CN110716219A - 一种提高定位解算精度的方法 - Google Patents
一种提高定位解算精度的方法 Download PDFInfo
- Publication number
- CN110716219A CN110716219A CN201810758818.8A CN201810758818A CN110716219A CN 110716219 A CN110716219 A CN 110716219A CN 201810758818 A CN201810758818 A CN 201810758818A CN 110716219 A CN110716219 A CN 110716219A
- Authority
- CN
- China
- Prior art keywords
- state
- error
- matrix
- covariance matrix
- kalman filtering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
- G01S19/29—Acquisition or tracking or demodulation of signals transmitted by the system carrier including Doppler, related
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种提高定位解算精度的方法,模拟源运行场景文件,接收机通过天线接收模拟的导航信号,经过捕获跟踪得到伪距,多普勒等参数,进行最小二乘解算,得到初始定位结果后,初始化卡尔曼滤波,启用卡尔曼滤波进行定位解算。采用上述方案,提高卡尔曼滤波定位解算精度的方法,在原始的卡尔曼滤波中引入了迭代的思想,使得量测更新过程进行了两次,并且第二次量测更新过程利用了校正了部分误差后的预测数据,最终得到的结果将更加精确,更利于提高在高动态环境下的定位效果。
Description
技术领域
本发明涉及卫星接收机中定位解算技术领域,尤其涉及的是一种提高定位解算精度的方法。
背景技术
在全球定位卫星系统(GNSS)中,通常使用最小二乘法进行位置速度解算,但接收机对于卫星信号的跟踪能力有限,定位参数的测量信息中可能存在着大部分难以消除的随机误差。卡尔曼滤波能够可以充分利用用户的运动特性和接收机提供的观测量的统计特性,对系统状态量进行最优估计,以满足在高动态环境下对定位精度的需求。在卡尔曼滤波的量测过程中使用的是预测过程计算出的系统状态量,预测值的不确定性较大,增大了量测过程的误差。
卡尔曼滤波算法的基本思想是以最小均方误差为最佳估计准则,采用信号和噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来校正对状态量的估计,求出当前时刻的估计值。自1960年由R.E.Kalman提出以来,国内外学者做了大量的研究和扩展,提出了包括扩展卡尔曼滤波,无迹卡尔曼滤波,中心分布卡尔曼滤波在内的多种方案。它们将最初只能用于线性系统的卡尔曼滤波应用到了非线性系统中,满足了实际应用的需求。
但在实际使用中,卡尔曼滤波可能会遇到、模型不准确、初值设置不正确等问题导致精度降低甚至是发散。为了解决滤波发散导致的精度降低,自适应卡尔曼滤波及其改进算法,“冻结”增益矩阵等方法被提出并取得了一定的效果,但不能整体的提升定位精度。在高动态环境下,现有技术采用适合目标强烈机动的“当前”统计模型进行运动状态建模,从而来提高卡尔曼滤波在高动态环境下的定位效果。选择合适的动态模型固然能够很好的解决问题,但实际运用中,也许很难找到合适的模型,并且为每一个动态场景建立模型耗费时间和精力。
因此,现有技术存在缺陷,需要改进。
发明内容
本发明在卡尔曼滤波过程中加入迭代思想,利用第一次卡尔曼滤波后的精确的系统状态向量重新计算伪距残差、多普勒残差等,再进行一次量测更新过程,以提高一次卡尔曼滤波的精度,用于提高在高动态环境下的定位效果。本发明提供一种提高定位解算精度的方法。
本发明的技术方案如下:
一种提高定位解算精度的方法,包括以下步骤:
步骤1:计算观测量的统计值,包括伪距、载波相位、多普勒观测量;
步骤2:根据统计值,对系统状态量进行最优估计,以满足在高动态环境下对定位精度的需求。
进一步而言,所述步骤2还具体包括以下步骤:
步骤201:对卡尔曼滤波状态量及其误差协方差阵进行一步预测;
步骤202:利用一步预测值计算滤波增益矩阵和观测量残差,校正状态向量及其协方差阵;
步骤203:用校正后的值替代一步预测值,迭代计算状态向量及其误差协方差矩阵。
进一步而言,所述步骤201还具体包括:卡尔曼滤波时间更新阶段,首先根据用户的机动状态,确定状态转移矩阵,计算过程噪声方差阵Qk-1,完成对滤波状态量及其误差协方差阵Pk|k-1的一步预测过程,具体用公式表示如下:状态一步预测方程,用于在时间上更新滤波状态量的先验估计值:
进一步而言,所述步骤202还包括:卡尔曼滤波量测更新阶段,首先要用预测的量计算卡尔曼滤波增益值Kk和测量残差,然后对滤波状态量误差协方差阵Pk/k-1进行校正,得到更新后的状态估计值和误差协方差矩阵估计值Pk,在此过程中,加入了对滤波是否会发散的判断和逻辑控制机制,保持滤波效果的稳定性,具体用下面公式表示:
滤波增益方程,用于计算卡尔曼滤波增益矩阵:
Kk=Pk/k-1Hk T[HkPk/k-1Hk T+Rk]-1;其中,Kk:滤波增益矩阵;Hk:观测矩阵;Rk:测量噪声向量协方差矩阵;
状态估计计算方程:
协方差误差估计方程:
Pk=[I-KkHk]Pk/k-1;其中,Pk:估计误差协方差矩阵。
采用上述方案,给出了一种在无法建立准确模型和给定准确初始值的情况下,提高卡尔曼滤波定位解算精度的方法,在原始的卡尔曼滤波中引入了迭代的思想,使得量测更新过程进行了两次,并且第二次量测更新过程利用了校正了部分误差后的预测数据,最终得到的结果将更加精确,更利于提高在高动态环境下的定位效果。有的时候,理论分析和多次的试验不仅耗时而且不一定能够寻找准确的运动模型,本申请提出的方法可以快速简单的解决这个问题。
附图说明
图1为本发明方法流程图。
图2为本发明场景和速度示意图。
图3为本发明位置偏差示意图。
图4为本发明速度偏差示意图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。但是,本发明可以采用许多不同的形式来实现,并不限于本说明书所描述的实施例。需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限制本发明。本说明书所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明提供一种提高定位解算精度的方法,
步骤1:计算观测量的统计值,包括伪距、载波相位、多普勒观测量;
步骤2:根据统计值,对系统状态量进行最优估计,以满足在高动态环境下对定位精度的需求。
如图1所示,为本发明方法流程图,其中步骤2中对系统状态量的最优估计还具体包括以下步骤内容:
步骤201:对卡尔曼滤波状态量及其误差协方差阵进行一步预测;
步骤202:利用一步预测值计算滤波增益矩阵和观测量残差,校正状态向量及其协方差阵;
步骤203:用校正后的值替代一步预测值,迭代计算状态向量及其误差协方差矩阵。步骤201:卡尔曼滤波时间更新阶段,首先根据用户的机动状态,确定状态转移矩阵,计算过程噪声方差阵Qk-1,完成对滤波状态量及其误差协方差阵Pk|k-1的一步预测过程,具体用公式表示如下:
状态一步预测方程,用于在时间上更新滤波状态量的先验估计值:
协方差误差预测方程:
步骤202:卡尔曼滤波量测更新阶段,首先要用步骤201中预测的量计算卡尔曼滤波增益值Kk和测量残差,然后对滤波状态量误差协方差阵Pk|k-1进行校正,得到更新后的状态估计值和误差协方差矩阵估计值Pk,在此过程中,加入了对滤波是否会发散的判断和逻辑控制机制,保持滤波效果的稳定性,具体用下面公式表示:
滤波增益方程,用于计算卡尔曼滤波增益矩阵:
Kk=Pk/k-1Hk T[HkPk/k-1Hk T+Rk]-1
状态估计计算方程:
协方差误差估计方程:
Pk=[I-KkHk]Pk/k-1
上述步骤公式中的参数描述为:
2)Pk|k-1:预测误差协方差矩阵;
3)Qk-1:过程噪声向量协方差矩阵;
4)Kk:滤波增益矩阵;
5)Hk:观测矩阵;
6)Rk:测量噪声向量协方差矩阵;
7)Zk:测量值,包括伪距和多普勒;
9)Pk:估计误差协方差矩阵;
其中,前两个方程为滤波的时间更新过程,后三个方程为量测更新过程。时间更新后得到预测的状态量有较大的误差,当初值设置不准确时,一步预测误差的协方差矩阵Pk|k-1,不能很好的反映预测状态量的误差,由此预测的状态量计算得到的观测矩阵Hk和滤波增益矩阵Kk也有着较大的误差,导致最终量测更新后的状态量仍然有一定的误差,本发明将量测更新后的状态量再进行一次量测更新,得到最终更精确的状态量。
步骤1、2的基本过程描述为:模拟源运行场景文件,接收机通过天线接收模拟的导航信号,经过捕获跟踪得到伪距,多普勒等参数,进行最小二乘解算,得到初始定位结果后,初始化卡尔曼滤波,启用卡尔曼滤波进行定位解算。
本发明提出的算法主要是实现加入迭代思想的卡尔曼滤波定位解算。用于测试的模拟源场景为一个包含静止状态、机动加速、机动减速的动态场景,源衰减为-43dB左右,图2给出了该场景的和速度图。
图3直观地给出了有迭代和无迭代情况下的位置偏差情况,在定位精度方面很好地验证了步骤203的作用和必要性,在速度发生突变的情况下,位置误差变化明显,有迭代的情况下,明显缩小了最大误差。
表1给出了有无迭代两种情况下的位置1σ定位精度结果,可以看出,有迭代的情况下,位置误差有了改变,整体上比无迭代精度要好。
表1 位置1σ定位精度(m)
项目 | Result_x | Result_y | Result_z |
有迭代 | 1.5041 | 0.7261 | 1.4898 |
无迭代 | 1.3637 | 0.8567 | 1.7499 |
图4给出了有迭代和无迭代情况下的速度误差整体情况和局部放大情况,在测速精度方面进一步验证了步骤203的作用和必要性,和位置误差的情况相符,从局部放大情况中可以看出有迭代的情况速度误差有了较为明显的减小。
表2给出了两种情况下1σ测速精度结果。同样可以看出,有迭代的情况优于无迭代的情况。
表2 测速精度结果(1σ,m/s)
项目 | Result_Vx | Result_Vy | Result_Vz | Result_V |
有迭代 | 1.2009 | 0.8597 | 1.9659 | 2.4491 |
无迭代 | 1.2306 | 0.8935 | 1.9995 | 2.5048 |
本发明在卡尔曼滤波中加入了迭代的思想:将第一次量测过程的结果作为更精确的预测状态量再次进行误差校正,以达到再次缩小误差,提高精度的目的。
需要说明的是,上述各技术特征继续相互组合,形成未在上面列举的各种实施例,均视为本发明说明书记载的范围;并且,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种提高定位解算精度的方法,其特征在于,包括以下步骤:
步骤1:计算观测量的统计值,包括伪距、载波相位、多普勒观测量;
步骤2:根据统计值,对系统状态量进行最优估计,以满足在高动态环境下对定位精度的需求。
2.如权利要求1所述的方法,其特征在于,所述步骤2还具体包括以下步骤:
步骤201:对卡尔曼滤波状态量及其误差协方差阵进行一步预测;
步骤202:利用一步预测值计算滤波增益矩阵和观测量残差,校正状态向量及其协方差阵;
步骤203:用校正后的值替代一步预测值,迭代计算状态向量及其误差协方差矩阵。
4.如权利要求2所述的方法,其特征在于,所述步骤202还包括:卡尔曼滤波量测更新阶段,首先要用预测的量计算卡尔曼滤波增益值Kk和测量残差,然后对滤波状态量误差协方差阵Pk|k-1进行校正,得到更新后的状态估计值和误差协方差矩阵估计值Pk,在此过程中,加入了对滤波是否会发散的判断和逻辑控制机制,保持滤波效果的稳定性,具体用下面公式表示:
滤波增益方程,用于计算卡尔曼滤波增益矩阵:
Kk=Pk/k-1Hk T[HkPk/k-1Hk T+Rk]-1;其中,Kk:滤波增益矩阵;Hk:观测矩阵;Rk:测量噪声向量协方差矩阵;
状态估计计算方程:
协方差误差估计方程:
Pk=[I-KkHk]Pk/k-1;其中,Pk:估计误差协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810758818.8A CN110716219A (zh) | 2018-07-11 | 2018-07-11 | 一种提高定位解算精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810758818.8A CN110716219A (zh) | 2018-07-11 | 2018-07-11 | 一种提高定位解算精度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110716219A true CN110716219A (zh) | 2020-01-21 |
Family
ID=69209041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810758818.8A Pending CN110716219A (zh) | 2018-07-11 | 2018-07-11 | 一种提高定位解算精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110716219A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112584306A (zh) * | 2020-11-27 | 2021-03-30 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
CN114759988A (zh) * | 2022-04-29 | 2022-07-15 | 北京邮电大学 | 一种基于残差判决自适应对角卡尔曼滤波算法及其应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6167347A (en) * | 1998-11-04 | 2000-12-26 | Lin; Ching-Fang | Vehicle positioning method and system thereof |
US20030149528A1 (en) * | 2002-02-06 | 2003-08-07 | Ching-Fang Lin | Positioning and navigation method and system thereof |
CN101629997A (zh) * | 2009-07-24 | 2010-01-20 | 南京航空航天大学 | 惯性辅助卫星导航完好性检测装置及检测方法 |
CN102540216A (zh) * | 2011-11-14 | 2012-07-04 | 北京航空航天大学 | 一种自适应跟踪环路及实现方法 |
CN106526634A (zh) * | 2016-10-19 | 2017-03-22 | 闽江学院 | 一种基于自调整卡尔曼滤波的多普勒辅助载波相位平滑伪距方法 |
CN107515414A (zh) * | 2017-09-13 | 2017-12-26 | 东南大学 | 一种电离层闪烁下基于矢量跟踪的自适应卡尔曼滤波方法 |
-
2018
- 2018-07-11 CN CN201810758818.8A patent/CN110716219A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6167347A (en) * | 1998-11-04 | 2000-12-26 | Lin; Ching-Fang | Vehicle positioning method and system thereof |
US20030149528A1 (en) * | 2002-02-06 | 2003-08-07 | Ching-Fang Lin | Positioning and navigation method and system thereof |
CN101629997A (zh) * | 2009-07-24 | 2010-01-20 | 南京航空航天大学 | 惯性辅助卫星导航完好性检测装置及检测方法 |
CN102540216A (zh) * | 2011-11-14 | 2012-07-04 | 北京航空航天大学 | 一种自适应跟踪环路及实现方法 |
CN106526634A (zh) * | 2016-10-19 | 2017-03-22 | 闽江学院 | 一种基于自调整卡尔曼滤波的多普勒辅助载波相位平滑伪距方法 |
CN107515414A (zh) * | 2017-09-13 | 2017-12-26 | 东南大学 | 一种电离层闪烁下基于矢量跟踪的自适应卡尔曼滤波方法 |
Non-Patent Citations (2)
Title |
---|
周泽波;沈云中;李博峰;: "基于相位平滑伪距与多普勒数据的GPS动态定位" * |
赵文骏;茅旭初;: "基于自适应滤波的微弱GPS信号跟踪方法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112584306A (zh) * | 2020-11-27 | 2021-03-30 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
CN114759988A (zh) * | 2022-04-29 | 2022-07-15 | 北京邮电大学 | 一种基于残差判决自适应对角卡尔曼滤波算法及其应用 |
CN114759988B (zh) * | 2022-04-29 | 2023-08-29 | 北京邮电大学 | 一种基于残差判决自适应对角卡尔曼滤波方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109162B (zh) | 一种gnss接收机自适应的卡尔曼滤波定位解算方法 | |
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 | |
CN110140065B (zh) | Gnss接收机保护等级 | |
WO2021022251A1 (en) | System and method for gaussian process enhanced gnss corrections generation | |
CN108333604B (zh) | 一种利用卫星定位的方法和装置、卫星授时方法和装置 | |
CN110455287A (zh) | 自适应无迹卡尔曼粒子滤波方法 | |
CN110231636B (zh) | Gps与bds双模卫星导航系统的自适应无迹卡尔曼滤波方法 | |
CN108196267B (zh) | 一种基于gnss cp技术的不间断时间传递方法 | |
JP2001183439A (ja) | 統計的フィルタの使用に基づいた汎用位置決めシステム | |
CN110749891B (zh) | 一种可估计未知有效声速的自适应水下单信标定位方法 | |
CN110794409A (zh) | 一种可估计未知有效声速的水下单信标定位方法 | |
EP2685214B1 (en) | Multiple truth reference system and method | |
CN111044050A (zh) | 一种基于粒子滤波和卡尔曼滤波的蓝牙定位方法 | |
CN112577496A (zh) | 一种基于自适应选权的多源融合定位方法 | |
NGOC et al. | Evaluating process and measurement noise in extended Kalman filter for GNSS position accuracy | |
CN110716219A (zh) | 一种提高定位解算精度的方法 | |
KR101502721B1 (ko) | 적응형 상호작용 다중모델 추정기를 이용한 정밀 위치정보 제공 방법 및 장치 | |
CN106855626A (zh) | 矢量跟踪方法及滤波器 | |
CN110426717A (zh) | 一种基于三维地图辅助gnss的协同定位方法及系统、定位设备、存储介质 | |
CN110927748A (zh) | 一种基于稀疏估计的gnss定位多径缓解方法 | |
CN118276135A (zh) | 一种基于自适应最大熵准则卡尔曼滤波的组合导航方法 | |
CN104331087B (zh) | 一种鲁棒的水下传感器网络目标跟踪方法 | |
CN113671551B (zh) | Rtk定位解算方法 | |
CN117419723A (zh) | 一种基于因子图的交互模型自适应组合导航方法 | |
CN111290008A (zh) | 一种动态自适应扩展卡尔曼滤波容错算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200121 |