CN109556633B - 一种基于自适应ekf的仿生偏振传感器多源误差标定方法 - Google Patents
一种基于自适应ekf的仿生偏振传感器多源误差标定方法 Download PDFInfo
- Publication number
- CN109556633B CN109556633B CN201811421555.8A CN201811421555A CN109556633B CN 109556633 B CN109556633 B CN 109556633B CN 201811421555 A CN201811421555 A CN 201811421555A CN 109556633 B CN109556633 B CN 109556633B
- Authority
- CN
- China
- Prior art keywords
- polarization
- sensor
- bionic
- measurement
- error
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 135
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000003044 adaptive effect Effects 0.000 title claims description 15
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000009434 installation Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000001914 filtration Methods 0.000 claims description 18
- 238000005562 fading Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 2
- 241000736128 Solenopsis invicta Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 230000003592 biomimetic effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001492664 Solenopsis <angiosperm> Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于自适应EKF的仿生偏振传感器多源误差标定方法，该方法包含以下步骤：(1)基于安装误差、比例因子、偏振度系数、偏振方位角和偏振度为偏振导航系统状态量建立系统状态模型；(2)以含有多源误差的光强测量值为输出建立系统量测模型；(3)设计自适应扩展卡尔曼滤波器，估计安装误差、尺度因子和偏振方位角；(4)根据安装误差和尺度因子估计值补偿含有多源误差的偏振传感器测量值。本发明方法具有鲁棒性强，抗干扰能力强、工程易于实现等优点。
Description
技术领域
本发明涉及一种基于自适应EKF的仿生偏振传感器多源误差标定方法，可用于仿生偏振传感器在多源误差干扰的情况下获取偏振方位角和偏振度等信息，提高偏振传感器抗干扰能力。
背景技术
导航是引导运动体或运载体从某一出发地沿设定的路径有效到达目的地的一种技术手段，随着现代导航技术的不断发展，它早已从一种经验技能发展成专门的一门科学。近年来，导航技术不断朝着低成本、智能化、抗干扰等方向发展。与此同时，随着导航设备工作环境日益复杂与多样化，对导航系统的精度和性能的要求越来越高。在实际应用中，面对复杂的任务场景，研究灵敏度高、抗干扰性强、工作可靠性高的导航系统有着极为紧迫的现实要求。
随着科技的不断进步，生物学家对生物器官结构研究的深入，发现很多昆虫，如蜜蜂、沙蚁等能够利用天空偏振光信息进行导航。其中撒哈拉沙漠蚂蚁利用天空偏振光导航的策略是：路径积分、视觉领航和系统搜索，通过对沙蚁的生理结构特征剖析，发现它依靠复眼来感知外界的偏振模式获取准确的位置和方向信息。进一步研究发现，昆虫、候鸟等生物在觅食、迁徙、归巢、捕食等活动中也借助大气偏振光来辅助导航；这些发现为提升传统导航方式提供了新思路和新方法，仿生偏振光与传统导航相比具有融合互补特性，为实现高精度，抗干扰的组合导航方式具有科学和工程的借鉴意义。
为解决含有多源误差干扰的仿生偏振传感器中的偏振方位角和偏振度估计问题，考虑到多源误差具有强随机性，但是同时具备部分模型特征，提出了一种基于自适应EKF的仿生偏振传感器多源误差标定方法。根据安装误差、测量噪声等多源干扰建立传感器数学表征模型，设计自适应扩展卡尔曼滤波方法，该算法在进行滤波计算的同时,采用噪声统计估计器对未知时变的噪声统计进行实时估计和修正来减小多源误差的干扰，同时滤波器结构保持卡尔曼滤波结构，工程上易于实现。
现有专利中存在以下三个缺点和不足：第一，现有专利(申请号：CN201810129372)主要是扩展卡尔曼滤波方法，滤波方式具有局限性，在噪声统计未知时变情况下,存在滤波精度下降甚至发散的问题，导致系统鲁棒性不强，第二，现有方法中考虑误差不全，多源噪声干扰考虑不充分，第三，现有方法工程实现较为困难。
发明内容
本发明要解决的技术问题是：针对偏振导航系统中偏振传感器含有误差干扰，提供一种基于自适应EKF的仿生偏振传感器多源误差标定方法，标定过程借助于自适应EKF滤波实现，解决了偏振传感器多源误差实时标定精确性不高的问题，提高了偏振光导航的精度和抗干扰能力；具备鲁棒性强，抗干扰能力强、工程易于实现等优点。
本发明的技术解决方案为：一种基于自适应EKF(EKF扩展卡尔曼滤波)的仿生偏振传感器多源误差标定方法，步骤如下：
(1)基于安装误差、比例因子、偏振度系数、偏振方位角和偏振度为偏振导航系统状态量建立系统状态模型；
(2)以含有多源误差的光强测量值为输出建立偏振导航系统量测模型；
(3)在步骤(1)和(2)已经建立的偏振导航系统状态模型和量测模型基础上，设计自适应扩展卡尔曼滤波器，估计安装误差、尺度因子、偏振度系数、偏振方位角和偏振度；
(4)根据步骤(3)得到安装误差和尺度因子估计值补偿含有多源误差的偏振传感器测量值；
所述步骤(1)具体实现如下：
根据偏振传感器独立通道信号处理方法，假设第一个通道的仿生传感器偏振片安装误差α′1＝0，选取m个状态量作为标定参数(m的数值与选取的通道数有关，m至少为4),m个状态量包括：仿生传感器各个通道偏振片的安装误差角，仿生传感器各个通道比例因子，仿生传感器各个通道偏振度系数，偏振度和偏振传感器偏振方位角，考虑偏振传感器待估计的参数为：
其中X为偏振传感器待估计的参数，n是仿生偏振传感器的通道数，α′2～α′n是仿生传感器各个通道偏振片的安装误差角，
是仿生传感器各个通道比例因子，
是仿生传感器各个通道偏振度系数，d是偏振传感器偏振度，φ是偏振传感器偏振方位角；
建立仿生偏振导航系统状态方程为：
Xk＝f(Xk-1)+Wk-1
其中，Xk为第k次测量的状态量，Wk-1是系统噪声，为高斯白噪声，Wk-1的协方差阵为Qk-1；
所述步骤(2)以含有多源误差的光强测量值为输出建立系统量测模型：
Yk＝h(Xk)+Vk
Vk是测量噪声，噪声为高斯白噪声，Vk的协方差阵为Rk，k为第k次测量；
其中，I是积分球自带光源输出的光强值，α1～αn是偏振传感器各个通道偏振片的安装角度，Vk是测量噪声，噪声为高斯白噪声，Vk的协方差阵为Rk。
所述步骤(3)设计自适应扩展卡尔曼滤波器，估计安装误差、尺度因子、偏振方位角和偏振度，具体实现如下：
时间更新；
①设定初始化状态量
和状态量
的协方差矩阵P0|0；
②计算一步预测，
其中
为根据第k-1次测量数据预测第k次测量的状态量，
为第k-1次测量估计的状态量；
③计算状态转移矩阵Φk-1，
④计算预测协方差Pk|k-1，
Pk-1k-1为第k-1次的估计状态的协方差矩阵；
量测更新
①计算量测预测误差即新息
其中Zk为第k次的量测值，
为系统量测在第k次的预测值；
②计算量测转移矩阵Hk，
③计算量测噪声的方差矩阵Rk为，
在理论上表示随机序列的集总平均，在自适应滤波算法的实际应用中应以时间平均代替；Rk的等加权递推估计方法构造如下：
除等加权外，还可以将Rk改为指数渐消记忆加权平均方法，有利于减小陈旧量测噪声的影响，如下：
④计算滤波增益矩阵Mk，
⑤状态估计值
⑥更新状态量的协方差矩阵Pk，Pk＝(IN-MkHk)Pk|k-1，IN为N维的单位矩阵。
所述步骤(4)根据安装误差、尺度因子和偏振方位角估计值补偿仿生偏振传感器实际测量值，具体实现如下：
考虑安装误差α′i，其值与偏振片安装角度有关，偏振传感器的光通量可以描述为：
步骤(1)-(4)计算出安装误差和尺度因子估计值
代入仿生偏振传感器量测模型中得到补偿后的量测值Ii；
对于仿生偏振传感器，其中i＝1…n是偏振传感器各个通道的编号；
公式展开为：
矩阵形式如下：
A＝[1 cos2φ sin2φ]
Y＝[I1 … In]
AX＝Y
最小二乘法求解等式得：
偏振方位角φ和偏振度d得
本发明与现有技术相比的优点在于：
(1)鲁棒性强；
(2)抗干扰能力强；
(3)工程易于实现。
本发明的一种基于自适应EKF的仿生偏振传感器多源误差标定方法，是针对现有的偏振导航中偏振传感器安装误差和光电二级管传输响应系数即比例因子等多元误差标定方法的优化和改进，与现有的传统标定方法相比较，具有鲁棒性强，抗干扰能力强、工程易于实现等优点；本发明在滤波方式上克服了现有方法噪声必须设定为已知的困难，在噪声统计未知时变情况下,现有方法存在滤波精度下降甚至发散的问题，本方法增强了系统的鲁棒性；而在滤波计算的同时,本发明采用噪声统计估计器对未知时变的噪声统计进行实时估计和修正来减小多源误差的干扰，增强了系统的抗干扰能力；本发明选用的滤波器结构保持卡尔曼滤波结构，工程上易于实现。
附图说明
图1为本发明的设计流程图；
图2为本发明一种基于自适应EKF的仿生偏振传感器多源误差标定方法的实验标定环境图；
附图标记说明：
1-积分球； 2-支架；
3-偏振片； 4-镜头；
5-旋转平台； 6-电源接口；
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示，本发明的方法具体实现步骤如下：
1、基于安装误差、比例因子、偏振度系数、偏振方位角和偏振度为偏振导航系统状态量建立系统状态模型；
根据偏振传感器独立通道信号处理方法，第一个通道的仿生传感器偏振片安装误差α′1＝0，选取m个状态量作为标定参数(m的数值与选取的通道数有关，m至少为4),m个状态量包括：仿生传感器各个通道偏振片的安装误差角，仿生传感器各个通道比例因子，仿生传感器各个通道偏振度系数，偏振度和偏振传感器偏振方位角，考虑偏振传感器待估计的参数为：
其中X为偏振传感器待估计的参数，n是仿生偏振传感器的通道数，α′2～α′n是仿生传感器各个通道偏振片的安装误差角，
是仿生传感器各个通道比例因子，
是仿生传感器各个通道偏振度系数，d是偏振传感器偏振度，φ是偏振传感器偏振方位角；
建立仿生偏振导航系统状态方程为：
Xk＝f(Xk-1)+Wk-1
其中，Xk为第k次测量的状态量，Wk-1是系统噪声，为高斯白噪声，Wk-1的协方差阵为Qk-1；
2、以含有多源误差的光强测量值为输出建立系统量测模型；
Yk＝h(Xk)+Vk
Vk是测量噪声，噪声为高斯白噪声，Vk的协方差阵为Rk，k为第k次测量；
其中，I是积分球自带光源输出的光强值，α1～αn是偏振传感器各个通道偏振片的安装角度，Vk是测量噪声，噪声为高斯白噪声，Vk的协方差阵为Rk。
3、设计自适应扩展卡尔曼滤波器，估计安装误差、尺度因子、偏振方位角和偏振度，具体实现如下：
时间更新；
①设定初始化状态量
和状态量
的协方差矩阵P0|0；
②计算一步预测，
其中
为根据第k-1次测量数据预测第k次测量的状态量，
为第k-1次测量估计的状态量；
③计算状态转移矩阵Φk-1，
④计算预测协方差Pk|k-1，
Pk-1|k-1为第k-1次的估计状态的协方差矩阵；
量测更新
①计算量测预测误差即新息
其中Zk为第k次的量测值，
为系统量测在第k次的预测值；
②计算量测转移矩阵Hk，
③计算量测噪声的方差矩阵Rk为，
在理论上表示随机序列的集总平均，在自适应滤波算法的实际应用中应以时间平均代替；Rk的等加权递推估计方法构造如下：
除等加权外，还可以将Rk改为指数渐消记忆加权平均方法，有利于减小陈旧量测噪声的影响，如下：
为防止
出现非负定情况，设定
再利用如下式所示：
下限条件Rmin以防止
非负定，同时利用上限条件Rmax以快速降低量测Zk的可信度；
通过上述处理，便可将量测噪声Rk限值在Rmin～Rmax之间，从而具有较好的自适应能力及可靠性；
④计算滤波增益矩阵Mk，
⑤状态估计值
⑥更新状态量的协方差矩阵Pk，Pk＝(IN-MkHk)Pk|k-1，IN为N维的单位矩阵。
4、根据安装误差、尺度因子和偏振方位角估计值补偿仿生偏振传感器实际测量值；
如图2所示，包括积分球1、支架2、偏振片3、镜头4、旋转平台5、电源接口6；其中：积分球1是由支架2作为固定支撑平放在地面上，积分球1作用是提供没有干扰的标准偏振光源，供电接口6在积分球1表面，给积分球1中固定光源发光供电。根据实验测量要求，将待测量的仿生偏振导航传感器固定在旋转平台5上，偏振片3固定在积分球1的出光口处，镜头4采集通过偏振片3的光强数据；旋转平台5匀速旋转，每次旋转度数为ψk度，每个测量周期内实验旋转平台5旋转度数不少于360°，在旋转过程中对偏振传感器对立通道的输出测量值进行等间隔采样，作为仿生偏振传感器输出值记录。
考虑安装误差α′i，其值与偏振片安装角度有关，偏振传感器的光通量可以描述为：
上述步骤(1)-(4)计算出安装误差和尺度因子估计值
代入仿生偏振传感器量测模型中得到补偿后的量测值Ii；
对于仿生偏振传感器，其中i＝1…n是偏振传感器各个通道的编号；
公式展开为：
仿生偏振传感器的矩阵形式如下：
A＝[1 cos2φ sin2φ]
Y＝[I1 … In]
AX＝Y
最小二乘法求解等式得：
偏振方位角φ和偏振度d得：
总之，本发明在滤波方式上克服了现有方法噪声必须设定为已知的困难，在噪声统计未知时变情况下,现有方法存在滤波精度下降甚至发散的问题，本方法增强了系统的鲁棒性；而在滤波计算的同时,本发明采用噪声统计估计器对未知时变的噪声统计进行实时估计和修正来减小多源误差的干扰，曾强了系统的抗干扰能力；本发明选用的滤波器结构保持卡尔曼滤波结构，工程上易于实现。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种基于自适应EKF的仿生偏振传感器多源误差标定方法，其特征在于，包括以下步骤：
(1)基于安装误差、比例因子、偏振度系数、偏振方位角和偏振度为偏振导航系统状态量建立系统状态模型；
(2)以含有多源误差的光强量测值为输出建立偏振导航系统量测模型；
(3)在步骤(1)和(2)已经建立的偏振导航系统状态模型和量测模型基础上，设计自适应扩展卡尔曼滤波器，估计安装误差、尺度因子、偏振度系数、偏振方位角和偏振度；
(4)根据步骤(3)得到安装误差和尺度因子估计值补偿含有多源误差的偏振传感器量测值；
所述步骤(1)基于安装误差、比例因子、偏振度系数、偏振方位角和偏振度为系统状态量建立系统状态模型，具体实现如下：
根据偏振传感器独立通道信号处理方法，第一个通道的仿生传感器偏振片安装误差α′1＝0，选取m个状态量作为标定参数，m个状态量包括：仿生传感器各个通道偏振片的安装误差角，仿生传感器各个通道比例因子，仿生传感器各个通道偏振度系数，偏振度和偏振传感器偏振方位角，考虑偏振传感器待估计的参数为：
其中X为偏振传感器待估计的参数，n是仿生偏振传感器的通道数，α′2～α′n是仿生传感器各个通道偏振片的安装误差角，
是仿生传感器各个通道比例因子，
是仿生传感器各个通道偏振度系数，d是偏振度，φ是偏振传感器偏振方位角；
建立仿生偏振导航系统状态方程为：
Xk＝f(Xk-1)+Wk-1
其中，Xk为第k次量测的状态量，Wk-1是第k-1次系统噪声，为高斯白噪声，Wk-1的协方差阵为Qk-1；
所述步骤(4)根据安装误差、尺度因子和偏振方位角估计值补偿仿生偏振传感器实际量测值；考虑安装误差α′i，其值与偏振片安装角度有关，偏振传感器的光通量描述为：
步骤(1)-(4)计算出安装误差和尺度因子估计值
代入仿生偏振传感器量测模型中得到补偿后的量测值Ii；
i＝1…n是偏振传感器各个通道的编号，参数I是积分球自带光源输出的光强值，αi是各通道中偏振片的安装角度；
公式展开为：
矩阵形式如下：
最小二乘法求解等式得：
偏振方位角φ和偏振度d得：
其中
分别为矩阵
的第2列和第3列数值，
和
分别为矩阵
的第1列，第2列和第3列数值；
所述步骤(2)以含有多源误差的光强量测值为输出建立偏振导航系统量测模型为:
Yk＝h(Xk)+Vk
Vk是量测噪声，噪声为高斯白噪声，Vk的协方差阵为Rk，k为第k次量测；
所述步骤(3)中，设计自适应扩展卡尔曼滤波器实现如下：
时间更新；
①设定初始化状态量
和状态量
的协方差矩阵P0|0；
②计算一步预测，
其中
为根据第k-1次量测数据预测第k次量测的状态量，
为第k-1次量测估计的状态量；
③计算状态转移矩阵Φk-1，
④计算预测协方差Pk|k-1，
Pk-1|k-1为第k-1次的估计状态的协方差矩阵；
量测更新
①计算量测预测误差即新息
其中Zk为第k次的量测值，
为系统量测在第k次的预测值；
②计算量测转移矩阵Hk，
③计算Rk为，
在理论上表示随机序列的集总平均，在自适应滤波算法的实际应用中应以时间平均代替；
④计算滤波增益矩阵Mk，
⑤状态估计值
⑥更新状态量的协方差矩阵Pk，Pk＝(IN-MkHk)Pk|k-1，IN为N维的单位矩阵。
2.根据权利要求1所述的基于自适应EKF的仿生偏振传感器多源误差标定方法，其特征在于：所述Rk采用等加权递推估计方法构造，等加权递推算法的特征是加权系数相等；具体如下：
3.根据权利要求1所述的基于自适应EKF的仿生偏振传感器多源误差标定方法，其特征在于：所述Rk采用指数渐消记忆加权平均方法，具体如下：
4.根规定据权利要求3所述的基于自适应EKF的仿生偏振传感器多源误差标定方法，其特征在于：所述b＝0.9～0.999。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811421555.8A CN109556633B (zh) | 2018-11-26 | 2018-11-26 | 一种基于自适应ekf的仿生偏振传感器多源误差标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811421555.8A CN109556633B (zh) | 2018-11-26 | 2018-11-26 | 一种基于自适应ekf的仿生偏振传感器多源误差标定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109556633A CN109556633A (zh) | 2019-04-02 |
| CN109556633B true CN109556633B (zh) | 2020-11-20 |
Family
ID=65867394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811421555.8A Active CN109556633B (zh) | 2018-11-26 | 2018-11-26 | 一种基于自适应ekf的仿生偏振传感器多源误差标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109556633B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021931B (zh) * | 2019-04-28 | 2020-07-14 | 河海大学 | 一种计及模型不确定性的电力系统辅助预测状态估计方法 |
| CN110779514B (zh) * | 2019-10-28 | 2021-04-06 | 北京信息科技大学 | 面向仿生偏振导航辅助定姿的分级卡尔曼融合方法及装置 |
| CN111486802B (zh) * | 2020-04-07 | 2021-04-06 | 东南大学 | 基于自适应距离加权的旋转轴标定方法 |
| CN111623771B (zh) * | 2020-06-08 | 2022-05-06 | 青岛智融领航科技有限公司 | 一种基于光强的偏振惯导紧组合导航方法 |
| CN111882616B (zh) * | 2020-09-28 | 2021-06-18 | 李斯特技术中心（上海）有限公司 | 校正目标检测结果的方法及装置、系统、电子设备、存储介质 |
| CN113834487B (zh) * | 2021-11-23 | 2022-03-11 | 北京航空航天大学 | 一种偏振传感器光强谐波干扰估计及补偿方法 |
| CN115014321B (zh) * | 2022-05-23 | 2024-03-19 | 北京航空航天大学杭州创新研究院 | 一种基于自适应鲁棒滤波的仿生偏振多源融合定向方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728106A (zh) * | 2017-09-30 | 2018-02-23 | 中国人民解放军国防科技大学 | 一种微阵列式偏振光罗盘的定向方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5080487A (en) * | 1986-11-06 | 1992-01-14 | Litton Systems, Inc. | Ring laser gyroscope with geometrically induced bias |
| CN102538783A (zh) * | 2012-02-14 | 2012-07-04 | 北京大学 | 基于遥感天空偏振模式图的仿生导航方法及导航定位系统 |
| CN106767900B (zh) * | 2016-11-23 | 2020-01-03 | 东南大学 | 一种基于组合导航技术的船用光纤捷联惯导系统的在线标定方法 |
| CN108375381B (zh) * | 2018-02-08 | 2021-12-21 | 北方工业大学 | 一种基于扩展卡尔曼滤波的仿生偏振传感器多源误差标定方法 |
| CN108388720B (zh) * | 2018-02-08 | 2021-11-30 | 北方工业大学 | 基于无迹卡尔曼滤波的仿生偏振传感器多源误差标定方法 |
-
2018
- 2018-11-26 CN CN201811421555.8A patent/CN109556633B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728106A (zh) * | 2017-09-30 | 2018-02-23 | 中国人民解放军国防科技大学 | 一种微阵列式偏振光罗盘的定向方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109556633A (zh) | 2019-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109556633B (zh) | 一种基于自适应ekf的仿生偏振传感器多源误差标定方法 | |
| CN107449444B (zh) | 一种多星图姿态关联的星敏感器内参数标定方法 | |
| 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 | |
| CN108375381B (zh) | 一种基于扩展卡尔曼滤波的仿生偏振传感器多源误差标定方法 | |
| JP6297768B2 (ja) | Ｇｎｓｓデバイスにおける衛星信号マルチパス緩和 | |
| CN110807809A (zh) | 基于点线特征和深度滤波器的轻量级单目视觉定位方法 | |
| CN110046368B (zh) | 一种基于自适应ukf的仿生偏振传感器多源误差标定方法 | |
| CN111750865B (zh) | 一种用于双功能深海无人潜器导航系统的自适应滤波导航方法 | |
| CN108871324A (zh) | 一种水下无源组合导航系统衰减自适应信息融合方法 | |
| CN111238485B (zh) | 一种基于导航敏感器拍摄火星图像的系统误差自补偿方法 | |
| CN114459506B (zh) | 在线标定全球导航卫星系统接收机与视觉惯性里程计之间外参的方法及系统 | |
| CN115170940A (zh) | 一种基于广义最大相关熵卡尔曼滤波的uuv目标跟踪方法 | |
| Ahsan et al. | Information extraction of bionic camera-based polarization navigation patterns under noisy weather conditions | |
| CN117308926B (zh) | 一种基于太阳敏感器和偏振传感器的太阳矢量寻优方法 | |
| Boley et al. | Robot localization from landmarks using recursive total least squares | |
| CN112444245B (zh) | 一种基于偏振光、光流矢量、双目视觉传感器的仿昆虫视觉组合导航方法 | |
| FR3088784A1 (fr) | Procede et dispositif pour conserver le pointage d'une antenne avec un satellite | |
| CN115014321B (zh) | 一种基于自适应鲁棒滤波的仿生偏振多源融合定向方法 | |
| Fan et al. | Bionic polarized skylight orientation method based on the model consistency of polarization patterns in cloudy weather | |
| CN115930937A (zh) | 一种多传感器的同时定位和建图方法、终端及存储介质 | |
| EP3658852A1 (fr) | Determination de cap a partir du champ mesure par des capteurs magnetiques | |
| CN114894222A (zh) | Imu-gnss天线的外参数标定方法和相关方法、设备 | |
| CN114025320A (zh) | 一种基于5g信号的室内定位方法 | |
| US10996059B2 (en) | Method for estimating the movement of an object moving in an environment and a magnetic field | |
| CN117433564B (zh) | 一种基于太阳敏感器辅助的偏振传感器误差在线标定方法 |
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 |