * |
邹敏等: "抗差自适应Kalman 滤波及其在GNSS导航中的应用", 《河北工程大学学报(自然科学版)》 * |
髙为广等: "GPS 导航中的抗差自适应Kalman滤波算法", 《测绘科学》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709592A (zh) * | 2018-12-13 | 2019-05-03 | 大连交通大学 | 一种北斗辅助列车定位算法 |
CN109946723A (zh) * | 2019-03-07 | 2019-06-28 | 深圳开阳电子股份有限公司 | 一种自适应扩展卡尔曼跟踪方法、装置及存储介质 |
CN109946723B (zh) * | 2019-03-07 | 2022-05-03 | 深圳开阳电子股份有限公司 | 一种自适应扩展卡尔曼跟踪方法、装置及存储介质 |
CN109990789A (zh) * | 2019-03-27 | 2019-07-09 | 广东工业大学 | 一种飞行导航方法、装置及相关设备 |
CN110161543A (zh) * | 2019-04-29 | 2019-08-23 | 东南大学 | 一种基于卡方检验的部分粗差抗差自适应滤波方法 |
CN110161543B (zh) * | 2019-04-29 | 2022-11-04 | 东南大学 | 一种基于卡方检验的部分粗差抗差自适应滤波方法 |
CN111045048B (zh) * | 2019-12-30 | 2022-03-11 | 北京航空航天大学 | 一种动态精密单点定位的抗差自适应分步滤波方法 |
CN111045048A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种动态精密单点定位的抗差自适应分步滤波方法 |
CN113075712A (zh) * | 2021-03-17 | 2021-07-06 | 北京云恒科技研究院有限公司 | 一种自主可控的多系统高精度导航设备及导航方法 |
CN113075712B (zh) * | 2021-03-17 | 2023-08-11 | 北京云恒科技研究院有限公司 | 一种自主可控的多系统高精度导航设备 |
CN113406678A (zh) * | 2021-05-12 | 2021-09-17 | 中铁第四勘察设计院集团有限公司 | 滤波方法、装置、设备和存储介质 |
CN113406678B (zh) * | 2021-05-12 | 2022-06-10 | 中铁第四勘察设计院集团有限公司 | 滤波方法、装置、设备和存储介质 |
CN113326616A (zh) * | 2021-05-31 | 2021-08-31 | 上海航天测控通信研究所 | 抗慢变量测粗差的容错卡尔曼滤波方法 |
CN114136310A (zh) * | 2021-10-29 | 2022-03-04 | 北京自动化控制设备研究所 | 一种惯性导航系统误差自主抑制系统及方法 |
CN114136310B (zh) * | 2021-10-29 | 2023-10-13 | 北京自动化控制设备研究所 | 一种惯性导航系统误差自主抑制系统及方法 |
CN114912551A (zh) * | 2022-07-18 | 2022-08-16 | 中国铁路设计集团有限公司 | 面向桥梁变形监测的gnss和加速度计实时融合算法 |
CN115390096A (zh) * | 2022-08-29 | 2022-11-25 | 浙江大学 | 基于全视角星载gnss接收系统的低轨卫星实时相对定轨方法 |
CN115390096B (zh) * | 2022-08-29 | 2023-04-25 | 浙江大学 | 基于全视角星载gnss接收系统的低轨卫星实时相对定轨方法 |
CN115408652A (zh) * | 2022-10-31 | 2022-11-29 | 北京航空航天大学 | 一种基于截断误差估计的ekf组合导航保护级确定方法 |
CN116358566B (zh) * | 2023-06-01 | 2023-08-11 | 山东科技大学 | 一种基于抗差自适应因子的粗差探测组合导航方法 |
CN116358566A (zh) * | 2023-06-01 | 2023-06-30 | 山东科技大学 | 一种基于抗差自适应因子的粗差探测组合导航方法 |
CN117545070A (zh) * | 2024-01-09 | 2024-02-09 | 宁波市阿拉图数字科技有限公司 | 一种适用于室内遮挡环境下的uwb高精度定位方法 |
CN117545070B (zh) * | 2024-01-09 | 2024-04-02 | 宁波市阿拉图数字科技有限公司 | 一种适用于室内遮挡环境下的uwb高精度定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108646277A (zh) | 基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法 | |
Rovira-Más et al. | The role of GNSS in the navigation strategies of cost-effective agricultural robots | |
CN101285686B (zh) | 一种农业机械导航分级定位的方法和系统 | |
CN106772524B (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
Bevly et al. | Cascaded Kalman filters for accurate estimation of multiple biases, dead-reckoning navigation, and full state feedback control of ground vehicles | |
Zhang et al. | Tractor path tracking control based on binocular vision | |
Jaradat et al. | Non-linear autoregressive delay-dependent INS/GPS navigation system using neural networks | |
Martinelli et al. | Estimating the odometry error of a mobile robot during navigation | |
CN108761512A (zh) | 一种弹载bds/sins深组合自适应ckf滤波方法 | |
Sasiadek et al. | Low cost automation using INS/GPS data fusion for accurate positioning | |
Park et al. | Magnetic compass fault detection method for GPS/INS/magnetic compass integrated navigation systems | |
Park et al. | Effects of initial attitude estimation errors on loosely coupled smartphone GPS/IMU integration system | |
Meichen et al. | Dynamic obstacle detection based on multi-sensor information fusion | |
CN112326990A (zh) | 一种作业车辆测速方法及系统 | |
EP3155454B1 (de) | Verfahren und system zur anpassung eines navigationssystems | |
CN112325880A (zh) | 分布式平台相对定位方法、装置、计算机设备和存储介质 | |
Kaniewski et al. | Algorithms of position and velocity estimation in GPS receivers | |
Ma et al. | Vehicle model aided inertial navigation | |
CN109655057B (zh) | 一种六推无人机加速器测量值的滤波优化方法及其系统 | |
CN116973962A (zh) | 一种现代田间农机高精度实时定位方法 | |
CN110716219A (zh) | 一种提高定位解算精度的方法 | |
Liu et al. | An adaptive UKF filtering algorithm for GPS position estimation | |
Tripathi et al. | Robust target localization and tracking using Kalman filtering for UGV-UAV coordinated operation | |
Amir | Enhanced SLAM for a mobile robot using unscented Kalman filter and radial basis function neural network | |
Rodríguez et al. | Analysis of three different Kalman filter implementations for agricultural vehicle positioning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |