CN108827318A

CN108827318A - 无人机室内定位方法及装置

Info

Publication number: CN108827318A
Application number: CN201810952545.0A
Authority: CN
Inventors: 翟乃鹏
Original assignee: Zhongke Material (beijing) Technology Co Ltd
Current assignee: Zhongke Material (beijing) Technology Co Ltd
Priority date: 2018-08-20
Filing date: 2018-08-20
Publication date: 2018-11-16

Abstract

本发明实施例涉及一种无人机室内定位方法及装置，所述方法包括：根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵；根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵；根据传感器获取到的测量数据、观测噪声以及所述K+1时刻的协方差矩阵，确定的卡尔曼增益；根据所述卡尔曼增益对所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵进行补偿；根据补偿后的所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵确定所述无人机的位置信息。通过扩展卡尔曼算法对预测的数据进行补偿，并将预测的数据和通过UWB的数据进行融合，进而得到更为精准的室内无人机的位置信息。

Description

无人机室内定位方法及装置

技术领域

本发明实施例涉及微型无人机室内定位领域，尤其涉及一种无人机室内定位方法及装置。

背景技术

目前已存在多种室内无人机定位技术，其中主要分为激光测距技术，超声波定位技术，GPS定位技术以及计算机视觉定位技术。

激光测距仪由于其重量和体积较大，因此主要用于地面机器人在复杂陌生环境中的避障和定位。超声波定位技术通过测量超声波来回的反射时间从而得到自身与周围环境的相对位置。GPS是全球定位系统的简称，是20世纪70年代由美国海空三军研制的新一代空间卫星导航定位系统。在开阔的场地上，用户可以通过GPS信号接收机捕获到一定数量的定位卫星，并跟踪这些卫星的运行，同时接受这些卫星传回的信号。用户设备通过一系列的算法，将接受回来的信号转化为具体的经纬度等绝对位置信息，从而实现自主定位的任务。

目前市场上大多数无人机均由多组传感器组成，进行测量三维位置，三维速度，三维加速度，三维角度和三维角速度等测量状态，目前一般的消费级无人机上装有传GPS,气压计，视觉传感器，惯性测量单元(加速度计，陀螺仪)，超声波传感器等，针对不一样的需求，配置有不一样的传感器组合。

由于室内环境中，GPS信号常常丢失，因此，需要提要提出一种不需要GPS的室内定位方案。

发明内容

本发明实施例提供了一种无人机室内定位方法及装置，可以实现在无GPS信号的前提下，对室内无人机进行精准定位。

第一方面，本发明实施例提供一种无人机室内定位方法，包括：

根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵；

根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵；

根据传感器获取到的测量数据、观测噪声以及所述K+1时刻的协方差矩阵，确定的卡尔曼增益；

根据所述卡尔曼增益对所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵进行补偿；

根据补偿后的所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵确定所述无人机的位置信息。

在一个可能的实施方式中，所述根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵，包括：

根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵确定角速度增量、K时刻的四元数增量；

确定K+1时刻的四元数；

根据所述K+1时刻的四元数确定旋转矩阵；

确定NED坐标系下的速度；

根据剩余状态值不变，确定K+1时刻的状态矩阵。

在一个可能的实施方式中，所述根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵，包括：

根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值，确定F矩阵和Q矩阵；

根据所述F矩阵和所述Q矩阵确定K+1时刻的协方差矩阵。

在一个可能的实施方式中，所述测量数据和所述观测噪声通过具有超宽带UWB技术的传感器获取。

第二方面，本发明实施例提供一种无人机室内定位装置，包括：

确定模块，用于根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵；

所述确定模块，还用于根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵；

所述确定模块，还用于根据传感器获取到的测量数据、观测噪声以及所述K+1时刻的协方差矩阵，确定的卡尔曼增益；

补偿模块，用于根据所述卡尔曼增益对所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵进行补偿；

所述确定模块，还用于根据补偿后的所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵确定所述无人机的位置信息。

在一个可能的实施方式中，所述确定模块，具体用于根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵确定角速度增量、K时刻的四元数增量；确定K+1时刻的四元数；根据所述K+1时刻的四元数确定旋转矩阵；确定NED坐标系下的速度；根据剩余状态值不变，确定K+1时刻的状态矩阵。

在一个可能的实施方式中，所述确定模块，具体用于根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值，确定F矩阵和Q矩阵；根据所述F矩阵和所述Q矩阵确定K+1时刻的协方差矩阵。

本发明实施例提供的无人机室内定位方案，通过根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵；根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵；根据传感器获取到的测量数据、观测噪声以及所述K+1时刻的协方差矩阵，确定的卡尔曼增益；根据所述卡尔曼增益对所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵进行补偿；根据补偿后的所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵确定所述无人机的位置信息，通过扩展卡尔曼算法对预测的数据进行补偿，并将预测的数据和通过UWB的数据进行融合，进而得到更为精准的室内无人机的位置信息。

附图说明

图1为本发明实施例提供的一种无人机室内定位方法的流程示意图；

图2为本发明实施例提供的一种无人机室内定位装置结构示意图；

图3为本发明实施例提供的一种无人机室内定位设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。

图1为本发明实施例提供的一种无人机室内定位方法的流程示意图，如图1所示，该方法具体包括：

S101、根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵。

本发明实施例将预测的数据和实际测量的数据进行融合进而得到更为精准的室内无人机的位置信息，具体采用具有超宽带UWB技术的传感器获取无人机的测量数据、观测噪声，以及采用扩展卡尔曼EKF算法，选取了无人机中与位置有关的24维状态变量，在多次的迭代计算中能越来越精确地预测无人机的位置，解决了传感器本身测量不准确的问题。

具体地，根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵确定角速度增量、K时刻的四元数增量；

其中，三轴陀螺仪和三轴加速度计的数据分别为：[ω_x ω_y ω_z],[a_x a_y a_z]，K时刻的状态矩阵为X_K；

角速度增量为△_{ang_truth}：

△_{ang_truth}＝△_{ang_meas}-△_{ang_bias}

K时刻的四元数增量为△_quat：

确定K+1时刻的四元数为：

根据所述K+1时刻的四元数确定旋转矩阵为：

确定NED坐标系下的速度为：

确定NED坐标系下的位置为：

根据剩余状态值不变，确定K+1时刻的状态矩阵为：

1-4的状态量预测：

5-7的状态量预测：

8-10的状态量预测：

11-24的状态量预测：

S102、根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵。

具体地，根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值，确定F矩阵和Q矩阵；根据所述F矩阵和所述Q矩阵确定K+1时刻的协方差矩阵。

角度增量为：速度增量：K时刻的协方差矩阵：P_k；K+1时刻的状态矩阵：X′_k+1；时间差：dt。

F矩阵是一个24*24的矩阵，计算F矩阵为：

t₅＝t₄-t₈

t₁₁＝-t₂+t₁₀

t₁₃＝-t₃+t₉

t₁₄＝-t₄+t₈

t₁₅＝dvx-dvx_b

t₁₆＝dvy-dvy_b

t₁₇＝dvz-dvz_b

t₁₈＝q₁×t₁₇×2

t₁₉＝q₁×t₁₆×2

t₂₀＝q₀×t₁₇×2

t₂₄＝t₂₁+t₂₂+t₂₃

t₂₅＝q₀×t₁₅×2

t₂₆＝q₂×t₁₆×2

t₃₇＝q₃×t₁₇×2

t₂₇＝t₂₅+t₂₆-t₃₇

t₂₈＝q₀×q₃×2

t₂₉＝q₀^2

t₃₀＝q₁^2

t₃₁＝q₂^2

t₃₂＝q₃^2

t₃₃＝q₂×t₁₅×2

t₃₄＝q₃×t₁₅×2

t₃₅＝q₀×t₁₆×2

t₃₆＝-t₁₈+t₃₄+t₃₅

t₃₈＝q₀×q₁×2

F_[1][1]＝F_[2][2]＝F_[3][3]＝F_[4][4]＝F_[5][5]＝F_[...][...]＝F_[24][24]＝1

F_[1][3]＝t₅

F_[1][11]＝t₁₂

F_[1][12]＝t₇

F_[1][13]＝t₆

F_[2][1]＝t₁₁

F_[2][3]＝t₁₃

F_[2][4]＝t₅

F_[2][11]＝-3

F_[2][12]＝t₆

F_[2][13]＝-t₇

F_[3][1]＝t₁₄

F_[3][2]＝t₃-t₉

F_[3][4]＝t₁₁

F_[3][11]＝-t₆

F_[3][12]＝-3

F_[3][13]＝t₁₂

F_[4][1]＝t₁₃

F_[4][2]＝t₁₄

F_[4][3]＝t₂-t₁₀

F_[4][11]＝t₇

F_[4][12]＝-t₁₂

F_[4][13]＝-3

F_[5][1]＝t₂₇

F_[5][2]＝t₂₄

F_[5][3]＝t₁₉-12*t₁₅+t₂₀

F_[5][4]＝t₁₈-12*t₁₆+12*t₁₅

F_[5][14]＝t₃₁-t₃₀-t₃₁+t₃₂

F_[5][15]＝t₂₈-72

F_[5][16]＝-144

F_[6][1]＝t₃₆

F_[6][2]＝t₃₃-t₂₀-t₁₉

F_[6][3]＝t₂₄

F_[6][4]＝t₂₇

F_[6][14]＝-t₂₈-72

F_[6][15]＝t₃₀-t₂₉-t₃₁+t₃₂

F_[6][16]＝t₃₈-72

F_[7][1]＝t₁₉+t₂₀-t₃₃

F_[7][2]＝t₃₆

F_[7][3]＝t₃₇-t₂₆-t₂₅

F_[7][4]＝t₂₄

F_[7][14]＝-t₃₈-72

F_[7][15]＝t₃₀-t₂₉-t₃₁+t₃₂

对角线元素为1，其中一部分元素如上诉所示，其余元素为0。

Q矩阵是一个24*24的矩阵，计算Q矩阵为：

daxVar＝dayVar＝dazVar＝angNoise^2

dvxVar＝dvyVar＝dvzVar＝velNoise^2

t₄＝q₃×q₃

t₅＝q₂×q₂

t₁₀＝q₀×q₀

t₁₁＝q₁×q₁

t₂₁＝q₀×q₃×2

t₂₂＝q₁×q₂×2

t₁₈＝t₂₁-t₂₂

t₂₃＝q₀×q₂×2

t₂₄＝q₁×q₃×2

t₁₉＝t₂₃+t₂₄

t₂₀＝t₄+t₅-t₁₀-t₁₁

t₂₅＝q₀×q₁×2

t₂₆＝t₂₁+t₂₂

t₃₂＝t₄-t₅-t₁₀+t₁₁

t₂₇＝dvyVar×t₁₈×t₃₂

t₂₈＝q₂×q₃×2

t₂₉＝t₂₅-t₂₈

t₃₀＝t₄-t₅-t₁₀+t₁₁

t₃₁＝t₂₅+t₂₈

t₃₃＝t₄-t₅+t₁₀-t₁₁

t₃₄＝t₂₃-t₂₄

t₃₅＝dvxVar×t₃₄×(t₄+t₅-t₁₀-t₁₁)

t₃₆＝dvzVar×t₁₉×t₃₃

t₃₇＝t₃₅+t₃₆-dvyVar×t₁₈×t₃₁

t₃₈＝-dvxVar×t₂₆×t₃₄-dvyVar×t₃₁×t₃₂-dvzVar×t₂₉×t₃₃

Q_[1][2]＝t₃

Q_[1][3]＝t₇

Q_[1][4]＝t₁₃

Q_[2][1]＝t₃

Q_[2][3]＝t₉

Q_[2][4]＝t₁₅

Q_[3][1]＝t₇

Q_[3][2]＝t₉

Q_[3][4]＝t₁₇

Q_[4][1]＝t₁₃

Q_[4][2]＝t₁₅

Q_[3][3]＝t₁₅

Q_[5][5]＝dvyVar*t₁₈*t₁₈+dvzVar*t₁₉*t₁₉+dvxVar*t₂₀*t₂₀

Q_[5][6]＝t₂₇-dvzVar*t₁₉*(t₂₅-2*q₂*q₃)

Q_[5][7]＝t₃₇

Q_[6][5]＝t₂₇-dvxVar*t₂₀*t₂₆-dvzVar*t₁₉*t₂₉

Q_[6][6]＝dvxVar*t₂₆*t₂₆+dvzVar*t₂₉*t₂₉+dvxVar*t₃₀*t₃₀

Q_[6][7]＝t₃₈

Q_[7][5]＝t₃₇

Q_[7][6]＝t₃₈

Q_[7][7]＝dvyVar*t₃₁*t₃₁+dvzVar*t₃₃*t₃₃+dvxVar*t₃₄*t₃₄

其余元素为0。

K+1时刻的协方差矩阵为：

P′_k+1＝F·P_kF^T+Q。

S103、根据传感器获取到的测量数据、观测噪声以及所述K+1时刻的协方差矩阵，确定卡尔曼增益。

在本实施例中所述测量数据和所述观测噪声通过具有超宽带UWB技术的传感器获取。测量数据为：观测噪声为：uwbOBSvar；K+1时刻的协方差矩阵为：p′_k+1。

计算卡尔曼增益Kfusion为：

S104、根据所述卡尔曼增益对所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵进行补偿。

对K+1时刻的状态矩阵的补偿为：

对K+1时刻的协方差矩阵的补偿为：

P_K+1＝P′_K+1-Kfusion*H*P′_K+1

S105、根据补偿后的所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵确定所述无人机的位置信息。

无人机的位置信息为：

本发明实施例提供的无人机室内定位方法，通过根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵；根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵；根据传感器获取到的测量数据、观测噪声以及所述K+1时刻的协方差矩阵，确定的卡尔曼增益；根据所述卡尔曼增益对所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵进行补偿；根据补偿后的所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵确定所述无人机的位置信息，通过扩展卡尔曼算法对预测的数据进行补偿，并将预测的数据和通过UWB的数据进行融合，进而得到更为精准的室内无人机的位置信息。

图2为本发明实施例提供的一种无人机室内定位装置结构示意图，如图2所示，该装置具体包括：

确定模块201，用于根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵；

所述确定模块201，还用于根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵；

所述确定模块201，还用于根据传感器获取到的测量数据、观测噪声以及所述K+1时刻的协方差矩阵，确定的卡尔曼增益；

补偿模块202，用于根据所述卡尔曼增益对所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵进行补偿；

所述确定模块201，还用于根据补偿后的所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵确定所述无人机的位置信息。

可选地，所述确定模块201，具体用于根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵确定角速度增量、K时刻的四元数增量；确定K+1时刻的四元数；根据所述K+1时刻的四元数确定旋转矩阵；确定NED坐标系下的速度；根据剩余状态值不变，确定K+1时刻的状态矩阵。

可选地，所述确定模块201，具体用于根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值，确定F矩阵和Q矩阵；根据所述F矩阵和所述Q矩阵确定K+1时刻的协方差矩阵。

可选地，所述测量数据和所述观测噪声通过具有超宽带UWB技术的传感器获取。

本实施例提供的无人机室内定位装置可以是如图2中所示的无人机室内定位装置，可执行如图1中无人机室内定位方法中的所有步骤，进而实现图1所示无人机室内定位方法的技术效果，具体请参照图1相关描述，为简洁描述，在此不作赘述。

图3为本发明实施例提供的一种无人机室内定位设备的硬件结构示意图，如图3所示，该无人机室内定位设备具体包括：处理器310、存储器320、收发器330。

处理器310可以是中央处理器(英文：central processing unit，CPU)，或者CPU和硬件芯片的组合。上述硬件芯片可以是专用集成电路(英文：application-specificintegrated circuit，ASIC)，可编程逻辑器件(英文：programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logicdevice，CPLD)，现场可编程门阵列(英文：field-programmable gate array，FPGA)，通用阵列逻辑(英文：generic array logic,GAL)或其任意组合。

存储器320用于存储各种应用，操作系统和数据。存储器320可以将存储的数据传输给处理器310。存储器320可以包括易失性存储器，非易失性动态随机存取内存(英文：nonvolatile random access memory，NVRAM)、相变化随机存取内存(英文：phase changeRAM，PRAM)、磁阻式随机存取内存(英文：magetoresistive RAM，MRAM)等，例如至少一个磁盘存储器件、电子可擦除可编程只读存储器(英文：electrically erasable programmableread-only memory，EEPROM)、闪存器件，例如反或闪存(NOR flash memory)或是反及闪存(NAND flash memory)、半导体器件，例如固态硬盘(英文：solid state disk，SSD)等。存储器320还可以包括上述种类的存储器的组合。

收发器330，用于发送和/或接收数据，收发器330可以是天线等。

所述各器件的工作过程如下：

处理器310，用于根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵；

所述处理器310，还用于根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵；

所述处理器310，还用于根据传感器获取到的测量数据、观测噪声以及所述K+1时刻的协方差矩阵，确定的卡尔曼增益；

所述处理器310，还用于根据所述卡尔曼增益对所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵进行补偿；

所述处理器310，还用于根据补偿后的所述K+1时刻的状态矩阵和所述K+1时刻的协方差矩阵确定所述无人机的位置信息。

可选地，所述处理器310，具体用于根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵确定角速度增量、K时刻的四元数增量；确定K+1时刻的四元数；根据所述K+1时刻的四元数确定旋转矩阵；确定NED坐标系下的速度；根据剩余状态值不变，确定K+1时刻的状态矩阵。

可选地，所述处理器310，具体用于根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值，确定F矩阵和Q矩阵；根据所述F矩阵和所述Q矩阵确定K+1时刻的协方差矩阵。

本实施例提供的无人机室内定位设备可以是如图3中所示的无人机室内定位设备，可执行如图1中无人机室内定位方法中的所有步骤，进而实现图1所示无人机室内定位方法的技术效果，具体请参照图1相关描述，为简洁描述，在此不作赘述。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种无人机室内定位方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵，确定K+1时刻的状态矩阵，包括：

确定K+1时刻的四元数；

根据所述K+1时刻的四元数确定旋转矩阵；

确定NED坐标系下的速度；

根据剩余状态值不变，确定K+1时刻的状态矩阵。

3.根据权利要求1所述的方法，其特征在于，所述根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值确定K+1时刻的协方差矩阵，包括：

根据所述F矩阵和所述Q矩阵确定K+1时刻的协方差矩阵。

4.根据权利要求1所述的方法，其特征在于，所述测量数据和所述观测噪声通过具有超宽带UWB技术的传感器获取。

5.一种无人机室内定位装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，所述确定模块，具体用于根据三轴陀螺仪和三轴加速度计的数据，以及K时刻的状态矩阵确定角速度增量、K时刻的四元数增量；确定K+1时刻的四元数；根据所述K+1时刻的四元数确定旋转矩阵；确定NED坐标系下的速度；根据剩余状态值不变，确定K+1时刻的状态矩阵。

7.根据权利要求5所述的装置，其特征在于，所述确定模块，具体用于根据角度增量和速度增量的K时刻的协方差矩阵、所述K+1时刻的状态矩阵、时间差以及参数值，确定F矩阵和Q矩阵；根据所述F矩阵和所述Q矩阵确定K+1时刻的协方差矩阵。

8.根据权利要求5所述的装置，其特征在于，所述测量数据和所述观测噪声通过具有超宽带UWB技术的传感器获取。