CN110823215A - 一种无人机相对导航信息融合方法 - Google Patents

一种无人机相对导航信息融合方法 Download PDF

Info

Publication number
CN110823215A
CN110823215A CN201911021481.3A CN201911021481A CN110823215A CN 110823215 A CN110823215 A CN 110823215A CN 201911021481 A CN201911021481 A CN 201911021481A CN 110823215 A CN110823215 A CN 110823215A
Authority
CN
China
Prior art keywords
relative
uwb
unmanned aerial
vector
aerial vehicle
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
Application number
CN201911021481.3A
Other languages
English (en)
Other versions
CN110823215B (zh
Inventor
孙瑶洁
熊智
李文龙
王融
张玲
刘建业
崔雨晨
段胜青
陈明星
许建新
王钲淳
徐丽敏
杨闯
晁丽君
王雅婷
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911021481.3A priority Critical patent/CN110823215B/zh
Publication of CN110823215A publication Critical patent/CN110823215A/zh
Application granted granted Critical
Publication of CN110823215B publication Critical patent/CN110823215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
    • 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
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种无人机相对导航信息融合方法，步骤为：计算无人机相对不同卫星的双差和双差变化率；计算UWB传感器实时测量得到的无人机之间的相对位置和相对速度；计算基于双机定位数据做差的相对位置和相对速度；采用扩展卡尔曼滤波算法建立相对导航状态方程；建立基于相对差分/UWB/双机定位数据做差的观测方程；利用神经网络对UWB相对导航信息进行预测补偿，并通过扩展卡尔曼滤波算法实现信息融合。本发明可显著提高编队无人机中相对定位精度，且适用于相对导航传感器UWB失效等复杂飞行环境，适合工程实际应用。

Description

一种无人机相对导航信息融合方法
技术领域
本发明属于无人机导航技术领域，特别涉及了一种无人机相对导航信息融合方法。
背景技术
无人机密集集群编队导航技术在军事、民用等各个领域具备极大的应用价值及应用前景。为了保证无人机编队飞行时执行任务的高精度需求，相对导航信息精度的地位毋庸置疑。一般情况下编队无人机间的相对距离较近，相对导航是实现多机编队导航不可或缺的手段，相对导航传感器相比于绝对导航传感器具有更高的定位精度、更强的抗干扰能力以及更低廉的成本。
相对导航方式包括无线电导航、视觉导航及其他，其中无线电导航为最核心的手段，包含了卫星导航、激光雷达、超宽带(Ultra Wide Band,UWB)等。UWB与其他定位技术相比，性能优、精度高、功耗低、抗多径效果好、能提供高精确定位等优点，得到了广泛的应用和研究。UWB的高频短波特性使得发射性强且穿透性弱，尤其适合测距。但是获得高精度的UWB定位信息需要在无遮挡情况下，该原理上的缺陷限制了UWB的更广泛使用。在复杂应用环境，非视距和多径误差也是定位精度主要影响因素。所以UWB传感器失效时，相对导航的信息融合处理误差变大，无法提供精确的位置、速度补偿值，导致仅依赖UWB辅助无人机编队相对导航系统的精度和实时性变弱。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种无人机相对导航信息融合方法。
为了实现上述技术目的，本发明的技术方案为：
一种无人机相对导航信息融合方法，各无人机上搭载用于获取单机绝对定位信息的GPS/INS紧组合导航系统和用于获取相对定位信息的UWB传感器；该方法的步骤如下：
(1)建立相对差分量测方程，计算无人机相对不同卫星的双差
Figure BDA0002247365240000021
和双差变化率
Figure BDA0002247365240000022
建立UWB量测方程，计算UWB传感器实时测量得到的无人机之间的相对位置
Figure BDA0002247365240000023
和相对速度
Figure BDA0002247365240000024
计算基于双机定位数据做差的相对位置
Figure BDA0002247365240000025
和相对速度
Figure BDA0002247365240000026
(2)采用扩展卡尔曼滤波算法建立相对导航状态方程；
(3)建立基于相对差分/UWB/双机定位数据做差的观测方程；
(4)利用神经网络对UWB相对导航信息进行预测补偿，并通过扩展卡尔曼滤波算法实现信息融合。
进一步地，在步骤(1)中，无人机相对不同卫星的双差
Figure BDA0002247365240000027
和双差变化率
Figure BDA0002247365240000028
Figure BDA00022473652400000210
其中，
Figure BDA00022473652400000211
为无人机A和无人机B的卫星接收机分别与卫星Si之间的站际单差，
Figure BDA00022473652400000212
为无人机A和无人机B的卫星接收机分别与卫星Sj之间的站际单差，是两架无人机连线中点到卫星Si的方向余弦矢量，
Figure BDA00022473652400000214
是两架无人机连线中点到卫星Sj的方向余弦矢量，rBA是两架无人机之间的相对位置矢量，
Figure BDA00022473652400000215
为伪距双差计算中存在的噪声；
Figure BDA0002247365240000031
为无人机之间的相对速度矢量，和分别为两架无人机中点到卫星Si和Sj的方向余弦矢量变化率，为计算双差变化率中存在的噪声。
进一步地，在步骤(1)中，UWB传感器实时测量得到的无人机之间的相对位置
Figure BDA0002247365240000035
和相对速度
Figure BDA0002247365240000036
Figure BDA0002247365240000037
Figure BDA0002247365240000038
其中，rx、ry、rz分别对相对位置矢量的三轴分量，
Figure BDA0002247365240000039
分别为相对速度矢量的三轴分量，biasBA为晶振引起的误差比例系数，||rBA||2为相对位置矢量rBA的L2范数，nuwb和nv_uwb分别为UWB位置量测和速度量测的白噪声。
进一步地，在步骤(1)中，基于双机定位数据做差的相对位置和相对速度
Figure BDA00022473652400000311
Figure BDA00022473652400000313
其中，δrBA是由单机定位误差引起的时变相对定位误差的补偿量，nΔabs、nv_Δabs为对应的位置和速度计算白噪声。
进一步地，在步骤(2)中，定义状态向量X：
Figure BDA00022473652400000314
其中，rBA为相对位置矢量，为相对速度矢量，
Figure BDA00022473652400000316
为相对加速度矢量，δrBA为单机定位误差导致的相对定位误差的补偿量；
构造相对导航状态方程：
Figure BDA0002247365240000041
其中，wp、wv、wa和wδp分别为相对位置、速度、加速度和时变位置误差的系统噪声，03×3为3×3的零矩阵，I3×3为3×3的单位阵。
进一步地，在步骤(3)中，构造观测方程：
Z＝H·X+V
其中，Z为观测向量，H为观测矩阵，X为状态向量，V为观测噪声向量；
构造观测向量与观测噪声向量：
Figure BDA0002247365240000042
Figure BDA0002247365240000043
其中，省略号表示遍历所有卫星所得到的
Figure BDA0002247365240000044
和为双差观测噪声，为双差变化率观测噪声，VΔabs为双机位置做差观测噪声，
Figure BDA0002247365240000047
为双机速度做差观测噪声，Vuwb为UWB测距噪声，
Figure BDA0002247365240000048
为UWB测速噪声，上标T表示转置；
Figure BDA0002247365240000049
Figure BDA00022473652400000410
上式中，H1和H2分别为UWB测距和测速的观测矩阵，上方的符号∧和～分别代表观测值和估计值；
构造观测矩阵：
其中，相对差分观测子矩阵Hdd：
其中，
Figure BDA0002247365240000053
是两架无人机连线中点到卫星Si的方向余弦矢量，
Figure BDA0002247365240000054
是两架无人机连线中点到卫星Sj的方向余弦矢量，和
Figure BDA0002247365240000056
分别为两架无人机中点到卫星Si和Sj的方向余弦矢量变化率，01×3和01×6分别为1×3和1×6的零矩阵；
双机定位数据做差观测子矩阵Habs：
Figure BDA0002247365240000057
其中，I3为三阶单位阵；
UWB测量子矩阵Huwb：
Figure BDA0002247365240000058
Figure BDA0002247365240000059
Figure BDA00022473652400000510
其中，01×9为1×9的零矩阵；
rBA_uwb＝||rBA||2(1+biasBA)
Figure BDA00022473652400000511
上式中，rx、ry、rz分别对相对位置矢量的三轴分量，
Figure BDA0002247365240000061
分别为相对速度矢量的三轴分量，biasBA为晶振引起的误差比例系数，||rBA||2为相对位置矢量rBA的L2范数；
构建观测方程后，结合状态方程，采用扩展卡尔曼滤波算法解算状态变量。
进一步地，在步骤(4)中，基于神经网络的无人机相对导航信息融合方法分为两个场景：
其一是UWB信号有效阶段，一方面训练神经网络通过两架无人机的绝对位置信息得到UWB的输出，另一方面扩展卡尔曼滤波器将双机的位置信息、速度信息以及UWB的输出进行融合以得到僚机绝对定位误差的修正量；
其二是UWB信号失效阶段，无法通过扩展卡尔曼滤波器得到僚机的绝对导航信息修正量，此时为神经网络预测模式，通过无人机的绝对位置信息预测出UWB的输出值，进而通过扩展卡尔曼滤波器获得相对导航位置信息和速度信息的补偿值，校正僚机的绝对导航精度，使得滤波不受UWB信号失效的影响。
进一步地，在步骤(4)中，所述神经网络采用RBF神经网络。
采用上述技术方案带来的有益效果：
本发明利用神经网络对UWB的相对导航信息进行预测补偿，在此基础上通过扩展卡尔曼滤波实现信息融合，极大地提高了故障情况下无人机相对导航的定位精度和实时性，具有突出的应用价值。实验结果表明：相比于无辅助的无人机相对导航系统，本发明可使在速度x、y、z方向的相对导航精度在100s内平均提升8.2、24.5、8.2倍；在位置x、y、z方向的定位精度在50s内平均提升4.3、2.8、2.7倍。
附图说明
图1为本发明基于神经网络的相对导航信息融合结构图；
图2为双机仿真航迹曲线图；
图3为采用有辅助和无辅助情况下的X方向速度误差曲线对比图；
图4-6为采用有辅助和无辅助情况下的X、Y、Z方向位置误差曲线对比图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明中两架无人机编队采用主从式结构，主机和僚机分别搭载基于伪距和伪距率的GPS/INS紧组合导航系统以获得高精度的单机绝对定位信息；并搭载UWB传感器测量出相对距离和相对速度信息以获得高可靠性的相对定位信息。此外，数据链将卫星导航接收机数据及机载惯性导航测量数据传输至各无人机的机载计算机中，实现相对导航信息的融合处理。
本发明设计了一种无人机相对导航信息融合方法，步骤如下：
步骤1：建立相对差分量测方程，计算无人机相对不同卫星的双差
Figure BDA0002247365240000071
和双差变化率
Figure BDA0002247365240000072
建立UWB量测方程，计算UWB传感器实时测量得到的无人机之间的相对位置
Figure BDA0002247365240000073
和相对速度
Figure BDA0002247365240000074
计算基于双机定位数据做差的相对位置
Figure BDA0002247365240000075
和相对速度
步骤2：采用扩展卡尔曼滤波算法建立相对导航状态方程；
步骤3：建立基于相对差分/UWB/双机定位数据做差的观测方程；
步骤4：利用神经网络对UWB相对导航信息进行预测补偿，并通过扩展卡尔曼滤波算法实现信息融合。
在本实施例中，可以采用如下优选方案实现上述步骤1：
无人机相对不同卫星的双差
Figure BDA0002247365240000077
和双差变化率
Figure BDA0002247365240000078
Figure BDA0002247365240000082
其中，
Figure BDA0002247365240000083
为无人机A和无人机B的卫星接收机分别与卫星Si之间的站际单差，
Figure BDA0002247365240000084
为无人机A和无人机B的卫星接收机分别与卫星Sj之间的站际单差，
Figure BDA0002247365240000085
是两架无人机连线中点到卫星Si的方向余弦矢量，
Figure BDA0002247365240000086
是两架无人机连线中点到卫星Sj的方向余弦矢量，rBA是两架无人机之间的相对位置矢量，
Figure BDA0002247365240000087
为伪距双差计算中存在的噪声；
Figure BDA0002247365240000088
为无人机之间的相对速度矢量，和
Figure BDA00022473652400000810
分别为两架无人机中点到卫星Si和Sj的方向余弦矢量变化率，
Figure BDA00022473652400000811
为计算双差变化率中存在的噪声。
UWB传感器实时测量得到的无人机之间的相对位置
Figure BDA00022473652400000812
和相对速度
Figure BDA00022473652400000813
Figure BDA00022473652400000815
其中，rx、ry、rz分别对相对位置矢量的三轴分量，分别为相对速度矢量的三轴分量，biasBA为晶振引起的误差比例系数，||rBA||2为相对位置矢量rBA的L2范数，nuwb和nv_uwb分别为UWB位置量测和速度量测的白噪声。
基于双机定位数据做差的相对位置
Figure BDA00022473652400000817
和相对速度
Figure BDA00022473652400000820
其中，δrBA是由单机定位误差引起的时变相对定位误差的补偿量，nΔabs、nv_Δabs为对应的位置和速度计算白噪声。
在本实施例中，可以采用如下优选方案实现上述步骤2：
定义状态向量X：
Figure BDA0002247365240000091
其中，rBA为相对位置矢量，
Figure BDA0002247365240000092
为相对速度矢量，
Figure BDA0002247365240000093
为相对加速度矢量，
Figure BDA0002247365240000094
为单机定位误差导致的相对定位误差的补偿量；
构造相对导航状态方程：
Figure BDA0002247365240000095
其中，wp、wv、wa和wδp分别为相对位置、速度、加速度和时变位置误差的系统噪声，03×3为3×3的零矩阵，I3×3为3×3的单位阵。
在本实施例中，可以采用如下优选方案实现上述步骤3：
构造观测方程：
Z＝H·X+V
其中，Z为观测向量，H为观测矩阵，X为状态向量，V为观测噪声向量；
构造观测向量与观测噪声向量：
Figure BDA0002247365240000096
Figure BDA0002247365240000097
其中，省略号表示遍历所有卫星所得到的
Figure BDA0002247365240000098
和
Figure BDA0002247365240000099
为双差观测噪声，
Figure BDA00022473652400000910
为双差变化率观测噪声，VΔabs为双机位置做差观测噪声，为双机速度做差观测噪声，Vuwb为UWB测距噪声，为UWB测速噪声，上标T表示转置；
Figure BDA0002247365240000103
Figure BDA0002247365240000104
上式中，H1和H2分别为UWB测距和测速的观测矩阵，上方的符号∧和～分别代表观测值和估计值；
构造观测矩阵：
Figure BDA0002247365240000105
其中，相对差分观测子矩阵Hdd：
Figure BDA0002247365240000106
其中，01×3和01×6分别为1×3和1×6的零矩阵；
双机定位数据做差观测子矩阵Habs：
Figure BDA0002247365240000107
其中，I3为三阶单位阵；
UWB测量子矩阵Huwb：
Figure BDA0002247365240000108
Figure BDA0002247365240000109
Figure BDA0002247365240000111
其中，01×9为1×9的零矩阵；
rBA_uwb＝||rBA||2(1+biasBA)
Figure BDA0002247365240000112
构建观测方程后，结合状态方程，采用扩展卡尔曼滤波算法解算状态变量。
在本实施例中，可以采用如下优选方案实现上述步骤4：
基于神经网络的无人机相对导航信息融合方法结构框图如图1所示，其中神经网络的输入层为两架无人机的绝对位置信息，隐含层为径向基函数，输出层为UWB的期望输出位置和速度信息。神经网络在UWB失效时，预测得到UWB的输出，并传入EKF滤波器中使得信息融合不受影响。
基于神经网络的无人机相对导航信息融合方法分为两个场景：
其一是UWB信号有效阶段，一方面训练神经网络通过两架无人机的绝对位置信息得到UWB的输出，另一方面扩展卡尔曼滤波器将双机的位置信息、速度信息以及UWB的输出进行融合以得到僚机绝对定位误差的修正量；
其二是UWB信号失效阶段，无法通过扩展卡尔曼滤波器得到僚机的绝对导航信息修正量，此时为神经网络预测模式，通过无人机的绝对位置信息预测出UWB的输出值，进而通过扩展卡尔曼滤波器获得相对导航位置信息和速度信息的补偿值，校正僚机的绝对导航精度，使得滤波不受UWB信号失效的影响。
在本实施例中，采用RBF神经网络。
为了验证本发明提出的方法，进行了无人机编队相对导航仿真。设置无人机A为主机，无人机B为僚机跟随主机飞行，无人机采用GPS/INS紧组合导航系统，并搭载UWB设备进行相对导航，测距范围设定为75m，编队飞行时长为3600秒，设置可用导航卫星数为8。图2给出了在ECEF坐标系下无人机的仿真航迹曲线。
假设双机在执行任务中100s-200s和1000-1100sUWB出现故障，位置误差和速度误差增大，僚机在整个编队飞行过程UWB故障阶段，不能实时地补偿速度和位置相对信息，仅采用GPS/INS紧组合进行绝对定位，其相对导航定位误差精度随时间漂移。为验证本发明对于僚机相对导航定位精度的提升效果，通过对比无辅助情况、RBF神经网络辅助与真值的曲线进行分析：1、无辅助：长机和僚机均采用GPS/INS紧组合实现绝对导航，UWB进行无人机间相对导航，但在100s-200s和1000s-1100s时UWB出现故障误差增大；2、RBF神经网络辅助：长机和僚机均采用GPS/INS紧组合实现绝对导航，UWB进行无人机间相对导航，UWB故障期间使用RBF神经网络预测补偿无人机间相对导航信息融合。速度在100s-110s时的X方向的误差曲线如图3所示，有神经网络辅助时误差大幅度减小，与真值非常接近。采用本发明的速度误差在在100s内精度平均提升8.2、24.5、8.2倍。其中位置各方向的误差曲线如图4-6所示，以故障期间100s-200s为例。有神经网络辅助情况下偏差较小，精度较高，漂移较慢，稳定性较好，在UWB失效50s时可达到高精度需求，故障时间较长时，补偿效果略差。相对导航误差位置定位精度在50s内平均提升4.3、2.8、2.7倍。可见本发明提出的方法实现了实时性和精度的平衡，适用于编队无人相对导航算法在工程中的实际运用。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (8)

1.一种无人机相对导航信息融合方法，其特征在于：各无人机上搭载用于获取单机绝对定位信息的GPS/INS紧组合导航系统和用于获取相对定位信息的UWB传感器；该方法的步骤如下：
(1)建立相对差分量测方程，计算无人机相对不同卫星的双差
Figure FDA0002247365230000011
和双差变化率
Figure FDA0002247365230000012
建立UWB量测方程，计算UWB传感器实时测量得到的无人机之间的相对位置
Figure FDA0002247365230000013
和相对速度
Figure FDA0002247365230000014
计算基于双机定位数据做差的相对位置
Figure FDA0002247365230000015
和相对速度
Figure FDA0002247365230000016
(2)采用扩展卡尔曼滤波算法建立相对导航状态方程；
(3)建立基于相对差分/UWB/双机定位数据做差的观测方程；
(4)利用神经网络对UWB相对导航信息进行预测补偿，并通过扩展卡尔曼滤波算法实现信息融合。
2.根据权利要求1所述无人机相对导航信息融合方法，其特征在于：在步骤(1)中，无人机相对不同卫星的双差
Figure FDA0002247365230000017
和双差变化率
Figure FDA0002247365230000018
Figure FDA0002247365230000019
Figure FDA00022473652300000110
其中，
Figure FDA00022473652300000111
为无人机A和无人机B的卫星接收机分别与卫星Si之间的站际单差，
Figure FDA00022473652300000112
为无人机A和无人机B的卫星接收机分别与卫星Sj之间的站际单差，是两架无人机连线中点到卫星Si的方向余弦矢量，
Figure FDA00022473652300000114
是两架无人机连线中点到卫星Sj的方向余弦矢量，rBA是两架无人机之间的相对位置矢量，
Figure FDA00022473652300000115
为伪距双差计算中存在的噪声；
Figure FDA00022473652300000116
为无人机之间的相对速度矢量，
Figure FDA00022473652300000117
和
Figure FDA00022473652300000118
分别为两架无人机中点到卫星Si和Sj的方向余弦矢量变化率，为计算双差变化率中存在的噪声。
3.根据权利要求1所述无人机相对导航信息融合方法，其特征在于：在步骤(1)中，UWB传感器实时测量得到的无人机之间的相对位置
Figure FDA0002247365230000022
和相对速度
Figure FDA0002247365230000023
Figure FDA0002247365230000024
其中，rx、ry、rz分别对相对位置矢量的三轴分量，
Figure FDA0002247365230000026
分别为相对速度矢量的三轴分量，biasBA为晶振引起的误差比例系数，||rBA||2为相对位置矢量rBA的L2范数，nuwb和nv_uwb分别为UWB位置量测和速度量测的白噪声。
4.根据权利要求1所述无人机相对导航信息融合方法，其特征在于：在步骤(1)中，基于双机定位数据做差的相对位置和相对速度
Figure FDA0002247365230000029
Figure FDA00022473652300000210
其中，δrBA是由单机定位误差引起的时变相对定位误差的补偿量，nΔabs、nv_Δabs为对应的位置和速度计算白噪声。
5.根据权利要求1所述无人机相对导航信息融合方法，其特征在于：在步骤(2)中，定义状态向量X：
Figure FDA00022473652300000211
其中，rBA为相对位置矢量，为相对速度矢量，
Figure FDA00022473652300000213
为相对加速度矢量，δrBA为单机定位误差导致的相对定位误差的补偿量；
构造相对导航状态方程：
其中，wp、wv、wa和wδp分别为相对位置、速度、加速度和时变位置误差的系统噪声，03×3为3×3的零矩阵，I3×3为3×3的单位阵。
6.根据权利要求1所述无人机相对导航信息融合方法，其特征在于：在步骤(3)中，构造观测方程：
Z＝H·X+V
其中，Z为观测向量，H为观测矩阵，X为状态向量，V为观测噪声向量；
构造观测向量与观测噪声向量：
Figure FDA0002247365230000032
Figure FDA0002247365230000033
其中，省略号表示遍历所有卫星所得到的和
Figure FDA0002247365230000035
为双差观测噪声，
Figure FDA0002247365230000036
为双差变化率观测噪声，VΔabs为双机位置做差观测噪声，
Figure FDA0002247365230000037
为双机速度做差观测噪声，Vuwb为UWB测距噪声，
Figure FDA0002247365230000038
为UWB测速噪声，上标T表示转置；
Figure FDA0002247365230000039
上式中，H1和H2分别为UWB测距和测速的观测矩阵，上方的符号∧和～分别代表观测值和估计值；
构造观测矩阵：
Figure FDA0002247365230000041
其中，相对差分观测子矩阵Hdd：
Figure FDA0002247365230000042
其中，
Figure FDA0002247365230000043
是两架无人机连线中点到卫星Si的方向余弦矢量，
Figure FDA0002247365230000044
是两架无人机连线中点到卫星Sj的方向余弦矢量，
Figure FDA0002247365230000045
和
Figure FDA0002247365230000046
分别为两架无人机中点到卫星Si和Sj的方向余弦矢量变化率，01×3和01×6分别为1×3和1×6的零矩阵；
双机定位数据做差观测子矩阵Habs：
Figure FDA0002247365230000047
其中，I3为三阶单位阵；
UWB测量子矩阵Huwb：
Figure FDA0002247365230000048
Figure FDA0002247365230000049
Figure FDA00022473652300000410
其中，01×9为1×9的零矩阵；
rBA_uwb＝||rBA||2(1+biasBA)
Figure FDA0002247365230000051
上式中，rx、ry、rz分别对相对位置矢量的三轴分量，
Figure FDA0002247365230000052
分别为相对速度矢量的三轴分量，biasBA为晶振引起的误差比例系数，||rBA||2为相对位置矢量rBA的L2范数；
构建观测方程后，结合状态方程，采用扩展卡尔曼滤波算法解算状态变量。
7.根据权利要求1所述无人机相对导航信息融合方法，其特征在于：在步骤(4)中，基于神经网络的无人机相对导航信息融合方法分为两个场景：
其一是UWB信号有效阶段，一方面训练神经网络通过两架无人机的绝对位置信息得到UWB的输出，另一方面扩展卡尔曼滤波器将双机的位置信息、速度信息以及UWB的输出进行融合以得到僚机绝对定位误差的修正量；
其二是UWB信号失效阶段，无法通过扩展卡尔曼滤波器得到僚机的绝对导航信息修正量，此时为神经网络预测模式，通过无人机的绝对位置信息预测出UWB的输出值，进而通过扩展卡尔曼滤波器获得相对导航位置信息和速度信息的补偿值，校正僚机的绝对导航精度，使得滤波不受UWB信号失效的影响。
8.根据权利要求1所述无人机相对导航信息融合方法，其特征在于：在步骤(4)中，所述神经网络采用RBF神经网络。
CN201911021481.3A 2019-10-25 2019-10-25 一种无人机相对导航信息融合方法 Active CN110823215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911021481.3A CN110823215B (zh) 2019-10-25 2019-10-25 一种无人机相对导航信息融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911021481.3A CN110823215B (zh) 2019-10-25 2019-10-25 一种无人机相对导航信息融合方法

Publications (2)

Publication Number Publication Date
CN110823215A true CN110823215A (zh) 2020-02-21
CN110823215B CN110823215B (zh) 2021-08-10

Family

ID=69550816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911021481.3A Active CN110823215B (zh) 2019-10-25 2019-10-25 一种无人机相对导航信息融合方法

Country Status (1)

Country Link
CN (1) CN110823215B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111432364A (zh) * 2020-03-25 2020-07-17 哈尔滨工程大学 一种基于径向基函数神经网络的非视距误差抑制方法
CN112325880A (zh) * 2021-01-04 2021-02-05 中国人民解放军国防科技大学 分布式平台相对定位方法、装置、计算机设备和存储介质
CN112925341A (zh) * 2021-01-19 2021-06-08 北京京东乾石科技有限公司 一种飞行器的飞行控制方法、相关飞行器及飞行器系统
CN113076634A (zh) * 2021-03-24 2021-07-06 哈尔滨工业大学 一种多机协同无源定位方法、装置及系统
CN113359860A (zh) * 2021-07-20 2021-09-07 北京航空航天大学 一种基于通信状态的无人机集群重构方法
CN113359809A (zh) * 2021-07-23 2021-09-07 西北工业大学 一种基于rbfnn辅助的桥梁检测无人机自主定位方法
CN113551671A (zh) * 2021-06-10 2021-10-26 中国科学院西安光学精密机械研究所 一种无人机姿态与位置的实时高精度测量系统及方法
CN113671982A (zh) * 2021-06-28 2021-11-19 湖州市公安局特警支队 一种应用于无人机室内突入作战可视化前导系统
CN115052245A (zh) * 2022-06-13 2022-09-13 东南大学 基于深度学习的无人机辅助无线传感器网络节点定位方法
CN117949990A (zh) * 2024-03-26 2024-04-30 西安现代控制技术研究所 一种多源信息融合量测野值检测抑制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐爱功: ""RBF神经网络辅助的UWB/INS组合导航算法"", 《导航定位学报》 *
熊骏: ""超宽带测距辅助的无人机近距离相对导航方法"", 《中国惯性技术学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111432364B (zh) * 2020-03-25 2021-05-11 哈尔滨工程大学 一种基于径向基函数神经网络的非视距误差抑制方法
CN111432364A (zh) * 2020-03-25 2020-07-17 哈尔滨工程大学 一种基于径向基函数神经网络的非视距误差抑制方法
CN112325880A (zh) * 2021-01-04 2021-02-05 中国人民解放军国防科技大学 分布式平台相对定位方法、装置、计算机设备和存储介质
CN112325880B (zh) * 2021-01-04 2021-03-26 中国人民解放军国防科技大学 分布式平台相对定位方法、装置、计算机设备和存储介质
CN112925341A (zh) * 2021-01-19 2021-06-08 北京京东乾石科技有限公司 一种飞行器的飞行控制方法、相关飞行器及飞行器系统
CN113076634A (zh) * 2021-03-24 2021-07-06 哈尔滨工业大学 一种多机协同无源定位方法、装置及系统
CN113551671A (zh) * 2021-06-10 2021-10-26 中国科学院西安光学精密机械研究所 一种无人机姿态与位置的实时高精度测量系统及方法
CN113671982A (zh) * 2021-06-28 2021-11-19 湖州市公安局特警支队 一种应用于无人机室内突入作战可视化前导系统
CN113359860A (zh) * 2021-07-20 2021-09-07 北京航空航天大学 一种基于通信状态的无人机集群重构方法
CN113359860B (zh) * 2021-07-20 2022-07-22 北京航空航天大学 一种基于通信状态的无人机集群重构方法
CN113359809A (zh) * 2021-07-23 2021-09-07 西北工业大学 一种基于rbfnn辅助的桥梁检测无人机自主定位方法
CN115052245A (zh) * 2022-06-13 2022-09-13 东南大学 基于深度学习的无人机辅助无线传感器网络节点定位方法
CN117949990A (zh) * 2024-03-26 2024-04-30 西安现代控制技术研究所 一种多源信息融合量测野值检测抑制方法

Also Published As

Publication number Publication date
CN110823215B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN110823215B (zh) 一种无人机相对导航信息融合方法
Xu et al. UWB-based indoor human localization with time-delayed data using EFIR filtering
CN112505737B (zh) 一种gnss/ins组合导航方法
CN106597017B (zh) 一种基于扩展卡尔曼滤波的无人机角加速度估计方法及装置
Li et al. Low-cost tightly coupled GPS/INS integration based on a nonlinear Kalman filtering design
CN109443349A (zh) 一种姿态航向测量系统及其融合方法、存储介质
CN103196448A (zh) 一种机载分布式惯性测姿系统及其传递对准方法
CN104075711B (zh) 一种基于CKF的IMU/Wi‑Fi信号紧组合室内导航方法
CN102679977A (zh) 基于惯性网络的分布式导航装置及其信息融合方法
CN110968113B (zh) 一种无人机自主跟踪起降系统及跟踪定位方法
Wang et al. Combined difference square observation-based ambiguity determination for ground-based positioning system
KR20160143438A (ko) 추측 항법 시스템에서의 밀결합 측위 방법 및 그 장치
CN114739397A (zh) 矿井环境运动惯性估计自适应卡尔曼滤波融合定位方法
Wang et al. A novel positioning system of UAV based on IMA-GPS three-layer data fusion
Sharma et al. Identifying aerodynamics of small fixed-wing drones using inertial measurements for model-based navigation
Saadeddin et al. Optimization of intelligent-based approach for low-cost INS/GPS navigation system
CN108981689B (zh) 基于dsp tms320c6748的uwb/ins组合导航系统
CN111982126A (zh) 一种全源BeiDou/SINS弹性状态观测器模型设计方法
Jung et al. Scalable and modular ultra-wideband aided inertial navigation
CN111256708A (zh) 一种基于射频识别的车载组合导航方法
CN116972834A (zh) 多传感器融合定位方法、装置、系统及存储介质
CN112683265B (zh) 一种基于快速iss集员滤波的mimu/gps组合导航方法
Mai et al. Mobile target localization and tracking techniques in harsh environment utilizing adaptive multi‐modal data fusion
CN114035154A (zh) 一种运动参数辅助的单站射频信号定位方法
RU2264598C1 (ru) Способ определения координат летательного аппарата

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