CN108981694A - 基于小波神经网络与ekf的姿态解算方法及系统 - Google Patents
基于小波神经网络与ekf的姿态解算方法及系统 Download PDFInfo
- Publication number
- CN108981694A CN108981694A CN201810790258.4A CN201810790258A CN108981694A CN 108981694 A CN108981694 A CN 108981694A CN 201810790258 A CN201810790258 A CN 201810790258A CN 108981694 A CN108981694 A CN 108981694A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet neural
- ekf
- attitude algorithm
- data
- 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
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
-
- 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
Abstract
本发明公开了一种基于小波神经网络与EKF的姿态解算方法及系统,其中基于小波神经网络与EKF的姿态解算方法,包括:获取IMU传感器的数据;将所述IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息;将所述IMU传感器的数据和所述校准前的姿态信息作为小波神经网络的输入进行训练和预测,从而得到校准后的姿态信息。采用小波神经网络结合卡尔曼滤波来进行姿态解算,小波神经网络补偿卡尔曼滤波自身存在的模型误差,减小模型以及滤波参数对最优估计值的影响,使其具有自适应能力应付动态环境的扰动,并提高其精度。
Description
技术领域
本发明涉及列车定位领域,具体地,涉及一种基于小波神经网络与EKF的姿态解算方法及系统。
背景技术
目前,惯性导航系统(INS)以其全天候工作、不易受外界环境干扰等优势得到广泛应用,微机电系统(MEMS)由于其成本低、体积小、易于集成以及功耗低等优点,近年来成了惯性导航系统的首选器件,基于MEMS的惯性测量单元(IMU)能够测量载体运动的三轴陀螺信息和加速度信息,通过姿态解算就能够得到载体姿态,实现惯性导航。随着微机电系统(MEMS)技术和计算机技术的不断发展以及对低成本因素的考虑,陀螺仪、加速度计和磁传感器在越来越多的领域得到了应用。但是陀螺仪具有温度漂移特性,长时间运行漂移严重,并且积分运算会产生累积误差;加速度计易受载体震动和运动加速度的影响;磁传感器易受铁磁性物质的干扰。当这几个传感器分别独立工作时,都会由于各自的局限性而导致较大的偏差,不能单独用于姿态的测量,因此如何将这三种传感器的数据进行融合,滤除外部干扰,得到高可靠性、高精度的姿态数据,是一项值得研究的工作。
针对姿态解算算法,国内外学者和研究机构进行了广泛、深入的研究。其中对于上述传感器的缺陷,近几年有很多研究姿态解算的数据融合算法,而卡尔曼滤波算法被采用的最多。孙金秋等人介绍了一种基于卡尔曼滤波的姿态解算方法,并通过加速度计测量重力加速度来纠正姿态漂移,但存在自适应的问题;汪芳等人介绍了共轭梯度法滤波和互补滤波相结合在姿态解算中的应用,但存在迭代计算量和精度的平衡问题。汪绍华和H.GURUNG用扩展卡尔曼滤波算法(EKF)来进行参数估计和信息融合,该算法针对姿态解算参数建模,滤波器的预测方程是非线性的,在线性化时会引入模型误差。
发明内容
本发明的目的在于,针对上述问题,提出一种基于小波神经网络与EKF的姿态解算方法及系统,以实现至少部分的解决现有技术中存在的问题。
为实现上述目的,本发明采用的技术方案是:
一种基于小波神经网络与EKF的姿态解算方法,包括:
获取IMU传感器的数据;
将所述IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息;
将所述IMU传感器的数据和所述校准前的姿态信息作为小波神经网络的输入进行训练和预测,从而得到校准后的姿态信息。
优选的,所述IMU传感器的数据,包括:
加速度信息、陀螺信息和磁力计信息。
优选的,所述将所述IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息中,所述校准前的姿态信息,包括:
俯仰角、滚动角和偏航角。
优选的,所述扩展卡尔曼滤波器,包括:
基于扩展卡尔曼滤波器中的状态矩阵和高斯噪声,得到状态预测矩阵;
基于所述状态预测矩阵得到状态转移矩阵;
基于所述状态转移矩阵得到状态的先验估计值;
利用测量值修正所述状态的先验估计值,得到修改后的先验估计值;
基于所述状态的先验估计值得到卡尔曼增益;
基于所述卡尔曼增益和所述修改后的先验估计值进行状态后验估计,得到后验估值;
基于所述卡尔曼增益、所述状态的先验估计值和所述后验估值进行方差后验估计。
优选的,所述小波神经网络,采用融合型的小波神经网络。
优选的,所述小波神经网络中隐含层神经元的激励函数为:
h(x)=-xcos(1.75x)exp(-(x2)/2)-1.75sin(1.75x)exp(-(x2)/2),
其中,x为小波神经网络输入层的输入。
优选的,所述小波神经网络中输出层激励函数为:
out=cos(1.75y)exp(-(y2)/2),
其中y为小波神经网络隐含层的输出。
本发明还公开一种基于小波神经网络与EKF的姿态解算系统,包括:
获取模块:用于获取IMU传感器的数据;
解算模块:用于将所述IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息;
模型训练模块:用于将所述IMU传感器的数据和所述校准前的姿态信息作为小波神经网络的输入进行训练和预测,从而得到校准后的姿态信息。
优选的,所述IMU传感器的数据,包括:
加速度信息、陀螺信息和磁力计信息。
优选的,所述校准前的姿态信息,包括:
俯仰角、滚动角和偏航角。
本发明的技术方案具有以下有益效果:
本发明的技术方案,采用小波神经网络结合卡尔曼滤波来进行姿态解算,小波神经网络(WNN)会补偿卡尔曼滤波自身存在的模型误差,减小模型以及滤波参数对最优估计值的影响,使其具有自适应能力应付动态环境的扰动,并提高其精度。
另外本发明还具有如下优点:
1、本发明采用小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性。
2、本发明采用了小波神经网络有更强的学习能力,精度更高。
3、本发明采用小波神经网络(WNN)会补偿卡尔曼滤波自身存在的模型误差,减小模型以及滤波参数对最优估计值的影响,使其具有自适应能力应付动态环境的扰动。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的基于小波神经网络与EKF的姿态解算方法的流程图;
图2为本发明实施例所述的基于小波神经网络与EKF的姿态解算方法仿真的结构原理框图;
图3本发明实施例所述的EKF原理图;
图4为本发明实施例所述的小波神经网络结构图;
图5为本发明实施例所述的基于小波神经网络与EKF的姿态解算系统的原理框图;
图6为本发明实施例所述的仿真实验流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
伴随着神经网络技术的快速发展,由于其良好的非线性映射能力、较强的自学习能力,应用领域不断拓展,对同样的学习任务小波神经网络相比于前向的神经网络:首先小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性;其次小波神经网络有更强的学习能力,精度更高。总的而言,小波神经网络结构更简单,精度更高,它有明显的优点。本发明将采用小波神经网络结合卡尔曼滤波模型来进行姿态解算。
如图1所示,一种基于小波神经网络与EKF的姿态解算方法,包括:
S101:获取IMU传感器的数据;
S102:将IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息;
S103:将IMU传感器的数据和校准前的姿态信息作为小波神经网络的输入进行训练和预测,从而得到校准后的姿态信息。
优选的方案中,IMU传感器的数据,包括:
加速度信息、陀螺信息和磁力计信息,分别为三轴(x,y,z)加速度信息、三轴(x,y,z)陀螺信息和三轴(x,y,z)磁力计信息。
优选的方案中,将IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息中,校准前的姿态信息,包括:
俯仰角、滚动角和偏航角。
优选的方案中,扩展卡尔曼滤波器,包括:
基于扩展卡尔曼滤波器中的状态矩阵和高斯噪声,得到状态预测矩阵;
基于状态预测矩阵得到状态转移矩阵;
基于状态转移矩阵得到状态的先验估计值;
利用测量值修正状态的先验估计值,得到修改后的先验估计值;
基于状态的先验估计值得到卡尔曼增益;
基于卡尔曼增益和修改后的先验估计值进行状态后验估计,得到后验估值;
基于卡尔曼增益、状态的先验估计值和后验估值进行方差后验估计。
具体为EKF中的状态矩阵为:
其中,表示的是三轴角加速度。ωI=[ωx,ωy,ωz]Τ表示三轴角速度,表示三轴角加速度,rg=[rgx,rgy,rgz]Τ表示加速度的三轴分量,rm=[rmx,rmy,rmz]Τ表示磁力计的三轴分量,
为分别由加速度计,陀螺仪,磁力计测得;
下一时刻状态预测矩阵:
其中为上一时刻的值,第一次为初始值,也就是前面式中X的值,W项均为高斯噪声,为姿态发生变化后,坐标系余旋变换矩阵,其中:
ωx,ωy,ωz依然为三轴角速度的值。
对该处函数在处求一阶偏导,可得到状态转移矩阵:
表示状态的先验估计。
此时可得到误差协方差:
其中Q为过程噪声
利用测量值修正先验估计:
其中H为量测矩阵,R为测量噪声
卡尔曼增益:
状态后验估计:
方差后验估计:
EKF结构图如图3所示。
优选的方案中,小波神经网络,采用融合型的小波神经网络。
该小波神经网络主体为3层网络圈,具有单输入、单输出的结构,输入层为并行输入,来自三轴(x,y,z)加速度信息、三轴(x,y,z)陀螺信息和三轴(x,y,z)磁力计信息的9个信息和3个校准前的姿态信息共12个信息作为小波神经网络的输入层神经元。
小波神经网络中的伸缩,小波神经网络的参数都可以通过网络学习进行训练。
优选的方案中,小波神经网络中隐含层神经元的激励函数f1为:
h(x)=-xcos(1.75x)exp(-(x2)/2)-1.75sin(1.75x)exp(-(x2)/2),
其中,x为小波神经网络输入层的输入。
优选的方案中,小波神经网络中输出层激励函数f2为:
out=cos(1.75y)exp(-(y2)/2),
其中y为小波神经网络隐含层的输出。
小波神经网络的结构图如图4所示。
如图5所示,本发明还公开一种基于小波神经网络与EKF的姿态解算系统,包括:
获取模块:用于获取IMU传感器的数据;
解算模块:用于将IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息;
模型训练模块:用于将IMU传感器的数据和校准前的姿态信息作为小波神经网络的输入进行训练和预测,从而得到校准后的姿态信息。
优选的方案中,IMU传感器的数据,包括:
加速度信息、陀螺信息和磁力计信息。
优选的方案中,校准前的姿态信息,包括:
俯仰角、滚动角和偏航角。
IMU传感器为3DM-AHRS300A航姿参考系统。
本技术方案可以通过Matlab仿真软件进行仿真实验,仿真硬件环境均为Intel(R)Core(TM)T9600 CPU 2.80GHz,4G RAM,Windows 7操作系统。图2为仿真的结构图,其中的加速度计、陀螺仪、磁力计集成在3DM-AHRS300A航姿参考系统中。仿真实验流程图设计如图6所示:
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于小波神经网络与EKF的姿态解算方法,其特征在于,包括:
获取IMU传感器的数据;
将所述IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息;
将所述IMU传感器的数据和所述校准前的姿态信息作为小波神经网络的输入进行训练和预测,从而得到校准后的姿态信息。
2.根据权利要求1所述的基于小波神经网络与EKF的姿态解算方法,其特征在于,所述IMU传感器的数据,包括:
加速度信息、陀螺信息和磁力计信息。
3.根据权利要求2所述的基于小波神经网络与EKF的姿态解算方法,其特征在于,所述将所述IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息中,所述校准前的姿态信息,包括:
俯仰角、滚动角和偏航角。
4.根据权利要求3所述的基于小波神经网络与EKF的姿态解算方法,其特征在于,所述扩展卡尔曼滤波器,包括:
基于扩展卡尔曼滤波器中的状态矩阵和高斯噪声,得到状态预测矩阵;
基于所述状态预测矩阵得到状态转移矩阵;
基于所述状态转移矩阵得到状态的先验估计值;
利用测量值修正所述状态的先验估计值,得到修改后的先验估计值;
基于所述状态的先验估计值得到卡尔曼增益;
基于所述卡尔曼增益和所述修改后的先验估计值进行状态后验估计,得到后验估值;
基于所述卡尔曼增益、所述状态的先验估计值和所述后验估值进行方差后验估计。
5.根据权利要求1所述的基于小波神经网络与EKF的姿态解算方法,其特征在于,所述小波神经网络,采用融合型的小波神经网络。
6.根据权利要求5所述的基于小波神经网络与EKF的姿态解算方法,其特征在于,所述小波神经网络中隐含层神经元的激励函数为:
h(x)=-xcos(1.75x)exp(-(x2)/2)-1.75sin(1.75x)exp(-(x2)/2),
其中,x为小波神经网络输入层的输入。
7.根据权利要求6所述的基于小波神经网络与EKF的姿态解算方法,其特征在于,所述小波神经网络中输出层激励函数为:
out=cos(1.75y)exp(-(y2)/2),
其中y为小波神经网络隐含层的输出。
8.一种基于小波神经网络与EKF的姿态解算系统,其特征在于,包括:
获取模块:用于获取IMU传感器的数据;
解算模块:用于将所述IMU传感器的数据经过扩展卡尔曼滤波器进行信息融合和姿态解算,得到校准前的姿态信息;
模型训练模块:用于将所述IMU传感器的数据和所述校准前的姿态信息作为小波神经网络的输入进行训练和预测,从而得到校准后的姿态信息。
9.根据权利要求8所述的基于小波神经网络与EKF的姿态解算系统,其特征在于,所述IMU传感器的数据,包括:
加速度信息、陀螺信息和磁力计信息。
10.根据权利要求8所述的基于小波神经网络与EKF的姿态解算系统,其特征在于,所述校准前的姿态信息,包括:
俯仰角、滚动角和偏航角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810790258.4A CN108981694A (zh) | 2018-07-18 | 2018-07-18 | 基于小波神经网络与ekf的姿态解算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810790258.4A CN108981694A (zh) | 2018-07-18 | 2018-07-18 | 基于小波神经网络与ekf的姿态解算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108981694A true CN108981694A (zh) | 2018-12-11 |
Family
ID=64549132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810790258.4A Pending CN108981694A (zh) | 2018-07-18 | 2018-07-18 | 基于小波神经网络与ekf的姿态解算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108981694A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068326A (zh) * | 2019-04-29 | 2019-07-30 | 京东方科技集团股份有限公司 | 姿态计算方法、装置、电子设备以及存储介质 |
CN110132257A (zh) * | 2019-05-15 | 2019-08-16 | 吉林大学 | 基于多传感器数据融合的人体行为预测方法 |
CN110632636A (zh) * | 2019-09-11 | 2019-12-31 | 桂林电子科技大学 | 一种基于Elman神经网络的载体姿态估计方法 |
CN111649747A (zh) * | 2020-06-15 | 2020-09-11 | 中国计量科学研究院 | 一种基于imu的自适应ekf姿态测量改进方法 |
CN111811507A (zh) * | 2020-04-08 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 移动设备姿态的确定方法、装置、存储介质及电子设备 |
CN111982102A (zh) * | 2020-08-11 | 2020-11-24 | 天津泰达滨海清洁能源集团有限公司 | 一种复杂环境下基于bp-ekf的uwb-imu定位方法 |
CN112256006A (zh) * | 2019-07-02 | 2021-01-22 | 中国移动通信集团贵州有限公司 | 一种数据的处理方法、装置及电子设备 |
CN112945225A (zh) * | 2021-01-19 | 2021-06-11 | 西安理工大学 | 基于扩展卡尔曼滤波的姿态解算系统及解算方法 |
CN113052297A (zh) * | 2021-03-04 | 2021-06-29 | 吉林大学 | 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH095104A (ja) * | 1995-06-23 | 1997-01-10 | Nippon Telegr & Teleph Corp <Ntt> | 移動物体の三次元姿勢角測定法および三次元姿勢角計測装置 |
CN106643737A (zh) * | 2017-02-07 | 2017-05-10 | 大连大学 | 风力干扰环境下四旋翼飞行器姿态解算方法 |
-
2018
- 2018-07-18 CN CN201810790258.4A patent/CN108981694A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH095104A (ja) * | 1995-06-23 | 1997-01-10 | Nippon Telegr & Teleph Corp <Ntt> | 移動物体の三次元姿勢角測定法および三次元姿勢角計測装置 |
CN106643737A (zh) * | 2017-02-07 | 2017-05-10 | 大连大学 | 风力干扰环境下四旋翼飞行器姿态解算方法 |
Non-Patent Citations (4)
Title |
---|
严甲汉等: "基于Elman神经网络的SINS姿态解算算法研究", 《电子测量与仪器学报》 * |
李卫东等: "基于PSO小波神经网络辅助卡尔曼滤波的BDS/INS定位", 《自动化仪表》 * |
王勇: "基于小波神经网络的模拟电路故障诊断的研究", 《中国优秀硕士学位论文全文数据库》 * |
王星: "基于小波神经网络的GDP预测", 《电脑知识与技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068326A (zh) * | 2019-04-29 | 2019-07-30 | 京东方科技集团股份有限公司 | 姿态计算方法、装置、电子设备以及存储介质 |
CN110132257A (zh) * | 2019-05-15 | 2019-08-16 | 吉林大学 | 基于多传感器数据融合的人体行为预测方法 |
CN112256006A (zh) * | 2019-07-02 | 2021-01-22 | 中国移动通信集团贵州有限公司 | 一种数据的处理方法、装置及电子设备 |
CN112256006B (zh) * | 2019-07-02 | 2023-04-28 | 中国移动通信集团贵州有限公司 | 一种数据的处理方法、装置及电子设备 |
CN110632636B (zh) * | 2019-09-11 | 2021-10-22 | 桂林电子科技大学 | 一种基于Elman神经网络的载体姿态估计方法 |
CN110632636A (zh) * | 2019-09-11 | 2019-12-31 | 桂林电子科技大学 | 一种基于Elman神经网络的载体姿态估计方法 |
CN111811507A (zh) * | 2020-04-08 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 移动设备姿态的确定方法、装置、存储介质及电子设备 |
CN111811507B (zh) * | 2020-04-08 | 2022-05-17 | 北京嘀嘀无限科技发展有限公司 | 移动设备姿态的确定方法、装置、存储介质及电子设备 |
CN111649747A (zh) * | 2020-06-15 | 2020-09-11 | 中国计量科学研究院 | 一种基于imu的自适应ekf姿态测量改进方法 |
CN111982102A (zh) * | 2020-08-11 | 2020-11-24 | 天津泰达滨海清洁能源集团有限公司 | 一种复杂环境下基于bp-ekf的uwb-imu定位方法 |
CN111982102B (zh) * | 2020-08-11 | 2022-09-06 | 天津泰达滨海清洁能源集团有限公司 | 一种复杂环境下基于bp-ekf的uwb-imu定位方法 |
CN112945225A (zh) * | 2021-01-19 | 2021-06-11 | 西安理工大学 | 基于扩展卡尔曼滤波的姿态解算系统及解算方法 |
CN113052297A (zh) * | 2021-03-04 | 2021-06-29 | 吉林大学 | 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108981694A (zh) | 基于小波神经网络与ekf的姿态解算方法及系统 | |
CN108827299B (zh) | 一种基于改进四元数二阶互补滤波的飞行器姿态解算方法 | |
Phuong et al. | A DCM based orientation estimation algorithm with an inertial measurement unit and a magnetic compass | |
CN102654404B (zh) | 一种提高航姿参考系统解算精度和系统抗干扰能力的方法 | |
CN112945225A (zh) | 基于扩展卡尔曼滤波的姿态解算系统及解算方法 | |
CN106052685B (zh) | 一种两级分离融合的姿态和航向估计方法 | |
CN110017837B (zh) | 一种姿态抗磁干扰的组合导航方法 | |
CN105203098A (zh) | 基于九轴mems传感器的农业机械全姿态角更新方法 | |
CN101726295A (zh) | 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法 | |
CN109443349A (zh) | 一种姿态航向测量系统及其融合方法、存储介质 | |
CN103712598B (zh) | 一种小型无人机姿态确定方法 | |
CN109655070A (zh) | 一种遥感微纳卫星的多模式姿态确定方法 | |
CN112683269B (zh) | 一种附有运动加速度补偿的marg姿态计算方法 | |
CN111189442B (zh) | 基于cepf的无人机多源导航信息状态预测方法 | |
CN108645404B (zh) | 一种小型多旋翼无人机姿态解算方法 | |
CN112798021B (zh) | 基于激光多普勒测速仪的惯导系统行进间初始对准方法 | |
CN109000639B (zh) | 乘性误差四元数地磁张量场辅助陀螺的姿态估计方法及装置 | |
CN116147624B (zh) | 一种基于低成本mems航姿参考系统的船舶运动姿态解算方法 | |
CN110134137A (zh) | 基于扩张状态观测器的航天器姿态跟踪控制方法 | |
CN112683274A (zh) | 一种基于无迹卡尔曼滤波的无人机组合导航方法和系统 | |
CN111649747A (zh) | 一种基于imu的自适应ekf姿态测量改进方法 | |
Pourtakdoust et al. | An adaptive unscented Kalman filter for quaternion‐based orientation estimation in low‐cost AHRS | |
Hemerly et al. | Attitude and heading reference system with acceleration compensation | |
Shaukat et al. | Underwater vehicle localization by hybridization of indirect Kalman filter and neural network | |
CN113670314A (zh) | 基于pi自适应两级卡尔曼滤波的无人机姿态估计方法 |
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: 20181211 |