CN110487298A - 一种导航误差的校正方法及装置、设备和存储介质 - Google Patents

一种导航误差的校正方法及装置、设备和存储介质 Download PDF

Info

Publication number
CN110487298A
CN110487298A CN201910754956.3A CN201910754956A CN110487298A CN 110487298 A CN110487298 A CN 110487298A CN 201910754956 A CN201910754956 A CN 201910754956A CN 110487298 A CN110487298 A CN 110487298A
Authority
CN
China
Prior art keywords
state
navigation system
matrix
sub
observable
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
Application number
CN201910754956.3A
Other languages
English (en)
Inventor
李志杰
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.)
Oppo Chongqing Intelligent Technology Co Ltd
Original Assignee
Oppo Chongqing Intelligent 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 Oppo Chongqing Intelligent Technology Co Ltd filed Critical Oppo Chongqing Intelligent Technology Co Ltd
Priority to CN201910754956.3A priority Critical patent/CN110487298A/zh
Publication of CN110487298A publication Critical patent/CN110487298A/zh
Pending legal-status Critical Current

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)
  • Navigation (AREA)

Abstract

本申请实施例公开了一种导航误差的校正方法及装置、设备和存储介质，其中，所述方法包括：确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。

Description

一种导航误差的校正方法及装置、设备和存储介质
技术领域
本申请实施例涉及导航技术，涉及但不限于一种导航误差的校正方法及装置、设备和存储介质。
背景技术
科技的不断进步促使了众多导航系统的诞生，在手机导航中，能够获得的导航信息量日益增多，同时高精度、良好的完好性及鲁棒性成为手机导航追求的目标。因此目前手机导航方案设计的方向都是基于各传感器的优点而进行信息融合的，比如GPS(GlobalPositioning System，全球定位系统)、北斗、IMU (Inertial measurement unit，惯性测量单元)惯导、高度气压计等，目标在于提高导航精度和处理效率、减少复杂性以及增强系统鲁棒性。
手机导航中将各种传感器的信息进行融合使用最多的技术是分散化联邦滤波，联邦滤波技术使用手机中的INS(Inertial navigation system，惯性导航系统) 作为参考导航系统，GNSS(Global navigation satellite systems，全球卫星导航系统)、高度气压计等辅助传感器分别与之组合形成各子导航系统。在该过程中需考虑采用何种信息分配方法去设置各局部卡尔曼滤波器的状态误差协方差矩阵和系统噪声协方差矩阵，因为不同的信息分配方法会导致不同的滤波估计精度和系统容错性。因此，如何对局部滤波器进行信息分配，使得联邦滤波器的估计精度及系统的导航性能得到提升，成为本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请实施例提供一种导航误差的校正方法及装置、设备和存储介质。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供一种导航误差的校正方法，所述方法包括：
确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；
根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；
根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
本申请实施例中，所述根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，包括：
根据所述状态可观测阶数和系统可观测矩阵，确定第一矢量形式的信息分配系数；
根据所述系统状态协方差矩阵，确定第二矢量形式的信息分配系数；
将所述第一矢量形式的信息分配系数和所述第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数。
本申请实施例中，所述根据所述状态可观测阶数和系统可观测矩阵，确定第一矢量形式的信息分配系数，包括：
根据系统可观测矩阵、直接观测量参数和对所述系统可观测矩阵进行奇异值分解得到的特征向量，确定状态可观测阶数；
根据所述状态可观测阶数和对所述系统可观测矩阵进行奇异值分解得到的系统状态奇异值，确定状态量的可观测性参数；
根据所述可观测性参数，确定子导航系统中状态量的第一信息分配系数矩阵。
本申请实施例中，所述根据系统可观测矩阵、直接观测量参数和对所述系统可观测矩阵进行奇异值分解得到的特征向量，确定状态可观测阶数，包括：
利用公式Q＝[HT(HF)T…(HFn-1)T]T对系统可观测矩阵进行奇异值分解，得到n 个状态分量的奇异值σj和对应的特征向量vj；其中，Q为系统可观测矩阵，H为测量矩阵，F为系统矩阵，n为状态分量的个数，j为大于等于1小于等于n的自然数；
利用公式确定直接观测量参数；其中，Z为直接观测量参数，y为系统的直接观测量；
利用公式确定状态可观测阶数；其中，μj为状态可观测阶数。
本申请实施例中，所述根据所述状态可观测阶数和对所述系统可观测矩阵进行奇异值分解得到的系统状态奇异值，确定状态量的可观测性参数，包括：
利用公式γi＝max{μj}，确定奇异值的可观测阶数；其中，γi为奇异值σj对应的状态量xi的可观测阶数，i为子导航系统的标号；
利用公式确定状态量xi的每一状态分量xij的可观测性参数；其中，j为子导航系统中第j个估计状态。
本申请实施例中，所述根据所述可观测性参数，确定子导航系统中状态量的第一信息分配系数矩阵，包括：
利用公式确定状态分量xij的第一信息分配系数；其中，N为子导航系统的个数；
利用公式确定子导航系统中状态量的第一信息分配系数矩阵。
本申请实施例中，所述根据所述系统状态协方差矩阵，确定第二矢量形式的信息分配系数，包括：
利用公式Pi＝ViΛiVi T，将每一所述子导航系统的状态协方差矩阵进行特征值分解；其中，Λi＝diag{λi1,λi2,…λin}，Pi为协方差矩阵，Vi为所述协方差矩阵进行特征值分解后得到的矩阵，λ为所述协方差矩阵的特征值，n为所述协方差矩阵的阶数，i为子导航系统的标号；
利用公式确定状态分量xij的第二信息分配系数；其中，j为子导航系统中第j个估计状态，N为子导航系统的个数；
利用公式确定子导航系统中状态量的第二信息分配系数矩阵。
本申请实施例中，所述将所述第一矢量形式的信息分配系数和第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数，包括：
利用公式将子导航系统中状态量的第一信息分配系数矩阵和第二信息分配系数矩阵进行融合，得到矢量形式的联邦滤波信息分配系数；其中，βi为矢量形式的联邦滤波信息分配系数，Bi为状态量的第一信息分配系数矩阵，Ai为状态量的第二信息分配系数矩阵，b为状态分量的第一信息分配系数，α为状态分量的第二信息分配系数，i为子导航系统的标号，n为状态分量的个数。
第二方面，本申请实施例提供一种导航误差的校正装置，所述装置包括：
确定单元，用于确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；
系数分配单元，用于根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；
滤波单元，用于根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
融合校正单元，用于使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述导航误差的校正方法中的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述导航误差的校正方法中的步骤。
本申请实施例提供一种导航误差的校正方法及装置、设备和存储介质，通过确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正，如此，能够有效提高联邦滤波的估计精度，从而进一步提高系统的导航性能。
附图说明
图1A为本申请实施例导航误差的校正方法的实现流程示意图一；
图1B为本申请实施例导航误差的校正方法的实现流程示意图二；
图2A为本申请实施例导航误差的校正方法的设计框图示意图；
图2B为本申请实施例仿真的三维全动态载体运动航迹；
图2C为本申请实施例仿真的位置、速度与姿态变化示意图；
图2D为本申请实施例与相关技术导航位置误差的仿真对比图；
图2E为本申请实施例与相关技术导航速度误差的仿真对比图；
图3为本申请实施例导航误差的校正装置的组成结构示意图；
图4为本申请实施例计算机设备的一种硬件实体示意图。
具体实施方式
联邦滤波算法最早由Carlson在1988年提出，其观点是固定比例的信息分配，也即根据联邦滤波器的局部滤波器的个数进行固定平均分配。然而实际的情况是导航子系统的性能各不相同，国内外很多学者针对此缺陷提出了多种标量动态信息分配的方法。主要是基于状态协方差矩阵特征值分解法、基于状态协方差矩阵Fronenius范数法以及基于可观测矩阵条件数法等。上述研究的动态信息分配系数都是基于标量形式，其相当于将每个子系统的所有状态特性看成是相同的，也即认为每个子系统具有相同的收敛速度和估计精度，然而实际中每个子系统的不同状态具有不同的特性，其可观测性和估计精度都是不同的。
因此有学者基于定位精度的系统协方差阵特征值和表示可观测性的系统可观测矩阵奇异值，而提出的一种动态矢量信息分配方案。但是，现有的基于系统协方差阵特征值和表示可观测性的系统可观测矩阵奇异值来设计信息分配因子的方案，被学者通过反例证明出当仅使用系统可观测矩阵奇异值来表示子系统每个分量的可观测性度量是不够全面的，由此将会导致导航精度较差以及容错性较差的问题。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对申请的具体技术方案做进一步详细描述。以下实施例仅用于说明本申请，不用于限制本申请的范围。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
本申请实施例提供了一种基于状态可观测阶数、系统可观测矩阵奇异值以及系统状态协方差矩阵的动态矢量信息分配方法，该方法能够有效提高联邦滤波估计精度，进一步提高手机系统的导航定位性能。下面对本申请实施例提供的方法进行详细的说明。
本申请实施例提供一种导航误差的校正方法，该方法应用于计算机设备，该方法所实现的功能可以通过服务器中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该服务器至少包括处理器和存储介质。图1A为本申请实施例导航误差的校正方法的实现流程示意图一，如图 1A所示，所述方法包括：
步骤S101、确定组合导航系统中的参考导航系统和所述组合导航系统中的 M个子导航系统，其中，M为大于等于1的自然数；
这里，所述组合导航系统中的参考导航系统可以为INS导航系统，也可以其他导航系统。对应地，所述M个子导航系统，可以为GNSS、高度气压计等辅助传感器分别与INS组合形成各子导航系统。例如，当将INS作为参考导航系统时，所述子导航系统可以包括GPS与INS组合成的系统，以及IMU与INS 组合成的系统等。
步骤S102、根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；
这里，每一所述子导航系统都包括若干个状态，即具有若干个状态变量，因此，本申请实例中根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数。
步骤S103、根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
本申请实施例中，可以根据步骤S102中得到的联邦滤波信息分配系数，建立系统的过程信息在每一所述子导航系统对应的局部滤波器之间的信息分配过程。然后，确定每一所述子导航系统对应的局部滤波器的滤波结果，所述局部滤波器可以采用卡尔曼滤波。
步骤S104、使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
本申请实施例中，可以使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。这里，所述全局最优估计值，可以包括联邦滤波后的误差协方差阵以及联邦滤波器的状态估计值。
本申请实施例中，通过确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正，如此，能够有效提高联邦滤波的估计精度，从而进一步提高系统的导航性能。
基于前述的实施例，本申请实施例再提供一种导航误差的校正方法，图1B 为本申请实施例导航误差的校正方法的实现流程示意图二，如图1B所示，所述方法包括：
步骤S111、确定组合导航系统中的参考导航系统和所述组合导航系统中的 M个子导航系统，其中，M为大于等于1的自然数；
步骤S112、根据每一所述子导航系统的状态可观测阶数和系统可观测矩阵，确定第一矢量形式的信息分配系数；
本申请实施例中，针对每一子导航系统，结合其状态可观测阶数和系统可观测矩阵，来确定每一子导航系统对应的第一矢量形式的信息分配系数。这里，所述第一矢量形式的信息分配系数，指的是每一子导航系统中每一个状态变量对应的第一信息分配系数。
步骤S113、根据每一所述子导航系统的系统状态协方差矩阵，确定第二矢量形式的信息分配系数；
本申请实施例中，针对每一子导航系统，通过其系统状态协方差矩阵，来确定每一子导航系统对应的第二矢量形式的信息分配系数。这里，所述第二矢量形式的信息分配系数，指的是每一子导航系统中每一个状态变量对应的第二信息分配系数。
步骤S114、将所述第一矢量形式的信息分配系数和所述第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；
这里，可以将每一子导航系统中每一个状态变量对应的第一信息分配系数和第二信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数。
步骤S115、根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
步骤S116、使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
本申请实施例中，通过确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；根据每一所述子导航系统的状态可观测阶数和系统可观测矩阵，确定第一矢量形式的信息分配系数；根据每一所述子导航系统的系统状态协方差矩阵，确定第二矢量形式的信息分配系数；将所述第一矢量形式的信息分配系数和所述第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正，如此，能够有效提高联邦滤波的估计精度，从而进一步提高系统的导航性能。
基于前述的实施例，本申请实施例再提供一种导航误差的校正方法，所述方法包括：
步骤S201、确定组合导航系统中的参考导航系统和所述组合导航系统中的 M个子导航系统，其中，M为大于等于1的自然数；
步骤S202、根据系统可观测矩阵、直接观测量参数和对所述系统可观测矩阵进行奇异值分解得到的特征向量，确定状态可观测阶数；
在一些实施例中，所述步骤S202、根据系统可观测矩阵、直接观测量参数和对所述系统可观测矩阵进行奇异值分解得到的特征向量，确定状态可观测阶数，可以通过以下方式实现：
步骤S2021、利用公式(1)对系统可观测矩阵进行奇异值分解，得到n个状态分量的奇异值σj和对应的特征向量vj；
Q＝[HT(HF)T…(HFn-1)T]T (1)；
其中，Q为系统可观测矩阵，H为测量矩阵，F为系统矩阵，n为状态分量的个数，j为大于等于1小于等于n的自然数。
步骤S2022、利用公式(2)确定直接观测量参数；
其中，Z为直接观测量参数，y为系统的直接观测量。
步骤S2023、利用公式确定状态可观测阶数；其中，μj为状态可观测阶数。
这里，所述直接观测量参数是根据系统的每一个状态变量的直接观测量得到的，即直接观测到的实际测量量，比如气压计直接输出的高度，可以认为是每一子导航系统的可直接观测到的参数的直接观测量。
步骤S203、根据所述状态可观测阶数和对所述系统可观测矩阵进行奇异值分解得到的系统状态奇异值，确定状态量的可观测性参数；
在一些实施例中，所述步骤S203、根据所述状态可观测阶数和对所述系统可观测矩阵进行奇异值分解得到的系统状态奇异值，确定状态量的可观测性参数，可以通过以下方式实现：
步骤S2031、利用公式γi＝max{μj}，确定奇异值的可观测阶数；其中，γi为奇异值σj对应的状态量xi的可观测阶数，i为子导航系统的标号；
步骤S2032、利用公式确定状态量xi的每一状态分量xij的可观测性参数；其中，j为子导航系统中第j个估计状态。
步骤S204、根据所述可观测性参数，确定子导航系统中状态量的第一信息分配系数矩阵；
在一些实施例中，所述步骤S204、根据所述可观测性参数，确定子导航系统中状态量的第一信息分配系数矩阵，可以通过以下步骤实现：
步骤S2041、利用公式(3)确定状态分量xij的第一信息分配系数；
其中，N为子导航系统的个数。
步骤S2042、利用公式(4)确定子导航系统中状态量的第一信息分配系数矩阵。
步骤S205、根据所述系统状态协方差矩阵，确定第二矢量形式的信息分配系数；
在一些实施例中，所述步骤S205、根据所述系统状态协方差矩阵，确定第二矢量形式的信息分配系数，可以通过以下方式实现：
步骤S2051、利用公式Pi＝ViΛiVi T，将每一所述子导航系统的状态协方差矩阵进行特征值分解；其中，Λi＝diag{λi1,λi2,…λin}，Pi为协方差矩阵，Vi为所述协方差矩阵进行特征值分解后得到的矩阵，λ为所述协方差矩阵的特征值，n为所述协方差矩阵的阶数，i为子导航系统的标号；
步骤S2052、利用公式(5)确定状态分量xij的第二信息分配系数；
其中，j为子导航系统中第j个估计状态，N为子导航系统的个数。
步骤S2053、利用公式(6)确定子导航系统中状态量的第二信息分配系数矩阵。
步骤S206、将所述第一信息分配系数矩阵和所述第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；
在一些实施例中，所述步骤S206、将所述第一矢量形式的信息分配系数和第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数，可以通过以下方式实现：
步骤S2061、利用公式(7)将子导航系统中状态量的第一信息分配系数矩阵和第二信息分配系数矩阵进行融合，得到矢量形式的联邦滤波信息分配系数；
其中，βi为矢量形式的联邦滤波信息分配系数，Bi为状态量的第一信息分配系数矩阵，Ai为状态量的第二信息分配系数矩阵，b为状态分量的第一信息分配系数，α为状态分量的第二信息分配系数，i为子导航系统的标号，n为状态分量的个数。
步骤S207、根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
步骤S208、使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
基于前述的实施例，本申请实施例再提供一种导航误差的校正方法，所述方法包括：
步骤S211、确定组合导航系统中的参考导航系统和所述组合导航系统中的 M个子导航系统，其中，M为大于等于1的自然数；
步骤S212、利用公式(8)对系统可观测矩阵进行奇异值分解，得到n个状态分量的奇异值σj和对应的特征向量vj；
Q＝[HT(HF)T…(HFn-1)T]T (8)；
其中，Q为系统可观测矩阵，H为测量矩阵，F为系统矩阵，n为状态分量的个数，j为大于等于1小于等于n的自然数。
步骤S213、利用公式(9)确定直接观测量参数；
其中，Z为直接观测量参数，y为系统的直接观测量。
步骤S214、利用公式确定状态可观测阶数；其中，μj为状态可观测阶数；
步骤S215、利用公式γi＝max{μj}，确定奇异值的可观测阶数；其中，γi为奇异值σj对应的状态量xi的可观测阶数，i为子导航系统的标号；
步骤S216、利用公式确定状态量xi的每一状态分量xij的可观测性参数；其中，j为子导航系统中第j个估计状态；
步骤S217、利用公式(10)确定状态分量xij的第一信息分配系数；
其中，N为子导航系统的个数。
步骤S218、利用公式(11)确定子导航系统中状态量的第一信息分配系数矩阵；
步骤S219、利用公式Pi＝ViΛiVi T，将每一所述子导航系统的状态协方差矩阵进行特征值分解；其中，Λi＝diag{λi1,λi2,…λin}，Pi为协方差矩阵，Vi为所述协方差矩阵进行特征值分解后得到的矩阵，λ为所述协方差矩阵的特征值，n为所述协方差矩阵的阶数，i为子导航系统的标号；
步骤S220、利用公式(12)确定状态分量xij的第二信息分配系数；
其中，j为子导航系统中第j个估计状态，N为子导航系统的个数。
步骤S221、利用公式(13)确定子导航系统中状态量的第二信息分配系数矩阵；
步骤S222、利用公式(14)将子导航系统中状态量的第一信息分配系数矩阵和第二信息分配系数矩阵进行融合，得到矢量形式的联邦滤波信息分配系数；
其中，βi为矢量形式的联邦滤波信息分配系数，Bi为状态量的第一信息分配系数矩阵，Ai为状态量的第二信息分配系数矩阵，b为状态分量的第一信息分配系数，α为状态分量的第二信息分配系数，i为子导航系统的标号，n为状态分量的个数。
步骤S223、根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
步骤S224、使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
基于前述的实施例，本申请实施例再提供一种导航误差的校正方法，其中，所述方法是一种基于状态可观测阶数、系统可观测矩阵奇异值以及系统状态协方差矩阵的动态矢量信息分配方法。图2A为本申请实施例导航误差的校正方法的设计框图示意图，如图2A所示，本申请实施例中导航误差的校正方法的设计原理为：将INS作为参考导航系统，使用其他四个辅助传感器作为子导航系统。从地理系导航的角度入手，依据系统状态方程和各子系统的线性化量测方程，构成所述子导航系统对应的局部滤波器。从各局部滤波器中提取基于可观测阶数和奇异值的矢量系数Bi，以及基于误差协方差特征值的矢量系数Ai，再综合两者信息求矢量系数(i为子导航系统的标号)，从而采用求取的所述四个局部滤波器的分配系数β1,β2,β3,β4，进一步完成信息分配、最优融合等步骤，实现对组合导航误差状态量的最优估计，即确定出联邦滤波器的状态估计值和联邦滤波后的误差协方差阵Pf。
这里，基于可观测阶数和奇异值的矢量系数Bi，可以通过以下方式求取：
将系统可观测矩阵Q＝[HT(HF)T…(HFn-1)T]T进行奇异值分解，可得n个状态的奇异值σ1,σ2,…σn以及其对应的特征向量v1,v2,…vn，其中，H为测量矩阵，F 为系统矩阵。
为全面地刻画系统状态的可观测性，需求状态的可观测阶数定义如下：其中，Z是由直接观测量及其各阶导数构成，即
由定义可知μj∈R1×1是关于测量值y及其各阶导数的函数，其中，R为1×1的实数矩阵。则定义可观测阶数为：其中，γi表示奇异值σj对应的状态xi的可观测阶数。进而使用可观测阶数和奇异值共同度量状态 xi的可观测性：
对子系统中每个状态xij按照公式(15)中的方式进行信息分配，其中i表示子系统的标号，j表示子系统中第j个估计状态；
其中，N表示子系统个数总数。基于系统状态可观测性越高其分配系数也越大的原则进行信息分配，由此可得子系统中所有状态的分配系数构成的矩阵如公式(16)所示：
可验证其分配方法是满足信息守恒原理的：
这里，Ai的求解和系统状态协方差阵相关，其通过以下方式求取：
将各子系统的状态协方差阵进行特征值分解：Pi＝ViΛiVi T，其中Λi＝diag{λi1,λi2,…λin}，Vi为矩阵Pi进行特征值分解后得到的矩阵，λin为矩阵Pi的特征值，n为矩阵Pi的阶数。
根据融合理论，状态的精度越高其分配系数也应越大，协方差矩阵的特征值能够表征状态估计精度，特征值越大表示估计精度越低。因此按照上述理论，利用协方差矩阵的特征值给xij分配的系数如公式(17)所示：
从而各子系统中所有估计状态的分配系数构成的矩阵如公式(18)所示：
可以验证其也是满足信息守恒原则的：
综合考虑状态精度及其可观测性，动态矢量分配方式设置如公式(19)所示：
此时也是满足信息守恒原则的，但是如果还是按照传统方式进行信息反馈，如公式(20)所示，会使得各子系统得到的误差协方差阵不再对称，进而会破坏滤波性能，其中，k表示时刻，f表示为联邦滤波器的全局参数。
为解决上述问题，本申请实施例中采用下述如公式(21)所示的方式进行信息反馈：
从而基于矢量形式的信息分配过程可按下述如公式(22)所示的方式进行：
其中，Pi(k)表示k时刻第i个局部滤波器的状态估计信息量，Pf(k)表示k时刻联邦滤波器的总的状态估计信息量，Qi(k)表示k时刻第i个局部滤波器的过程噪声信息量，Qf(k)表示k时刻联邦滤波器的总的过程噪声信息量，表示k时刻第i个局部滤波器的状态估计值，表示k时刻联邦滤波器的状态估计值。
图2B为本申请实施例仿真的三维全动态载体运动航迹，如图2B所示，图中含加速、减速、转弯和爬升等过程的三维全动态载体运动航迹。
图2C为本申请实施例仿真的位置、速度与姿态变化示意图，如图2C所示，其中包含了北向位置分量21、东向位置分量22和垂直位置分量23的变化示意图，以及北向速度24、东向速度25和垂直速度26的变化示意图，以及横滚角 27、俯仰角28和航向角29的变化示意图，横轴为时间，纵轴分别为位置、速度和角度。
图2D为本申请实施例与相关技术导航位置误差的仿真对比图，如图2D所示，其中包含了北向位置误差201、东向位置误差202和垂直位置误差203的仿真对比图，横轴为时间，纵轴为位置。深灰色曲线表示相关技术的信息分配方法的误差曲线，浅灰色曲线表示本申请实施例的信息分配方法的误差曲线。下表为图2D对应的定位误差统计表，方案1为相关技术的动态矢量信息分配方案，方案2为本申请实施例的动态矢量信息分配方案，其中，北向位置误差、东向位置误差和垂直位置误差的最大误差值、标准误差值和平均误差值如下表 1所示：
表1
图2E为本申请实施例与相关技术导航速度误差的仿真对比图，如图2E所示，其中包含了北向速度误差211、东向速度误差212和垂直速度误差213的仿真对比图，横轴为时间，纵轴为速度。深灰色曲线表示相关技术的信息分配方法的误差曲线，浅灰色曲线表示本申请实施例的信息分配方法的误差曲线。下表为图2E对应的定速误差统计表，方案1为相关技术的动态矢量信息分配方案，方案2为本申请实施例的动态矢量信息分配方案，其中，北向速度误差、东向速度误差和垂直速度误差的最大误差值、标准误差值和平均误差值如下表 2所示：
表2
本申请实施例所采用的动态矢量信息分配方案所得的位置误差均值、速度误差均值相较于相关技术中所得的相应值有着0.02m和0.002m/s的下降。由位置误差、速度误差对比图可看出，采用本申请实施例设计方案的位置误差与速度误差波动范围减小，误差曲线更加的平缓，系统滤波精度得到进一步的提高。表明本申请实施例设计的动态矢量信息分配算法能有效提高整个导航系统的性能。在考虑系统状态的可观测度时，综合考虑了可观测矩阵奇异值，以及状态对应的观测量的导数最高阶，使用这两者能对系统状态的可观测度进行更为准确的估计。
基于前述的实施例，本申请实施例提供一种导航误差的校正装置，该装置包括所包括的各单元、以及各单元所包括的各模块、以及各模块所包括的各部件，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，CPU(Central Processing Unit，处理器可以为中央处理器)、 MPU(Microprocessor Unit，微处理器)、DSP(Digital Signal Processing，数字信号处理器)或FPGA(FieldProgrammable Gate Array，现场可编程门阵列) 等。
图3为本申请实施例导航误差的校正装置的组成结构示意图，如图3所示，所述装置300包括：
确定单元301，用于确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；
系数分配单元302，用于根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；
滤波单元303，用于根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
融合校正单元304，用于使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
在一些实施例中，所述系数分配单元302，包括：
第一系数确定模块，用于根据所述状态可观测阶数和系统可观测矩阵，确定第一矢量形式的信息分配系数；
第二系数确定模块，用于根据所述系统状态协方差矩阵，确定第二矢量形式的信息分配系数；
系数融合模块，用于将所述第一矢量形式的信息分配系数和所述第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数。
在一些实施例中，所述第一系数确定模块，包括：
状态可观测阶数确定部件，用于根据系统可观测矩阵、直接观测量参数和对所述系统可观测矩阵进行奇异值分解得到的特征向量，确定状态可观测阶数；
可观测性参数确定部件，用于根据所述状态可观测阶数和对所述系统可观测矩阵进行奇异值分解得到的系统状态奇异值，确定状态量的可观测性参数；
系数矩阵确定部件，用于根据所述可观测性参数，确定子导航系统中状态量的第一信息分配系数矩阵。
在一些实施例中，所述状态可观测阶数确定部件，包括：
第一状态可观测阶数确定子部件，用于利用公式Q＝[HT(HF)T…(HFn-1)T]T对系统可观测矩阵进行奇异值分解，得到n个状态分量的奇异值σj和对应的特征向量vj；其中，Q为系统可观测矩阵，H为测量矩阵，F为系统矩阵，n为状态分量的个数，j为大于等于1小于等于n的自然数；
第二状态可观测阶数确定子部件，用于利用公式确定直接观测量参数；其中，Z为直接观测量参数，y为系统的直接观测量；
第三状态可观测阶数确定子部件，用于利用公式确定状态可观测阶数；其中，μj为状态可观测阶数。
在一些实施例中，所述可观测性参数确定部件，包括：
第一可观测性参数确定子部件，用于利用公式γi＝max{μj}，确定奇异值的可观测阶数；其中，γi为奇异值σj对应的状态量xi的可观测阶数，i为子导航系统的标号；
第二可观测性参数确定子部件，用于利用公式确定状态量xi的每一状态分量xij的可观测性参数；其中，j为子导航系统中第j个估计状态。
在一些实施例中，所述系数矩阵确定部件，包括：第一系数矩阵确定子部件，用于利用公式确定状态分量xij的第一信息分配系数；其中，N为子导航系统的个数；
第二系数矩阵确定子部件，用于利用公式确定子导航系统中状态量的第一信息分配系数矩阵。
在一些实施例中，所述第二系数确定模块，包括：特征值分解部件，用于利用公式Pi＝ViΛiVi T，将每一所述子导航系统的状态协方差矩阵进行特征值分解；其中，Λi＝diag{λi1,λi2,…λin}，Pi为协方差矩阵，Vi为所述协方差矩阵进行特征值分解后得到的矩阵，λ为所述协方差矩阵的特征值，n为所述协方差矩阵的阶数，i为子导航系统的标号；
第二系数确定部件，用于利用公式确定状态分量xij的第二信息分配系数；其中，j为子导航系统中第j个估计状态，N为子导航系统的个数；
第二系数矩阵确定部件，用于利用公式确定子导航系统中状态量的第二信息分配系数矩阵。
在一些实施例中，所述系数融合模块，包括：系数融合部件，用于利用公式将子导航系统中状态量的第一信息分配系数矩阵和第二信息分配系数矩阵进行融合，得到矢量形式的联邦滤波信息分配系数；其中，βi为矢量形式的联邦滤波信息分配系数，Bi为状态量的第一信息分配系数矩阵，Ai为状态量的第二信息分配系数矩阵，b为状态分量的第一信息分配系数，α为状态分量的第二信息分配系数，i为子导航系统的标号，n为状态分量的个数。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的导航误差的校正方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机、服务器等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、ROM(Read Only Memory，只读存储器)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
对应地，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中提供的导航误差的校正方法中的步骤。
对应地，本申请实施例提供一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述导航误差的校正方法中的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，图4为本申请实施例计算机设备的一种硬件实体示意图，如图4所示，该计算机设备400的硬件实体包括：处理器401、通信接口402 和存储器403，其中：
处理器401通常控制计算机设备400的总体操作。
通信接口402可以使计算机设备400通过网络与其他终端或服务器通信。
存储器403配置为存储由处理器401可执行的指令和应用，还可以缓存待处理器401以及计算机设备400中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过FLASH(闪存) 或RAM(Random Access Memory，随机访问存储器)实现。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM (Read-OnlyMemory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种导航误差的校正方法，其特征在于，所述方法包括：
确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；
根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；
根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
2.根据权利要求1所述的方法，其特征在于，所述根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，包括：
根据所述状态可观测阶数和系统可观测矩阵，确定第一矢量形式的信息分配系数；
根据所述系统状态协方差矩阵，确定第二矢量形式的信息分配系数；
将所述第一矢量形式的信息分配系数和所述第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述状态可观测阶数和系统可观测矩阵，确定第一矢量形式的信息分配系数，包括：
根据系统可观测矩阵、直接观测量参数和对所述系统可观测矩阵进行奇异值分解得到的特征向量，确定状态可观测阶数；
根据所述状态可观测阶数和对所述系统可观测矩阵进行奇异值分解得到的系统状态奇异值，确定状态量的可观测性参数；
根据所述可观测性参数，确定子导航系统中状态量的第一信息分配系数矩阵。
4.根据权利要求3所述的方法，其特征在于，所述根据系统可观测矩阵、直接观测量参数和对所述系统可观测矩阵进行奇异值分解得到的特征向量，确定状态可观测阶数，包括：
利用公式Q＝[HT(HF)T…(HFn-1)T]T对系统可观测矩阵进行奇异值分解，得到n个状态分量的奇异值σj和对应的特征向量vj；其中，Q为系统可观测矩阵，H为测量矩阵，F为系统矩阵，n为状态分量的个数，j为大于等于1小于等于n的自然数；
利用公式确定直接观测量参数；其中，Z为直接观测量参数，y为系统的直接观测量；
利用公式确定状态可观测阶数；其中，μj为状态可观测阶数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述状态可观测阶数和对所述系统可观测矩阵进行奇异值分解得到的系统状态奇异值，确定状态量的可观测性参数，包括：
利用公式γi＝max{μj}，确定奇异值的可观测阶数；其中，γi为奇异值σj对应的状态量xi的可观测阶数，i为子导航系统的标号；
利用公式确定状态量xi的每一状态分量xij的可观测性参数；其中，j为子导航系统中第j个估计状态。
6.根据权利要求5所述的方法，其特征在于，所述根据所述可观测性参数，确定子导航系统中状态量的第一信息分配系数矩阵，包括：
利用公式确定状态分量xij的第一信息分配系数；其中，N为子导航系统的个数；
利用公式确定子导航系统中状态量的第一信息分配系数矩阵。
7.根据权利要求2所述的方法，其特征在于，所述根据所述系统状态协方差矩阵，确定第二矢量形式的信息分配系数，包括：
利用公式Pi＝ViΛiVi T，将每一所述子导航系统的状态协方差矩阵进行特征值分解；其中，Λi＝diag{λi1,λi2,…λin}，Pi为协方差矩阵，Vi为所述协方差矩阵进行特征值分解后得到的矩阵，λ为所述协方差矩阵的特征值，n为所述协方差矩阵的阶数，i为子导航系统的标号；
利用公式确定状态分量xij的第二信息分配系数；其中，j为子导航系统中第j个估计状态，N为子导航系统的个数；
利用公式确定子导航系统中状态量的第二信息分配系数矩阵。
8.根据权利要求2至7任一项所述的方法，其特征在于，所述将所述第一矢量形式的信息分配系数和第二矢量形式的信息分配系数进行融合，得到矢量形式的联邦滤波信息分配系数，包括：
利用公式将子导航系统中状态量的第一信息分配系数矩阵和第二信息分配系数矩阵进行融合，得到矢量形式的联邦滤波信息分配系数；其中，βi为矢量形式的联邦滤波信息分配系数，Bi为状态量的第一信息分配系数矩阵，Ai为状态量的第二信息分配系数矩阵，b为状态分量的第一信息分配系数，α为状态分量的第二信息分配系数，i为子导航系统的标号，n为状态分量的个数。
9.一种导航误差的校正装置，其特征在于，所述装置包括：
确定单元，用于确定组合导航系统中的参考导航系统和所述组合导航系统中的M个子导航系统，其中，M为大于等于1的自然数；
系数分配单元，用于根据每一所述子导航系统的状态可观测阶数、系统可观测矩阵和系统状态协方差矩阵，确定矢量形式的联邦滤波信息分配系数，以使对应的子导航系统的每一状态变量具有不同的信息分配系数；
滤波单元，用于根据所述联邦滤波信息分配系数，确定每一所述子导航系统对应的局部滤波器的滤波结果；
融合校正单元，用于使用联邦滤波器对每一所述局部滤波器的滤波结果进行信息融合，得到所述参考导航系统的全局最优估计值，以对所述参考导航系统的导航误差进行校正。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8任一项所述导航误差的校正方法中的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8任一项所述导航误差的校正方法中的步骤。
CN201910754956.3A 2019-08-15 2019-08-15 一种导航误差的校正方法及装置、设备和存储介质 Pending CN110487298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910754956.3A CN110487298A (zh) 2019-08-15 2019-08-15 一种导航误差的校正方法及装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910754956.3A CN110487298A (zh) 2019-08-15 2019-08-15 一种导航误差的校正方法及装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN110487298A true CN110487298A (zh) 2019-11-22

Family

ID=68551220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910754956.3A Pending CN110487298A (zh) 2019-08-15 2019-08-15 一种导航误差的校正方法及装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110487298A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113739768A (zh) * 2021-09-06 2021-12-03 北京智源人工智能研究院 基于卡尔曼滤波的视觉目标处理方法、装置、设备及介质
CN116105743A (zh) * 2023-04-17 2023-05-12 山东大学 一种联邦滤波系统信息因子分配方法及水下导航系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353378A (zh) * 2011-09-09 2012-02-15 南京航空航天大学 一种矢量形式信息分配系数的自适应联邦滤波方法
CN103759733A (zh) * 2013-10-29 2014-04-30 南昌大学 基于联邦滤波的ins/vkm/vdm车载导航系统
CN104567880A (zh) * 2014-12-23 2015-04-29 北京理工大学 一种基于多源信息融合的火星最终接近段自主导航方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353378A (zh) * 2011-09-09 2012-02-15 南京航空航天大学 一种矢量形式信息分配系数的自适应联邦滤波方法
CN103759733A (zh) * 2013-10-29 2014-04-30 南昌大学 基于联邦滤波的ins/vkm/vdm车载导航系统
CN104567880A (zh) * 2014-12-23 2015-04-29 北京理工大学 一种基于多源信息融合的火星最终接近段自主导航方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李志杰: "多源信息融合中时间同步及信息分配研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113739768A (zh) * 2021-09-06 2021-12-03 北京智源人工智能研究院 基于卡尔曼滤波的视觉目标处理方法、装置、设备及介质
CN116105743A (zh) * 2023-04-17 2023-05-12 山东大学 一种联邦滤波系统信息因子分配方法及水下导航系统

Similar Documents

Publication Publication Date Title
Chen et al. Probabilistic modeling of traffic lanes from GPS traces
CN110363210B (zh) 一种图像语义分割模型的训练方法和服务器
Xu et al. A cost-effective vehicle localization solution using an interacting multiple model− unscented Kalman filters (IMM-UKF) algorithm and grey neural network
Nefedyev et al. Analysis of data of “CLEMENTINE” and “KAGUYA” missions and “ULCN” and “KSC-1162” catalogues
Kang et al. A novel grid SINS/DVL integrated navigation algorithm for marine application
CN109313268A (zh) 具有宽巷偏差校正值和窄巷偏差校正值的导航卫星的轨道和低延时时钟的确定
CN110487298A (zh) 一种导航误差的校正方法及装置、设备和存储介质
CN112902989B (zh) 数据误差标定方法、装置、电子设备和存储介质
Lee et al. Precision, accuracy, and costs of survey methods for giraffe Giraffa camelopardalis
CN111507732A (zh) 用于识别相似轨迹的系统和方法
Losser et al. A spatiotemporal interpolation method using radial basis functions for geospatiotemporal big data
CN110069868A (zh) Gnss测站非线性运动建模方法与装置
Anselin et al. Spatial fixed effects and spatial dependence
Randeni P et al. Determining the horizontal and vertical water velocity components of a turbulent water column using the motion response of an autonomous underwater vehicle
Cheng et al. A new polar transfer alignment algorithm with the aid of a star sensor and based on an adaptive unscented Kalman filter
CN109684561B (zh) 基于用户签到行为变化的深层语义分析的兴趣点推荐方法
CN105893998A (zh) 一种指定区域内的实点的密度估计方法和装置
CN111382619A (zh) 图片推荐模型的生成、图片推荐方法、装置、设备及介质
Hedley Modelling heterogeneity in cetacean surveys
Zhao et al. A new polar alignment algorithm based on the Huber estimation filter with the aid of BeiDou Navigation Satellite System
Li et al. Assessment of contemporary Antarctic GIA models using high-precision GPS time series
Fan et al. Research on vehicle attitude and heading reference system based on multi-sensor information fusion
Buendia-Buendia et al. Determining geostrophic wind direction in a rainfall forecast expert system
Wu et al. Application of an annual phase-augmented clustering approach to annual detection of vertical GPS station deformation
Wiehl et al. How Baltic sea water mass variations mask the postglacial rebound signal in CHAMP and GRACE gravity field solutions

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191122