CN109813299A - 一种基于交互多模型的组合导航信息融合方法 - Google Patents
一种基于交互多模型的组合导航信息融合方法 Download PDFInfo
- Publication number
- CN109813299A CN109813299A CN201910166704.9A CN201910166704A CN109813299A CN 109813299 A CN109813299 A CN 109813299A CN 201910166704 A CN201910166704 A CN 201910166704A CN 109813299 A CN109813299 A CN 109813299A
- Authority
- CN
- China
- Prior art keywords
- model
- subsystem
- state estimation
- update
- state
- 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
Landscapes
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于交互多模型的组合导航信息融合方法。该方法为：首先选取GPS量测子系统用于算法量测更新；然后选取具有最小故障检测值的量测子系统量测向量进行交互多模型更新，计算子系统模型权系数，同时计算等效系统建模噪声统计特性，构成等效系统模型；进行滤波子系统量测更新，计算各滤波子系统的状态估计；接着采用双状态传播卡方故障检验方法，对量测子系统进行故障检测，计算联邦滤波权重；结合各滤波子系统的状态估计和联邦滤波权重，计算系统全局状态估计和对应的估计误差协方差矩阵；最后将全局状态估计反馈作为初值进行下一次迭代。本发明能够对导航量测信息进行有效的选取，减小了多传感器信息融合产生的导航误差。
Description
技术领域
本发明涉及组合导航和多传感器信息融合技术领域，特别是一种基于交互多模型的组合导航多传感器数据融合方法。
背景技术
导航系统的发展过程，从最原始的单一导航系统，发展为应用较为广泛的INS/GPS组合导航系统，到现在以INS/GNSS为主、其他导航系统辅助的多传感器组合导航系统，研究目标也从单一地提高导航系统精度，发展为以导航系统精度、可靠性和自主性全面提升为目标的新一代自主容错高可靠组合导航系统。
导航系统测量并解算出运载体的瞬时运动状态和位置，提供给驾驶员或自动驾驶仪实现对运载体的正确操纵或控制。随着科学技术的发展，可利用的导航信息资源越来越多，导航系统的种类也越来越多。以航空导航为例，可供装备的机载导航系统有惯性导航系统、GPS导航系统、多普勒导航系统、罗兰C导航系统等，这些导航系统各有特色，优缺点并存。比如，惯性导航系统的优点是：不需要任何外来信息也不向外辐射任何信息，可在任何介质和任何环境条件下实现导航，且能输出飞机的位置、速度、方位和姿态等多种导航参数，系统的频带宽，能跟踪运载体的任何机动运动，导航输出数据平稳，短期稳定性好，但惯性导航系统具有固有的缺点：导航精度随时间而发散，即长期稳定性差。GPS导航系统导航精度高，在美国国防部加入SA(SelectiveAvaila bility)误差后，使用C/A码信号的水平和垂直定位精度仍分别可达100m和157m，且不随时间发散，这种高精度和长期稳定性是惯性导航系统望尘莫及的，但GPS导航系统也有其致命弱点：频带窄，当运载体作较高机动运动时，接收机的码环和载波环极易失锁而丢失信号，从而完全丧失导航能力；完全依赖于GPS卫星发射的导航信息，受制于他人，且易受人为干扰和电子欺骗。其余导航系统也有各自的优缺点。
各种导航系统单独使用时是很难满足导航性能要求的，提高导航系统整体性能的有效途径是采用组合导航技术，即用两种或两种以上的非相似导航系统对同一导航信息作测量并解算以形成量测量，从这些量测量中计算出各导航系统的误差并进行校正。采用组合导航技术的系统称组合导航系统，参与组合的各导航系统称子系统。但是，组合导航系统本质上是一种多传感器数据融合系统，随着传感器数量的增加，能有效提高组合导航系统的性能，然而随着传感器数量增加，也会产生难以选取有效量测信息更新模型权系数的问题，由此导致的误差信息会使导航精度下降。
发明内容
本发明的目的在于提供一种能够选取多传感器有效量测信息、减小多传感器信息融合误差的BDS/CNS/GPS/SINS组合导航多传感器信息融合方法。
实现本发明目的的技术解决方案为：一种基于交互多模型的组合导航多传感器数据融合方法，包括以下步骤：
步骤1、系统初始化，初始时刻默认选取GPS量测子系统用于算法量测更新；
步骤2、进行交互多模型预测；
步骤3、进行交互多模型更新，计算子系统模型权系数，同时计算等效系统建模噪声统计特性，与确定的系统模型构成等效系统模型；
步骤4、进行滤波子系统量测更新，计算各滤波子系统的状态估计；
步骤5、使用双状态传播卡方故障检验方法，对量测子系统进行故障检测；
步骤6、利用得到的故障检测值，计算联邦滤波权重；
步骤7、结合各滤波子系统的状态估计和联邦滤波权重，计算系统全局状态估计和对应的估计误差协方差矩阵；
步骤8、反馈校正，将全局状态估计反馈作为初值进行下一次迭代；重复迭代，直至系统结束。
进一步地，步骤2所述的进行交互多模型预测，具体如下：
步骤2.1、交互/混合：建立初始混合状态估计和初始混合状态估计误差协方差矩阵；
步骤2.2、卡尔曼预测：计算一步预测状态估计和相应的状态估计误差协方差矩阵。
进一步地，步骤3所述的进行交互多模型更新，计算子系统模型权系数，同时计算等效系统建模噪声统计特性，与确定的系统模型构成等效系统模型，具体如下：
步骤3.1、卡尔曼更新：将交互多模型预测输出的预测状态估计和相应的状态估计误差协方差矩阵利用扩展卡尔曼滤波算法进行量测更新，得到相应的子系统模型状态估计和相应的状态估计协方差矩阵，再利用公式得到对应子系统模型k时刻在高斯分布假设下的量测似然函数；
步骤3.2、模型权系数更新：利用得到的量测似然函数更新子系统模型权系数；
步骤3.3、将步骤3.1中得到的子系统模型状态估计和相应的状态估计协方差矩阵同步骤3.2中得到的子系统模型权系数进行融合，得到全局系统融合状态估计和对应的状态估计协方差矩阵。
进一步地，步骤4所述的进行滤波子系统量测更新，计算各滤波子系统的状态估计，具体如下：
利用步骤3得到的等效模型，分别与BDS、GPS和CNS构成卡尔曼滤波子系统，计算系统一步预测状态估计，然后计算各滤波子系统量测更新。
进一步地，步骤5所述的使用双状态传播卡方故障检验方法，对量测子系统进行故障检测，具体如下：
步骤5.1、进行SINS解算；
步骤5.2、进行扩展卡尔曼子滤波器量测更新，输出量测更新后的状态估计值，然后与状态递推器输出的检测参考值共同输入状态卡方检测模块进行故障检测；
步骤5.3、切换状态递推器，将状态递推器输出作为检验参考值；
步骤5.4、对SINS进行反馈校正，补偿SINS惯性测量单元误差。
本发明与现有技术相比，其显著优点在于：能够对导航量测信息进行有效的选取，有效地减小了多传感器信息融合产生的误差信息，提高了导航精度。
附图说明
图1是本发明基于交互多模型的组合导航多传感器数据融合方法的结构示意图。
图2是本发明中交互多模型模块的结构示意图。
图3是本发明方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
结合图1、图2、图3，本发明基于交互多模型的组合导航多传感器数据融合方法，具体为基于交互多模型的BDS/CNS/GPS/SINS组合导航多传感器数据融合方法，包括以下步骤：
步骤1、系统初始化，初始时刻默认选取GPS量测子系统用于算法量测更新；
步骤2、进行交互多模型预测，具体如下：
步骤2.1、交互/混合：建立初始混合状态估计和初始混合状态估计误差协方差矩阵；
步骤2.2、卡尔曼预测：计算一步预测状态估计和相应的状态估计误差协方差矩阵。
步骤3、进行交互多模型更新，计算子系统模型权系数，同时计算等效系统建模噪声统计特性，与确定的系统模型构成等效系统模型，具体如下：
步骤3.1、卡尔曼更新：将交互多模型预测输出的预测状态估计和相应的状态估计误差协方差矩阵利用扩展卡尔曼滤波算法进行量测更新，得到相应的子系统模型状态估计和相应的状态估计协方差矩阵，再利用公式得到对应子系统模型k时刻在高斯分布假设下的量测似然函数；
步骤3.2、模型权系数更新：利用得到的量测似然函数更新子系统模型权系数；
步骤3.3、将步骤3.1中得到的子系统模型状态估计和相应的状态估计协方差矩阵同步骤3.2中得到的子系统模型权系数进行融合，得到全局系统融合状态估计和对应的状态估计协方差矩阵。
步骤4、进行滤波子系统量测更新，计算各滤波子系统的状态估计，具体如下：
利用步骤3得到的等效模型，分别与BDS、GPS和CNS构成卡尔曼滤波子系统，计算系统一步预测状态估计，然后计算各滤波子系统量测更新。
步骤5、使用双状态传播卡方故障检验方法，对量测子系统进行故障检测，具体如下：
步骤5.1、进行SINS解算；
步骤5.2、进行扩展卡尔曼子滤波器量测更新，输出量测更新后的状态估计值，然后与状态递推器输出的检测参考值共同输入状态卡方检测模块进行故障检测；
步骤5.3、切换状态递推器，将状态递推器输出作为检验参考值；
步骤5.4、对SINS进行反馈校正，补偿SINS惯性测量单元误差。
步骤6、利用得到的故障检测值，计算联邦滤波权重；
步骤7、结合各滤波子系统的状态估计和联邦滤波权重，计算系统全局状态估计和对应的估计误差协方差矩阵；
步骤8、反馈校正，将全局状态估计反馈作为初值进行下一次迭代；重复迭代，直至系统结束。
实施例1
本发明的基本结构如图1所示，以SINS构建系统模型，惯性测量单元特性选取合适的Q(1)和Q(2)作为本方法的两个子系统模型建模噪声统计特性，分别与确定的系统模型构成系统子模型M(1)和M(2)，独立运行这两个模型，经过交互多模型预测和交互多模型更新两个模块后，得到k时刻子系统模型权系数j＝1,2表示对应的子系统模型序号。等效系统模型中建模噪声统计特性表示为Q(1)和Q(2)的加权平均和，k时刻的加权系数由确定。将等效建模噪声统计特性与确定的系统模型构成等效系统模型分别与BDS、GPS和CNS构成卡尔曼滤波子系统，交替选取两个并行运行状态递推器输出的估计信息，与滤波子系统输出量测更新后的状态估计信息共同输入状态卡方检验模块进行故障检测。
图1中IMM模块的具体结构如图2所示，为解决随着传感器数量的增加，难以选取有效量测信息更新模型权系数的问题，结合故障检测得到的故障检测值qBDS、qGPS和qCNS，k时刻选取具有最小故障检测值ql的量测子系统输入交互多模型更新模块更新子系统模型权系数l＝argminql,l∈{BDS,GPS,CNS}。
结合图3，本发明基于交互多模型的BDS/CNS/GPS/SINS组合导航多传感器数据融合方法，包括以下步骤：
步骤1、系统初始化、系统初始化，k＝1，根据经验选取建模噪声统计特性下限Q(1)和上限Q(2)，初始时刻默认选取GPS量测子系统用于IMM算法量测更新。
步骤2、交互多模型预测
步骤2.1、将子系统模型的状态估计和相应的估计误差协方差矩阵作为输入，进行交互/混合，建立初始混合状态估计和初始混合状态估计误差协方差矩阵；
步骤2.2、进行卡尔曼预测，计算一步预测状态估计和相应的状态估计误差协方差矩阵。
步骤3、交互多模型更新
步骤3.1、将交互多模型预测输出的预测状态估计和对应的状态估计误差协方差矩阵作为输入，并且将量测信息向量也作为输入，进行卡尔曼更新，得到相应的子系统模型状态估计和相应的状态估计协方差矩阵。若k＝1，则选取GPS作为量测子系统用于交互多模型更新；若k＞1，则结合输入的故障检测值qBDS、qGPS和qCNS，选取具有最小故障检测值ql的量测子系统量测向量用于交互多模型更新。然后利用如下公式得到对应子系统模型k时刻在高斯分布假设下的量测似然函数
其中j＝1,2为对应的子系统模型序号，为k时刻对应子系统模型M(j)的量测信息向量，为对应信息向量的协方差矩阵；
步骤3.2、利用得到的似然函数，通过下式更新子系统模型权系数：
其中j＝1,2为对应的子系统模型序号，c为归一化标量因子；
步骤3.3、将步骤3.1中得到的子系统模型状态估计和相应的状态估计协方差矩阵同步骤3.2中得到的子系统模型权系数通过下式融合，得到全局系统状态估计和对应的状态估计协方差矩阵：
其中为子系统模型状态估计，为子系统模型状态估计对应的状态估计协方差矩阵，为子系统模型权系数。
步骤4、滤波子系统量测更新
进行滤波子系统量测更新，利用步骤3得到的等效模型，分别与BDS、GPS和CNS构成卡尔曼滤波子系统，通过下式计算系统一步预测状态估计：
步骤5、双状态传播卡方故障检验
步骤5.1、进行SINS解算；
步骤5.2、进行扩展卡尔曼子滤波器量测更新，输出量测更新后的状态估计值，然后与状态递推器输出的检测参考值共同输入状态卡方检测模块进行故障检测；
步骤5.3、切换状态递推器，将状态递推器输出作为检验参考值；
步骤5.4、对SINS进行反馈校正，补偿SINS惯性测量单元误差。
步骤6、计算联邦滤波权重
利用得到的故障检测值，通过下式计算得到联邦滤波权重。
步骤7、计算系统全局状态估计
结合各滤波子系统量测更新和联邦滤波权重，通过下式得到全局状态估计和对应的估计误差协方差矩阵Pk|k：
步骤8、反馈校正
将全局状态估计反馈给各子系统作为初值进行下一步迭代；重复迭代，直至系统结束。
综上所述，本发明能够对导航量测信息进行有效的选取，有效地减小了多传感器信息融合产生的误差信息，提高了导航精度。
Claims (5)
1.一种基于交互多模型的组合导航多传感器数据融合方法，其特征在于，包括以下步骤：
步骤1、系统初始化，初始时刻默认选取GPS量测子系统用于算法量测更新；
步骤2、进行交互多模型预测；
步骤3、进行交互多模型更新，计算子系统模型权系数，同时计算等效系统建模噪声统计特性，与确定的系统模型构成等效系统模型；
步骤4、进行滤波子系统量测更新，计算各滤波子系统的状态估计；
步骤5、使用双状态传播卡方故障检验方法，对量测子系统进行故障检测；
步骤6、利用得到的故障检测值，计算联邦滤波权重；
步骤7、结合各滤波子系统的状态估计和联邦滤波权重，计算系统全局状态估计和对应的估计误差协方差矩阵；
步骤8、反馈校正，将全局状态估计反馈作为初值进行下一次迭代；重复迭代，直至系统结束。
2.根据权利要求1所述的基于交互多模型的组合导航多传感器数据融合方法，其特征在于，步骤2所述的进行交互多模型预测，具体如下：
步骤2.1、交互/混合：建立初始混合状态估计和初始混合状态估计误差协方差矩阵；
步骤2.2、卡尔曼预测：计算一步预测状态估计和相应的状态估计误差协方差矩阵。
3.根据权利要求1所述的基于交互多模型的组合导航多传感器数据融合方法，其特征在于，步骤3所述的进行交互多模型更新，计算子系统模型权系数，同时计算等效系统建模噪声统计特性，与确定的系统模型构成等效系统模型，具体如下：
步骤3.1、卡尔曼更新：将交互多模型预测输出的预测状态估计和相应的状态估计误差协方差矩阵利用扩展卡尔曼滤波算法进行量测更新，得到相应的子系统模型状态估计和相应的状态估计协方差矩阵，再利用公式得到对应子系统模型k时刻在高斯分布假设下的量测似然函数；
步骤3.2、模型权系数更新：利用得到的量测似然函数更新子系统模型权系数；
步骤3.3、将步骤3.1中得到的子系统模型状态估计和相应的状态估计协方差矩阵同步骤3.2中得到的子系统模型权系数进行融合，得到全局系统融合状态估计和对应的状态估计协方差矩阵。
4.根据权利要求1所述的基于交互多模型的组合导航多传感器数据融合方法，其特征在于，步骤4所述的进行滤波子系统量测更新，计算各滤波子系统的状态估计，具体如下：
利用步骤3得到的等效模型，分别与BDS、GPS和CNS构成卡尔曼滤波子系统，计算系统一步预测状态估计，然后计算各滤波子系统量测更新。
5.根据权利要求1所述的基于交互多模型的组合导航多传感器数据融合方法，其特征在于，步骤5所述的使用双状态传播卡方故障检验方法，对量测子系统进行故障检测，具体如下：
步骤5.1、进行SINS解算；
步骤5.2、进行扩展卡尔曼子滤波器量测更新，输出量测更新后的状态估计值，然后与状态递推器输出的检测参考值共同输入状态卡方检测模块进行故障检测；
步骤5.3、切换状态递推器，将状态递推器输出作为检验参考值；
步骤5.4、对SINS进行反馈校正，补偿SINS惯性测量单元误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910166704.9A CN109813299A (zh) | 2019-03-06 | 2019-03-06 | 一种基于交互多模型的组合导航信息融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910166704.9A CN109813299A (zh) | 2019-03-06 | 2019-03-06 | 一种基于交互多模型的组合导航信息融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109813299A true CN109813299A (zh) | 2019-05-28 |
Family
ID=66608248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910166704.9A Pending CN109813299A (zh) | 2019-03-06 | 2019-03-06 | 一种基于交互多模型的组合导航信息融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109813299A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110501732A (zh) * | 2019-07-24 | 2019-11-26 | 北京航空航天大学 | 一种多卫星分布式导航滤波计算方法 |
| CN110514209A (zh) * | 2019-08-27 | 2019-11-29 | 东南大学 | 一种交互式多模型组合导航方法 |
| CN111121770A (zh) * | 2019-12-31 | 2020-05-08 | 西北工业大学 | 一种交互式多弹多模型航迹融合方法 |
| CN111624626A (zh) * | 2020-04-29 | 2020-09-04 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 卫星导航系统欺骗干扰信号抑制方法 |
| CN111829508A (zh) * | 2020-07-24 | 2020-10-27 | 中国人民解放军火箭军工程大学 | 一种基于新息的容错联邦滤波方法及系统 |
| CN113432604A (zh) * | 2021-06-29 | 2021-09-24 | 广东工业大学 | 一种能够灵敏检测故障的imu/gps组合导航方法 |
| CN114608589A (zh) * | 2022-03-04 | 2022-06-10 | 西安邮电大学 | 一种多传感器信息融合方法及系统 |
| CN115407757A (zh) * | 2022-09-01 | 2022-11-29 | 南京理工大学 | 基于数字孪生的多驱动器系统的异构传感器双模态容错控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769743A (zh) * | 2010-01-04 | 2010-07-07 | 北京航空航天大学 | 一种适用于微惯性与全球定位组合导航系统的分布式滤波装置 |
| CN107883965A (zh) * | 2017-04-24 | 2018-04-06 | 长春工业大学 | 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法 |
| CN108534783A (zh) * | 2018-05-11 | 2018-09-14 | 安徽尼古拉电子科技有限公司 | 一种基于北斗导航技术的飞行器导航方法 |
| CN109373999A (zh) * | 2018-10-23 | 2019-02-22 | 哈尔滨工程大学 | 基于故障容错卡尔曼滤波的组合导航方法 |
-
2019
- 2019-03-06 CN CN201910166704.9A patent/CN109813299A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769743A (zh) * | 2010-01-04 | 2010-07-07 | 北京航空航天大学 | 一种适用于微惯性与全球定位组合导航系统的分布式滤波装置 |
| CN107883965A (zh) * | 2017-04-24 | 2018-04-06 | 长春工业大学 | 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法 |
| CN108534783A (zh) * | 2018-05-11 | 2018-09-14 | 安徽尼古拉电子科技有限公司 | 一种基于北斗导航技术的飞行器导航方法 |
| CN109373999A (zh) * | 2018-10-23 | 2019-02-22 | 哈尔滨工程大学 | 基于故障容错卡尔曼滤波的组合导航方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘睿等: "自适应交互多模型滤波在INS/CNS组合导航中的应用", 《红外与激光工程》 * |
| 张闯等: "改进新息自适应交互多模的GPS/SINS组合导航滤波算法", 《空军工程大学学报(自然科学版)》 * |
| 杨春等: "采用卡方检验的模糊自适应无迹卡尔曼滤波组合导航算法", 《控制与决策》 * |
| 杨春等: "采用双状态传播卡方检验和模糊自适应滤波的容错组合导航算法", 《控制理论与应用》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110501732A (zh) * | 2019-07-24 | 2019-11-26 | 北京航空航天大学 | 一种多卫星分布式导航滤波计算方法 |
| CN110501732B (zh) * | 2019-07-24 | 2021-09-24 | 北京航空航天大学 | 一种多卫星分布式导航滤波计算方法 |
| CN110514209B (zh) * | 2019-08-27 | 2021-05-11 | 东南大学 | 一种交互式多模型组合导航方法 |
| CN110514209A (zh) * | 2019-08-27 | 2019-11-29 | 东南大学 | 一种交互式多模型组合导航方法 |
| CN111121770A (zh) * | 2019-12-31 | 2020-05-08 | 西北工业大学 | 一种交互式多弹多模型航迹融合方法 |
| CN111624626A (zh) * | 2020-04-29 | 2020-09-04 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 卫星导航系统欺骗干扰信号抑制方法 |
| CN111624626B (zh) * | 2020-04-29 | 2022-06-14 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 卫星导航系统欺骗干扰信号抑制方法 |
| CN111829508A (zh) * | 2020-07-24 | 2020-10-27 | 中国人民解放军火箭军工程大学 | 一种基于新息的容错联邦滤波方法及系统 |
| CN111829508B (zh) * | 2020-07-24 | 2022-02-08 | 中国人民解放军火箭军工程大学 | 一种基于新息的容错联邦滤波方法及系统 |
| CN113432604A (zh) * | 2021-06-29 | 2021-09-24 | 广东工业大学 | 一种能够灵敏检测故障的imu/gps组合导航方法 |
| CN113432604B (zh) * | 2021-06-29 | 2023-05-19 | 广东工业大学 | 一种能够灵敏检测故障的imu/gps组合导航方法 |
| CN114608589A (zh) * | 2022-03-04 | 2022-06-10 | 西安邮电大学 | 一种多传感器信息融合方法及系统 |
| CN114608589B (zh) * | 2022-03-04 | 2024-06-25 | 西安邮电大学 | 一种多传感器信息融合方法及系统 |
| CN115407757A (zh) * | 2022-09-01 | 2022-11-29 | 南京理工大学 | 基于数字孪生的多驱动器系统的异构传感器双模态容错控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109813299A (zh) | 一种基于交互多模型的组合导航信息融合方法 | |
| CN109373999B (zh) | 基于故障容错卡尔曼滤波的组合导航方法 | |
| CN110823217B (zh) | 一种基于自适应联邦强跟踪滤波的组合导航容错方法 | |
| CN110823215B (zh) | 一种无人机相对导航信息融合方法 | |
| Li et al. | A novel hybrid fusion algorithm for low-cost GPS/INS integrated navigation system during GPS outages | |
| EP2972475B1 (en) | Iterative kalman filtering | |
| CN109407126A (zh) | 一种多模接收机联合定位解算的方法 | |
| CN106979781A (zh) | 基于分布式惯性网络的高精度传递对准方法 | |
| Allerton et al. | A review of multisensor fusion methodologies for aircraft navigation systems | |
| CN112525188B (zh) | 一种基于联邦滤波的组合导航方法 | |
| CN116182873B (zh) | 室内定位方法、系统及计算机可读介质 | |
| Mostafa et al. | GPS/DVL/MEMS‐INS smartphone sensors integrated method to enhance USV navigation system based on adaptive DSFCF | |
| Li et al. | Novel hybrid algorithm of improved CKF and GRU for GPS/INS | |
| CN113175931A (zh) | 基于约束卡尔曼滤波的集群组网协同导航方法及系统 | |
| Lee et al. | Optimal combination of fault detection and isolation methods of integrated navigation algorithm for UAV | |
| Givens et al. | A survey of inertial sensor fusion: Applications in suas navigation and data collection | |
| CN109375248A (zh) | 一种卡尔曼多模融合定位算法模型及其串行更新的方法 | |
| CN111708008B (zh) | 一种基于imu和tof的水下机器人单信标导航方法 | |
| CN112697154A (zh) | 一种基于矢量分配的自适应多源融合导航方法 | |
| CN108981689B (zh) | 基于dsp tms320c6748的uwb/ins组合导航系统 | |
| CN108828644B (zh) | Gnss/mems紧组合导航系统中动态突变识别方法 | |
| 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 | |
| CN106885567A (zh) | 一种惯导协作定位方法及定位设备 | |
| CN116222541A (zh) | 利用因子图的智能多源组合导航方法及装置 | |
| US11821733B2 (en) | Terrain referenced navigation system with generic terrain sensors for correcting an inertial navigation solution |
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 |
Application publication date: 20190528 |
|
| RJ01 | Rejection of invention patent application after publication |