CN110501732A - 一种多卫星分布式导航滤波计算方法 - Google Patents
一种多卫星分布式导航滤波计算方法 Download PDFInfo
- Publication number
- CN110501732A CN110501732A CN201910672419.4A CN201910672419A CN110501732A CN 110501732 A CN110501732 A CN 110501732A CN 201910672419 A CN201910672419 A CN 201910672419A CN 110501732 A CN110501732 A CN 110501732A
- Authority
- CN
- China
- Prior art keywords
- indicate
- moment
- filter
- motion model
- jth group
- 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
- G01S19/42—Determining position
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0202—Two or more dimensional filters; Filters for complex signals
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0202—Two or more dimensional filters; Filters for complex signals
- H03H2017/0205—Kalman filters
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种多卫星分布式导航滤波计算方法,通过将卡尔曼滤波‑交互式多模型算法和协方差交叉法进行组合,得到一种精度较高的组合式递推滤波计算方法,并通过将该递推滤波计算方法得到的上一时刻的最终状态估计结果作为下一时刻滤波递推的全状态补偿反馈,可以大大提高导航滤波计算方法的估计精度。
Description
技术领域
本发明涉及地球观测与导航技术领域,尤其涉及一种多卫星分布式导航滤波计算方法。
背景技术
卫星导航技术凭借全球覆盖、全天候工作等十分具有实际应用价值和应用潜力的特点,广泛应用于各个领域。
为了实现精确可靠的卫星导航,其导航滤波算法是核心要点。一般通过卫星导航实现对地面目标物体的定位,需要接收至少四个卫星的数据,对目标物体的位置进行实时解算。
在日常生活中,城市建设飞速发展,导致城市交通路况极为复杂,对复杂路况下的目标物体进行导航是生活中的迫切需要,也对导航系统的导航精度提出了更高的要求。
发明内容
有鉴于此,本发明提供了一种多卫星分布式导航滤波计算方法,用以提高现有导航滤波算法的精度。
因此,本发明提供了一种多卫星分布式导航滤波计算方法,包括如下步骤:
S1:确定待导航物体的初始状态,建立所述待导航物体的多种运动模型;
S2:收集当前时刻M颗卫星对所述待导航物体的定位信息,随机选取每N 颗卫星收集的定位信息作为一组测量数据;其中,M为不小于4的整数,N为小于M且不小于3的整数;
S3:采用卡尔曼滤波-交互式多模型算法,选取多组测量数据,并利用上一时刻的最终状态估计结果作为全状态反馈进行计算,得到当前时刻的多组状态估计结果;
S4:利用协方差交叉法将得到的多组状态估计结果进行融合,得到当前时刻的最终状态估计结果;
返回步骤S2,进行下一时刻的状态估计。
在一种可能的实现方式中,在本发明提供的上述多卫星分布式导航滤波计算方法中,步骤S3,采用卡尔曼滤波-交互式多模型算法,选取多组测量数据,并利用上一时刻的最终状态估计结果作为全状态反馈进行计算,得到当前时刻的多组状态估计结果,具体包括如下步骤:
S31:计算上一时刻各所述运动模型对应的滤波器的输出在当前时刻各所述滤波器的输入中所占的比例,用于加权融合;
S32:通过融合上一时刻各所述滤波器的输出,形成混合估计,作为当前时刻各所述滤波器的输入;
S33:利用卡尔曼滤波器对每个运动模型进行滤波;
S34:计算每个运动模型对应的滤波器输出结果的出现概率,作为最终的融合权重;
S35:将各所述滤波器的输出结果进行加权融合。
在一种可能的实现方式中,在本发明提供的上述多卫星分布式导航滤波计算方法中,步骤S33,利用卡尔曼滤波器对每个运动模型进行滤波,具体包括:
利用卡尔曼滤波器进行滤波如下:
其中,表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计,表示k-1时刻第i个运动模型的状态转移矩阵,表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计误差协方差矩阵,表示k-1时刻第 j组滤波器中第i个运动模型的混合状态估计误差协方差矩阵,表示k-1时刻第i个运动模型的噪声分布矩阵,表示k-1时刻第i个运动模型的噪声协方差矩阵,表示k时刻第j组滤波器中第i个运动模型的测量预测残差,zj,k表示k时刻第j组滤波器的测量,表示k时刻第j组滤波器中第i个测量矩阵,表示k时刻第j组滤波器中第i个测量残差协方差矩阵,表示k时刻第j组滤波器中第i个测量噪声协方差矩阵,表示k时刻第j组滤波器中第i个测量的似然函数,表示k时刻第j组滤波器中第i个滤波增益矩阵,表示k时刻第j组滤波器中第i个全状态反馈矩阵,λ表示调节参数,表示k时刻第j 组滤波器中第i个运动模型的状态估计,表示k时刻的所有滤波器估计结果融合之后的最终估计,表示k时刻第j组滤波器中第i个运动模型的状态估计误差协方差矩阵。
本发明提供的上述多卫星分布式导航滤波计算方法,通过将卡尔曼滤波- 交互式多模型算法和协方差交叉法进行组合,得到一种精度较高的组合式递推滤波计算方法,并通过将该递推滤波计算方法得到的上一时刻的最终状态估计结果作为下一时刻滤波递推的全状态补偿反馈,可以大大提高导航滤波计算方法的估计精度。
附图说明
图1为本发明实施例提供的多卫星分布式导航滤波计算方法的流程图之一;
图2为本发明实施例提供的多卫星分布式导航滤波计算方法的流程图之二。
具体实施方式
下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整的描述,显然,所描述的实施方式仅仅是作为例示,并非用于限制本申请。
本发明实施例提供的一种多卫星分布式导航滤波计算方法,如图1所示,包括如下步骤:
S1:确定待导航物体的初始状态,建立待导航物体的多种运动模型;
S2:收集当前时刻M颗卫星对待导航物体的定位信息,随机选取每N颗卫星收集的定位信息作为一组测量数据;其中,M为不小于4的整数,N为小于M且不小于3的整数;
S3:采用卡尔曼滤波-交互式多模型算法,选取多组测量数据,并利用上一时刻的最终状态估计结果作为全状态反馈进行计算,得到当前时刻的多组状态估计结果;
S4:利用协方差交叉法将得到的多组状态估计结果进行融合,得到当前时刻的最终状态估计结果;
返回步骤S2,进行下一时刻的状态估计。
本发明实施例提供的上述多卫星分布式导航滤波计算方法,通过将卡尔曼滤波-交互式多模型算法和协方差交叉法进行组合,得到一种精度较高的组合式递推滤波计算方法,并通过将该递推滤波计算方法得到的上一时刻的最终状态估计结果作为下一时刻滤波递推的全状态补偿反馈,可以大大提高导航滤波计算方法的估计精度。
需要说明的是,在执行本发明实施例提供的上述多卫星分布式导航滤波计算方法中的步骤S3,采用卡尔曼滤波-交互式多模型算法,选取多组测量数据,并利用上一时刻的最终状态估计结果作为全状态反馈进行计算,得到当前时刻的多组状态估计结果时,如果当前时刻为第一时刻,不存在上一时刻的最终状态估计结果,在计算第一时刻的多组状态估计结果时,直接采用卡尔曼滤波- 交互式多模型算法,选取多组测量数据进行计算,得到第一时刻的多组状态估计结果。
在具体实施时,在执行本发明实施例提供的上述多卫星分布式导航滤波计算方法中的步骤S2,收集当前时刻M颗卫星对待导航物体的定位信息,随机选取每N颗卫星收集的定位信息作为一组测量数据时,例如,可以收集当前时刻五颗卫星对待导航物体的定位信息,随机选取每四颗卫星收集的定位信息作为一组测量数据,这样,总共得到五组测量数据。
在具体实施时,在执行本发明实施例提供的上述多卫星分布式导航滤波计算方法中的步骤S3,采用卡尔曼滤波-交互式多模型算法,选取多组测量数据,并利用上一时刻的最终状态估计结果作为全状态反馈进行计算,得到当前时刻的多组状态估计结果时,如图2所示,具体可以包括如下步骤:
S31:计算上一时刻各运动模型对应的滤波器的输出在当前时刻各滤波器的输入中所占的比例,用于加权融合;
具体地,利用如下公式(1)进行计算:
其中,表示k-1时刻第j组滤波器中第i个运动模型与第s个运动模型的混合概率,πis表示从运动模型i切换到运动模型s的转移概率,表示第j组滤波器中第i个运动模型在k-1时刻的运动模型概率;
S32:通过融合上一时刻各滤波器的输出,形成混合估计,作为当前时刻各滤波器的输入;
具体地,利用如下公式(2)进行融合:
其中,表示k-1时刻第j组滤波器中第s个运动模型的混合状态估计,表示k-1时刻第j组滤波器中第i个运动模型的状态估计,表示 k-1时刻第j组滤波器中第s个运动模型的混合状态估计误差协方差矩阵,表示k-1时刻第j组滤波器中第i个运动模型的状态估计误差协方差矩阵;
S33:利用卡尔曼滤波器对每个运动模型进行滤波;
具体地,利用卡尔曼滤波器进行滤波如下:
其中,表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计,表示k-1时刻第i个运动模型的状态转移矩阵,表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计误差协方差矩阵,表示k-1时刻第 j组滤波器中第i个运动模型的混合状态估计误差协方差矩阵,表示k-1时刻第i个运动模型的噪声分布矩阵,表示k-1时刻第i个运动模型的噪声协方差矩阵,表示k时刻第j组滤波器中第i个运动模型的测量预测残差,zj,k表示k时刻第j组滤波器的测量,表示k时刻第j组滤波器中第i个测量矩阵,表示k时刻第j组滤波器中第i个测量残差协方差矩阵,表示k时刻第j组滤波器中第i个测量噪声协方差矩阵,表示k时刻第j组滤波器中第i个测量的似然函数,表示k时刻第j组滤波器中第i个滤波增益矩阵,表示k时刻第j组滤波器中第i个全状态反馈矩阵,λ表示调节参数,表示k时刻第j 组滤波器中第i个运动模型的状态估计,表示k时刻的所有滤波器估计结果融合之后的最终估计,表示k时刻第j组滤波器中第i个运动模型的状态估计误差协方差矩阵;
S34:计算每个运动模型对应的滤波器输出结果的出现概率,作为最终的融合权重;
具体地,可以利用如下公式(4)进行计算:
其中,表示第j组滤波器中第i个运动模型在k时刻的运动模型概率,πij表示表示从运动模型i切换到运动模型j的转移概率,表示第j组滤波器中第i个运动模型在k-1时刻的运动模型概率,c表示归一化常数;
S35:将各滤波器的输出结果进行加权融合;
具体地,可以利用如下公式(5)进行加权融合:
其中,表示k时刻第j组滤波器的状态估计,表示k时刻第j组滤波器中第i个运动模型的状态估计,Pj,k|k表示k时刻第j组滤波器的状态估计误差协方差矩阵。
在具体实施时,在执行本发明实施例提供的上述多卫星分布式导航滤波计算方法中的步骤S4,利用协方差交叉法将得到的多组状态估计结果进行融合,得到当前时刻的最终状态估计结果时,具体可以利用如下公式(6)进行融合:
其中,Pk|k表示k时刻的所有滤波器估计结果融合之后的最终估计误差协方差矩阵,ω1表示第1组滤波器的权重,P1,k|k表示k时刻的第1组滤波器的状态估计误差协方差矩阵,ω2表示第2组滤波器的权重,P2,k|k表示k时刻的第2组滤波器的状态估计误差协方差矩阵,ωn表示第n组滤波器的权重,Pn,k|k表示k时刻的第n组滤波器的状态估计误差协方差矩阵,表示k时刻的第1组滤波器的状态估计,表示k时刻的第2组滤波器的状态估计,表示k时刻的第n组滤波器的状态估计。
需要说明的是,本发明实施例提供的上述多卫星分布式导航滤波计算方法,可用于对地面移动的物体进行导航,例如,地面车辆、地面行人等,或者,也可用于对天空移动的物体进行导航,例如,飞机等。
本发明实施例提供的上述多卫星分布式导航滤波计算方法,通过将卡尔曼滤波-交互式多模型算法和协方差交叉法进行组合,得到一种精度较高的组合式递推滤波计算方法,并通过将该递推滤波计算方法得到的上一时刻的最终状态估计结果作为下一时刻滤波递推的全状态补偿反馈,可以大大提高导航滤波计算方法的估计精度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种多卫星分布式导航滤波计算方法,其特征在于,包括如下步骤:
S1:确定待导航物体的初始状态,建立所述待导航物体的多种运动模型;
S2:收集当前时刻M颗卫星对所述待导航物体的定位信息,随机选取每N颗卫星收集的定位信息作为一组测量数据;其中,M为不小于4的整数,N为小于M且不小于3的整数;
S3:采用卡尔曼滤波-交互式多模型算法,选取多组测量数据,并利用上一时刻的最终状态估计结果作为全状态反馈进行计算,得到当前时刻的多组状态估计结果;
S4:利用协方差交叉法将得到的多组状态估计结果进行融合,得到当前时刻的最终状态估计结果;
返回步骤S2,进行下一时刻的状态估计。
2.如权利要求1所述的多卫星分布式导航滤波计算方法,其特征在于,步骤S3,采用卡尔曼滤波-交互式多模型算法,选取多组测量数据,并利用上一时刻的最终状态估计结果作为全状态反馈进行计算,得到当前时刻的多组状态估计结果,具体包括如下步骤:
S31:计算上一时刻各所述运动模型对应的滤波器的输出在当前时刻各所述滤波器的输入中所占的比例,用于加权融合;
S32:通过融合上一时刻各所述滤波器的输出,形成混合估计,作为当前时刻各所述滤波器的输入;
S33:利用卡尔曼滤波器对每个运动模型进行滤波;
S34:计算每个运动模型对应的滤波器输出结果的出现概率,作为最终的融合权重;
S35:将各所述滤波器的输出结果进行加权融合。
3.如权利要求2所述的多卫星分布式导航滤波计算方法,其特征在于,步骤S33,利用卡尔曼滤波器对每个运动模型进行滤波,具体包括:
利用卡尔曼滤波器进行滤波如下:
其中,表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计,表示k-1时刻第i个运动模型的状态转移矩阵,表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计误差协方差矩阵,表示k-1时刻第j组滤波器中第i个运动模型的混合状态估计误差协方差矩阵,表示k-1时刻第i个运动模型的噪声分布矩阵,表示k-1时刻第i个运动模型的噪声协方差矩阵,表示k时刻第j组滤波器中第i个运动模型的测量预测残差,zj,k表示k时刻第j组滤波器的测量,表示k时刻第j组滤波器中第i个测量矩阵,表示k时刻第j组滤波器中第i个测量残差协方差矩阵,表示k时刻第j组滤波器中第i个测量噪声协方差矩阵,表示k时刻第j组滤波器中第i个测量的似然函数,表示k时刻第j组滤波器中第i个滤波增益矩阵,表示k时刻第j组滤波器中第i个全状态反馈矩阵,λ表示调节参数,表示k时刻第j组滤波器中第i个运动模型的状态估计,表示k时刻的所有滤波器估计结果融合之后的最终估计,表示k时刻第j组滤波器中第i个运动模型的状态估计误差协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672419.4A CN110501732B (zh) | 2019-07-24 | 2019-07-24 | 一种多卫星分布式导航滤波计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672419.4A CN110501732B (zh) | 2019-07-24 | 2019-07-24 | 一种多卫星分布式导航滤波计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110501732A true CN110501732A (zh) | 2019-11-26 |
CN110501732B CN110501732B (zh) | 2021-09-24 |
Family
ID=68586871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910672419.4A Active CN110501732B (zh) | 2019-07-24 | 2019-07-24 | 一种多卫星分布式导航滤波计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110501732B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
WO2008040658A1 (fr) * | 2006-10-06 | 2008-04-10 | Thales | Procede et dispositif de surveillance de l'integrite des informations delivrees par un systeme hybride ins/gnss |
US7551133B2 (en) * | 2007-04-05 | 2009-06-23 | Sirf Technology, Inc. | GPS navigation using interacting multiple model (IMM) estimator and probabilistic data association filter (PDAF) |
US20100049439A1 (en) * | 2006-11-07 | 2010-02-25 | Electronics And Telecommunications Research Institute | Apparatus for integrated navigation based on multi filter fusion and method for providing navigation information using the same |
US20100188284A1 (en) * | 2009-01-26 | 2010-07-29 | Seiko Epson Corporation | Position calculating method and position calculating device |
RU2408031C2 (ru) * | 2009-02-02 | 2010-12-27 | Общество с ограниченной ответственностью "ОКБ Траверз" | Способ сопровождения пилотируемой воздушной цели |
CN103368527A (zh) * | 2012-03-13 | 2013-10-23 | 罗伯特·博世有限公司 | 用于传感器数据的滤波方法和滤波设备 |
CN104020480A (zh) * | 2014-06-17 | 2014-09-03 | 北京理工大学 | 一种带自适应因子的交互式多模型ukf的卫星导航方法 |
CN104331623A (zh) * | 2014-11-06 | 2015-02-04 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波算法 |
KR101502721B1 (ko) * | 2014-02-06 | 2015-03-24 | 군산대학교산학협력단 | 적응형 상호작용 다중모델 추정기를 이용한 정밀 위치정보 제공 방법 및 장치 |
CN104833357A (zh) * | 2015-04-16 | 2015-08-12 | 中国科学院光电研究院 | 一种多系统多模型混合交互式信息融合定位方法 |
CN105549049A (zh) * | 2015-12-04 | 2016-05-04 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
CN106772524A (zh) * | 2016-11-25 | 2017-05-31 | 安徽科技学院 | 一种基于秩滤波的农业机器人组合导航信息融合方法 |
CN107832575A (zh) * | 2017-10-10 | 2018-03-23 | 中国航空无线电电子研究所 | 基于伪测量的带反馈机动目标异步航迹融合算法 |
CN109597104A (zh) * | 2018-10-22 | 2019-04-09 | 中国科学院光电研究院 | 一种采用多模型多系统对目标跟踪定位的方法 |
CN109813299A (zh) * | 2019-03-06 | 2019-05-28 | 南京理工大学 | 一种基于交互多模型的组合导航信息融合方法 |
-
2019
- 2019-07-24 CN CN201910672419.4A patent/CN110501732B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
WO2008040658A1 (fr) * | 2006-10-06 | 2008-04-10 | Thales | Procede et dispositif de surveillance de l'integrite des informations delivrees par un systeme hybride ins/gnss |
US20100026567A1 (en) * | 2006-10-06 | 2010-02-04 | Thales | Hybrid ins/gnss system with integrity monitoring and method for integrity monitoring |
US20100049439A1 (en) * | 2006-11-07 | 2010-02-25 | Electronics And Telecommunications Research Institute | Apparatus for integrated navigation based on multi filter fusion and method for providing navigation information using the same |
US7551133B2 (en) * | 2007-04-05 | 2009-06-23 | Sirf Technology, Inc. | GPS navigation using interacting multiple model (IMM) estimator and probabilistic data association filter (PDAF) |
US20100188284A1 (en) * | 2009-01-26 | 2010-07-29 | Seiko Epson Corporation | Position calculating method and position calculating device |
RU2408031C2 (ru) * | 2009-02-02 | 2010-12-27 | Общество с ограниченной ответственностью "ОКБ Траверз" | Способ сопровождения пилотируемой воздушной цели |
CN103368527A (zh) * | 2012-03-13 | 2013-10-23 | 罗伯特·博世有限公司 | 用于传感器数据的滤波方法和滤波设备 |
KR101502721B1 (ko) * | 2014-02-06 | 2015-03-24 | 군산대학교산학협력단 | 적응형 상호작용 다중모델 추정기를 이용한 정밀 위치정보 제공 방법 및 장치 |
CN104020480A (zh) * | 2014-06-17 | 2014-09-03 | 北京理工大学 | 一种带自适应因子的交互式多模型ukf的卫星导航方法 |
CN104331623A (zh) * | 2014-11-06 | 2015-02-04 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波算法 |
CN104833357A (zh) * | 2015-04-16 | 2015-08-12 | 中国科学院光电研究院 | 一种多系统多模型混合交互式信息融合定位方法 |
CN105549049A (zh) * | 2015-12-04 | 2016-05-04 | 西北农林科技大学 | 一种应用于gps导航的自适应卡尔曼滤波算法 |
CN106772524A (zh) * | 2016-11-25 | 2017-05-31 | 安徽科技学院 | 一种基于秩滤波的农业机器人组合导航信息融合方法 |
CN107832575A (zh) * | 2017-10-10 | 2018-03-23 | 中国航空无线电电子研究所 | 基于伪测量的带反馈机动目标异步航迹融合算法 |
CN109597104A (zh) * | 2018-10-22 | 2019-04-09 | 中国科学院光电研究院 | 一种采用多模型多系统对目标跟踪定位的方法 |
CN109813299A (zh) * | 2019-03-06 | 2019-05-28 | 南京理工大学 | 一种基于交互多模型的组合导航信息融合方法 |
Non-Patent Citations (10)
Title |
---|
N. TUDOROIU; K. KHORASANI: "《Fault detection and diagnosis for satellite"s attitude control system (ACS) using an interactive multiple model (IMM) approach》", 《PROCEEDINGS OF 2005 IEEE CONFERENCE ON CONTROL APPLICATIONS》 * |
QIMING ZHANG; KAI XIONG; WENLING LI; YANG LIU: "《Kalman filter for multi-target tracking with integrated measurements subject to signal attenuation》", 《2019 IEEE 15TH INTERNATIONAL CONFERENCE ON CONTROL AND AUTOMATION (ICCA)》 * |
WENLING LI; YINGMIN JIA; DEYUAN MENG; JUNPING DU: "《Distributed tracking of extended targets using random matrices》", 《2015 54TH IEEE CONFERENCE ON DECISION AND CONTROL (CDC)》 * |
万建伟、王玲: "《信号处理仿真技术》", 31 March 2008, 国防科技大学出版社 * |
刘杨; 金天; 李华军: "《微弱GPS信号捕获中的远近效应消除方法》", 《系统工程与电子技术》 * |
吕洋 , 邱磊 , 王浩 , 易大江: "《联邦卡尔曼滤波技术在多卫星组合导航系统中的应用》", 《电脑知识与技术》 * |
柏慧风: "《VTS系统中多传感器融合处理的实现》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
袁寒寒: "《基于多模型交互算法在三维定位导航中的应用与研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
马静, 孙书利: "《广义系统信息融合稳态与自校正满阶Kalman滤波器》", 《控制理论与应用》 * |
高颖等: "《机动目标的IMM扩展卡尔曼滤波时间配准算法》", 《西北工业大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110501732B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106643714B (zh) | 一种自主实时机载地形辅助惯性导航方法和系统 | |
KR102373472B1 (ko) | 각 영역에서 최적화된 자율 주행을 수행할 수 있도록 위치 기반 알고리즘 선택을 통해 심리스 파라미터 변경을 수행하는 방법 및 장치 | |
DE112008002434T5 (de) | Navigationsausrüstung | |
CN112432649A (zh) | 一种引入威胁因子的启发式无人机蜂群航迹规划方法 | |
DE112010001235T5 (de) | Verfahren und Vorrichtung zum Verbessern einer GPS-Empfängergenauigkeit unter Verwendung einer eingebetteten Kartendatenbank | |
CN109459045A (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
Lavis et al. | Dynamic space reconfiguration for Bayesian search and tracking with moving targets | |
CN105279581A (zh) | 基于差分进化的geo-uav双基sar路径规划方法 | |
CN107607122B (zh) | 面向室内定位的位置指纹库构建和动态更新方法 | |
CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
CN114562992A (zh) | 一种基于因子图及场景约束的多径环境组合导航方法 | |
CN110866477A (zh) | 一种轨迹运动模式识别方法及装置 | |
KR20160048530A (ko) | 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 | |
CN111027627A (zh) | 一种基于多层感知机的振动信息地形分类识别方法 | |
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 | |
Qu et al. | A novel interacting multiple model algorithm | |
Sun et al. | Using dual‐polarization GPS antenna with optimized adaptive neuro‐fuzzy inference system to improve single point positioning accuracy in urban canyons | |
Suzuki | Mobile robot localization with GNSS multipath detection using pseudorange residuals | |
US20210397198A1 (en) | Enhanced vehicle operation | |
CN104501815A (zh) | 一种水下自主航行器导航远程导航方法 | |
CN115980765A (zh) | 一种基于环境感知辅助粒子滤波的车辆定位方法 | |
CN109781118A (zh) | 一种无人车的位置跟踪方法 | |
CN110501732A (zh) | 一种多卫星分布式导航滤波计算方法 | |
DE102011111342B3 (de) | Verfahren zur Positionsbestimmung von sich bewegenden Objekten | |
CN106384152A (zh) | 基于萤火虫群优化的pf空间非合作目标轨道预测方法 |
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 |