CN111174774A - 一种某深度水层面模式下的导航信息融合方法及系统 - Google Patents

一种某深度水层面模式下的导航信息融合方法及系统 Download PDF

Info

Publication number
CN111174774A
CN111174774A CN202010069599.XA CN202010069599A CN111174774A CN 111174774 A CN111174774 A CN 111174774A CN 202010069599 A CN202010069599 A CN 202010069599A CN 111174774 A CN111174774 A CN 111174774A
Authority
CN
China
Prior art keywords
sins
mode
certain depth
dvl
water
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
CN202010069599.XA
Other languages
English (en)
Other versions
CN111174774B (zh
Inventor
黄浩乾
刘聪
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010069599.XA priority Critical patent/CN111174774B/zh
Publication of CN111174774A publication Critical patent/CN111174774A/zh
Application granted granted Critical
Publication of CN111174774B publication Critical patent/CN111174774B/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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公布了一种某深度水层面模式下的导航信息融合方法及系统，在AUV下潜深度较浅时，DVL的声波不能达到水底，其输出的速度信息中包含洋流速度，此时DVL工作在某深度水层面模式，为了回避对洋流的建模问题，提前在水底模式下进行径向基神经网络RBFNN的训练，完成对水底模式下DVL和SINS速度差异和SINS载体运动参数的关联函数的拟合；在AUV处于某深度水层面模式时，将SINS中实时的载体运动参数代入在水底模式下最新训练得到的关联函数，解算出此时将DVL的声波在理论上延长到水底时的输出速度与SINS输出速度的差异，并作为滤波模块的量测输入，最后补偿到SINS上。本发明有效解决了在多普勒计程仪输出的速度包含洋流速度时，如何既不对洋流建模，又能对SINS进行补偿这一技术问题。

Description

一种某深度水层面模式下的导航信息融合方法及系统
技术领域
本发明属于水下航行器和机器人组合导航领域，具体涉及一种某深度水层面模式下的导航信息融合方法及系统。
背景技术
海洋不仅蕴藏着丰富的资源，而且还是重要的运输通道和防御外敌的天然屏障。研究利用海洋技术对实现建设海洋大国，提高综合国力具有极其重要的战略意义。水下潜器对海洋资源的开发有着不可忽视的作用，它在海洋环境建模、资源开采、水下目标的检测与识别、水下设备检查以及水下救险和打捞等方面得到了广泛应用，精确的导航技术是其能在水下准确航行的关键。
惯性导航系统具有自主导航、保密性好、抗干扰能力强、导航参数丰富及短时间内导航精度高等特点。然而由于惯性传感器固有误差的存在，使得导航误差随时间积累，长时间导航精度较差。所以需要其他误差稳定的导航系统的辅助，对其累积误差周期性的修正，以使其更好的发挥自身优势。多普勒计程仪虽然精度低，但其误差能长时间保持稳定，由于两者的互补性，所以采用捷联惯性导航系统(Strapdown Inertial Navigation System,SINS)和多普勒计程仪(Doppler Velocity Log,DVL)组合的方式，能有效的减小误差，提高导航精度。
当水深较浅或当自主式水下航行器(Autonomous Underwater Vehicle，AUV)处于深海作业时，AUV距海底较近，多普勒计程仪的声波能达到水底，多普勒计程仪测量的是载体相对于水底的速度；但当AUV距海底较远时，多普勒计程仪的声波仅能够达到某深度水层面，多普勒计程仪测量的是载体相对于该层水面的速度。但在海洋中，由于洋流有一定的速度，致使其测量出的不是AUV相对于水底的速度，而在SINS和多普勒计程仪组合导航方式中由于SINS输出的是相对于水底的速度，因而也要求多普勒计程仪量测的是相对于水底的速度，这就需要实时量测洋流速度，一般的方法是对洋流速度进行建模，但由于其计算复杂度高，而且会受海水温度、地形等不确定因素的影响。
组合导航系统常用的信息融合方法是通过滤波推算最优估计值，但在上述某深度水层面模式下，洋流速度的不确定性会导致系统模型不准确，模型参数易发生漂移和突变，因此该模式下采用滤波融合方法的精度较低且预测误差会随时间积累。在多普勒计程仪工作于某深度水层面模式时，如何做到既不对洋流速度建模，还能保证此时SINS的精度，目前还没有一种较好的解决方法。
发明内容
发明目的：本发明提出了一种某深度水层面模式下的导航信息融合方法及系统，解决了在某深度水层面模式下，多普勒计程仪输出的速度包含洋流速度时，如何既不对洋流建模，又能对SINS进行补偿这一技术问题。
技术方案：本发明所述的一种某深度水层面模式下的导航信息融合方法，包括以下步骤：
(1)使AUV下潜，直到DVL的声波能到达水底，在此水底模式下拟合关联函数，导航计算机对关联函数进行保存和更新；
(2)当DVL的声波只能达到某深度水层面，放弃此某深度水层面模式下多普勒计程仪输出的速度信息，此时导航系统为纯SINS模式；
(3)某深度水层面模式下不进行RBFNN的训练，直接用导航计算机里保存的步骤(1)获得的关联函数；
(4)将某深度水层面模式下SINS实时的载体运动参数代入步骤(3)所述的关联函数，求得水底模式时DVL和SINS的速度差异值，即解算得到了某深度水层面模式下将DVL的声波在理论上延长到水底时的输出速度与SINS输出速度的差异；
(5)直接将步骤(4)获得的速度差异代替此某深度水层面模式下DVL和SINS的直接输出，作为滤波模块的量测输入，并将推算的最优估计值对SINS进行补偿，实现对放弃了DVL输出的纯SINS导航模式的补偿。
进一步地，所述步骤(1)包括以下步骤：
(11)将多普勒计程仪和SINS的信息经滤波模块滤波后，对SINS进行补偿；
(12)提取水底模式下DVL、SINS的速度差异和SINS中的载体运动参数作为样本数据；
(13)通过RBFNN对参数的不断训练完成对水底模式下DVL、SINS的速度差异和SINS中的载体运动参数关联函数的拟合，输出形式是基函数的线性组合；
(14)对提取训练样本的时间进行设定，下一提取训练样本的时间到，再重复步骤(11)至(13)，不断得到实时的关联函数；其中训练样本的时间设定为1分钟。
本发明还提供一种某深度水层面模式下的导航信息融合系统，包括捷联惯性导航系统、多普勒计程仪、滤波模块、RBFNN模块、导航计算机；所述捷联惯性导航系统作为主导航系统，多普勒计程仪作为辅助导航系统；所述滤波模块用于在水底模式时对多普勒计程仪和捷联惯性导航系统进行信息融合，在某深度水层面模式时推算速度差异的最优估计值，并对捷联惯性导航系统进行补偿；所述RBFNN模块用于在水底模式下进行参数的训练和关联函数的拟合；所述导航计算机在水底模式时用于保存实时更新的关联函数，在某深度水层面模式时用于将此时捷联惯性导航系统的载体运动参数代入最新保存的关联函数，得到水底模式时多普勒计程仪和捷联惯性导航系统的速度差异，利用此速度差异，代替某深度水层面模式下DVL和SINS的直接输出，为滤波模块提供量测信息，实现了对纯SINS模式的补偿。
有益效果：与现有技术相比，本发明的有益效果：1、神经网络在水底模式下对关联函数的拟合，能实现在某深度水层面模式下利用不包含洋流速度的多普勒计程仪的输出，对SINS进行补偿；2、在某深度水层面模式下，洋流速度的不确定性会导致系统模型不准确，模型参数易发生漂移和突变，因此采用滤波方法的精度较低且预测误差会随时间积累，本发明不需要对洋流速度进行建模，而是充分利用了RBFNN的自学习能力，在保证了较高的导航精度的同时，使得计算量和计算复杂度大大降低。
附图说明
图1为某深度水层面模式下的导航信息融合方法及系统总体框图；
图2为纯SINS模式时的补偿方法框图；
图3为多普勒计程仪工作模式图；
图4为RBFNN拟合关联函数方法框图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图3所示，某深度水层面模式是指:多普勒计程仪的声波不能达到水底，而只能达到某层水面。此时多普勒计程仪输出的速度并不是载体相对于水底的速度，而是还包含了洋流速度。
多普勒计程仪工作在某深度水层面模式时，为了回避洋流速度的建模问题，应放弃使用多普勒计程仪的速度输出信息，但如果为纯SINS模式，SINS的惯性器件存在固有误差，其误差的累积会导致导航精度迅速下降，而且当前AUV的运动状态受到了较大扰动且这种扰动无法估计，因此会导致导航系统模型不准确，进而导致滤波器的模型参数发生漂移或突变。
为了对此时的纯SINS模式进行补偿，一是增加其他导航设备，但这会伴随着增加系统硬件复杂度等问题，二是改进补偿方法，本发明从改变滤波模块的量测输入着手，由于某深度水层面模式下的洋流速度无法在不建模的情况下进行预测，所以在此模式下不直接利用此时DVL和SINS的速度信息作为量测信息，而是通过一个关联函数得到水底模式时DVL和SINS的速度差异，把此速度差异作为滤波模块的量测输入，此方法由于避免了用到某深度水层面模式下DVL的输出，因此使得我们可以放弃使用某深度水层面模式下包含洋流速度的DVL输出，由此解决了对洋流速度的建模问题。函数的关联双方分别是SINS实时的载体运动参数，和水底模式时DVL和SINS的速度差异，在DVL工作在某深度水层面模式时，仅利用此时SINS中的载体运动参数，就能根据关联函数获得此时将DVL的声波在理论上延长到水底时的输出速度与SINS输出速度的差异，再通过滤波后对SINS进行补偿，就能获得与水底模式时多普勒计程仪对SINS同样的补偿效果。所以需要解决的问题就是获得实时的关联函数，由于我们无法通过建模得到一个确定的函数，所以利用神经网络提前根据多普勒计程仪工作在水底模式时的样本数据进行训练，不断调整参数，完成对函数的拟合，又为了保证导航系统的实时性，所以选择训练速度快的RBFNN模型。具体包括以下步骤：
1、使AUV下潜到水深1000米，此时DVL的声波能到达水底，多普勒计程仪测量的是载体相对于水底的速度，即其输出的速度不包含洋流速度，在此水底模式下用径向基神经网络(Radial Basis Function Neural Network，RBFNN)拟合关联函数，导航计算机对关联函数进行保存和更新。具体训练过程如下，如图2所示：
在多普勒计程仪工作在水底模式时，由滤波模块对其和SINS的速度信息进行融合，并将误差补偿到SINS上，RBFNN将DVL、SINS输出的速度信息和SINS的载体运动参数作为训练样本，在隐含层进行参数的学习，在达到预先设定的精度值时即达到训练目标，完成函数的拟合，保存最后训练得到的权值向量，输出为SINS载体运动参数和DVL、SINS的速度差异的关联函数。又由于两者的关联性会受环境或AUV机动状态等因素的影响而变化，所以为了保证训练结果的实时性，这要求对提取训练样本的时间进行设定，例如设定提取训练样本的时间为1分钟，每到达1分钟，就重新从DVL和SINS中提取一次训练样本，对RBFNN进行在线训练，不断更新关联函数，如图4所示。拟合n次直到达到预定的拟合精度，不同的深度和海域对拟合的精度要求不同，根据具体情况设定拟合精度。
2、在多普勒计程仪工作在某深度水层面模式时，其速度信息由于包含洋流速度而导致不可用，此时仍由滤波模块进行预测和量测更新，只是利用RBFNN输出的函数，直接计算出此时多普勒计程仪和SINS的速度差异，代替SINS和多普勒计程仪的直接输出，作为滤波器的量测信息，然后将误差补偿到SINS上，具体工作方式如下：
在水底模式下RBFNN拟合的关联函数达到了设定的拟合精度后，使AUV上潜到水深500米，此时DVL的声波只能达到某层水面，为某深度水层面模式，放弃此时多普勒计程仪输出的速度信息，此时导航系统为纯SINS模式；某深度水层面模式下不进行RBFNN的训练，直接用此时导航计算机里保存的的关联函数，即水底模式时最后一次拟合的关联函数。将某深度水层面模式下SINS实时的载体运动参数代入关联函数，求得水底模式时DVL和SINS的速度差异值，即解算得到了某深度水层面模式下将DVL的声波在理论上延长到水底时的输出速度与SINS输出速度的差异。直接将此速度差异代替此模式下DVL和SINS的直接输出，作为滤波模块的量测输入，并将推算的最优估计值对SINS进行补偿，就能实现对此时放弃了DVL输出的纯SINS导航模式的补偿，仍保证了较好的导航精度，且避开了对洋流速度的建模问题。
本发明还提供一种某深度水层面模式下的导航信息融合系统，其包括捷联惯性导航系统、多普勒计程仪、滤波模块、RBFNN模块、导航计算机；其中捷联惯性导航系统作为主导航系统，多普勒计程仪作为辅助导航系统；滤波模块用于在水底模式时对多普勒计程仪和捷联惯性导航系统进行信息融合，在某深度水层面模式时推算速度差异的最优估计值，并对捷联惯性导航系统进行补偿；RBFNN模块用于在水底模式下进行参数的训练和关联函数的拟合；导航计算机在水底模式时用于保存实时更新的关联函数，在某深度水层面模式时用于将此时捷联惯性导航系统的载体运动参数代入最新保存的关联函数，得到水底模式时多普勒计程仪和捷联惯性导航系统的速度差异，利用此速度差异，代替某深度水层面模式下DVL和SINS的直接输出，为滤波模块提供量测信息，实现了对纯SINS模式的补偿。

Claims (4)

1.一种某深度水层面模式下的导航信息融合方法，其特征在于，包括以下步骤：
(1)使AUV下潜，直到DVL的声波能到达水底，在此水底模式下拟合关联函数，导航计算机对关联函数进行保存和更新；
(2)当DVL的声波只能达到某深度水层面，放弃此某深度水层面模式下多普勒计程仪输出的速度信息，此时导航系统为纯SINS模式；
(3)某深度水层面模式下不进行RBFNN的训练，直接用导航计算机里保存的步骤(1)获得的关联函数；
(4)将某深度水层面模式下SINS实时的载体运动参数代入步骤(3)所述的关联函数，求得水底模式时DVL和SINS的速度差异值，即解算得到了某深度水层面模式下将DVL的声波在理论上延长到水底时的输出速度与SINS输出速度的差异；
(5)直接将步骤(4)获得的速度差异代替此某深度水层面模式下DVL和SINS的直接输出，作为滤波模块的量测输入，并将推算的最优估计值对SINS进行补偿，实现对放弃了DVL输出的纯SINS导航模式的补偿。
2.根据权利要求1所述的一种某深度水层面模式下的导航信息融合方法，其特征在于，所述步骤(1)包括以下步骤：
(11)将多普勒计程仪和SINS的信息经滤波模块滤波后，对SINS进行补偿；
(12)提取水底模式下DVL、SINS的速度差异和SINS中的载体运动参数作为样本数据；
(13)通过RBFNN对参数的不断训练完成对水底模式下DVL、SINS的速度差异和SINS中的载体运动参数关联函数的拟合，输出形式是基函数的线性组合；
(14)对提取训练样本的时间进行设定，下一提取训练样本的时间到，再重复步骤(11)至(13)，不断得到实时的关联函数。
3.一种采用如权利要求1所述的方法的某深度水层面模式下的导航信息融合系统，其特征在于，包括捷联惯性导航系统、多普勒计程仪、滤波模块、RBFNN模块、导航计算机；所述捷联惯性导航系统作为主导航系统，多普勒计程仪作为辅助导航系统；所述滤波模块用于在水底模式时对多普勒计程仪和捷联惯性导航系统进行信息融合，在某深度水层面模式时推算速度差异的最优估计值，并对捷联惯性导航系统进行补偿；所述RBFNN模块用于在水底模式下进行参数的训练和关联函数的拟合；所述导航计算机在水底模式时用于保存实时更新的关联函数，在某深度水层面模式时用于将此时捷联惯性导航系统的载体运动参数代入最新保存的关联函数，得到水底模式时多普勒计程仪和捷联惯性导航系统的速度差异，利用此速度差异，代替某深度水层面模式下DVL和SINS的直接输出，为滤波模块提供量测信息，实现了对纯SINS模式的补偿。
4.根据权利要求2所述的一种某深度水层面模式下的导航信息融合方法，其特征在于，所述训练样本的时间设定为1分钟。
CN202010069599.XA 2020-01-21 2020-01-21 一种某深度水层面模式下的导航信息融合方法及系统 Active CN111174774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010069599.XA CN111174774B (zh) 2020-01-21 2020-01-21 一种某深度水层面模式下的导航信息融合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010069599.XA CN111174774B (zh) 2020-01-21 2020-01-21 一种某深度水层面模式下的导航信息融合方法及系统

Publications (2)

Publication Number Publication Date
CN111174774A true CN111174774A (zh) 2020-05-19
CN111174774B CN111174774B (zh) 2023-04-21

Family

ID=70625229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010069599.XA Active CN111174774B (zh) 2020-01-21 2020-01-21 一种某深度水层面模式下的导航信息融合方法及系统

Country Status (1)

Country Link
CN (1) CN111174774B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112729291A (zh) * 2020-12-29 2021-04-30 东南大学 一种深潜长航潜水器sins/dvl洋流速度估计方法
CN113670303A (zh) * 2021-09-09 2021-11-19 郑州大学 一种基于rbf神经网络的sins/dvl组合导航流速补偿方法
CN113847915A (zh) * 2021-09-24 2021-12-28 中国人民解放军战略支援部队信息工程大学 一种捷联惯导/多普勒组合导航系统的导航方法
CN115824224A (zh) * 2023-02-14 2023-03-21 河海大学 基于ahrs和dvl的水下机器人自主航位推算方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006313087A (ja) * 2005-05-06 2006-11-16 Mitsui Eng & Shipbuild Co Ltd 水中航走体の検出位置修正方法およびシステム
CN101738186A (zh) * 2008-11-05 2010-06-16 程祥长 速差导航技术
CN103278163A (zh) * 2013-05-24 2013-09-04 哈尔滨工程大学 一种基于非线性模型的sins/dvl组合导航方法
CN104330084A (zh) * 2014-11-13 2015-02-04 东南大学 一种水下航行器用神经网络辅助组合导航方法
CN107063245A (zh) * 2017-04-19 2017-08-18 东南大学 一种基于5阶ssrckf的sins/dvl组合导航滤波方法
CN107765032A (zh) * 2017-09-10 2018-03-06 西安天和海防智能科技有限公司 多普勒测速仪速度修正方法及水下自主航行器导航误差修正方法
CN109579850A (zh) * 2019-01-16 2019-04-05 中国海洋大学 基于对水速度辅助惯导的深水智能导航方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006313087A (ja) * 2005-05-06 2006-11-16 Mitsui Eng & Shipbuild Co Ltd 水中航走体の検出位置修正方法およびシステム
CN101738186A (zh) * 2008-11-05 2010-06-16 程祥长 速差导航技术
CN103278163A (zh) * 2013-05-24 2013-09-04 哈尔滨工程大学 一种基于非线性模型的sins/dvl组合导航方法
CN104330084A (zh) * 2014-11-13 2015-02-04 东南大学 一种水下航行器用神经网络辅助组合导航方法
CN107063245A (zh) * 2017-04-19 2017-08-18 东南大学 一种基于5阶ssrckf的sins/dvl组合导航滤波方法
CN107765032A (zh) * 2017-09-10 2018-03-06 西安天和海防智能科技有限公司 多普勒测速仪速度修正方法及水下自主航行器导航误差修正方法
CN109579850A (zh) * 2019-01-16 2019-04-05 中国海洋大学 基于对水速度辅助惯导的深水智能导航方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112729291A (zh) * 2020-12-29 2021-04-30 东南大学 一种深潜长航潜水器sins/dvl洋流速度估计方法
CN112729291B (zh) * 2020-12-29 2022-03-04 东南大学 一种深潜长航潜水器sins/dvl洋流速度估计方法
CN113670303A (zh) * 2021-09-09 2021-11-19 郑州大学 一种基于rbf神经网络的sins/dvl组合导航流速补偿方法
CN113670303B (zh) * 2021-09-09 2023-10-13 郑州大学 一种基于rbf神经网络的sins/dvl组合导航流速补偿方法
CN113847915A (zh) * 2021-09-24 2021-12-28 中国人民解放军战略支援部队信息工程大学 一种捷联惯导/多普勒组合导航系统的导航方法
CN113847915B (zh) * 2021-09-24 2023-12-19 中国人民解放军战略支援部队信息工程大学 一种捷联惯导/多普勒组合导航系统的导航方法
CN115824224A (zh) * 2023-02-14 2023-03-21 河海大学 基于ahrs和dvl的水下机器人自主航位推算方法

Also Published As

Publication number Publication date
CN111174774B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN111174774A (zh) 一种某深度水层面模式下的导航信息融合方法及系统
CN112254718B (zh) 一种运动约束辅助的基于改进Sage-Husa自适应滤波的水下组合导航方法
Meduna et al. Low-cost terrain relative navigation for long-range AUVs
CN102323586B (zh) 一种基于海流剖面的uuv辅助导航方法
CN103776453A (zh) 一种多模型水下航行器组合导航滤波方法
CN109579850B (zh) 基于对水速度辅助惯导的深水智能导航方法
CN111307160B (zh) 一种自主水下航行器长航时航迹的修正方法及装置
CN102162733A (zh) 一种基于svm的auv舰位推算导航误差实时修正方法
Huang et al. Attitude determination method integrating square-root cubature Kalman filter with expectation-maximization for inertial navigation system applied to underwater glider
Liu et al. Research into the integrated navigation of a deep-sea towed vehicle with USBL/DVL and pressure gauge
CN115560759A (zh) 一种基于海底油气管道检测的水下多源导航定位方法
CN104280024B (zh) 一种深水机器人组合导航装置和方法
Guo et al. A robust SINS/USBL integrated navigation algorithm based on earth frame and right group error definition
Wang et al. A novel adaptive sliding observation-based cooperative positioning algorithm under factor graph framework for multiple UUVs
CN110764533A (zh) 一种多水下机器人协同目标搜索方法
CN113218421B (zh) 北斗拒止条件下捷联惯导系统鲁棒自适应动态对准方法
CN115096302A (zh) 捷联惯性基导航系统信息滤波鲁棒对准方法、系统及终端
CN114323065A (zh) 基于多手段融合的水下自主导航系统误差监测与估计方法
CN113758469A (zh) 一种基于多模多频gnss接收机的潮位监测方法及系统
Wang et al. A novel calibration algorithm of SINS/USBL navigation system based on smooth variable structure
CN113670303B (zh) 一种基于rbf神经网络的sins/dvl组合导航流速补偿方法
CN104280026A (zh) 基于aukf的深海机器人长基线组合导航方法
CN114279462B (zh) 一种惯导周期性误差自主估计与预测方法
CN112947068A (zh) 一种自主水下航行器一体化声学定位与跟踪控制方法
Liu et al. Study on particle filter based terrain aided navigation under the Ultra-low resolution map of the Arctic

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