CN109343013B - 一种基于重启机制的空间配准方法和系统 - Google Patents
一种基于重启机制的空间配准方法和系统 Download PDFInfo
- Publication number
- CN109343013B CN109343013B CN201811384820.XA CN201811384820A CN109343013B CN 109343013 B CN109343013 B CN 109343013B CN 201811384820 A CN201811384820 A CN 201811384820A CN 109343013 B CN109343013 B CN 109343013B
- Authority
- CN
- China
- Prior art keywords
- error
- model
- delta
- measurement
- systematic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007246 mechanism Effects 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000007704 transition Effects 0.000 claims abstract 2
- 230000009897 systematic effect Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例提供了一种基于重启机制的空间配准方法和系统,该方法的步骤包括:利用两部雷达采集的数据,构建以系统误差为状态变量的离散状态转移方程;利用系统误差模型和量测数据,构建系统误差和量测数据之间的关系模型和量测模型;基于Kalman滤波,通过自适应迭代进行误差配准;基于重启机制,对预定时间段的滤波过程进行M次重启,直至获得满足精度的空间配准结果为止。本申请所述技术方案能够实现每个时间段内较高精度的估计,从而保证整个跟踪过程的配准效率和精度,并提高整体跟踪系统的融合效果和性能。
Description
技术领域
本申请涉及系统误差配准领域,特别涉及一种基于重启机制的自适应滤波模型进行空间误差配准的方法和系统。
背景技术
在多载体多传感器组网探测场景中,由于载体的移动性,使系统误差不再是固定不变的。经典的最小二乘法(LS)、广义最小二乘法(GLS)等空间配准模型和算法是对固定系统误差的非实时求解,并且随着时间的推移观测的点迹存储空间越来越变大,运算的矩阵的维数在递增,运算量在增大。针对融合系统的实时性需求,基于卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)等滤波方法的误差配准算法可以实现系统误差的实时自适应估计。该类方法的配准模型存在的问题是,通常无法在较短时间内收敛,使得估计精度难以保证。
发明内容
为解决上述问题之一,本申请提供了一种基于重启机制的自适应滤波模型进行误差配准的方法和系统。
根据本申请实施例的第一个方面,提供了一种基于重启机制的空间配准方法,该方法的步骤包括:
利用两部雷达采集的数据,构建利用两部雷达采集的数据,构建以系统误差为状态变量的离散状态转移方程;
利用系统误差模型和量测数据,构建系统误差和量测数据之间的关系模型和量测模型;
基于Kalman滤波,通过自适应迭代进行误差配准;
基于重启机制,对预定时间段的滤波过程进行M次重启,直至获得满足精度的空间配准结果为止。
根据本申请实施例的第二个方面,提供了一种基于重启机制的空间配准系统,该系统包括:
第一模型构建模块,利用两部雷达采集的数据,构建两部雷达前后时刻的系统误差模型;
第二模型构建模块,利用系统误差模型和量测数据,构建系统误差和量测数据之间的关系模型和量测模型;
滤波模块,基于Kalman滤波,通过自适应迭代进行误差配准;
重启模块,基于重启机制,对预定时间段的滤波过程进行M次重启,直至获得满足精度的空间配准结果为止。
本申请所述技术方案基于重启机制的实时系统误差配准方法,在地球中心坐标系(ECEF)下,通过在较短时间段内,多次重启基于Kalman滤波的系统误差自适应配准过程,实现了每个时间段内较高精度的估计,从而保证整个跟踪过程的配准效率和精度,并提高整体跟踪系统的融合效果和性能。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出本方案所述基于重启机制的空间配准方法的示意图;
图2示出本方案所述基于重启机制的空间配准系统的工作流程图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本方案的核心思路是基于重启机制的实时系统误差配准方法是在地球中心坐标系(ECEF)下,通过在较短时间段内,多次重启基于Kalman滤波的系统误差自适应配准过程,可实现每个时间段内较高精度的估计,从而保证整个跟踪过程的配准效率和精度,并提高整体跟踪系统的融合效果和性能。
本方案公开了一种基于重启机制的空间配准方法,该方法首先建立以系统误差为状态量的状态方程;将各传感器的地理位置坐标和传感器测量的目标位置统一转化为ECEF坐标,然后建立系统误差与量测数据之间的关系模型,形成量测方程;最后基于重启机制,迭代重启Kalman滤波算法,自适应配准系统误差,当误差估计达到精度要求,迭代结束。
以下将结合实例对本方案做详细说明。如图1所示,具体的,该方法的步骤如下:
第一步 两部雷达前后时刻系统误差变化的状态方程建模
在地心地固坐标系下利用广义最小二乘算法进行系统误差估计,需要利用两部雷达的数据,这里将两部雷达前后时刻系统误差的变化用状态方程建模为:
δ(k+1)=Q(k)δ(k) (1)
其中,Q(k)表示6×6单位矩阵,δ(k)=[Δr1Δε1Δβ1Δr2Δε2Δβ2]T为k时刻由两部雷达系统误差所构成的列向量;
第二步 系统误差与量测数据之间的关系建模,具体包括如下子步骤:
1、地理坐标系的转换
将雷达在局部笛卡尔坐标下量测的k时刻目标位置转换到地心为原点的ECEF坐标系下,
式中:[xis yis zis]T为雷达i的ECEF坐标;[xim(k) yim(k) zim(k)]T为目标在雷达i的局部笛卡尔坐标系下k时刻的坐标位置,[xt yt zt]T表示该局部量测值的ECEF坐标,Ti表示雷达站i的地理坐标[Bis Lis Sis]T向ECEF坐标系转换的旋转矩阵,这里Bis表示大地纬度,Lis表示大地经度,Sis表示基于参考椭球体的高度。
2、建立系统误差和量测数据之间的关系模型:
根据式(1),对于同一目标,两部雷达量测的ECEF坐标位置差应该为
其中,[xim yim zim]T是雷达量测的极坐标经坐标系转化对应的笛卡尔坐标,设雷达量测为pim=[rim εim βim]T,其中,rim为斜距,εim为方位角,βim为俯仰角,
记为雷达i在k时刻采样的量测值(同时包含系统误差和随机误差),p'im=[r'im ε'im β'im]T为雷达只考虑系统误差的量测值(不包含随机误差),令p'=[r'1m ε'1m β'1m r'2m ε'2m β'2m]T,/>那么pim=p'im-δi表示由随机噪声导致的误差。
对于同一目标,[Δxt Δyt Δzt]=[0 0 0]。将式(4)的右端看做多元变量(p',δ)的函数f(p',δ),将f(p',δ)在处进行一阶Taylor展开,并舍去高阶项可以得出如下模型方程:
3、建立系统误差与量测数据之间的量测方程。
Y(k)=Gkδ(k)+V(k) (7)
其中,δ(k)表示系统误差在k时刻的估计值,Y(k),Gk是k时刻与量测有关的量,V(k)表示k时刻量测中随机噪声导致的误差。具体地,
V(k)=Fkδ'(k) (13)
第三步 在某个时间段内(设k=1,2,…N),基于Kalman滤波方法进行自适应误差配准模型如下:
当s=0时,基于Kalman滤波方法通过自适应迭代计算系统误差估计值δ0:
在没有任何先验信息条件下,系统误差估计的初始状态值δ0=δ0(0|0)取为[0 0 00 0 0]T,初始协方差矩阵P0(k|k)为的对角阵,对角线上元素的取值根据目标类型、雷达测量精度和工程经验确定和调整。
对于k=1,2…N,:
系统误差估计预测值:
δ0(k+1|k)=Q(k)δ0(k|k) (11)
协方差矩阵预测值:
P0(k+1|k)=Q(k)P0(k|k)QT(k) (12)
量测噪声导致的误差:
R0(k+1)=F(k)Λ(k)FT(k) (13)
新息协方差:
S0(k+1)=G(k)P0(k+1|k)GT(k)+R0(k+1) (14)
第四步 基于重启机制,对该时间段内的滤波过程进行M次重启,具体模型如下:
对于s=1,2…M,每次重启的参数初始化为:
系统误差的估计的初始值:δs(k|k)=δs-1(N)
初始协方差矩阵为:Ps(k|k)=Ps-1(N)
基于上述初始值,迭代过程为:
δs(k+1|k)=Q(k)δs(k|k) (11)
Ps(k+1|k)=Q(k)Ps(k|k)QT(k) (12)
Rs(k+1)=F(k)Λ(k)FT(k) (13)
Ss(k+1)=G(k)Ps(k+1|k)GT(k)+Rs(k+1) (14)
当误差达到预定精度是,迭代结束,完成基于递推修正的多传感器系统误差配准。
如图2所示,本方案进一步公开了一种基于重启机制的空间配准系统,该系统通过第一模型构建模块利用两部雷达采集的数据,构建两部雷达前后时刻的系统误差模型;通过第二模型构建模块利用系统误差模型和量测数据,构建系统误差和量测数据之间的关系模型和量测模型;利用滤波模块基于Kalman滤波,通过自适应迭代进行误差配准;最后,通过重启模块基于重启机制,对预定时间段的滤波过程进行M次重启,直至获得满足精度的空间配准结果为止。
本方案所述空间配准方法可以通过电子设备实现其空间配准功能,所述电子设备包括:存储器,一个或多个处理器;存储器与处理器通过通信总线相连;处理器被配置为执行存储器中的指令;所述存储介质中存储有用于执行如上所述方法中各个步骤的指令。该方法还可以记载于计算机可读存储介质中,通过计算机可读存储介质上存储有计算机程序实现空间配准功能,该程序被处理器执行时实现如上所述方法的步骤。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,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,均包含在申请待批的本发明的权利要求范围之内。
Claims (6)
1.一种基于重启机制的空间配准方法,其特征在于,该方法的步骤包括:
利用两部雷达采集的数据,构建以系统误差为状态变量的离散状态转移方程;
利用系统误差模型和量测数据,构建系统误差和量测数据之间的关系模型和量测模型;
基于Kalman滤波,通过自适应迭代进行误差配准,所述基于Kalman滤波,通过自适应迭代进行误差配准的步骤中:
对于时刻k=1,2,…,N:
系统误差估计预测值为:δ0(k+1|k)=Q(k)δ0(k|k);
协方差矩阵预测值为:P0(k+1|k)=Q(k)P0(k|k)QT(k);
量测噪声导致的误差为:R0(k+1)=F(k)Λ(k)FT(k);
新息协方差:S0(k+1)=G(k)P0(k+1|k)GT(k)+R0(k+1);
基于重启机制,对预定时间段的滤波过程进行M次重启,直至获得满足精度的空间配准结果为止,所述基于重启机制,对预定时间段的滤波过程进行M次重启,直至获得满足精度的空间配准结果为止的步骤中:
对于s=1,2…M,每次重启的参数初始化为:
系统误差的估计的初始值:δs(k|k)=δs-1(N);
初始协方差矩阵为:Ps(k|k)=Ps-1(N);
迭代过程为:
δs(k+1|k)=Q(k)δs(k|k);
Ps(k+1|k)=Q(k)Ps(k|k)QT(k);
Rs(k+1)=F(k)Λ(k)FT(k);
Ss(k+1)=G(k)Ps(k+1|k)GT(k)+Rs(k+1)。
2.根据权利要求1所述的空间配准方法,其特征在于,所述系统误差模型为:δ(k+1)=Q(k)δ(k),
其中,Q(k)表示6×6单位矩阵,δ(k)=[Δr1 Δε1 Δβ1 Δr2 Δε2 Δβ2]T为k时刻由两部雷达系统误差所构成的列向量,r为斜距,ε为方位角,β为俯仰角。
3.根据权利要求1所述的空间配准方法,其特征在于,所述利用系统误差模型和量测数据,构建系统误差和量测数据之间的关系模型和量测模型的步骤包括:
将两个雷达在k时刻获取的目标位置转换到地心为原点的ECEF坐标系下;
根据系统误差模型,在ECEF坐标系下,建立两部雷达对同一目标的位置差方程,并对该方程进行Taylor展开,获得所述关系模型:
其中,为雷达i同时考虑系统误差和随机误差时的量测值,p'im=[r'imε'im β'im]T为雷达只考虑系统误差不考虑随机误差的量测值,p'=[r'1m ε'1m β'1m r'2m ε'2mβ'2m]T,/> 表示由随机噪声导致的误差;δ=[δ1 δ2]=[Δr1 Δε1 Δβ1 Δr2 Δε2 Δβ2]T分别两个雷达的系统误差,pim=p'im-δi为不含误差的量测;δ0表示系统误差初始估计值;
根据所述关系模型,确定k时刻系统误差与量测数据的离散化模型:Y(k)=Gkδ(k)+V(k),其中,δ(k)表示系统误差在k时刻的估计值,Y(k),Gk是k时刻与量测有关的量,V(k)表示k时刻量测中随机噪声导致的误差。
4.一种基于重启机制的空间配准系统,其特征在于,该系统包括:
第一模型构建模块,利用两部雷达采集的数据,构建两部雷达前后时刻的系统误差模型;
第二模型构建模块,利用系统误差模型和量测数据,构建系统误差和量测数据之间的关系模型和量测模型;
滤波模块,基于Kalman滤波,通过自适应迭代进行误差配准;
重启模块,基于重启机制,对预定时间段的滤波过程进行M次重启,直至获得满足精度的空间配准结果为止;
所述滤波模块进行误差配准获得:
对于时刻k=1,2,…,N:
系统误差估计预测值为:δ0(k+1|k)=Q(k)δ0(k|k);
协方差矩阵预测值为:P0(k+1|k)=Q(k)P0(k|k)QT(k);
量测噪声导致的误差为:R0(k+1)=F(k)Λ(k)FT(k);
新息协方差:S0(k+1)=G(k)P0(k+1|k)GT(k)+R0(k+1);
所述重启模块中对于s=1,2…M,每次重启的参数初始化为:
系统误差的估计的初始值:δs(k|k)=δs-1(N);
初始协方差矩阵为:Ps(k|k)=Ps-1(N);
迭代过程为:
δs(k+1|k)=Q(k)δs(k|k);
Ps(k+1|k)=Q(k)Ps(k|k)QT(k);
Rs(k+1)=F(k)Λ(k)FT(k);
Ss(k+1)=G(k)Ps(k+1|k)GT(k)+Rs(k+1)。
5.根据权利要求4所述的空间配准系统,其特征在于,所述第一模型构建模块构建的系统误差模型为:δ(k+1)=Q(k)δ(k),
其中,Q(k)表示6×6单位矩阵,δ(k)=[Δr1 Δε1 Δβ1 Δr2 Δε2 Δβ2]T为k时刻由两部雷达系统误差所构成的列向量,r为斜距,ε为方位角,β为俯仰角。
6.根据权利要求4所述的空间配准系统,其特征在于,所述第二模型构建模块利用系统误差模型和量测数据,构建系统误差和量测数据之间的关系模型和量测模型的具体执行步骤为:
将两个雷达在k时刻获取的目标位置转换到地心为原点的ECEF坐标系下;
根据系统误差模型,在ECEF坐标系下,建立两部雷达对同一目标的位置差方程,并对该方程进行Taylor展开,获得所述关系模型:
其中,为雷达i同时考虑系统误差和随机误差时的量测值,p'im=[r'im ε'imβ'im]T为雷达只考虑系统误差不考虑随机误差的量测值,p'=[r'1m ε'1m β'1m r'2m ε'2m β'2m]T, 表示由随机噪声导致的误差;δ=[δ1 δ2]=[Δr1 Δε1 Δβ1 Δr2 Δε2 Δβ2]T分别两个雷达的系统误差,pim=p'im-δi为不含误差的量测;δ0表示系统误差初始估计值;
根据所述关系模型,确定k时刻系统误差与量测数据的离散化模型:Y(k)=Gkδ(k)+V(k),其中,δ(k)表示系统误差在k时刻的估计值,Y(k),Gk是k时刻与量测有关的量,V(k)表示k时刻量测中随机噪声导致的误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384820.XA CN109343013B (zh) | 2018-11-20 | 2018-11-20 | 一种基于重启机制的空间配准方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384820.XA CN109343013B (zh) | 2018-11-20 | 2018-11-20 | 一种基于重启机制的空间配准方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109343013A CN109343013A (zh) | 2019-02-15 |
CN109343013B true CN109343013B (zh) | 2023-06-16 |
Family
ID=65316376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811384820.XA Active CN109343013B (zh) | 2018-11-20 | 2018-11-20 | 一种基于重启机制的空间配准方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343013B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221263B (zh) * | 2019-07-03 | 2021-12-14 | 北京电子工程总体研究所 | 多传感器系统的误差估计方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6175807B1 (en) * | 1999-06-09 | 2001-01-16 | Litton Systems, Inc. | Temperature compensation method for strapdown inertial navigation systems |
CN105066996A (zh) * | 2015-07-20 | 2015-11-18 | 东南大学 | 自适应矩阵卡尔曼滤波姿态估计方法 |
CN106291645A (zh) * | 2016-07-19 | 2017-01-04 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN106443605A (zh) * | 2016-10-14 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于实时质量控制ecef‑gls系统误差自适应配准方法 |
CN108519615A (zh) * | 2018-04-19 | 2018-09-11 | 河南科技学院 | 基于组合导航和特征点匹配的移动机器人自主导航方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3034514B1 (fr) * | 2015-04-01 | 2017-04-21 | Sagem Defense Securite | Procede de suivi de navigation d'un porteur moblile avec un filtre de kalman etendu |
-
2018
- 2018-11-20 CN CN201811384820.XA patent/CN109343013B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6175807B1 (en) * | 1999-06-09 | 2001-01-16 | Litton Systems, Inc. | Temperature compensation method for strapdown inertial navigation systems |
CN105066996A (zh) * | 2015-07-20 | 2015-11-18 | 东南大学 | 自适应矩阵卡尔曼滤波姿态估计方法 |
CN106291645A (zh) * | 2016-07-19 | 2017-01-04 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN106443605A (zh) * | 2016-10-14 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于实时质量控制ecef‑gls系统误差自适应配准方法 |
CN108519615A (zh) * | 2018-04-19 | 2018-09-11 | 河南科技学院 | 基于组合导航和特征点匹配的移动机器人自主导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109343013A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782240B (zh) | 一种基于递推修正的多传感器系统误差配准方法和系统 | |
CN107255795B (zh) | 基于ekf/efir混合滤波的室内移动机器人定位方法和装置 | |
CN108896047B (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN110849369B (zh) | 机器人跟踪方法、装置、设备及计算机可读存储介质 | |
AU2009289008B2 (en) | Estimating a state of at least one target | |
CN109141413B (zh) | 具有数据缺失uwb行人定位的efir滤波算法及系统 | |
CN107592671B (zh) | 一种网络化多智能体主动变拓扑的自主协同定位方法 | |
EP3745310A1 (en) | Method for calibrating a multi-sensor system using an artificial neural network | |
CN113960622A (zh) | 融合激光雷达及imu传感器信息的实时定位方法及装置 | |
Demim et al. | An adaptive SVSF-SLAM algorithm to improve the success and solving the UGVs cooperation problem | |
CN113551666A (zh) | 自动驾驶多传感器融合定位方法和装置、设备及介质 | |
CN109343013B (zh) | 一种基于重启机制的空间配准方法和系统 | |
CN114139109A (zh) | 一种目标跟踪方法、系统、设备、介质及数据处理终端 | |
Han et al. | Precise positioning with machine learning based Kalman filter using GNSS/IMU measurements from android smartphone | |
CN104407366B (zh) | 一种对伪距进行平滑处理的方法 | |
CN113310505A (zh) | 传感器系统的外参标定方法、装置及电子设备 | |
CN110160530B (zh) | 一种基于四元数的航天器姿态滤波方法 | |
CN116772867A (zh) | 一种基于因子图的节点优选的多auv自适应协同定位方法及系统 | |
CN116734860A (zh) | 一种基于因子图的多auv自适应协同定位方法及系统 | |
Demim et al. | Visual SVSF-SLAM algorithm based on adaptive boundary layer width | |
CN114501615B (zh) | 终端定位方法、装置、计算机设备、存储介质和程序产品 | |
CN115291168A (zh) | 一种基于最大一致的水下目标协同定位方法及系统 | |
CN115667845A (zh) | 用于移动载体的导航辅助方法 | |
CN113568004A (zh) | 用于确定对估计的局部状态矢量的更新的估计器 | |
CN111123323A (zh) | 一种提高便携设备定位精度的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |