CN108759825A - 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统 - Google Patents
面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统 Download PDFInfo
- Publication number
- CN108759825A CN108759825A CN201810885930.8A CN201810885930A CN108759825A CN 108759825 A CN108759825 A CN 108759825A CN 201810885930 A CN201810885930 A CN 201810885930A CN 108759825 A CN108759825 A CN 108759825A
- Authority
- CN
- China
- Prior art keywords
- moment
- uwb
- error
- ins
- adaptive
- 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
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,包括:通过UWB系统和惯性导航器件INS系统分别测量参考节点到目标节点之间的距离;在此基础上,将两种系统测量得到的距离信息作差,差值作为数据融合算法所使用的滤波模型的观测量;在此基础上,对传统的自适应Kalman滤波算法进行改进,引入变量引入变量表示第i个信道的距离信息是否可用。一旦距离信息不可用,则对不可用的距离信息进行预估,以弥补不可用的距离信息,保证滤波器对位置误差的预估;在此基础上,将惯性导航器件INS测量得到的行人位置与EFIR滤波器得到的位置误差预估作差,最终得到当前时刻最优的行人位置预估。
Description
技术领域
本发明涉及复杂环境下组合定位技术领域,尤其涉及面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统。
背景技术
近年来,行人导航(Pedestrian Navigation,PN)作为导航技术应用的新兴领域,正越来越受到各国学者的重视,并逐渐成为该领域的研究热点。然而在隧道、大型仓库、地下停车场等室内环境下,外界无线电信号微弱、电磁干扰强烈等因素都会对目标行人导航信息获取的准确性、实时性及鲁棒性有很大影响。如何将室内环境下获取的有限信息进行有效的融合以消除室内复杂环境影响,保证行人导航精度的持续稳定,具有重要的科学理论意义和实际应用价值。
在现有的定位方式中,全球卫星导航系统(Global Navigation SatelliteSystem,GNSS)是最为常用的一种方式。虽然GNSS能够通过精度持续稳定的位置信息,但是其易受电磁干扰、遮挡等外界环境影响的缺点限制了其应用范围,特别是在室内、地下巷道等一些密闭的、环境复杂的场景,GNSS信号被严重遮挡,无法进行有效的工作。近年来,UWB(Ultra Wideband)以其在复杂环境下定位精度高的特点在短距离局部定位领域表现出很大的潜力。学者们提出将基于UWB的目标跟踪应用于GNSS失效环境下的行人导航。这种方式虽然能够实现室内定位,但是由于室内环境复杂多变,UWB信号十分容易受到干扰而导致定位精度下降甚至失锁;与此同时,由于UWB采用的通信技术通常为短距离无线通信技术,因此若想完成大范围的室内目标跟踪定位,需要大量的网络节点共同完成,这必将引入网络组织结构优化设计、多节点多簇网络协同通信等一系列问题。因此现阶段基于UWB的目标跟踪在室内导航领域仍旧面临很多挑战。
发明内容
本发明的目的就是为了解决由于在实时系统中UWB由于受到室内环境的影响不能得到正常的距离信息的问题,提出了一种面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统,该方法对传统的自适应Kalman滤波算法进行改进,引入变量判断第i个距离信息是否可用,若第i个距离信息不可用,则对不可用的距离信息进行预估,以保证滤波器的正常运行,最终得到当前时刻最优的行人位置预估。
为实现上述目的,本发明的具体方案如下:
本发明的第一目的是公开一种面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,包括:
以惯性导航器件INS在t时刻在导航系下的位置误差、速度误差、姿态误差、加速度误差和角速度误差作为状态量,以INS与UWB分别测量的目标节点与参考节点之间距离的差值作为系统观测量,构建滤波模型;
利用自适应Kalman滤波算法对位置误差进行预估,预估过程中实时判断UWB测量得到的参考节点与未知节点之间的距离信息是否有缺失,如果有,对缺失的距离信息进行预估;
最终得到当前时刻目标行人最优的导航信息。
进一步地,所述自适应Kalman预估滤波器的状态方程为:
其中,和分别为t和t-1时刻惯性导航系统INS在导航系下的姿态、速度、位置误差向量以及在载体系下的加速度误差和角速度误差;T为采样周期;为从载体系到导航系的姿态转移矩阵;ωt-1为t时刻的系统噪声; 为惯性导航系统INS测量得到的导航坐标系下t时刻的东向、北向和天向加速度。
进一步地,所述从载体系到导航系的姿态转移矩阵具体为:
其中,(γ ψ θ)为t时刻载体的横摇、纵摇和航向角。
进一步地,所述自适应Kalman预估滤波器的的观测方程为:
其中,Xt|t-1为由t-1时刻得到的t时刻的状态向量;δdi,t,i∈(1,2,...,g)为t时刻惯性导航器件INS和UWB分别测量得到的参考节点与未知节点之间的距离的差;g为参考节点的数目;为t时刻惯性导航器件INS测量得到的参考节点与未知节点之间的距离;为t时刻UWB测量得到的参考节点与未知节点之间的距离;νt为系统t时刻的观测噪声;
PE,t为t时刻的东向位置,PN,t为t时刻的北向位置。
进一步地,所述的预估过程中实时判断UWB测量得到的参考节点与未知节点之间的距离信息是否有缺失,如果有,对缺失的距离信息进行预估,具体为:
引入变量表示UWB测量得到的参考节点与未知节点之间的第i个距离信息;如果第i个距离信息缺失,则重新对进行预估;采用矩阵HtXt|t-1的第i行第1列替代缺失的距离信息。
进一步地,对缺失数据进行预估后,自适应Kalman预估滤波器的观测方程变为:
进一步地,所述利用自适应Kalman滤波算法对位置误差进行预估,具体为:
Pt=(I-KtHt)Pt|t-1;
其中,Kt表示KF在t时刻的误差增益矩阵;I表示单位矩阵,Pt|t-1表示KF由t-1时刻到t时刻的最小预测均方误差矩阵,表示自适应Kalman滤波算法由t-1时刻到t时刻预估的状态向量,Ft表示t时刻的系统矩阵,Pt表示KF在t时刻的最小预测均方误差矩阵,νt为系统t时刻的观测噪声,其协方差矩阵为Rt;rt、dt均为中间变量。
本发明的第二目的是公开一种面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波系统,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
以惯性导航器件INS在t时刻在导航系下的位置误差、速度误差、姿态误差、加速度误差和角速度误差作为状态量,以INS与UWB分别测量的目标节点与参考节点之间距离的差值作为系统观测量,构建滤波模型;
利用自适应Kalman滤波算法对位置误差进行预估,预估过程中实时判断UWB测量得到的参考节点与未知节点之间的距离信息是否有缺失,如果有,对缺失的距离信息进行预估;
最终得到当前时刻目标行人最优的导航信息。
本发明的第三目的是公开一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
以惯性导航器件INS在t时刻在导航系下的位置误差、速度误差、姿态误差、加速度误差和角速度误差作为状态量,以INS与UWB分别测量的目标节点与参考节点之间距离的差值作为系统观测量,构建滤波模型;
利用自适应Kalman滤波算法对位置误差进行预估,预估过程中实时判断UWB测量得到的参考节点与未知节点之间的距离信息是否有缺失,如果有,对缺失的距离信息进行预估;
最终得到当前时刻目标行人最优的导航信息。
本发明的有益效果:
1、通过引入变量表示第i个信道的UWB距离信息是否可用,若第i个距离信息不可用,则对不可用的距离信息进行预估,弥补UWB距离信息不可用导致的数据融合算法不可用的问题。
2、可用于室内环境下的中高精度定位。
附图说明
图1为一种面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法的实现系统的示意图;
图2为本发明构建滤波模型进行数据融合示意图;
图3为自适应预估Kalman滤波算法流程图。
具体实施方式:
下面结合附图对本发明进行详细说明:
本发明一种面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法的实现统如图1所示,包括:组合导航算法采用UWB和INS两种导航系统,其中,UWB包括UWB参考节点和UWB定位标签,UWB参考节点预先固定在已知坐标上,UWB定位标签固定在目标行人上。INS主要由固定在目标行人足部的IMU组成。
基于上述系统,本发明公开了具有数据缺失INS/UWB紧组合行人导航的自适应预估Kalman滤波算法,包括:
(1)如图2所示,以惯性导航器件INS在t时刻在导航系下的位置误差、速度误差、姿态误差、加速度误差和角速度误差作为状态量,以INS与UWB分别测量的目标节点与参考节点之间距离的差值作为系统观测量,构建滤波模型进行数据融合;
(2)利用自适应Kalman滤波算法对位置误差进行预估,自适应Kalman预估滤波器的状态方程为:
其中,和分别为t和t-1时刻惯性导航系统INS在导航系下的姿态、速度、位置误差向量以及在载体系下的加速度误差和角速度误差;T为采样周期;为从载体系到导航系的姿态转移矩阵;wk为t时刻的系统噪声;
其中,(γ ψ θ)为t时刻的横摇、纵摇和航向角;
其中,为t时刻的东向、北向和天向加速度;
自适应Kalman预估滤波器的的观测方程为:
其中,Xt|t-1为由t-1时刻得到的t时刻的状态向量;δdi,t,i∈(1,2,...,g)为t时刻惯性导航器件INS和UWB分别测量得到的参考节点与未知节点之间的距离的差;g为参考节点的数目;为t时刻惯性导航器件INS测量得到的参考节点与未知节点之间的距离;为t时刻UWB测量得到的参考节点与未知节点之间的距离;νt为系统t时刻的观测噪声;
PE,t为t时刻的东向位置,PN,t为t时刻的北向位置。
其中,(δPE,t,δPN,t)为东向和北向的位置误差;νt为系统t时刻的观测噪声,其协方差矩阵为Rt。在此基础上,判断一下距离信息是否可用,引入变量若第i个距离信息不可用,则对不可用的距离信息进行预估
进一步地自适应Kalman预估滤波算法的步骤如图3所示:
首先,进行一步预估
判断一下距离信息是否可用,引入变量若第i个距离信息不可用,则对不可用的距离信息进行预估
其中,HtXt|t-1(i,1)表示用矩阵HtXt|t-1的第i行第1列替代不可用的距离信息。
Pt=(I-KtHt)Pt|t-1
表示KF在t时刻预估的状态向量,表示KF由t-1时刻到t时刻预估的状态向量,Ft表示表示t时刻的系统矩阵,Pt|t-1表示KF由t-1时刻到t时刻的最小预测均方误差矩阵;Pt表示KF t时刻的最小预测均方误差矩阵;Kt表示KF在t时刻的误差增益矩阵;I表示单位阵。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,其特征在于,包括:
以惯性导航器件INS在t时刻在导航系下的位置误差、速度误差、姿态误差、加速度误差和角速度误差作为状态量,以INS与UWB分别测量的目标节点与参考节点之间距离的差值作为系统观测量,构建滤波模型;
利用自适应Kalman滤波算法对位置误差进行预估,预估过程中实时判断UWB测量得到的参考节点与未知节点之间的距离信息是否有缺失,如果有,对缺失的距离信息进行预估;
最终得到当前时刻目标行人最优的导航信息。
2.如权利要求1所述的面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,其特征在于,所述自适应Kalman预估滤波器的状态方程为:
其中,和分别为t和t-1时刻惯性导航系统INS在导航系下的姿态、速度、位置误差向量以及在载体系下的加速度误差和角速度误差;T为采样周期;为从载体系到导航系的姿态转移矩阵;ωt-1为t-1时刻的系统噪声; 为惯性导航器件INS测量得到的导航坐标系下t时刻的东向、北向和天向加速度。
3.如权利要求2所述的面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,其特征在于,所述从载体系到导航系的姿态转移矩阵具体为:
其中,(γ ψ θ)为t时刻的横摇、纵摇和航向角。
4.如权利要求1所述的面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,其特征在于,所述自适应Kalman预估滤波器的的观测方程为:
其中,Xt|t-1为由t-1时刻得到的t时刻的状态向量;δdi,t,i∈(1,2,…,g)为t时刻惯性导航器件INS和UWB分别测量得到的参考节点与未知节点之间的距离的差;g为参考节点的数目;i∈[1,g]为t时刻惯性导航器件INS测量得到的参考节点与未知节点之间的距离;i∈[1,g]为t时刻UWB测量得到的参考节点与未知节点之间的距离;νt为系统t时刻的观测噪声;
PE,t为t时刻的东向位置,PN,t为t时刻的北向位置。
5.如权利要求1所述的面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,其特征在于,所述的预估过程中实时判断UWB测量得到的参考节点与未知节点之间的距离信息是否有缺失,如果有,对缺失的距离信息进行预估,具体为:
引入变量表示UWB测量得到的参考节点与未知节点之间的第i个距离信息;如果第i个距离信息缺失,则重新对进行预估;采用矩阵HtXt|t-1的第i行第1列替代缺失的距离信息;其中,Ft-1为t-1时刻的系统矩阵。
6.如权利要求5所述的面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,其特征在于,对缺失数据进行预估后,自适应Kalman预估滤波器的观测方程变为:
7.如权利要求1所述的面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法,其特征在于,所述利用自适应Kalman滤波算法对位置误差进行预估,具体为:
Pt=(I-KtHt)Pt|t-1;
其中,Kt表示KF在t时刻的误差增益矩阵;I表示单位矩阵,Pt|t-1表示KF由t-1时刻到t时刻的最小预测均方误差矩阵,表示自适应Kalman滤波算法由t-1时刻到t时刻预估的状态向量,Ft表示t时刻的系统矩阵,Pt表示KF在t时刻的最小预测均方误差矩阵,νt为系统t时刻的观测噪声,其协方差矩阵为Rt;rt、dt均为中间变量。
8.面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波系统,其特征在于,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
以惯性导航器件INS在t时刻在导航系下的位置误差、速度误差、姿态误差、加速度误差和角速度误差作为状态量,以INS与UWB分别测量的目标节点与参考节点之间距离的差值作为系统观测量,构建滤波模型;
利用自适应Kalman滤波算法对位置误差进行预估,预估过程中实时判断UWB测量得到的参考节点与未知节点之间的距离信息是否有缺失,如果有,对缺失的距离信息进行预估;
最终得到当前时刻目标行人最优的导航信息。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时执行以下步骤:
以惯性导航器件INS在t时刻在导航系下的位置误差、速度误差、姿态误差、加速度误差和角速度误差作为状态量,以INS与UWB分别测量的目标节点与参考节点之间距离的差值作为系统观测量,构建滤波模型;
利用自适应Kalman滤波算法对位置误差进行预估,预估过程中实时判断UWB测量得到的参考节点与未知节点之间的距离信息是否有缺失,如果有,对缺失的距离信息进行预估;
最终得到当前时刻目标行人最优的导航信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810885930.8A CN108759825B (zh) | 2018-08-06 | 2018-08-06 | 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810885930.8A CN108759825B (zh) | 2018-08-06 | 2018-08-06 | 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108759825A true CN108759825A (zh) | 2018-11-06 |
CN108759825B CN108759825B (zh) | 2020-05-05 |
Family
ID=63968981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810885930.8A Active CN108759825B (zh) | 2018-08-06 | 2018-08-06 | 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108759825B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110315540A (zh) * | 2019-07-15 | 2019-10-11 | 南京航空航天大学 | 一种基于uwb和双目vo紧耦合的机器人定位方法及系统 |
CN112525197A (zh) * | 2020-11-23 | 2021-03-19 | 中国科学院空天信息创新研究院 | 基于图优化算法超宽带惯性导航融合位姿估计方法 |
CN113074739A (zh) * | 2021-04-09 | 2021-07-06 | 重庆邮电大学 | 基于动态鲁棒容积卡尔曼的uwb/ins融合定位方法 |
CN114554392A (zh) * | 2022-02-25 | 2022-05-27 | 新基线(江苏)科技有限公司 | 一种基于uwb与imu融合的多机器人协同定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471595A (zh) * | 2013-09-26 | 2013-12-25 | 东南大学 | 一种面向ins/wsn室内移动机器人紧组合导航的迭代扩展rts均值滤波方法 |
CN104864865A (zh) * | 2015-06-01 | 2015-08-26 | 济南大学 | 一种面向室内行人导航的ahrs/uwb无缝组合导航方法 |
CN105928518A (zh) * | 2016-04-14 | 2016-09-07 | 济南大学 | 采用伪距和位置信息的室内行人uwb/ins紧组合导航系统及方法 |
CN106680765A (zh) * | 2017-03-03 | 2017-05-17 | 济南大学 | 基于分布式组合滤波ins/uwb行人导航系统及方法 |
CN107402375A (zh) * | 2017-08-08 | 2017-11-28 | 济南大学 | 一种带观测时滞的室内行人定位efir数据融合系统及方法 |
CN107966143A (zh) * | 2017-11-14 | 2018-04-27 | 济南大学 | 一种基于多窗口的自适应efir数据融合方法 |
-
2018
- 2018-08-06 CN CN201810885930.8A patent/CN108759825B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471595A (zh) * | 2013-09-26 | 2013-12-25 | 东南大学 | 一种面向ins/wsn室内移动机器人紧组合导航的迭代扩展rts均值滤波方法 |
CN104864865A (zh) * | 2015-06-01 | 2015-08-26 | 济南大学 | 一种面向室内行人导航的ahrs/uwb无缝组合导航方法 |
CN105928518A (zh) * | 2016-04-14 | 2016-09-07 | 济南大学 | 采用伪距和位置信息的室内行人uwb/ins紧组合导航系统及方法 |
CN106680765A (zh) * | 2017-03-03 | 2017-05-17 | 济南大学 | 基于分布式组合滤波ins/uwb行人导航系统及方法 |
CN107402375A (zh) * | 2017-08-08 | 2017-11-28 | 济南大学 | 一种带观测时滞的室内行人定位efir数据融合系统及方法 |
CN107966143A (zh) * | 2017-11-14 | 2018-04-27 | 济南大学 | 一种基于多窗口的自适应efir数据融合方法 |
Non-Patent Citations (3)
Title |
---|
LILI BU等: "Robust tightly-coupled INS/UWB-intergrated human localization using UFIR filtering", 《2018 IEEE INTERNATIONAL AND MEASUREMENT TECHENOLOGY CONFERENCE(12MTC)》 * |
YUAN XU等: "UWB-based indoor human localization with time-delayed data using EFIR filtering", 《IEEE ACCESS》 * |
徐元等: "一种采用联邦EKF的分布式INS/UWB人员无偏紧组合定位方法", 《中国惯性技术学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110315540A (zh) * | 2019-07-15 | 2019-10-11 | 南京航空航天大学 | 一种基于uwb和双目vo紧耦合的机器人定位方法及系统 |
CN112525197A (zh) * | 2020-11-23 | 2021-03-19 | 中国科学院空天信息创新研究院 | 基于图优化算法超宽带惯性导航融合位姿估计方法 |
CN112525197B (zh) * | 2020-11-23 | 2022-10-28 | 中国科学院空天信息创新研究院 | 基于图优化算法超宽带惯性导航融合位姿估计方法 |
CN113074739A (zh) * | 2021-04-09 | 2021-07-06 | 重庆邮电大学 | 基于动态鲁棒容积卡尔曼的uwb/ins融合定位方法 |
CN114554392A (zh) * | 2022-02-25 | 2022-05-27 | 新基线(江苏)科技有限公司 | 一种基于uwb与imu融合的多机器人协同定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108759825B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105928518B (zh) | 采用伪距和位置信息的室内行人uwb/ins紧组合导航系统及方法 | |
CN105509739B (zh) | 采用固定区间crts平滑的ins/uwb紧组合导航系统及方法 | |
CN108759825A (zh) | 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统 | |
CN109141413A (zh) | 具有数据缺失uwb行人定位的efir滤波算法及系统 | |
CN106680765A (zh) | 基于分布式组合滤波ins/uwb行人导航系统及方法 | |
CN104864865B (zh) | 一种面向室内行人导航的ahrs/uwb无缝组合导航方法 | |
CN106871893A (zh) | 分布式ins/uwb紧组合导航系统及方法 | |
CN109141412A (zh) | 面向有数据缺失ins/uwb组合行人导航的ufir滤波算法及系统 | |
CN110361010A (zh) | 一种基于占据栅格地图且结合imu的移动机器人定位方法 | |
CN107966143A (zh) | 一种基于多窗口的自适应efir数据融合方法 | |
CN111025366B (zh) | 基于ins及gnss的网格slam的导航系统及方法 | |
CN107966142A (zh) | 一种基于多窗口的室内行人自适应ufir数据融合方法 | |
CN102636166A (zh) | 基于航向角的wsn/ins组合导航系统及方法 | |
CN108387236A (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
CN104296741B (zh) | 采用距离平方和距离平方变化率的wsn/ahrs紧组合方法 | |
CN205384029U (zh) | 采用固定区间crts平滑的ins/uwb紧组合导航系统 | |
CN109269498A (zh) | 面向具有数据缺失uwb行人导航的自适应预估ekf滤波算法及系统 | |
CN116391138A (zh) | 定位方法、装置、设备、系统以及存储介质 | |
CN109655060B (zh) | 基于kf/fir和ls-svm融合的ins/uwb组合导航算法及系统 | |
Taylor | An analysis of observability-constrained Kalman filtering for vision-aided navigation | |
CN114915913A (zh) | 一种基于滑窗因子图的uwb-imu组合室内定位方法 | |
CN108151765A (zh) | 一种在线实时估计补偿磁强计误差的定位测姿方法 | |
CN104374389A (zh) | 一种面向室内移动机器人的imu/wsn组合导航方法 | |
CN110658515A (zh) | 一种基于uwb单基站的多用户imu定位对齐方法 | |
CN117320148A (zh) | 多源数据融合定位方法、系统、电子设备及存储介质 |
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 |