CN110837854A - 一种基于因子图的auv多源信息融合方法和设备 - Google Patents
一种基于因子图的auv多源信息融合方法和设备 Download PDFInfo
- Publication number
- CN110837854A CN110837854A CN201911042920.9A CN201911042920A CN110837854A CN 110837854 A CN110837854 A CN 110837854A CN 201911042920 A CN201911042920 A CN 201911042920A CN 110837854 A CN110837854 A CN 110837854A
- Authority
- CN
- China
- Prior art keywords
- factor
- auv
- factor graph
- source information
- imu
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于因子图的AUV多源信息融合方法和设备,以实现惯性基自主式水下航行器(Autonomous Underwater Vehicle,AUV)组合导航系统的导航与定位。该方法利用因子图理论将AUV组合导航系统的信息融合问题转化为求解多元随机变量的联合概率分布的最大后验概率问题,并用因子图模型表示。根据因子图消息传递算法即和积算法在AUV多源信息组合导航系统的因子图模型中的传递与更新以实现导航状态的最优估计。本发明有效解决了AUV组合导航系统中不同导航信息源更新频率异步及短时失效的问题,适用于水下复杂多变的环境与任务需求。
Description
技术领域
本发明涉及组合导航、信息融合领域,特别是一种基于因子图的AUV多源信息融合方法和设备。
背景技术
自主式水下航行器(Autonomous Underwater Vehicle,AUV)在海洋资源勘探、海洋环境保护和利用、海洋军事和救援等方面具有重要意义。而AUV导航系统能为其提供姿态、速度、位置等实时的导航信息,精确可靠的导航信息是AUV能够成功完成任务的重要保证。由于纯惯性导航系统存在误差随时间累积的不足,目前最常采用融合多种水下导航传感器提供的辅助信息来校正捷联惯性导航系统(Strapdown Inertial NavigationSystem,SINS)的累积误差,即AUV多源信息组合导航系统。但是由于传感器测量机理、海水介质、水下工作环境的复杂性等原因,在多源信息融合过程中往往存在区域性与阶段性、更新频率异步、时间延迟、易被干扰的不可完全依赖性等问题。例如,AUV在不同航行阶段,可用辅助信息源不同;同一阶段的不同区域,可用辅助信息源及其利用方式均可能发生变化;大多数水下导航传感器(例如多普勒测速仪DVL,磁罗盘MCP,地形匹配定位系统TAN,深度计DM等)更新频率较惯性测量单元IMU频率低很多且异步;一些导航传感器(DVL)易发生短时失效或间歇性失效的情况;一些导航传感器(MCP)精度不高且易受到环境干扰;还有一些导航传感器(TAN)只能提供局部区域内导航。
随着水下导航传感器的不断丰富,如何有效融合多种传感器的辅助信息来提高AUV组合导航系统精度成为关键。目前大多采用的是分布式结构的联邦卡尔曼滤波及其各类改进方法对多源信息进行融合。但由于上述问题的存在,该类方法在融合时间点上通常会由于信息源采样时间异步带来导航精度的损失,而且信息源故障和变化引起的系统重构等难题也会对系统的算法复杂度、实时性和灵活性造成影响,这在高动态环境下显得尤为不利。
发明内容
发明目的:针对现有技术的缺陷,本发明提供一种基于因子图的AUV多源信息融合方法和设备,以解决AUV组合导航系统中不同导航信息源更新频率异步及短时失效等问题,适用于其水下复杂多变的环境与任务需求。
技术方案:根据本发明的第一方面,提供一种基于因子图的AUV多源信息融合方法,包括:
S1、将AUV组合导航系统的导航状态误差抽象为变量节点,将来自不同异步异构导航传感器的量测信息抽象为因子节点,构建AUV多源信息组合导航系统因子图模型;
S2、建立AUV多源信息组合导航系统的线性离散状态空间模型,并以此为基础对因子图模型进行详细分解;
S3、利用和积算法在AUV多源信息组合导航系统因子图模型中的传递与更新,来实现对所有导航状态的最优估计。
其中,所述AUV组合导航系统的异步异构导航传感器包括:多普勒测速仪DVL、磁罗盘MCP、地形辅助定位系统TAN、深度计DM、惯性测量单元IMU。
作为优选,所述方法在步骤S1后还包括:将两个相邻量测信息之间的多个IMU因子节点等效为一个IMU因子节点,对因子图模型进行优化。
根据本发明的第二方面,提供一种计算机设备,所述设备包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如本发明第一方面所述的步骤。
有益效果:本发明首次提出用因子图的理论来解决多源信息融合的问题,将AUV组合导航系统的信息融合问题转化为求解多元随机变量的联合概率分布的最大后验概率问题,并用因子图(双向图)模型表示。因子图能够实现惯性导航系统与不同类型传感器之间异步信息的快速融合。通过简单地增减因子节点可以实现传感器的即插即用和重新配置等功能,具有很好的灵活性和可扩展性。此外,通过将两个相邻量测信息之间的多个IMU因子节点等效为一个IMU因子节点对因子图模型进行相应的优化,在不损失精度的前提下有效降低了计算量,进一步提高了导航性能。
附图说明
图1为基于因子图的AUV多源信息融合方法流程图;
图2为AUV多源信息组合导航系统因子图模型;
图3为简化后的AUV多源信息组合导航系统因子图模型;
图4为详细分解后的AUV多源信息组合导航系统因子图模型;
图5为AUV模拟海底作业轨迹;
图6为基于因子图与联邦卡尔曼滤波方法位置误差对比曲线。
具体实施方式
以下结合附图,详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
近年来在全源导航需求的牵引下,因子图方法为导航系统的信息融合提供了一个新思路。因子图方法作为一种概率图模型,它可以将抽象数学问题中变量之间的关系进行可视化表达,进而将复杂的计算过程转化为因子图上的消息传递和更新来完成问题求解。因子图是用来表达随机变量的联合概率分布的双向图模型G=(F,X,E)。它包括两类节点:一类是因子节点fi∈F,是指因式分解中的局部函数;另一类是变量节点xj∈X,是指全局多元函数中的变量。边缘eij∈E是指,当且仅当因子节点fi与状态变量节点xj相关时存在一条连接边。将因子图的概念引入AUV多源信息组合导航系统的信息融合问题中,可以得到所有导航状态变量和量测信息的联合概率密度并用因子图模型表示。
如图1所示,本发明提出一种基于因子图的AUV多源信息融合方法,以中高精度的捷联惯性导航系统(SINS)为核心,辅以多普勒测速仪(DVL)、磁罗盘(MCP)、地形匹配定位系统(TAN)以及压力深度计(DM)共同组成AUV用惯性基组合导航系统。选取因子图中的状态变量节点x为:
x=[φx φy φz δVN δVE δVD δL δλ δh εx εy εz ▽x ▽y ▽z]T
其中,x表示导航状态误差量,包含了姿态误差(φx、φy、φz)、速度误差(δVN、δVE、δVD)、位置误差(δL、δλ、δh)、陀螺仪常值偏差(εx、εy、εz)和加速度计常值偏差(▽x、▽y、▽z),下标xyz分别表示载体坐标系前向、右向、下向,NED分别表示导航坐标系北向、东向和地向、Lλh分别表示纬度、经度和高度。
步骤S1,建立AUV多源信息组合导航系统因子图模型。
步骤如下:
a.在初始时刻,对因子图模型中定义的变量节点x0和先验因子节点fprior进行初始化设置。
c.在tj时刻接收来自DVL的量测信息后,定义并添加新的DVL因子节点fDVL如下:
其中,Σj为DVL量测噪声协方差矩阵,hDVL(·)为DVL量测方程。
d.在tm时刻接收来自MCP的量测信息后,定义并添加新的MCP因子节点fMCP如下:
其中,Γm为MCP量测噪声协方差矩阵,hMCP(·)为MCP量测方程。
其中,Ωn为TAN量测噪声协方差矩阵,hTAN(·)为TAN量测方程。
其中,Υl为DM量测噪声协方差矩阵,hDM(·)为DM量测方程。
上述b~f没有先后顺序要求,体现了因子图即插即用的灵活性。
步骤S2,基于惯性基AUV组合导航系统中IMU更新频率总是高于其他辅助传感器更新频率的客观事实和AUV水下运动平稳等特性,对因子图模型进行优化。
图2所示因子图模型总是以IMU更新频率来添加新的变量节点。由于传感器测量机理等原因,在AUV多源信息组合导航系统的因子图模型中,通常以较快的频率添加变量节点和IMU因子节点(IMU以较快的速率采集加速度与角速度信息),而以较慢的频率添加其他因子节点(其他辅助导航传感器以较慢的频率采集辅助信息)。基于此,将两个相邻量测信息之间的多个IMU因子节点等效为一个IMU因子节点,即在一个量测更新周期内不进行状态变量节点xk和IMU因子节点fIMU的更新,而仅根据SINS参数的变化求解系统矩阵F,并进行累加。在这里不妨假设IMU更新频率为200HZ,在量测信息到达时刻,计算状态转移矩阵Φ如下:
步骤S3,建立AUV多源信息组合导航系统的线性离散状态空间模型并以此为基础对因子图模型进行详细分解。
AUV组合导航系统的线性离散状态空间模型建立如下:
Xk=Φk/k-1Xk-1+Γk/k-1Wk-1
Zk=HkXk+Vk
式中,Xk是n×1维的状态向量,Zk是m×1维的量测向量;Φk/k-1是n×n维的状态一步转移矩阵,Γk/k-1是n×l维的系统噪声分配矩阵,Hk是m×n维的量测矩阵;Wk-1是l×1维的系统噪声向量,Vk是m×1维的量测噪声向量,两者都是零均值的高斯白噪声向量序列(服从正态分布)且互不相关。
对上述线性离散状态空间方程进行详细分解,绘制AUV多源信息组合导航系统因子图如图4所示。
步骤S4,利用因子图的消息传递算法——和积算法在AUV多源信息组合导航系统因子图模型中的传递与更新,来实现对所有导航状态的最优估计。
和积算法在AUV多源信息组合导航系统因子图模型中的传递与更新,可表示为高斯消息在线性状态空间模型中的传递与更新。其中,所有消息都服从多维高斯概率密度分布。用均值向量m和方差矩阵V,或者权重矩阵和精度-权重均值向量Wm来描述一个高斯分布。如果某个变量节点的前向消息中均值向量表示为方差矩阵表示为权重矩阵表示为后向消息中均值向量表示为方差矩阵表示为权重矩阵表示为那么可以利用下表在因子图中每条边的两个方向各传递一次消息,以此来计算因子图模型中的所有消息。其中,(.)H表示Hermitian转置矩阵,(.)#表示Moore-Penrose广义逆矩阵。
根据上表在因子图中的传递与更新就可以得到所有导航状态的最优估计,因子图中的所有变量节点即为所有导航状态的最优估计。本发明提供的基于因子图的AUV多源信息融合方法利用所有可用的信息源实现传感器的即插即用,具有良好的灵活性与扩展性。
通过如下仿真试验验证本发明所提方法的性能效果:
在仿真中设置IMU采样时间间隔为0.05s,陀螺常值漂移误差为0.02°/h,角度随机游走系数为0.01(°/h)Hz0.5;加速度计常值飘逸误差为100μg,速度随机游走系数为10(μg/Hz)0.5。DVL采样时间间隔为1s,MCP采样时间间隔为0.5s,TAN采样时间间隔为3s,DM采样时间间隔为2s。设置其失效区间如下:DVL失效区间150s~350s;TAN失效区间450s~550s;MCP失效区间800s~850s;DM失效区间650s~700s;SINS作为一种自主工作的导航系统,抗干扰能力强,因此设置IMU信息在整个仿真时间段内始终有效。
为了充分验证本发明所提因子图方法的有效性与可靠性,分别采用联邦卡尔曼滤波、未简化的因子图作为对比方法。AUV在海底作业的三维模拟运动真实轨迹、基于因子图方法以及联邦卡尔曼滤波方法的仿真曲线如图5所示。
从图6位置误差曲线中可以看出,在整个仿真时间段内,本发明提供的基于因子图的AUV多源信息融合方法与其他两种方法始终都能保持相对较高的定位精度,验证了本发明所提方法的有效性与可靠性。简化后的因子图方法与未简化的因子图方法相比,每次导航解算结果差异几乎相同,导航精度相当。在传感器失效区间,由于可利用的量测信息源减少,与其他时间段相比,定位精度会有所降低。
综上所述,本发明能够实现惯性导航系统与不同类型传感器之间的异步信息融合,并且可以快速灵活的实现传感器的即插即用和重新配置等功能,有效地解决了AUV组合导航系统中不同导航信息源更新频率异步及短时失效等问题,适用于水下复杂多变的环境与任务需求,应用前景广阔。
基于与方法实施例相同的技术构思,根据本发明的另一实施例,提供一种计算机设备,所述设备包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现方法实施例中的各步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (8)
1.一种基于因子图的AUV多源信息融合方法,其特征在于,包括以下步骤:
S1、将AUV组合导航系统的导航状态误差抽象为变量节点,将来自不同异步异构导航传感器的量测信息抽象为因子节点,构建AUV多源信息组合导航系统因子图模型;
S2、建立AUV多源信息组合导航系统的线性离散状态空间模型,并以此为基础对因子图模型进行详细分解;
S3、利用和积算法在AUV多源信息组合导航系统因子图模型中的传递与更新,来实现对所有导航状态的最优估计。
2.根据权利要求1所述的基于因子图的AUV多源信息融合方法,其特征在于,所述AUV组合导航系统的异步异构导航传感器包括:多普勒测速仪DVL、磁罗盘MCP、地形辅助定位系统TAN、深度计DM、惯性测量单元IMU。
3.根据权利要求2所述的基于因子图的AUV多源信息融合方法,其特征在于,所述步骤S1包括:
S11、在初始时刻,对因子图模型中定义的变量节点x0和先验因子节点fprior进行初始化设置;
其中,Λi是IMU量测过程噪声协方差矩阵,为平方马氏距离,h(·)为系统状态转移矩阵,d(·)代表相应的代价函数,xk和xk+1为IMU因子节点连接的两个相邻时刻tk和tk+1的两个变量节点,为下一时刻的导航状态估计值;
其中,Σj为DVL量测噪声协方差矩阵,hDVL(·)为DVL量测方程;
其中,Γm为MCP量测噪声协方差矩阵,hMCP(·)为MCP量测方程;
其中,Ωn为TAN量测噪声协方差矩阵,hTAN(·)为TAN量测方程;
其中,Υl为DM量测噪声协方差矩阵,hDM(·)为DM量测方程。
4.根据权利要求1所述的基于因子图的AUV多源信息融合方法,其特征在于,所述步骤S2中AUV组合导航系统的线性离散状态空间模型建立如下:
Xk=Φk/k-1Xk-1+Γk/k-1Wk
Zk=HkXk+Vk
其中,Xk是n×1维的状态向量,Zk是m×1维的量测向量;Φk/k-1是n×n维的状态一步转移矩阵,Γk/k-1是n×l维的系统噪声分配矩阵,Hk是m×n维的量测矩阵;Wk-1是l×1维的系统噪声向量,Vk是m×1维的量测噪声向量,两者都是零均值的高斯白噪声向量序列且互不相关。
5.根据权利要求1所述的基于因子图的AUV多源信息融合方法,其特征在于,所述步骤S3包括:
S31、设置初始消息服从多维高斯概率密度分布;
S32、利用和积算法的传递与更新规则在因子图中每条边的两个方向各传递一次消息,得到对所有导航状态变量的最优估计。
6.根据权利要求3所述的基于因子图的AUV多源信息融合方法,其特征在于,在步骤S1得到AUV多源信息组合导航系统因子图模型后还包括:将两个相邻量测信息之间的多个IMU因子节点等效为一个IMU因子节点,加速两个相邻量测信息之间的SINS误差估计过程,对因子图模型进行优化。
7.根据权利要求6所述的基于因子图的AUV多源信息融合方法,其特征在于,所述优化方法如下:在一个量测更新周期内不进行状态变量节点xk和IMU因子节点fIMU的更新,而仅根据SINS参数的变化求解系统矩阵F,并进行累加。
8.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如权利要求1-7中的任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911042920.9A CN110837854B (zh) | 2019-10-30 | 2019-10-30 | 一种基于因子图的auv多源信息融合方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911042920.9A CN110837854B (zh) | 2019-10-30 | 2019-10-30 | 一种基于因子图的auv多源信息融合方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110837854A true CN110837854A (zh) | 2020-02-25 |
CN110837854B CN110837854B (zh) | 2022-02-11 |
Family
ID=69575994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911042920.9A Active CN110837854B (zh) | 2019-10-30 | 2019-10-30 | 一种基于因子图的auv多源信息融合方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837854B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538349A (zh) * | 2020-04-17 | 2020-08-14 | 中国海洋大学 | 面向多任务的长航程auv自主决策方法 |
CN111982117A (zh) * | 2020-08-17 | 2020-11-24 | 电子科技大学 | 一种基于深度学习的auv光学引导与测向方法 |
CN112325885A (zh) * | 2020-10-30 | 2021-02-05 | 哈尔滨工业大学 | 一种基于数学统计特征的因子图协同定位算法 |
CN112527017A (zh) * | 2020-12-11 | 2021-03-19 | 中国科学院沈阳自动化研究所 | 一种基于多auv的海洋观测方法 |
CN112698266A (zh) * | 2020-12-04 | 2021-04-23 | 哈尔滨工程大学青岛船舶科技有限公司 | 一种基于概率图模型的水下目标定位方法 |
CN113008235A (zh) * | 2021-02-07 | 2021-06-22 | 西北工业大学 | 基于矩阵k-l散度的多源导航信息融合方法 |
CN113156368A (zh) * | 2021-03-23 | 2021-07-23 | 哈尔滨工业大学 | 一种基于因子图的误差参数辨识协同定位方法 |
CN113433553A (zh) * | 2021-06-23 | 2021-09-24 | 哈尔滨工程大学 | 一种水下机器人多源声学信息融合精确导航方法 |
CN113945206A (zh) * | 2020-07-16 | 2022-01-18 | 北京图森未来科技有限公司 | 一种基于多传感器融合的定位方法及装置 |
CN113984061A (zh) * | 2021-10-25 | 2022-01-28 | 哈尔滨工程大学 | 一种基于因子图优化的uuv多海域综合导航系统设计方法 |
US11626661B2 (en) * | 2021-06-16 | 2023-04-11 | L3Harris Technologies, Inc. | Vehicle having antenna positioner adjusted for timing latency and associated methods |
CN117739978A (zh) * | 2023-12-06 | 2024-03-22 | 无锡学院 | 一种基于因子图的多auv并行式协同导航定位方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197408A (zh) * | 2016-06-23 | 2016-12-07 | 南京航空航天大学 | 一种基于因子图的多源导航信息融合方法 |
EP3105715A1 (de) * | 2014-05-16 | 2016-12-21 | Siemens Aktiengesellschaft | Anordnung und verfahren zur sensorfusion |
CN108364014A (zh) * | 2018-01-08 | 2018-08-03 | 东南大学 | 一种基于因子图的多源信息融合方法 |
-
2019
- 2019-10-30 CN CN201911042920.9A patent/CN110837854B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3105715A1 (de) * | 2014-05-16 | 2016-12-21 | Siemens Aktiengesellschaft | Anordnung und verfahren zur sensorfusion |
CN106197408A (zh) * | 2016-06-23 | 2016-12-07 | 南京航空航天大学 | 一种基于因子图的多源导航信息融合方法 |
CN108364014A (zh) * | 2018-01-08 | 2018-08-03 | 东南大学 | 一种基于因子图的多源信息融合方法 |
Non-Patent Citations (3)
Title |
---|
XIAOSHUANG MA等: "Application of Adaptive Federated Filter Based on Innovation Covariance in Underwater Integrated Navigation System", 《2018 IEEE INTERNATIONAL CONFERENCE ON MANIPULATION, MANUFACTURING AND MEASUREMENT ON THE NANOSCALE (3M-NANO)》 * |
王伟,李欣: "《迭代检测伪码捕获技术》", 31 May 2014, 国防工业出版 * |
马晓爽等: "基于因子图的 AUV 多传感器组合导航算法", 《中国惯性技术学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538349B (zh) * | 2020-04-17 | 2021-03-23 | 中国海洋大学 | 面向多任务的长航程auv自主决策方法 |
CN111538349A (zh) * | 2020-04-17 | 2020-08-14 | 中国海洋大学 | 面向多任务的长航程auv自主决策方法 |
CN113945206B (zh) * | 2020-07-16 | 2024-04-19 | 北京图森未来科技有限公司 | 一种基于多传感器融合的定位方法及装置 |
CN113945206A (zh) * | 2020-07-16 | 2022-01-18 | 北京图森未来科技有限公司 | 一种基于多传感器融合的定位方法及装置 |
CN111982117B (zh) * | 2020-08-17 | 2022-05-10 | 电子科技大学 | 一种基于深度学习的auv光学引导与测向方法 |
CN111982117A (zh) * | 2020-08-17 | 2020-11-24 | 电子科技大学 | 一种基于深度学习的auv光学引导与测向方法 |
CN112325885A (zh) * | 2020-10-30 | 2021-02-05 | 哈尔滨工业大学 | 一种基于数学统计特征的因子图协同定位算法 |
CN112698266A (zh) * | 2020-12-04 | 2021-04-23 | 哈尔滨工程大学青岛船舶科技有限公司 | 一种基于概率图模型的水下目标定位方法 |
CN112527017A (zh) * | 2020-12-11 | 2021-03-19 | 中国科学院沈阳自动化研究所 | 一种基于多auv的海洋观测方法 |
CN112527017B (zh) * | 2020-12-11 | 2022-02-11 | 中国科学院沈阳自动化研究所 | 一种基于多auv的海洋观测方法 |
CN113008235A (zh) * | 2021-02-07 | 2021-06-22 | 西北工业大学 | 基于矩阵k-l散度的多源导航信息融合方法 |
CN113008235B (zh) * | 2021-02-07 | 2022-10-25 | 西北工业大学 | 基于矩阵k-l散度的多源导航信息融合方法 |
CN113156368A (zh) * | 2021-03-23 | 2021-07-23 | 哈尔滨工业大学 | 一种基于因子图的误差参数辨识协同定位方法 |
CN113156368B (zh) * | 2021-03-23 | 2023-05-30 | 哈尔滨工业大学 | 一种基于因子图的误差参数辨识协同定位方法 |
US11626661B2 (en) * | 2021-06-16 | 2023-04-11 | L3Harris Technologies, Inc. | Vehicle having antenna positioner adjusted for timing latency and associated methods |
CN113433553A (zh) * | 2021-06-23 | 2021-09-24 | 哈尔滨工程大学 | 一种水下机器人多源声学信息融合精确导航方法 |
CN113984061B (zh) * | 2021-10-25 | 2023-02-14 | 哈尔滨工程大学 | 一种基于因子图优化的uuv多海域综合导航系统设计方法 |
CN113984061A (zh) * | 2021-10-25 | 2022-01-28 | 哈尔滨工程大学 | 一种基于因子图优化的uuv多海域综合导航系统设计方法 |
CN117739978A (zh) * | 2023-12-06 | 2024-03-22 | 无锡学院 | 一种基于因子图的多auv并行式协同导航定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110837854B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837854B (zh) | 一种基于因子图的auv多源信息融合方法和设备 | |
Allotta et al. | A new AUV navigation system exploiting unscented Kalman filter | |
CA2565143C (en) | System and method for aligning multiple navigation components | |
Medagoda et al. | Autonomous underwater vehicle localization in a spatiotemporally varying water current field | |
Raol et al. | On the orbit determination problem | |
Johansen et al. | Nonlinear observer for tightly coupled integration of pseudorange and inertial measurements | |
Givens et al. | A survey of inertial sensor fusion: Applications in suas navigation and data collection | |
CN116086445A (zh) | 一种基于因子图优化的多源信息时延融合导航方法 | |
US7406379B2 (en) | System for interferometric sensing | |
CN109188352B (zh) | 一种组合导航相对定位方法 | |
CN117739978A (zh) | 一种基于因子图的多auv并行式协同导航定位方法及系统 | |
Huang et al. | Expectation maximization based GPS/INS integration for land-vehicle navigation | |
Lopes et al. | Attitude determination of highly dynamic fixed-wing uavs with gps/mems-ahrs integration | |
Qin et al. | Robust interactive multimodel INS/DVL intergrated navigation system with adaptive model set | |
Luo et al. | A multi-AUV cooperative navigation method based on the augmented adaptive embedded cubature Kalman filter algorithm | |
Liu et al. | A covariance shaping filtering method for tightly-coupled MIMU/GNSS of UAV | |
CN116222541A (zh) | 利用因子图的智能多源组合导航方法及装置 | |
Chang et al. | Hybrid Kalman and unscented Kalman filters for INS/GPS integrated system considering constant lever arm effect | |
Malleswaran et al. | A hybrid approach for GPS/INS integration using Kalman filter and IDNN | |
CN108828644A (zh) | Gnss/mems紧组合导航系统中动态突变识别方法 | |
Damerius et al. | A generic inertial navigation system | |
Snyder et al. | Performance of a mems imu for localizing a seaglider auv on an acoustic tracking range | |
Gong et al. | Application of improved robust adaptive algorithm in UWB/MEMS positioning system | |
Shaaban et al. | MARG Sensor-Based Attitude Estimation On SO (3) Under Unknown External Acceleration | |
Crouse | Worldwide ground target state propagation |
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 |