CN109507706B - 一种gps信号丢失的预测定位方法 - Google Patents

一种gps信号丢失的预测定位方法 Download PDF

Info

Publication number
CN109507706B
CN109507706B CN201811426889.4A CN201811426889A CN109507706B CN 109507706 B CN109507706 B CN 109507706B CN 201811426889 A CN201811426889 A CN 201811426889A CN 109507706 B CN109507706 B CN 109507706B
Authority
CN
China
Prior art keywords
data
gps
error
model
vehicle
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
Application number
CN201811426889.4A
Other languages
English (en)
Other versions
CN109507706A (zh
Inventor
尹光
徐玉娟
成科平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Changfeng Space Electronics Technology Co Ltd
Original Assignee
Nanjing Changfeng Space Electronics Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Changfeng Space Electronics Technology Co Ltd filed Critical Nanjing Changfeng Space Electronics Technology Co Ltd
Priority to CN201811426889.4A priority Critical patent/CN109507706B/zh
Publication of CN109507706A publication Critical patent/CN109507706A/zh
Application granted granted Critical
Publication of CN109507706B publication Critical patent/CN109507706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system

Abstract

本发明公开了一种GPS信号丢失的预测定位方法，其特征是，包括如下步骤：1）对运动传感器数据和GPS定位系统数据进行预处理，使GPS定位系统数据与传感器数据相对应；2）构建GPS定位系统数据与车载传感器数据的数学模型，当GPS信号丢失时，采用模型和目标运动传感器数据对目标位置进行预测。优点：当GPS信号丢失时，采用本发明建立的相关模型和目标运动传感器回传的数据，可完成对目标位置的精确递推预测定位，使GPS传感器信号不可得到的时候，能够继续为运动目标提供精确的位置估计。对民用车载导航系统的相关领域和军用中依赖于GPS而工作的各类设备均具有重大的意义。

Description

一种GPS信号丢失的预测定位方法
技术领域
本发明涉及一种GPS失效时目标位置的预测定位方法，属于定位技术领域。
背景技术
全球定位系统GPS应用的范围在不断扩大，精度的要求也越来越高，它可以提供精确的三维坐标，全天候作业，卫星信号覆盖全球，不受用户数量限制，已经成为军用、民用导航、定位的主要技术。特别是近几年来高精度的实时动态定位技术RTK的发展，对于常规的GPS测量方法都需要事后进行解算才能获得高精度，而RTK是能够在野外实时得到高精度的测量方法，它的出现为各种控制测量带来了新曙光。GPS已能够实时地提供坐标系中的三维数据且达到了高精度，使其迅速成为快速采集数据与定位的高效工具。
虽然GPS系统能够实时的提供目标精确的位置信息，但其定位完全依赖于GPS信号，当GPS信号丢失时，就会导致导航信息丢失，位置出现混乱，影响相关控制系统的正常工作，而且这种情形大量存在于现实情况中。比如车辆进入隧道中就是比较常见的一种；另在，在导弹制导过程中，导弹制导相关控制系统依赖于导弹不同时刻的位置数据，如果GPS信号长时间丢失，长时间无法为控制系统提供位置数据，会对导弹的飞行带来严重的影响，甚至产生严重的后果。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种GPS信号丢失的预测定位方法，能够当运动目标GPS信号丢失时，继续为运动目标提供精确的位置估计。
为解决上述技术问题，本发明提供一种GPS信号丢失的预测定位方法，其特征是，包括如下步骤：
1)对运动传感器数据和GPS定位系统数据进行预处理，使GPS定位系统数据与传感器数据相对应；
2)构建GPS定位系统数据与车载传感器数据的数学模型，当GPS信号丢失时，采用模型和目标运动传感器数据对目标位置进行预测，使GPS信号不可得到的时候，继续为运动目标提供精确的位置估计。
进一步的，所述步骤1)包括如下步骤：
11)载入一段GPS设备传感器采集的GPS数据及其对应时段的车载传感器数据，对GPS数据的时间戳进行处理，寻找其中存在的异常的点，即GPS数据丢失的点，从中选取一段完整数据作为训练样本，根据训练样本GPS数据的时间戳，读取对应时间段的车载传感器数据；
12)采用拉格朗日插值方法对GPS数据进行插值处理，使得GPS数据的时间间隔与车载传感器时间间隔相同；
13)计算GPS传感器数据中的速度变量与车载传感器数据中速度变量的相关系数，通过相关系数最大值对应的位置来得到延时量，对GPS数据按照此延时量进行整体平移，使其与车载传感器数据对应。
进一步的，所述步骤2)包括如下步骤：
21)将GPS数据转换到目标起始点北天东坐标系中进行计算；
22)构建导航航向角数据与车载传感器数据的数学模型；
23)对导航航向角进行修正并得到导航航向角预测模型；
24)计算位置方位角并建立位置方位角误差序列模型；
25)根据步骤22)-24)的模型建立位置方位角递推计算的最终模型；
26)当GPS信号丢失时，采用预测模型计算位置方位角。
进一步的，所述GPS数据先转换到地心直角坐标系数据，在从地心直角坐标系转换到北天东坐标系，其中GPS数据的经纬高数据转换为地心直角坐标系公式如下：
x＝(earth_radius+Alt)*cos(Lat*π/180)*cos(Lon*π/180)
y＝(earth_radius+Alt)*cos(Lat*π/180)*sin(Lon*π/180)
z＝(earth_radius+Alt)*sin(Lat*π/180)
其中earth_radius为地球半径，Lon、Lat、Alt依次为GPS经纬高数据，x、y、z为转换后的地心直角坐标系数据。
进一步的，所述步骤22)包括以下步骤：
1)选取当前一段时间内的记录数据作为训练样本，计算训练样本的长度，记为len；
2)对于训练样本的第一个点，TM_yc(1)＝GPS_tm(1)，TM_yc为递推计算的导航航向角数据，GPS_tm为GPS传感器得到的航向角数据；其中括号里的1表示训练样本点的索引，对于后续的训练样本值，依次用i来表示，i＝2....len，len表示最后一个训练样本值；
3)对于以后的从第二个训练样本值到最后一个训练样本值
delta_tm＝YawRate_u(i-1)*dt
TM_yc(i)＝TM_yc(i-1)-delta_tm
通过递推预测，即可得到训练时间段航向角预测数据，式中，delta_tm为i-1时刻(即训练样本对应的第i-1个点，i的定义与上一步相同)的车辆横摆角速度与时间戳间隔的乘积，YawRate_u(i-1)为对应i-1时刻的车辆横摆角速度，dt为训练样本时间戳间隔。
进一步的，所述步骤23)包括以下步骤：
231)计算预测航向角带来的预测误差，表达式如下
error＝GPS_tm-TM_yc
对预测误差建立拟合模型，采用二阶多项式对误差项进行拟合，通过最小二乘法计算多项式系数，采用函数lsqcurvefit计算，求得模型系数依次为c＝[c1 c2 c3]，则误差表达式建模为
error(i)＝c1*((i-1)*dt)2+c2*(i-1)*dt+c3；
232)误差修正后，得到导航航向角预测模型为
TM_yc_xz(i)＝mod(TM_yc(i)+error(i),360)
其中mod()为取模运算。
进一步的，所述步骤24)包括以下步骤：
241)根据坐标转换后的数据，计算位置方位角数据，表达式如下
pos_theta＝atan(diff(BTD_z)/diff(BTD_x))*180/π
其中，atan()为反三角函数正切计算函数，diff()为差分函数，即用序列的当前值减去前一个值得到，BTD_x和BTD_z为GPS坐标数据转换到北天东坐标系下的数据值，BTD_x和BTD_z依次代表x轴向和z轴向的值；
242)计算用导航航向角代替位置方位角后带来的误差，得到误差值如下
errorf＝TM_yc_xz-pos_theta
对该误差序列进行时间序列建模，计算误差序列的自相关系数与偏自相关系数，采用adftest()函数验证序列的平稳性，autocorr()函数计算序列的自相关系数，parcorr()函数计算序列的偏自相关系数，根据自相关系数和偏自相关系数的特性，采用一阶AR模型对误差序列建模，采用ar()函数对模型系数进行估计，得到参数后即可构建预测模型errorf(i)＝coef*errorf(i-1)，coef为计算得到的模型系数。
进一步的，位置方位角递推计算的最终模型为：
delta_tm＝YawRate_u(i-1)*dt
TM_yc(i)＝TM_yc(i-1)-delta_tm
t_in＝dt*(i-1)
error(i)＝x1*t_in2+x2*t_in+x3
errorf(i)＝coef*errorf(i-1)
theta_GPS_raw_p(i)＝TM_yc(i)+error(i)+errorf(i)。
进一步的，根据时间序列的预测特性，计算时间序列模型加权系数如下w＝0.99num，num为预测的帧数，则预测模式下，实时位置方位角递推公式如下
delta_tm＝YawRate_u(i-1)*dt
TM_yc(i)＝TM_yc(i-1)-delta_tm
t_in＝dt*(i-1)
error(i)＝x1*t_in2+x2*t_in+x3
errorf(i)＝coef*errorf(i-1)
theta_GPS_raw_p(i)＝TM_yc(i)+error(i)+0.99i-len*errorf(i-1)
其中，i为预测模式下的时间戳，其取值范围从训练样本结束后的第一个值开始，定义为i＝len+1,len+2.....num；len为训练样本点数，得到位置方位角的计算值后，在根据车载传感器测得的速度数据，能够实时计算出目标在北天东坐标系下的位置信息
Figure BDA0001881837450000051
由上述公式，可推导得到目标在北天东坐标系下的位置，其中Speed_DR_use(i-1)为车载传感器回传的i-1上一时刻的速度信息，BTD_x_p(i)和BTD_z_p(i)为i时刻目标在北天东坐标系下的递推预测x轴向和z轴向数据，
通过坐标转换，把北天东坐标系下的数据转会到经纬高数据，即可得到目标的实时经纬高定位信息。
本发明所达到的有益效果：
本发明分析目标运动传感器数据和GPS定位系统数据，对训练数据完整段进行建模分析，构建相关模型，并结合时间序列方法对误差数据进行建模补偿，最终得到了位置预测模型。当GPS信号丢失时，采用本发明建立的相关模型和目标运动传感器回传的数据，可完成对目标位置的精确递推预测定位，使GPS传感器信号不可得到的时候，能够继续为运动目标提供精确的位置估计。对民用车载导航系统的相关领域和军用中依赖于GPS而工作的各类设备均具有重大的意义。
附图说明
图1是本发明的流程示意图。
图2和图3分别是延时校准前与校准后的速度数据图；
图4是训练数据在北天东坐标系水平面上的位置示意图；
图5是数据预测的预测结果与真实结果的对比示意图；
图6是修正后得到预测值与真实值的对比示意图；
图7是位置方位角示意图；
图8是递推计算值与真实值的对比示意图；
图9是预测值与真实值之间的关系示意图；
图10-11分别是预测400s时x轴和z轴的误差示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本次对一段车载系统的数据进行分析，选取其中一段数据作为训练样本，求解模型参数。对后面的数据，采用建模得到的模型进行递推预测，并将预测结果与实际结果进行比较。仿真分析表明，预测了几百秒后，预测值与真实值误差均较小。
(1)载入训练数据
载入一段GPS设备传感器的采集数据及其对应时段的车载传感器数据。GPS数据中主要包含时间戳、对应经度、纬度、高度、速度和航向角数据(一般GPS设备数据中都包含以上信息)；车载传感器数据包括时间戳、横摆角速度、车辆速度信息(车载状态传感器中都包含上述数据)。
对GPS数据的时间戳进行处理，寻找其中存在的异常的点，即GPS数据丢失的点，从中选取一段完整数据作为训练样本。
根据训练样本GPS数据的时间戳，读取对应时间段的车载传感器数据。
(2)数据对齐
通常GPS数据的时间间隔为1s,而车载传感器的时间间隔要比GPS快得多，通常为100ms。因此，二者时间存在时间上的不一致，因此需要进行对齐处理。在本发明中，采用拉格朗日插值方法对GPS数据进行插值处理，使得GPS数据的时间间隔与车载传感器时间间隔相同。
(3)延时校准
由于GPS数据与车载传感器数据由不同的渠道获得，在到达时间上会存在较大的差异。通常GPS数据到达时间相比于车载传感器数据会存在较大的延时，需要进行校准。在本发明中，计算GPS传感器数据中的速度变量与车载传感器数据中速度变量的相关系数，通过相关系数最大值对应的位置来得到延时量。对GPS数据按照此延时量进行整体平移，使其与车载传感器数据对应。
图2和3中给出了延时校准前与校准后的速度数据图，由图中可知，在校准前，GPS数据相对于车载传感器数据由一个明显的延时；数据校准后，数据已经能后很好的对齐。
(4)GPS数据坐标转换
GPS数据为经纬高数据，在进行数据建模时，需要把数据转换到目标起始点北天东坐标系中进行计算。先将GPS经纬高数据转换到地心直角坐标系数据，在从地心直角坐标系转换到北天东坐标系。
数据转换完成后，得到训练数据在北天东坐标系水平面上的位置如图4所示。
(5)导航航向数据建模
导航航向角数据为GPS传感器输出的一个变量，构建其与车载传感器数据的数学模型，使得在GPS数据不可得到的时候，通过车载传感器数据能够实时解算出导航航向角数据。建模过程如下
1)计算训练样本的长度，记为len；
2)对于第一个点，TM_yc(1)＝GPS_tm(1)，TM_yc为递推计算的导航航向角数据，GPS_tm为GPS传感器得到的航向角数据；
3)对于以后的i＝2:len，
delta_tm＝YawRate_u(i-1)*dt
TM_yc(i)＝TM_yc(i-1)-delta_tm
通过递推预测，即可得到训练时间段航向角预测数据。式中，YawRate_u(i-1)为对应i-1时刻的车辆横摆角速度，dt为时间戳间隔。在本实例中，时间间隔为100ms；图5中给出了本实例数据预测的预测结果与真实结果。
4)误差修正
计算TM_yc预测航向角带来的误差，表达式如下
error＝GPS_tm-TM_yc
对预测误差建立拟合模型。采用二阶多项式对误差项进行拟合，通过最小二乘法计算多项式系数，在本发明中，采用函数lsqcurvefit计算，求得模型系数依次为x＝[x1x2x3]，则误差表达式建模为
error(i)＝x1*((i-1)*dt)2+x2*(i-1)*dt+x3
在本实例中，求解得到系数如下x＝[0.0001-0.0145-0.5507]；
5)导航航向角修正模型
通过误差修正后，得到导航航向角预测模型为
TM_yc_xz(i)＝mod(TM_yc(i)+error(i),360)
其中mod()为取模运算。在本实例中，修正后得到预测值与真实值如图6所示，
(6)位置方位角计算
根据坐标转换后的数据，计算位置方位角数据。
(7)位置方位角误差序列建模
如图7所示，计算得到位置方位角后，计算用导航航向角代替位置方位角后带来的误差，得到误差值如下
对该误差序列进行时间序列建模，最终得到递推模型为
errorf(i)＝0.934*errorf(i-1)
(8)位置方位角计算递推
根据以上各个计算模型，对方位角进行递推预测，得到递推计算值与真实值图8：
9)实时位于预测解算
在预测阶段，不再使用GPS传感器任何数据，采用车载传感器的速度信息和横摆角速度信息，通过本发明中的位置方位角递推计算公式递推计算，并计算出预测阶段各时刻的北天东坐标系下的位置数据，
由图9-11可知，对长达400s的目标位置进行递推预测，北天东坐标系下x方向的误差不超过50m，z方向的误差不超过20m.这远低于目前主流的导航预测算法研究指标(10km预测误差不大于250m)。
通过坐标转换，把北天东坐标系下的数据转会到经纬高数据，即可得到目标的实时经纬高定位信息
仿真结果和实验结果都表明，采用本发明的估计算法，模型相对简单，计算精度较高，而且计算时间较短，能满足实时计算的需求，能有效的解决的计算精度要求和实时性的要求。对民用车载导航系统的相关领域和军用中依赖于GPS而工作的各类设备均具有重大的意义。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种GPS信号丢失的预测定位方法，其特征是，包括如下步骤：
1)对运动传感器数据和GPS定位系统数据进行预处理，使GPS定位系统数据与传感器数据相对应；
2)构建GPS定位系统数据与车载传感器数据的数学模型，当GPS信号丢失时，采用模型和目标运动传感器数据对目标位置进行预测，使GPS信号不可得到的时候，继续为运动目标提供精确的位置估计，包括如下步骤：
21)将GPS数据转换到目标起始点北天东坐标系中进行计算；
22)构建导航航向角数据与车载传感器数据的数学模型；
23)对导航航向角进行修正并得到导航航向角预测模型；
24)计算位置方位角并建立位置方位角误差序列模型；
25)根据步骤22)-24)的模型建立位置方位角递推计算的最终模型；
26)当GPS信号丢失时，采用预测模型计算位置方位角；
所述步骤22)包括以下步骤：
1)选取当前一段时间内的记录数据作为训练样本，计算训练样本的长度，记为len；
2)对于训练样本的第一个点，TM_yc(1)＝GPS_tm(1)，TM_yc为递推计算的导航航向角数据，GPS_tm为GPS传感器得到的航向角数据；其中括号里的1表示训练样本点的索引，对于后续的训练样本值，依次用i来表示，i＝2....len，len表示最后一个训练样本值；
3)对于以后的从第二个训练样本值到最后一个训练样本值
delta_tm＝YawRate_u(i-1)*dt
TM_yc(i)＝TM_yc(i-1)-delta_tm
通过递推预测，即可得到训练时间段航向角预测数据，式中，delta_tm为i-1时刻的车辆横摆角速度与时间戳间隔的乘积，YawRate_u(i-1)为对应i-1时刻的车辆横摆角速度，dt为训练样本时间戳间隔；
所述步骤23)包括以下步骤：
231)计算预测航向角带来的预测误差，表达式如下
error＝GPS_tm-TM_yc
对预测误差建立拟合模型，采用二阶多项式对误差项进行拟合，通过最小二乘法计算多项式系数，采用函数lsqcurvefit计算，求得模型系数依次为c＝[c1 c2 c3]，则误差表达式建模为
error(i)＝c1*((i-1)*dt)2+c2*(i-1)*dt+c3；
232)误差修正后，得到导航航向角预测模型为
TM_yc_xz(i)＝mod(TM_yc(i)+error(i),360)
其中mod()为取模运算；
所述步骤24)包括以下步骤：
241)根据坐标转换后的数据，计算位置方位角数据，表达式如下
pos_theta＝atan(diff(BTD_z)/diff(BTD_x))*180/π
其中，atan()为反三角函数正切计算函数，diff()为差分函数，即用序列的当前值减去前一个值得到，BTD_x和BTD_z为GPS坐标数据转换到北天东坐标系下的数据值，BTD_x和BTD_z依次代表x轴向和z轴向的值；
242)计算用导航航向角代替位置方位角后带来的误差，得到误差值如下
errorf＝TM_yc_xz-pos_theta
对该误差序列进行时间序列建模，计算误差序列的自相关系数与偏自相关系数，采用adftest()函数验证序列的平稳性，autocorr()函数计算序列的自相关系数，parcorr()函数计算序列的偏自相关系数，根据自相关系数和偏自相关系数的特性，采用一阶AR模型对误差序列建模，采用ar()函数对模型系数进行估计，得到参数后即可构建预测模型errorf(i)＝coef*errorf(i-1)，coef为计算得到的模型系数；
位置方位角递推计算的最终模型为：
delta_tm＝YawRate_u(i-1)*dt
TM_yc(i)＝TM_yc(i-1)-delta_tm
t_in＝dt*(i-1)
error(i)＝x1*t_in2+x2*t_in+x3
errorf(i)＝coef*errorf(i-1)
theta_GPS_raw_p(i)＝TM_yc(i)+error(i)+errorf(i)。
2.根据权利要求1所述的GPS信号丢失的预测定位方法，其特征是，所述步骤1)包括如下步骤：
11)载入一段GPS设备传感器采集的GPS数据及其对应时段的车载传感器数据，对GPS数据的时间戳进行处理，寻找其中存在的异常的点，即GPS数据丢失的点，从中选取一段完整数据作为训练样本，根据训练样本GPS数据的时间戳，读取对应时间段的车载传感器数据；
12)采用拉格朗日插值方法对GPS数据进行插值处理，使得GPS数据的时间间隔与车载传感器时间间隔相同；
13)计算GPS传感器数据中的速度变量与车载传感器数据中速度变量的相关系数，通过相关系数最大值对应的位置来得到延时量，对GPS数据按照此延时量进行整体平移，使其与车载传感器数据对应。
3.根据权利要求1所述的GPS信号丢失的预测定位方法，其特征是，所述GPS数据先转换到地心直角坐标系数据，在从地心直角坐标系转换到北天东坐标系，其中GPS数据的经纬高数据转换为地心直角坐标系公式如下：
x＝(earth_radius+Alt)*cos(Lat*π/180)*cos(Lon*π/180)
y＝(earth_radius+Alt)*cos(Lat*π/180)*sin(Lon*π/180)
z＝(earth_radius+Alt)*sin(Lat*π/180)
其中earth_radius为地球半径，Lon、Lat、Alt依次为GPS经纬高数据，x、y、z为转换后的地心直角坐标系数据。
4.根据权利要求1所述的GPS信号丢失的预测定位方法，其特征是，根据时间序列的预测特性，计算时间序列模型加权系数如下w＝0.99num，num为预测的帧数，则预测模式下，实时位置方位角递推公式如下
delta_tm＝YawRate_u(i-1)*dt
TM_yc(i)＝TM_yc(i-1)-delta_tm
t_in＝dt*(i-1)
error(i)＝x1*t_in2+x2*t_in+x3
errorf(i)＝coef*errorf(i-1)
theta_GPS_raw_p(i)＝TM_yc(i)+error(i)+0.99i-len*errorf(i-1)
其中，i为预测模式下的时间戳，其取值范围从训练样本结束后的第一个值开始，定义为i＝len+1,len+2.....num；len为训练样本点数，得到位置方位角的计算值后，在根据车载传感器测得的速度数据，能够实时计算出目标在北天东坐标系下的位置信息
BTD_x_p(i)＝BTD_x_p(i-1)+Speed_DR_use(i-1)*dt*cos(theta_GPS_raw_p(i)*π/180)
BTD_z_p(i)＝BTD_z_p(i-1)+Speed_DR_use(i-1)*dt*sin(theta_GPS_raw_p(i)*π/180)由上述公式，可推导得到目标在北天东坐标系下的位置，其中Speed_DR_use(i-1)为车载传感器回传的i-1上一时刻的速度信息，BTD_x_p(i)和BTD_z_p(i)为i时刻目标在北天东坐标系下的递推预测x轴向和z轴向数据，
通过坐标转换，把北天东坐标系下的数据转会到经纬高数据，即可得到目标的实时经纬高定位信息。
CN201811426889.4A 2018-11-27 2018-11-27 一种gps信号丢失的预测定位方法 Active CN109507706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811426889.4A CN109507706B (zh) 2018-11-27 2018-11-27 一种gps信号丢失的预测定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811426889.4A CN109507706B (zh) 2018-11-27 2018-11-27 一种gps信号丢失的预测定位方法

Publications (2)

Publication Number Publication Date
CN109507706A CN109507706A (zh) 2019-03-22
CN109507706B true CN109507706B (zh) 2023-01-24

Family

ID=65750821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811426889.4A Active CN109507706B (zh) 2018-11-27 2018-11-27 一种gps信号丢失的预测定位方法

Country Status (1)

Country Link
CN (1) CN109507706B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL269263B (en) * 2019-09-10 2021-09-30 Veeride Geo Ltd A navigation method based on a cell phone
CN111190211B (zh) * 2019-12-30 2022-11-15 南京长峰航天电子科技有限公司 一种gps失效位置预测定位方法
CN111523667B (zh) * 2020-04-30 2023-06-27 天津大学 一种基于神经网络的rfid定位方法
CN113720343A (zh) * 2021-08-16 2021-11-30 中国科学院上海微系统与信息技术研究所 基于动态数据实时适应的航向预测方法
CN114367981B (zh) * 2021-12-28 2023-04-07 达闼机器人股份有限公司 对象控制方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819041A (zh) * 2010-04-16 2010-09-01 北京航空航天大学 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法
CN105890592A (zh) * 2016-03-30 2016-08-24 湖南大学 基于 Online-WSVR 算法的车辆位置信息预测方法
RU2617565C1 (ru) * 2015-12-02 2017-04-25 Акционерное общество "Раменское приборостроительное конструкторское бюро" Способ оценивания ошибок инерциальной информации и её коррекции по измерениям спутниковой навигационной системы
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819041A (zh) * 2010-04-16 2010-09-01 北京航空航天大学 自进化anfis与ukf结合的gps/mems-ins组合定位误差动态预测方法
RU2617565C1 (ru) * 2015-12-02 2017-04-25 Акционерное общество "Раменское приборостроительное конструкторское бюро" Способ оценивания ошибок инерциальной информации и её коррекции по измерениям спутниковой навигационной системы
CN105890592A (zh) * 2016-03-30 2016-08-24 湖南大学 基于 Online-WSVR 算法的车辆位置信息预测方法
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及系统

Also Published As

Publication number Publication date
CN109507706A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109507706B (zh) 一种gps信号丢失的预测定位方法
CN108226980B (zh) 基于惯性测量单元的差分gnss与ins自适应紧耦合导航方法
CN107525503B (zh) 基于双天线gps和mimu组合的自适应级联卡尔曼滤波方法
Bryne et al. Nonlinear observers for integrated INS\/GNSS navigation: implementation aspects
CN111323050B (zh) 一种捷联惯导和多普勒组合系统标定方法
CN102322858B (zh) 用于地磁/捷联惯导组合导航系统的地磁匹配导航方法
CN110220491B (zh) 一种无人机的光学吊舱安装误差角估算方法
CN113252033B (zh) 基于多传感器融合的定位方法、定位系统及机器人
CN111982106A (zh) 导航方法、装置、存储介质及电子装置
CN102353378A (zh) 一种矢量形式信息分配系数的自适应联邦滤波方法
Mu et al. A GNSS/INS-integrated system for an arbitrarily mounted land vehicle navigation device
CN112346104A (zh) 一种无人机信息融合定位方法
CN109931952A (zh) 未知纬度条件下捷联惯导直接解析式粗对准方法
CN113566850B (zh) 惯性测量单元的安装角度标定方法、装置和计算机设备
CN112946681B (zh) 融合组合导航信息的激光雷达定位方法
CN113238072B (zh) 一种适用于车载光电平台的运动目标解算方法
CN111197994B (zh) 位置数据修正方法、装置、计算机设备和存储介质
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
CN111982126A (zh) 一种全源BeiDou/SINS弹性状态观测器模型设计方法
CN114897942B (zh) 点云地图的生成方法、设备及相关存储介质
CN114111840B (zh) 一种基于组合导航的dvl误差参数在线标定方法
CN114777812B (zh) 一种水下组合导航系统行进间对准与姿态估计方法
CN112987054B (zh) 标定sins/dvl组合导航系统误差的方法和装置
CN114019954B (zh) 航向安装角标定方法、装置、计算机设备和存储介质
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统

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