CN110346821A - 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 - Google Patents
一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 Download PDFInfo
- Publication number
- CN110346821A CN110346821A CN201910646015.8A CN201910646015A CN110346821A CN 110346821 A CN110346821 A CN 110346821A CN 201910646015 A CN201910646015 A CN 201910646015A CN 110346821 A CN110346821 A CN 110346821A
- Authority
- CN
- China
- Prior art keywords
- gps
- sins
- predicted value
- losing lock
- time
- 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
- 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
- G01S19/40—Correcting position, velocity or attitude
- G01S19/41—Differential correction, e.g. DGPS [differential GPS]
-
- 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
- G01S19/49—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 whereby the further system is an inertial position system, e.g. loosely-coupled
Abstract
本发明公开解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法及系统,该方法它包括以下步骤:步骤A、构建基于径向函数RBF神经网络,利用RBF神经网络的非线性映射能力及学习推理能力对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的基本分量进行预测,得到量测信息的基本分量预测值;步骤B、构建时间序列模型对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的预测残差(随机分量)进行预测,得到预测残差预测值;步骤C、将步骤A和步骤B得到的基本分量预测值和预测残差预测值运用叠加原理得到最优预测;步骤D、将步骤C得到的最优预测作为GPS失锁期间SINS/GPS卡尔曼滤波器的量测更新信息,修正随时间累积的SINS误差。本发明功能解决GPS长时间失锁产生的测量精度误差问题。
Description
技术领域
本发明涉及一种解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法及系统,属于导航技术领域。
背景技术
SINS/GPS组合导航系统其主要组成部分为捷联惯导系统(Strapdown InertialNavigation System,SINS)和全球卫星定位系统(Global Position System,GPS)。通常采用卡尔曼滤波器对SINS信息和GPS信息进行数据融合处理,GPS具有长期精度稳定的特点,故被用于更新校正SINS的随时间累积误差。当车辆行驶于高楼林立的街道、绿荫道、高速隧道、立交桥时,当飞机做大机动飞行因机翼摇摆而遮挡GPS天线或者进入强电磁干扰区域时,由于GPS接收天线受遮挡或信号受干扰,GPS信号容易丢失(称为GPS失锁),导致SINS的误差无法得到GPS信息校正,并随时间不断累积发散,严重影响SINS/GPS组合导航系统的测量精度。
近年来,国内外对GPS失锁问题的研究大部分集中在神经网络方面,提出了基于各种神经网络对GPS失锁期间的SINS误差进行预测的方法,其研究对象和目标主要是针对低精度SINS在短时间GPS失锁情况下对其的性能改进。这些方法的研究思路主要是在GPS失锁期间,采用各种神经网络完全取代卡尔曼滤波器直接对SINS的误差进行预测。这样的做法会降低高精度惯性器件SINS/GPS组合导航系统的测量精度,尤其是在长时间GPS失锁的情况下。针对上述方法存在的不足,特别在针对在长时间GPS失锁的情况下,建立一种精确的SINS/GPS组合定姿定位方法及系统十分必要。
发明内容
本发明要解决的技术问题是提供一种解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法及系统,可以克服现有技术的不足。
本发明的技术方案是:一种解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法及系统,该方法它包括以下步骤:
步骤A、构建基于径向函数RBF神经网络,利用RBF神经网络的非线性映射能力及学习推理能力对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的基本分量进行预测,得到量测信息的基本分量预测值;
步骤B、构建时间序列模型对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的预测残差(随机分量)进行预测,得到预测残差预测值;
步骤C、将步骤A和步骤B得到的基本分量预测值和预测残差预测值运用叠加原理得到最优预测;
步骤D、将步骤C得到的最优预测作为GPS失锁期间SINS/GPS卡尔曼滤波器的量测更新信息,修正随时间累积的SINS误差。
上述的步骤A中,具体的步骤包括:
A1、RBF神经网络的输入层为外部信号输入到神经网络的接口,传递输入信号到隐层。采用高斯基函数作为隐层的激励函数在输入层和隐藏层之间建立一个非线性变换关系;所述的非线性变换关系包含输入矢量、感知区域中心、感知区域宽度、输入矢量和感知区域中心之间的欧几里得距离。
A2、RBF神经网络输出层的输入为各隐层神经元输出的加权求和,采用纯线性函数作为输出层的激励函数在隐藏层与输出层之间建立了一个线性变换关系;所述的线性变换关系包含步骤A1的感知区域宽度、输出矢量及输出层的权重系数。
A3、采用自组织选取中心法对A1和A2中的隐藏层感知区域中心、隐藏层感知区域宽度和输出层的权重系数进行训练学习。
A4、基于A1和A2的感知区域中心、感知区域宽度和输出层的权重系数,再结合SINS的位置信息和速度信息、GPS的位置信息和速度信息、真实的位置信息和速度信息、GPS的位置误差和速度误差进行计算,所得的RBF神经网络的输出就是对量测信息基本分量的预测值。
上述步骤A3的训练学习分为自组织学习阶段和监督学习阶段:所述组织学习阶段,基于输入数据采用k均值聚类算法对隐层基函数的感知区域中心与感知区域宽度进行训练学习;所述监督学习阶段,基于历史样本训练数据对输出层的权重系数进行训练学习。
上诉述步骤B中,预测残差的时间序列模型包含模型阶次和模型参数,所述模型阶次和模型参数为先对构建时间序列模型时间序列进行差分处理,再根据平稳化后的时间序列的自相关函数(autocorrelation function,ACF)和偏相关函数(partialautocorrelation function,PACF)的特性而确定。
上述的在模型参数的确定中,先根据自相关函数和偏自相关函数的特性确定模型阶数的大致范围;再从低阶到高阶分别进行参数估计,选择最小二乘法确定模型参数。
上述的步骤C中,当GPS信号接收良好时,通过将SINS和GPS的位置或速度信息作差即可得到SINS/GPS组合导航系统的量测信息,此时系统工作于更新工作模式,以SINS中陀螺和加速度计的测量值为训练样本输入,并基于获取的量测信息作为目标样本,对RBF神经网络的结构和参数进行在线的训练学习。
上述的步骤C中,当GPS发生失锁时,系统变换为预测工作模式,RBF神经网络以SINS中陀螺和加速度计的测量值为输入,获得基本分量预测值,同时,预测残差的预测模型以当前时刻为输入,获得量测信息预测残差的预测值。将基本分量预测值和预测残差的预测值相加得到量测信息的最优预测,将最优预测用于GPS失锁期间卡尔曼滤波的量测更新。
该解决GPS长时间失锁问题的SINS/GPS组合定姿定位系统,其特征在于:它包括SINS、GPS、输入模块、输出模块、RBF神经网络神经网络部分(Radial Basis Function,RBF)、构建时间序列模型部分、数据处理及误差修正部分、储存模块:RBF神经网络神经网络部分,以非线性映射能力及学习推理能力对量测信息的基本分量进行预测;构建时间序列模型部分,对量测信息的预测残差进行预测;数据处理及误差修正部分,对基本分量预测值和预测残差预测值进行处理得到最优预测,并将基本分量预测值和预测残差预测值作为GPS失锁期间SINS/GPS卡尔曼滤波器的量测更新信息,修正随时间累积的SINS误差;存储模块,储存量测信息及训练样本信息。
现有技术比较,本发明解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法及系统,这种方法通过预测GPS量测信息进而辅助SINS/GPS卡尔曼滤波器的状态估计,提高长时间GPS失锁期间SINS/GPS位置、速度和姿态的测量精度,经过多次试验,这样能有效解决GPS长时间失锁情况下,随时间不断累积发散、严重影响SINS/GPS组合导航系统的测量精度问题,同时,比较现有技术采用各种神经网络完全取代卡尔曼滤波器直接对SINS的误差进行预测而言,该方法及系统能能更精确的进行定姿定位。而现有常见的解决办法是在SINS/GPS数据融合处理中采用神经网络取代卡尔曼滤波器,但是神经网络的状态估计是通过样本的学习来完成的,因此难以适用于精度要求很高的SINS/GPS组合导航系统。如果在SINS/GPS的数据融合处理中用神经网络完全取代卡尔曼滤波器,那么通过对SINS误差分析得到的滤波系统误差模型即被忽略。这意味着对于高精度SINS/GPS组合导航系统在长时间GPS失锁的情况下,SINS/GPS的数据融合处理中损失了先验知识,系统精度将受到很大程度影响。
附图说明
图1是本发明的流程图。
图2是SINS/GPS组合导航系统处于更新工作模式下的结构框图。
图3是SINS/GPS组合导航系统处于预测工作模式下的结构框图。
具体实施方式
实施例1.一种解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法及系统该方法它包括以下步骤:步骤A、构建基于径向函数RBF神经网络,利用RBF神经网络的非线性映射能力及学习推理能力对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的基本分量进行预测,得到量测信息的基本分量预测值;步骤B、构建时间序列模型对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的预测残差(随机分量)进行预测,得到预测残差预测值;步骤C、将步骤A和步骤B得到的基本分量预测值和预测残差预测值运用叠加原理得到最优预测;步骤D、将步骤C得到的最优预测作为GPS失锁期间SINS/GPS卡尔曼滤波器的量测更新信息,修正随时间累积的SINS误差。该解决GPS长时间失锁问题的SINS/GPS组合定姿定位系统,它包括SINS、GPS、输入模块、输出模块、RBF神经网络神经网络部分(Radial BasisFunction,RBF)、构建时间序列模型部分、数据处理及误差修正部分、储存模块:RBF神经网络神经网络部分,以非线性映射能力及学习推理能力对量测信息的基本分量进行预测;构建时间序列模型部分,对量测信息的预测残差进行预测;数据处理及误差修正部分,对基本分量预测值和预测残差预测值进行处理得到最优预测,并将基本分量预测值和预测残差预测值作为GPS失锁期间SINS/GPS卡尔曼滤波器的量测更新信息,修正随时间累积的SINS误差;存储模块,储存量测信息及训练样本信息。
更为具体的,在SINS/GPS组合定姿定位解算中,GPS信息作为卡尔曼滤波器滤波器的量测信息用于修正SINS误差,滤波修正公式如下:
其中,为基于k时刻之前所有量测信息的滤波系统状态矢量的一步预测,为基于k时刻及其之前所有量测信息的滤波系统状态矢量的后验估计,Fk,k-1为k-1时刻到k时刻的系统状态转移矩阵,Kk为k时刻的卡尔曼滤波增益矩阵,Zk为k时刻的量测矢量,Hk为k时刻的量测转换矩阵。
当k时刻发生GPS失锁,卡尔曼滤波的量测信息Zk无法获得,对的估计仅仅取决于k时刻之前的量测信息和系统误差模型,其值与相等。在GPS失锁期间,由于新的量测信息无法获得,导致SINS误差不能得到有效校正并随时间不断积累。一种解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法,其步骤为:
步骤A:构建基于径向函数(Radial Basis Function,RBF)神经网络,利用RBF神经网络的非线性映射能力及学习推理能力对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的基本分量进行预测。
具体实现过程为:
①RBF神经网络的输入层为外部信号输入到神经网络的接口,传递输入信号到隐层。采用高斯基函数作为隐层的激励函数在输入层和隐藏层之间建立一个非线性的变换关系,具体形式如下:
其中,I为输入矢量;μj为高斯基函数Rj(I,μj)的感知区域中心;dj为高斯基函数Rj(I,μj)的感知区域宽度;||I-μj||表示输入矢量I和感知区域中心μj之间的欧几里得距离,其决定了隐藏层的输出。
②RBF神经网络输出层的输入为各隐层神经元输出的加权求和,采用纯线性函数作为输出层的激励函数在隐藏层与输出层之间建立了一个线性变换关系。这一层的输出矢量Oi的具体形式如下所示:
其中,Wij为输出层的权重系数。
③采用的是自组织选取中心法对公式(2)和公式(3)中的隐藏层感知区域中心μj、隐藏层感知区域宽度dj和输出层权重系数Wij进行训练学习,分为两个阶段:一是自组织学习阶段,仅仅基于输入数据采用k均值聚类算法对隐层基函数的感知区域中心μj与感知区域宽度dj进行训练学习;二是有监督学习阶段,基于历史样本训练数据对输出层的权重系数Wij进行训练学习。
④在公式(1)中量测信息Zk的具体构成形式为:
将公式(4)改写为如下:
公式(4)和(5)中,Pins和Vins表示SINS的位置信息和速度信息;Pgps和Vgps表示GPS的位置信息和速度信息;P和V表示真实的位置信息和速度信息;δPins和δVins表示SINS的位置误差和速度误差;δPgps和δVgps表示GPS的位置误差和速度误差。
δPins和δVins是量测信息Zk的主要组成部分,且惯性器件误差是δPins和δVins的主要误差源,因此RBF神经网络用陀螺和加速度计的输出作为输入信息,而RBF神经网络的输出就是对量测信息基本分量的预测,记为
步骤B:在步骤A利用RBF神经网络完成对量测信息Zk的基本分量部分的预测工作后,构建时间序列模型对各时刻量测信息Zk的预测残差δZk进行预测。
具体实现过程为:
①构建δZk的时间序列模型,如下:
δZk=φ1·δZk-1+φ2·δZk-2+…+φp·δZk-p+ωk-θ1ωk-1-…-θqωk-q (6)
其中,p和q为模型阶次,{φi|i=1,2,···,p}和{θi|i=1,2,···,q}为模型参数,ωt为零均值白噪声。
②对公式(6)中的δZk进行差分处理,然后根据平稳化后的δZt的自相关函数(autocorrelation function,ACF)和偏相关函数(partial autocorrelation function,PACF)的特性确定δZk的时间序列模型的参数和阶次。ACF记为ρk,具体形式如下所示:
其中,N为量测信息Zk预测值的预测残差δZk序列的长度。
PACF记为Φkk,其递推计算公式如下所示:
③根据公式(7)和公式(8)求取的δZk序列自相关函数ρk和偏自相关函数Φkk的特性确定模型阶数p和q的大致范围;再从低阶到高阶分别进行参数估计,选择最小二乘法确定模型参数{φi|i=1,2,···,p}和{θi|i=1,2,···,q}。
步骤C:基于步骤A和步骤B得到的量测信息Zk的基本分量和预测残差的预测值,将这两个分量的预测结果运用叠加原理得到精确的量测信息预测值。在GPS失锁期间,将此预测结果作为卡尔曼滤波器的量测更新信息,修正随时间累积的SINS误差。
具体实现过程为:
①当GPS信号接收良好时,通过将SINS和GPS的位置/速度信息作差即可得到SINS/GPS组合导航系统的量测信息Zk。此时系统工作于更新工作模式,以SINS中陀螺和加速度计的测量值(和fb)为训练样本输入,并基于获取的量测信息Zk作为目标样本,对RBF神经网络的结构和参数进行在线的训练学习。
②将RBF神经网络预测输出与目标样本进行相减得到量测信息的预测残差δZk,利用时间序列分析法建立δZk的预测模型。
③基于目标样本数据,RBF神经网络和时间序列模型的结构和参数被不断地调整和修正。
SINS/GPS组合导航系统处于更新工作模式下的结构框图,如图2:
④当GPS发生失锁时,系统变换为预测工作模式。RBF神经网络以SINS中陀螺和加速度计的测量值(和fb)为输入,获得量测信息基本分量
⑤预测残差δZk的预测模型以当前时刻为输入,获得量测信息的预测残差δZk的预测值
⑥将这和相加得到量测信息的最佳预测用于GPS失锁期间卡尔曼滤波的量测更新。
SINS/GPS组合导航系统处于预测工作模式下的结构框图,如图3。
Claims (8)
1.一种解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法,其特征在于,该方法它包括以下步骤:
步骤A、构建基于径向函数RBF神经网络,利用RBF神经网络的非线性映射能力及学习推理能力对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的基本分量进行预测,得到量测信息的基本分量预测值;
步骤B、构建时间序列模型对SINS/GPS组合导航系统的卡尔曼滤波器量测信息的预测残差(随机分量)进行预测,得到预测残差预测值;
步骤C、将步骤A和步骤B得到的基本分量预测值和预测残差预测值运用叠加原理得到最优预测;
步骤D、将步骤C得到的最优预测作为GPS失锁期间SINS/GPS卡尔曼滤波器的量测更新信息,修正随时间累积的SINS误差。
2.根据权利要求1所述的解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法,其特征在于,步骤A中,具体的步骤包括:
A1、RBF神经网络的输入层为外部信号输入到神经网络的接口,传递输入信号到隐层。采用高斯基函数作为隐层的激励函数在输入层和隐藏层之间建立一个非线性变换关系;所述的非线性变换关系包含输入矢量、感知区域中心、感知区域宽度、输入矢量和感知区域中心之间的欧几里得距离;
A2、RBF神经网络输出层的输入为各隐层神经元输出的加权求和,采用纯线性函数作为输出层的激励函数在隐藏层与输出层之间建立了一个线性变换关系;所述的线性变换关系包含步骤A1的感知区域宽度、输出矢量及输出层的权重系数;
A3、采用自组织选取中心法对A1和A2中的隐藏层感知区域中心、隐藏层感知区域宽度和输出层的权重系数进行训练学习;
A4、基于A1和A2的感知区域中心、感知区域宽度和输出层的权重系数,再结合SINS的位置信息和速度信息、GPS的位置信息和速度信息、真实的位置信息和速度信息、GPS的位置误差和速度误差进行计算,所得的RBF神经网络的输出就是对量测信息基本分量的预测值。
3.根据权利要求2所述的解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法,其特征在于:所述步骤A3的训练学习分为自组织学习阶段和监督学习阶段:所述组织学习阶段,基于输入数据采用k均值聚类算法对隐层基函数的感知区域中心与感知区域宽度进行训练学习;所述监督学习阶段,基于历史样本训练数据对输出层的权重系数进行训练学习。
4.根据权利要求1所述的解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法,其特征在于:所述步骤B中,预测残差的时间序列模型包含模型阶次和模型参数,所述模型阶次和模型参数为先对构建时间序列模型时间序列进行差分处理,再根据平稳化后的时间序列的自相关函数(autocorrelation function,ACF)和偏相关函数(partialautocorrelation function,PACF)的特性而确定。
5.根据权利要求4所述的解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法,其特征在于:在模型参数的确定中,先根据自相关函数和偏自相关函数的特性确定模型阶数的大致范围;再从低阶到高阶分别进行参数估计,选择最小二乘法确定模型参数。
6.根据权利要求1所述的解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法,其特征在于:步骤C中,当GPS信号接收良好时,通过将SINS和GPS的位置或速度信息作差即可得到SINS/GPS组合导航系统的量测信息,此时系统工作于更新工作模式,以SINS中陀螺和加速度计的测量值为训练样本输入,并基于获取的量测信息作为目标样本,对RBF神经网络的结构和参数进行在线的训练学习。
7.根据权利要求1所述的解决GPS长时间失锁问题的SINS/GPS组合定姿定位方法,其特征在于:步骤C中,当GPS发生失锁时,系统变换为预测工作模式,RBF神经网络以SINS中陀螺和加速度计的测量值为输入,获得基本分量预测值,同时,预测残差的预测模型以当前时刻为输入,获得量测信息预测残差的预测值。将基本分量预测值和预测残差的预测值相加得到量测信息的最优预测,将最优预测用于GPS失锁期间卡尔曼滤波的量测更新。
8.一种解决GPS长时间失锁问题的SINS/GPS组合定姿定位系统,其特征在于:它包括SINS、GPS、输入模块、输出模块、RBF神经网络神经网络部分(Radial Basis Function,RBF)、构建时间序列模型部分、数据处理及误差修正部分、储存模块:
RBF神经网络神经网络部分,以非线性映射能力及学习推理能力对量测信息的基本分量进行预测;
构建时间序列模型部分,对量测信息的预测残差进行预测;
数据处理及误差修正部分,对基本分量预测值和预测残差预测值进行处理得到最优预测,并将基本分量预测值和预测残差预测值作为GPS失锁期间SINS/GPS卡尔曼滤波器的量测更新信息,修正随时间累积的SINS误差;
存储模块,储存量测信息及训练样本信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910646015.8A CN110346821B (zh) | 2019-07-17 | 2019-07-17 | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910646015.8A CN110346821B (zh) | 2019-07-17 | 2019-07-17 | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110346821A true CN110346821A (zh) | 2019-10-18 |
CN110346821B CN110346821B (zh) | 2022-11-29 |
Family
ID=68176578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910646015.8A Active CN110346821B (zh) | 2019-07-17 | 2019-07-17 | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110346821B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190211A (zh) * | 2019-12-30 | 2020-05-22 | 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 |
CN111913175A (zh) * | 2020-07-02 | 2020-11-10 | 哈尔滨工程大学 | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 |
CN112203135A (zh) * | 2020-10-07 | 2021-01-08 | 广州云智通讯科技有限公司 | 一种智能双录方法、系统及服务器 |
CN114689047A (zh) * | 2022-06-01 | 2022-07-01 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、系统及存储介质 |
CN117471502A (zh) * | 2023-10-31 | 2024-01-30 | 北京华云星地通科技有限公司 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998025108A1 (en) * | 1996-12-06 | 1998-06-11 | Surender Kumar Gupta | A neural network-based system for improving the accuracy of global positioning system signals |
CA2701529A1 (en) * | 2007-10-04 | 2009-04-09 | Trusted Positioning Inc. | System and method for intelligent tuning of kalman filters for ins/gps navigation applications |
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 |
CN102692223A (zh) * | 2012-06-27 | 2012-09-26 | 东南大学 | 用于wsn/ins组合导航的多级非线性滤波器的控制方法 |
CN103149580A (zh) * | 2013-02-04 | 2013-06-12 | 东南大学 | 一种基于stkf和wnn的gps/ins组合导航方法 |
CN104330084A (zh) * | 2014-11-13 | 2015-02-04 | 东南大学 | 一种水下航行器用神经网络辅助组合导航方法 |
CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
CN105116431A (zh) * | 2015-09-08 | 2015-12-02 | 中国人民解放军装备学院 | 一种惯性导航平台和北斗卫星的高精度超紧耦合导航方法 |
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 |
CN107390246A (zh) * | 2017-07-06 | 2017-11-24 | 电子科技大学 | 一种基于遗传神经网络的gps/ins组合导航方法 |
CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
CN109459040A (zh) * | 2019-01-14 | 2019-03-12 | 哈尔滨工程大学 | 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法 |
CN109506647A (zh) * | 2018-12-24 | 2019-03-22 | 哈尔滨工程大学 | 一种基于神经网络的ins和磁力计组合定位方法 |
CN109521454A (zh) * | 2018-12-06 | 2019-03-26 | 中北大学 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
-
2019
- 2019-07-17 CN CN201910646015.8A patent/CN110346821B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998025108A1 (en) * | 1996-12-06 | 1998-06-11 | Surender Kumar Gupta | A neural network-based system for improving the accuracy of global positioning system signals |
CA2701529A1 (en) * | 2007-10-04 | 2009-04-09 | Trusted Positioning Inc. | System and method for intelligent tuning of kalman filters for ins/gps navigation applications |
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 |
CN102692223A (zh) * | 2012-06-27 | 2012-09-26 | 东南大学 | 用于wsn/ins组合导航的多级非线性滤波器的控制方法 |
CN103149580A (zh) * | 2013-02-04 | 2013-06-12 | 东南大学 | 一种基于stkf和wnn的gps/ins组合导航方法 |
CN104330084A (zh) * | 2014-11-13 | 2015-02-04 | 东南大学 | 一种水下航行器用神经网络辅助组合导航方法 |
CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
CN105116431A (zh) * | 2015-09-08 | 2015-12-02 | 中国人民解放军装备学院 | 一种惯性导航平台和北斗卫星的高精度超紧耦合导航方法 |
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 |
CN107390246A (zh) * | 2017-07-06 | 2017-11-24 | 电子科技大学 | 一种基于遗传神经网络的gps/ins组合导航方法 |
CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
CN109521454A (zh) * | 2018-12-06 | 2019-03-26 | 中北大学 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
CN109506647A (zh) * | 2018-12-24 | 2019-03-22 | 哈尔滨工程大学 | 一种基于神经网络的ins和磁力计组合定位方法 |
CN109459040A (zh) * | 2019-01-14 | 2019-03-12 | 哈尔滨工程大学 | 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法 |
Non-Patent Citations (11)
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190211A (zh) * | 2019-12-30 | 2020-05-22 | 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 |
CN111913175A (zh) * | 2020-07-02 | 2020-11-10 | 哈尔滨工程大学 | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 |
CN112203135A (zh) * | 2020-10-07 | 2021-01-08 | 广州云智通讯科技有限公司 | 一种智能双录方法、系统及服务器 |
CN114689047A (zh) * | 2022-06-01 | 2022-07-01 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、系统及存储介质 |
CN117471502A (zh) * | 2023-10-31 | 2024-01-30 | 北京华云星地通科技有限公司 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
CN117471502B (zh) * | 2023-10-31 | 2024-04-02 | 北京华云星地通科技有限公司 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110346821B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110346821A (zh) | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 | |
Shen et al. | Dual-optimization for a MEMS-INS/GPS system during GPS outages based on the cubature Kalman filter and neural networks | |
CN105424030B (zh) | 基于无线指纹和mems传感器的融合导航装置和方法 | |
KR20180052636A (ko) | 자동 맵 생성으로 gps 거부 지역이나 부정확 지역에서에서 모바일기기 내비게이션, 추적 및 포지셔닝 | |
CN110057354B (zh) | 一种基于磁偏角修正的地磁匹配导航方法 | |
CN111721289A (zh) | 车辆定位方法、装置、设备、存储介质及车辆 | |
CN109682375B (zh) | 一种基于容错决策树的uwb辅助惯性定位方法 | |
US20150153151A1 (en) | Determining Location Using Magnetic Fields From AC Power Lines | |
CN105606102B (zh) | 一种基于格网模型的pdr室内定位方法及系统 | |
CN105509739A (zh) | 采用固定区间crts平滑的ins/uwb紧组合导航系统及方法 | |
CN108519615A (zh) | 基于组合导航和特征点匹配的移动机器人自主导航方法 | |
CN110146909A (zh) | 一种定位数据处理方法 | |
CN109059907B (zh) | 轨迹数据处理方法、装置、计算机设备和存储介质 | |
CN110187375A (zh) | 一种基于slam定位结果提高定位精度的方法及装置 | |
CN111707260B (zh) | 一种基于频域分析及卷积神经网络的定位方法 | |
CN108871336A (zh) | 一种车辆位置估算系统及方法 | |
CN111970633A (zh) | 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法 | |
CN109323695A (zh) | 一种基于自适应无迹卡尔曼滤波的室内定位方法 | |
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
Lee et al. | Indoor localization by Kalman filter based combining of UWB-positioning and PDR | |
CN109506647B (zh) | 一种基于神经网络的ins和磁力计组合定位方法 | |
CN109188352B (zh) | 一种组合导航相对定位方法 | |
CN114777771A (zh) | 一种室外无人车组合导航定位方法 | |
KR102119196B1 (ko) | 머신러닝 기반의 실내 측위 방법 및 시스템 | |
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 |
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 |