CN110146108A - 一种用于无人机蜂群协同导航的故障在线评估方法 - Google Patents
一种用于无人机蜂群协同导航的故障在线评估方法 Download PDFInfo
- Publication number
- CN110146108A CN110146108A CN201910387753.5A CN201910387753A CN110146108A CN 110146108 A CN110146108 A CN 110146108A CN 201910387753 A CN201910387753 A CN 201910387753A CN 110146108 A CN110146108 A CN 110146108A
- Authority
- CN
- China
- Prior art keywords
- opposite
- unmanned plane
- value
- bee colony
- measurement
- 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.)
- Granted
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公布了一种用于无人机蜂群协同导航的故障在线评估方法,该方法通过对协同导航中与其它成员之间相对量测新息的多时间序列进行逆向外推进行故障判别,并利用累积有效外推历元数和累积逆向外推的检验统计量综合构建故障评估值。本发明综合考虑故障量级和紧急程度的协同导航故障在线评估方法,将能够有效地实现协同导航过程中故障影响程度的准确在线评估,为无人机蜂群协同导航系统实现容错重构提供准确依据。
Description
技术领域
本发明属于导航技术领域,具体涉及一种用于无人机蜂群协同导航的故障在线评估方法。
背景技术
无人机蜂群是国内外近年来提出的新概念,即多架无人机为适应任务要求而进行的三维空间排列和任务分配的组织模式,它既包括编队飞行的队形产生、保持和重组,也包括飞行任务的组织,可以根据外部情况和任务需求进行动态调整。
相对松散型无人机集群而言,无人机蜂群中的协同导航信息更为丰富,各无人机之间的合作式协同信息以及无人机同地面站之间的相对导航信息来源更为复杂,为提高无人机蜂群飞行的生存能力,还必须研究在编队无人机导航系统严重故障条件下,如何充分利用编队多级信息实现无人机编队协同容错导航。传统的多无人机编队故障诊断手段主要基于感知的外部信息构建简易的故障识别模型,这在未知飞行环境与模糊干扰条件下容易造成诊断失效或者错误诊断的现象,同时单纯依靠新息幅值而对故障紧急程度未予以考虑,无法有效评估故障隔离的优先级顺序。
因此,针对无人机蜂群协同导航对导航信息源可靠性的新需求,研究综合考虑故障量级和紧急程度的协同导航故障在线评估方法,将能够有效地实现协同导航过程中故障影响程度的准确在线评估,为无人机蜂群发挥优势实现容错重构提供有力支持。
发明内容
发明目的:本发明提供一种用于无人机蜂群协同导航的在线故障评估方法,为有效容错重构提供准确依据,可推广到载体协同导航应用,不受载体的限制。
技术方案:本发明所述的一种用于无人机蜂群协同导航的在线故障评估方法,包括以下步骤:
(1)设置故障检测门限Tr;设定时间序列逆向最大外推历元数M;令当前时刻k=1;设无人机蜂群中的成员数量为n,对其成员进行编号并表示为1,2,…n;
(2)无人机蜂群第i个,i∈{1,2,…n},成员利用相对测量传感器,获得与其它成员之间的相对测量新息及其协方差并存储为时间序列;
(3)无人机蜂群第i个(i∈{1,2,…n})成员对k时刻进行与其它成员之间的相对量测值进行故障分析;
(4)根据步骤(3)获得的故障评估值进行综合容错处理;
(5)利用步骤(4)获得的第i个成员导航误差状态量进行误差修正,并判断是否导航结束,若是则结束评估,否则令k=k+1并返回步骤(2)。
所述步骤(2)包括以下步骤:
(21)令j=1;
(22)判断是否j=i,若是执行步骤(28),否则继续执行步骤(23);
(23)判断是否可与第j个成员之间进行相对量测,若是则继续执行步骤(24),否则转入步骤(29);
(24)测量与第j个成员之间的相对量测值
(25)利用步骤(24)获得的与第j个成员之间的相对量测值计算与第j个成员相对量测新息
式中,Hk为与第j个成员之间的相对观测矩阵,为导航误差状态量;
(26)计算与第j个成员相对量测新息协方差
式中,Pk/k-1为导航误差状态量协方差矩阵,为与第j个成员之间相对量测噪声的协方差阵;
(29)存储步骤(25)获得的与第j个成员相对量测新息和步骤(26)获得的与第j个成员相对量测新息协方差
(30)判断是否j<n,若是则令j=j+1,返回步骤(22),否则继续执行步骤(3)。
所述步骤(3)包括以下步骤:
(31)令j=1;
(32)判断是否j=i,若是执行步骤(311),否则继续执行步骤(33);
(33)令累积逆向外推历元数初值m=1,累积逆向外推协方差参量初值累积逆向外推新息参量初值令累积有效外推历元数初值u=0;
(34)判断是否k-m+1时刻与第j个成员相对量测新息及其协方差已存储到时间序列中,若是则继续执行步骤(35),否则执行步骤(39);
(35)利用步骤(2)获得的k-m+1时刻与第j个成员相对量测新息协方差对累积逆向外推协方差参量进行第m步外推,其表达式为:
(36)利用步骤(2)获得的k-m+1时刻与第j个成员相对量测新息对累积逆向外推新息参量进行第m步外推,其表达式为:
(37)利用步骤(35)获得的累积逆向外推协方差参量第m步外推值和步骤(36)获得的累积逆向外推新息参量进行第m步外推值计算第m步时间序列逆向外推的检验统计量,其表达式为:
u=u+1;
(38)根据步骤(36)获得的第m步时间序列逆向外推的检验统计量进行故障判定,判断是否,若是则转入步骤(310),否则继续执行步骤(39);
(39)判断是否u<M,若是则令m=m+1并返回步骤(34),否则继续执行步骤(310);
(310)计算k时刻与第j个成员相对量测值的故障评估值,其表达式为;
(311)判断是否j<n,若是则令j=j+1并返回步骤(32),否则执行步骤(4)。
所述步骤(4)包括以下步骤:
(41)对无人机蜂群间不同成员对同一相对量测量的故障评估值进行综合计算,其表达式为:
其中,为k时刻与第i个成员根据步骤(3)获得的与第j个成员相对量测值的故障评估值;为k时刻与第j个成员根据步骤(3)获得的与第i个成员相对量测值的故障评估值;与分别为k时刻第i个成员及第j个成员导航误差状态量协方差矩阵;
(42)对各成员对与可获得的相对量测量进行筛选,需筛选的相对量测值数量为:
cp=4-rk
其中,rk为第i个成员导航系统组合导航量测矩阵的秩;
(43)无人机蜂群各成员根据步骤(42)获得的需筛选量测值数量,对步骤(41)获得的故障评估综合计算值进行排序,选取最大的故障评估综合计算值对应的成员编号,分别记录为mx(1),mx(2),…,mx(cp);
(44)无人机蜂群各成员根据步骤(43)选取的相对量测量,加入组合导航方程进行组合滤波,其表达式为:
其中,ci=1,2,…,cp,为第i个成员导航误差状态量,为第i个成员导航误差状态量协方差矩阵。
有益效果:与现有技术相比,本发明的有益效果:1、通过多时间序列逆向外推进行故障判别,可以及时准确识别发生故障的相对量测值;2、通过累积有效外推历元数和累积逆向外推的检验统计量综合构建故障评估值,兼顾故障量级和紧急程度的综合影响,可为有效容错重构提供准确依据;3、本发明适用性广,可推广到载体协同导航应用,不受载体的限制。
附图说明
图1为本发明的流程图;
图2为无人机蜂群中成员1与成员2的相对量测故障检测曲线图;
图3为无人机蜂群中成员1与成员3的相对量测故障检测曲线图;
图4为无人机蜂群中成员1与成员4的相对量测故障检测曲线图;
图5为无人机蜂群中成员1与成员5的相对量测故障检测曲线图;
图6为无人机蜂群中成员1与成员6的相对量测故障检测曲线图;
图7为容错前后成员1经度误差曲线图;
图8为容错前后成员1纬度误差曲线图;
图9为容错前后成员1高度误差曲线图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供用于无人机蜂群协同导航的故障在线评估方法,通过成员之间相对量测新息的多时间序列进行逆向外推进行故障评估,是为无人机蜂群协同导航的容错重构提供有效依据的新方法,用于提高导航系统的容错性和定位精度,如图1所示,本发明包括以下步骤:
1、设置故障检测门限Tr;设定时间序列逆向最大外推历元数M;令当前时刻k=1;设无人机蜂群中的成员数量为n,对其成员进行编号并表示为1,2,…n。
2、无人机蜂群第i个(i∈{1,2,…n})成员利用相对测量传感器,获得与其它成员之间的相对测量新息及其协方差并存储为时间序列。
(21)令j=1;
(22)判断是否j=i,若是执行步骤(28),否则继续执行步骤(23);
(23)判断是否可与第j个成员之间进行相对量测,若是则继续执行步骤(24),否则转入步骤(29);
(24)测量与第j个成员之间的相对量测值
(25)利用步骤(24)获得的与第j个成员之间的相对量测值计算与第j个成员相对量测新息
式中,Hk为与第j个成员之间的相对观测矩阵,为导航误差状态量;
(26)计算与第j个成员相对量测新息协方差
式中,Pk/k-1为导航误差状态量协方差矩阵,为与第j个成员之间相对量测噪声的协方差阵;
(31)存储步骤(25)获得的与第j个成员相对量测新息和步骤(26)获得的与第j个成员相对量测新息协方差
(210)判断是否j<n,若是则令j=j+1,返回步骤(22),否则继续执行步骤(3)。
3、无人机蜂群第i个(i∈{1,2,…n})成员对k时刻进行与其它成员之间的相对量测值进行故障分析。
(31)令j=1;
(32)判断是否j=i,若是执行步骤(311),否则继续执行步骤(33);
(33)令累积逆向外推历元数初值m=1,累积逆向外推协方差参量初值累积逆向外推新息参量初值令累积有效外推历元数初值u=0;
(34)判断是否k-m+1时刻与第j个成员相对量测新息及其协方差已存储到时间序列中,若是则继续执行步骤(35),否则执行步骤(39);
(35)利用步骤2获得的k-m+1时刻与第j个成员相对量测新息协方差对累积逆向外推协方差参量进行第m步外推,其表达式为:
(36)利用步骤2获得的k-m+1时刻与第j个成员相对量测新息对累积逆向外推新息参量进行第m步外推,其表达式为:
(37)利用步骤(35)获得的累积逆向外推协方差参量第m步外推值和步骤(36)获得的累积逆向外推新息参量进行第m步外推值计算第m步时间序列逆向外推的检验统计量,其表达式为:
u=u+1;
(38)根据步骤(36)获得的第m步时间序列逆向外推的检验统计量进行故障判定,判断是否,若是则转入步骤(310),否则继续执行步骤(39);
(39)判断是否u<M,若是则令m=m+1并返回步骤(34),否则继续执行步骤(310);
(310)计算k时刻与第j个成员相对量测值的故障评估值,其表达式为;
(311)判断是否j<n,若是则令j=j+1并返回步骤(32),否则执行步骤4。
4、根据步骤3获得的故障评估值进行综合容错处理。
(41)对无人机蜂群间不同成员对同一相对量测量的故障评估值进行综合计算,其表达式为:
其中,为k时刻与第i个成员根据步骤3获得的与第j个成员相对量测值的故障评估值;为k时刻与第j个成员根据步骤3获得的与第i个成员相对量测值的故障评估值;与分别为k时刻第i个成员及第j个成员导航误差状态量协方差矩阵;
(42)对各成员对与可获得的相对量测量进行筛选,需筛选的相对量测值数量为:
cp=4-rk
其中,rk为第i个成员导航系统组合导航量测矩阵的秩;
(43)无人机蜂群各成员根据步骤(42)获得的需筛选量测值数量,对步骤(41)获得的故障评估综合计算值进行排序,选取最大的故障评估综合计算值对应的成员编号,分别记录为mx(1),mx(2),…,mx(cp);
(44)无人机蜂群各成员根据步骤(43)选取的相对量测量,加入组合导航方程进行组合滤波,其表达式为:
其中,ci=1,2,…,cp,为第i个成员导航误差状态量,为第i个成员导航误差状态量协方差矩阵。
5、利用步骤4获得的第i个成员导航误差状态量进行误差修正,并判断是否导航结束,若是则结束评估,否则令k=k+1并返回步骤2。
为了验证发明所提出的一种用于无人机蜂群协同导航的故障在线评估方法的性能,分别对未采用本发明方法的协同导航和采用本发明的协同导航进行了对比。仿真中以6架无人机编队组成的无人机蜂群为例,分别于600-700s在成员1与成员2的相对量测值,以及1000-1100s在成员1与成员3的相对量测值中加入缓变故障。图2至图6为无人机蜂群中成员1相对其它成员(即成员2~成员6)的相对量测故障检测曲线,容错前后成员1位置误差对比如图7至图9所示。
通过图2至图6的仿真结果可以看出,本发明能够对无人机蜂群成员之间相对量测值的故障进行有效评估。同时根据图7至图9可以看出,采用本发明方法进行容错处理,能够有效克服对蜂群成员之间相对量测故障的影响,提高导航精度,具有有益的工程应用价值。
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种用于无人机蜂群协同导航的故障在线评估方法,其特征在于,包括以下步骤:
(1)设置故障检测门限Tr;设定时间序列逆向最大外推历元数M;令当前时刻k=1;设无人机蜂群中的成员数量为n,对其成员进行编号并表示为1,2,…n;
(2)无人机蜂群第i个,i∈{1,2,…n},成员利用相对测量传感器,获得与其它成员之间的相对测量新息及其协方差并存储为时间序列;
(3)无人机蜂群第i个(i∈{1,2,…n})成员对k时刻进行与其它成员之间的相对量测值进行故障分析;
(4)根据步骤(3)获得的故障评估值进行综合容错处理;
(5)利用步骤(4)获得的第i个成员导航误差状态量进行误差修正,并判断是否导航结束,若是则结束评估,否则令k=k+1并返回步骤(2)。
2.根据权利要求1所述的一种用于无人机蜂群协同导航的故障在线评估方法,其特征在于,所述步骤(2)包括以下步骤:
(21)令j=1;
(22)判断是否j=i,若是执行步骤(28),否则继续执行步骤(23);
(23)判断是否可与第j个成员之间进行相对量测,若是则继续执行步骤(24),否则转入步骤(29);
(24)测量与第j个成员之间的相对量测值
(25)利用步骤(24)获得的与第j个成员之间的相对量测值计算与第j个成员相对量测新息
式中,Hk为与第j个成员之间的相对观测矩阵,为导航误差状态量;
(26)计算与第j个成员相对量测新息协方差
式中,Pk/k-1为导航误差状态量协方差矩阵,为与第j个成员之间相对量测噪声的协方差阵;
(27)存储步骤(25)获得的与第j个成员相对量测新息和步骤(26)获得的与第j个成员相对量测新息协方差
(28)判断是否j<n,若是则令j=j+1,返回步骤(22),否则继续执行步骤(3)。
3.根据权利要求1所述的一种用于无人机蜂群协同导航的故障在线评估方法,其特征在于,所述步骤(3)包括以下步骤:
(31)令j=1;
(32)判断是否j=i,若是执行步骤(311),否则继续执行步骤(33);
(33)令累积逆向外推历元数初值m=1,累积逆向外推协方差参量初值累积逆向外推新息参量初值令累积有效外推历元数初值u=0;
(34)判断是否k-m+1时刻与第j个成员相对量测新息及其协方差已存储到时间序列中,若是则继续执行步骤(35),否则执行步骤(39);
(35)利用步骤(2)获得的k-m+1时刻与第j个成员相对量测新息协方差对累积逆向外推协方差参量进行第m步外推,其表达式为:
(36)利用步骤(2)获得的k-m+1时刻与第j个成员相对量测新息对累积逆向外推新息参量进行第m步外推,其表达式为:
(37)利用步骤(35)获得的累积逆向外推协方差参量第m步外推值和步骤(36)获得的累积逆向外推新息参量进行第m步外推值计算第m步时间序列逆向外推的检验统计量,其表达式为:
u=u+1;
(38)根据步骤(36)获得的第m步时间序列逆向外推的检验统计量进行故障判定,判断是否,若是则转入步骤(310),否则继续执行步骤(39);
(39)判断是否u<M,若是则令m=m+1并返回步骤(34),否则继续执行步骤(310);
(310)计算k时刻与第j个成员相对量测值的故障评估值,其表达式为;
(311)判断是否j<n,若是则令j=j+1并返回步骤(32),否则执行步骤(4)。
4.根据权利要求1所述的一种用于无人机蜂群协同导航的故障在线评估方法,其特征在于,所述步骤(4)包括以下步骤:
(41)对无人机蜂群间不同成员对同一相对量测量的故障评估值进行综合计算,其表达式为:
其中,为k时刻与第i个成员根据步骤(3)获得的与第j个成员相对量测值的故障评估值;为k时刻与第j个成员根据步骤(3)获得的与第i个成员相对量测值的故障评估值;与分别为k时刻第i个成员及第j个成员导航误差状态量协方差矩阵;
(42)对各成员对与可获得的相对量测量进行筛选,需筛选的相对量测值数量为:
cp=4-rk
其中,rk为第i个成员导航系统组合导航量测矩阵的秩;
(43)无人机蜂群各成员根据步骤(42)获得的需筛选量测值数量,对步骤(41)获得的故障评估综合计算值进行排序,选取最大的故障评估综合计算值对应的成员编号,分别记录为mx(1),mx(2),…,mx(cp);
(44)无人机蜂群各成员根据步骤(43)选取的相对量测量,加入组合导航方程进行组合滤波,其表达式为:
其中,ci=1,2,…,cp,为第i个成员导航误差状态量,为第i个成员导航误差状态量协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910387753.5A CN110146108B (zh) | 2019-05-10 | 2019-05-10 | 一种用于无人机蜂群协同导航的故障在线评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910387753.5A CN110146108B (zh) | 2019-05-10 | 2019-05-10 | 一种用于无人机蜂群协同导航的故障在线评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146108A true CN110146108A (zh) | 2019-08-20 |
CN110146108B CN110146108B (zh) | 2020-11-03 |
Family
ID=67594213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910387753.5A Active CN110146108B (zh) | 2019-05-10 | 2019-05-10 | 一种用于无人机蜂群协同导航的故障在线评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146108B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208544A (zh) * | 2020-03-04 | 2020-05-29 | 南京航空航天大学 | 一种用于无人机蜂群协同导航的完好性保护水平优化方法 |
CN111368971A (zh) * | 2020-02-19 | 2020-07-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群协同降落排序方法及系统 |
CN113051723A (zh) * | 2021-03-12 | 2021-06-29 | 南京航空航天大学 | 一种基于时序网络的蜂群无人机故障传播分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101001458A (zh) * | 2006-06-23 | 2007-07-18 | 北京航空航天大学 | 基于相互测距信息的机群组网定位方法 |
EP3006899A1 (en) * | 2014-10-08 | 2016-04-13 | Honeywell International Inc. | Systems and methods for attitude fault detection based on air data and aircraft control settings |
CN107272742A (zh) * | 2017-08-07 | 2017-10-20 | 深圳市华琥技术有限公司 | 一种无人机群协同作业的导航控制方法 |
CN107918398A (zh) * | 2017-10-23 | 2018-04-17 | 南京航空航天大学 | 一种基于多重优化的集群无人机协同定位方法 |
CN108151737A (zh) * | 2017-12-19 | 2018-06-12 | 南京航空航天大学 | 一种动态互观测关系条件下的无人机蜂群协同导航方法 |
CN108170147A (zh) * | 2017-12-31 | 2018-06-15 | 南京邮电大学 | 一种基于自组织神经网络的无人机任务规划方法 |
CN109238307A (zh) * | 2018-08-30 | 2019-01-18 | 衡阳市衡山科学城科技创新研究院有限公司 | 一种基于多惯组信息辅助的飞行故障检测方法及装置 |
-
2019
- 2019-05-10 CN CN201910387753.5A patent/CN110146108B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101001458A (zh) * | 2006-06-23 | 2007-07-18 | 北京航空航天大学 | 基于相互测距信息的机群组网定位方法 |
EP3006899A1 (en) * | 2014-10-08 | 2016-04-13 | Honeywell International Inc. | Systems and methods for attitude fault detection based on air data and aircraft control settings |
CN107272742A (zh) * | 2017-08-07 | 2017-10-20 | 深圳市华琥技术有限公司 | 一种无人机群协同作业的导航控制方法 |
CN107918398A (zh) * | 2017-10-23 | 2018-04-17 | 南京航空航天大学 | 一种基于多重优化的集群无人机协同定位方法 |
CN108151737A (zh) * | 2017-12-19 | 2018-06-12 | 南京航空航天大学 | 一种动态互观测关系条件下的无人机蜂群协同导航方法 |
CN108170147A (zh) * | 2017-12-31 | 2018-06-15 | 南京邮电大学 | 一种基于自组织神经网络的无人机任务规划方法 |
CN109238307A (zh) * | 2018-08-30 | 2019-01-18 | 衡阳市衡山科学城科技创新研究院有限公司 | 一种基于多惯组信息辅助的飞行故障检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
MAJID KARAMI, LIPING WANG: "Fault detection and diagnosis for nonlinear systems: A new adaptive Gaussian mixture modeling approach", 《ENERGY AND BUILDINGS》 * |
王融等: "基于序贯概率映射的组合导航自适应容错算法", 《控制与决策》 * |
钟丽娜: "惯性/卫星组合导航自适应容错与精度性能增强关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368971A (zh) * | 2020-02-19 | 2020-07-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群协同降落排序方法及系统 |
CN111208544A (zh) * | 2020-03-04 | 2020-05-29 | 南京航空航天大学 | 一种用于无人机蜂群协同导航的完好性保护水平优化方法 |
CN113051723A (zh) * | 2021-03-12 | 2021-06-29 | 南京航空航天大学 | 一种基于时序网络的蜂群无人机故障传播分析方法 |
CN113051723B (zh) * | 2021-03-12 | 2022-02-18 | 南京航空航天大学 | 一种基于时序网络的蜂群无人机故障传播分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110146108B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146108A (zh) | 一种用于无人机蜂群协同导航的故障在线评估方法 | |
Aubinet et al. | Estimates of the annual net carbon and water exchange of forests: the EUROFLUX methodology | |
CN102692429B (zh) | 一种复合材料内部缺陷类型自动识别检测方法 | |
Fisher et al. | Phenology model from surface meteorology does not capture satellite‐based greenup estimations | |
Akay et al. | Using LiDAR technology in forestry activities | |
Ngao et al. | Spatial variability of soil CO2 efflux linked to soil parameters and ecosystem characteristics in a temperate beech forest | |
CN102654407B (zh) | 惯性卫星紧组合导航系统的多故障检测装置及检测方法 | |
Miles et al. | Large amplitude spatial and temporal gradients in atmospheric boundary layer CO2mole fractions detected with a tower‐based network in the US upper Midwest | |
CN107064758A (zh) | 一种干式变压器在线监测装置及监测方法 | |
CN102495919B (zh) | 一种生态系统碳交换影响因素提取方法及系统 | |
CN110426029A (zh) | 用于无人机蜂群协同导航的动态互观测在线建模方法 | |
McHugh et al. | Interactions between nocturnal turbulent flux, storage and advection at an “ideal” eucalypt woodland site | |
Paul et al. | Investigating the influence of roughness length for heat transport (zoh) on the performance of SEBAL in semi-arid irrigated and dryland agricultural systems | |
Kretschmer et al. | Error characterization of CO 2 vertical mixing in the atmospheric transport model WRF-VPRM | |
CN107704992A (zh) | 输电线路雷击风险评估的方法及装置 | |
CN104199051B (zh) | 一种卫星导航raim多星故障检测与识别方法 | |
Gerbig et al. | On observational and modelling strategies targeted at regional carbon exchange over continents | |
CN101403792A (zh) | 动态模糊度确定方法 | |
CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
CN110334404A (zh) | 一种流域尺度骤发干旱精准识别方法 | |
CN107918398B (zh) | 一种基于多重优化的集群无人机协同定位方法 | |
Bettinger et al. | One year's experience with a recreation-grade GPS receiver | |
Anderson et al. | Estimating aboveground biomass and average annual wood biomass increment with airborne leaf-on and leaf-off LiDAR in Great Lakes forest types | |
CN108981616A (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
CN103530288B (zh) | 一种兴趣点分布范围的测试方法和装置 |
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 |