CN111337020A - 引入抗差估计的因子图融合定位方法 - Google Patents

引入抗差估计的因子图融合定位方法 Download PDF

Info

Publication number
CN111337020A
CN111337020A CN202010150830.8A CN202010150830A CN111337020A CN 111337020 A CN111337020 A CN 111337020A CN 202010150830 A CN202010150830 A CN 202010150830A CN 111337020 A CN111337020 A CN 111337020A
Authority
CN
China
Prior art keywords
factor
factor graph
model
observation
fusion
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
Application number
CN202010150830.8A
Other languages
English (en)
Inventor
陈光武
刘洋
杨菊花
刘昊
程鉴皓
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.)
Lanzhou Jiaotong University
Original Assignee
Lanzhou Jiaotong University
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 Lanzhou Jiaotong University filed Critical Lanzhou Jiaotong University
Priority to CN202010150830.8A priority Critical patent/CN111337020A/zh
Publication of CN111337020A publication Critical patent/CN111337020A/zh
Pending legal-status Critical Current

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
    • G01S19/47—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种引入抗差估计的因子图融合定位方法，包括：获取传感器量测信息；基于所述量测信息确定出由位置、速度、姿态以及偏差量构成的多维状态量，构建状态空间模型，从而建立组合导航系统模型；根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在；若存在，则引入指数衰减自适应因子自动调整观测噪声；若不存在，则构建因子图模型；定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型；推算所述因子图模型，根据所述推算结果得到定位信息。以实现提高定位精确度的优点。

Description

引入抗差估计的因子图融合定位方法
技术领域
本发明涉及定位领域，具体地，涉及一种引入抗差估计的因子图融合定位方法。
背景技术
随着智能交通与智能车辆的迅速发展，以及应用环境的复杂多变化，人们对运动目标状态信息估计的精确度也要求越来越高，单一的传感器已无法满足现有的导航需求，对各类导航源传感器的导航信息进行融合，实现传感器的优势互补，从而提高组合导航系统的精度、容错性和可靠性是重要的发展趋势。按照融合算法的结构，多源信息融合方法可大致分为三类：集中式融合方法、并行式融合方法和序贯式融合方法。其中，集中式融合方法在组合导航中，最成熟、应用最广泛的算法是Kalman(卡尔曼)滤波，Kalman滤波是一种最优估计，通常是在假定观测量是线性且符合高斯分布的情况下的最优估计。而在实际应用中，观测量却通常是非线性和非高斯的，因此出现了扩展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波等非线性滤波方法。这些方法虽然解决了非线性、非高斯问题，但算法复杂度增加，导致融合效率降低。也有将神经网络引入到融合算法中对系统状态信息进行学习训练，但该方法需要大量训练样本且实时性较差；并行式融合方法中代表性的是Carlson提出的联邦卡尔曼滤波算法，该算法是分散化的卡尔曼滤波算法，由多个子滤波器和一个主滤波器组成，通过主滤波器和各子滤波器的融合得到全局最优估计。该方法具有实时性好、计算量小的优点，但各滤波器输出量不一致，容易引入全局估计误差，且过度依赖观测信息，容错性差；序贯式融合方法是主要解决异步异构导航源信息的融合方法，有动静态滤波方法、交互自适应方法等，其中比较新颖的是20世纪90年代FR Kschischang等提出因子图方法，因子图是一种概率图模型，是将各导航源观测量信息进行编码，通过节点连接的方式将所有传感器观测因子搭建多源信息融合因子图框架，然后按照一定的规则进行消息传递和迭代，从而完成参数估计和数据融合。该方法可以融合非同频、非同步的传感器观测信息，其中各导航源信息是相互独立的，依次融合，向下传递，当增加或删除传感器时，只需要在因子图中添加或删除对应的结点，满足了系统即插即用的要求，但一旦某一导航源出现异常，不能及时识别，误差会向下累积，导致系统解算误差增大，从而造成定位精确度度低的问题。
发明内容
本发明的目的在于，针对上述问题，提出一种引入抗差估计的因子图融合定位方法，以实现提高定位精确度的优点。
为实现上述目的，本发明实施例采用的技术方案是：
一种引入抗差估计的因子图融合定位方法，包括：
获取传感器量测信息；
基于所述量测信息确定出由位置、速度、姿态以及偏差量构成的多维状态量，构建状态空间模型，从而建立组合导航系统模型；
根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在；若存在，则引入指数衰减自适应因子自动调整观测噪声；若不存在，则构建因子图模型；
定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型；
推算所述因子图模型，根据所述推算结果得到定位信息。
可选的，所述传感器量测信息，包括惯性测量单元中的陀螺仪和加速度计输出相应的角速度和比力的量测信息以及定位单元输出相应的经纬度量测信息。
可选的，所述状态空间模型为
Figure BDA0002402376860000031
式中，
Figure BDA0002402376860000032
为k-1时刻的状态转移矩阵，Hk为k时刻的观测矩阵；Wk-1和Vk分别为状态噪声和观测噪声，Qk-1,Rk为相应的协方差矩阵。
可选的，所述根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在为：
使用预测残差向量构造检验统计量，判断是否存在观测异常误差，从而判断是否有异常观测的存在。
可选的，所述使用预测残差向量构造检验统计量，判断是否存在观测异常误差，从而判断是否有异常观测的存在，包括：
设置置信度；
判断统计量是否超过置信度的极限，如超过置信度的极限，则存在观测异常误差。
可选的，所述置信度设置为：
Figure BDA0002402376860000033
其中
Figure BDA0002402376860000034
为显著性水平。
可选的，所述引入指数衰减自适应因子自动调整观测噪声，包括：
根据预测残差自动调整观测噪声，并设置噪声方差的上下限，当两个相邻的迭代差异未超过限制，则停止迭代。
可选的，定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型为：
变量节点X，表示全局多元函数的变量，因子节点F，表示分解因子，变量节点X通过边E＝(eij)连接到因子节点F，边E＝(eij)是由变量节点X和因子节点F连线组成。
可选的，所述推算所述因子图模型，包括：
设置代价函数，将因子图模型消元变换为贝叶斯网络，通过高斯牛顿迭代法求解出状态更新量，最后得出最优估计值。
可选的，所述根据所述推算结果得到定位信息，包括：
基于最优估计值将获取的传感器量测信息进行融合，得到融合数据；
根据融合数据得到定位信息。
本发明的技术方案具有以下有益效果：
本发明技术方案，提出引入抗差估计的因子图融合方法，利用抗差估计对观测异常进行检测，并引入指数衰减自适应因子改变观测噪声协方差阵大小，从而抑制异常观测值的影响，提高融合算法的精度和容错性。达到提高定位精确度的目的。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的引入抗差估计的因子图融合定位方法的流程图；
图2为本发明实施例所述的状态空间模型的因子示意图；
图3为本发明实施例所述的基于因子图的多源信息融合的系统框架图；
图4为本发明实施例所述的引入抗差估计的因子图融合方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1和图4所示，一种引入抗差估计的因子图融合定位方法，包括：
步骤S101：获取传感器量测信息；
可选的，所述传感器量测信息，包括惯性测量单元中的陀螺仪和加速度计输出相应的角速度和比力的量测信息，GPS/BDS/GLONAS/Galileo单元输出相应的经纬度量测信息，其他各类辅助传感器输出对应的量测信息。
主要为IMU惯性导航传感器、GPS/BDS/GLONAS/Galileo卫星接收机、ODO速度传感器等，IMU传感器输出惯性测量单元中的陀螺仪和加速度计输出相应的角速度和比力的量测信息，GPS/BDS/GLONAS/Galileo单元输出相应的经纬度量测信息，其他各类辅助传感器输出对应的量测信息。
步骤S102：基于所述量测信息确定出由位置、速度、姿态以及偏差量构成的多维状态量，构建状态空间模型，从而建立组合导航系统模型；
可选的，所述状态空间模型为
Figure BDA0002402376860000051
式中，
Figure BDA0002402376860000052
为k-1时刻的状态转移矩阵，Hk为k时刻的观测矩阵；Wk-1和Vk分别为状态噪声和观测噪声，Qk-1,Rk为相应的协方差矩阵。
对上式(1)的状态空间模型的因子图表示如图2所示；
以“东-北-天”坐标系为导航坐标系，选取状态变量X表示为：
Figure BDA0002402376860000053
式(2)中，φE,N,U为惯性平台东、北、天向的姿态失准角，δVE,N,U为东、北、天向的速度误差，δL、δλ、δh分别表示纬度、经度、高度的误差，εx,y,z为陀螺仪的漂移误差，
Figure BDA0002402376860000054
为加速度计的漂移误差。
对于组合导航系统，选取GPS/BDS/GLONAS/Galileo单元与惯性导航系统的速度差和位置差作为观测向量，表示为：
Zk＝[δVE δVN δVU,δL δλ δh] (3)，
同样，其他传感器的量测方程可以写为：
Figure BDA0002402376860000061
式(4)中，hothers(.)为量测模型，nothers为观测噪声。添加其他传感器时在观测向量上添加相应的观测向量即可。
步骤S103：根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在；若存在，则引入指数衰减自适应因子自动调整观测噪声；若不存在，则构建因子图模型；
可选的，所述根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在为：
使用预测残差向量构造检验统计量，判断是否存在观测异常误差，从而判断是否有异常观测的存在。
可选的，所述使用预测残差向量构造检验统计量，判断是否存在观测异常误差，从而判断是否有异常观测的存在，包括：
设置置信度；
判断统计量是否超过置信度的极限，如超过置信度的极限，则存在观测异常误差。
可选的，所述置信度设置为：
Figure BDA0002402376860000062
其中
Figure BDA0002402376860000063
为显著性水平。
可选的，所述引入指数衰减自适应因子自动调整观测噪声，包括：
根据预测残差自动调整观测噪声，并设置噪声方差的上下限，当两个相邻的迭代差异未超过限制，则停止迭代。
引入抗差估计技术，首先是对异常观测信息进行检测，本发明利用预测残差向量构造检验统计量，从而判断是否存在观测异常误差。
预测残差(新息)
Figure BDA0002402376860000064
表示k时刻的真实量测值Zk与量测一步预测
Figure BDA0002402376860000065
之间存在的误差，定义式为：
Figure BDA0002402376860000066
预测残差的均方误差阵为
Figure BDA0002402376860000071
则
Figure BDA0002402376860000072
测量新息(预测残差)为白噪声序列，服从均值为零，方差
Figure BDA0002402376860000073
的正态分布，即
Figure BDA0002402376860000074
将其归一化，得检验统计量为：
Figure BDA0002402376860000075
式(8)中，
Figure BDA0002402376860000076
Hki表示在时间k时刻的观测矩阵的第i行元素，Rki表示观测噪声协方差矩阵的对角元素。
假设置信度为
Figure BDA0002402376860000077
检验统计量不超过置信极限，则可以认为没有观测异常；如果超过置信极限，引入衰减自适应因子来调整观测噪声协方差矩阵，达到识别和抑制观测量异常影响的目的。
引入抗差估计的因子图融合方法，其特征在于，引入指数衰减自适应因子自动调整观测噪声。
通过式(6)可以得出预测残差的方差
Figure BDA0002402376860000078
的表达式为：
Figure BDA0002402376860000079
预测残差的方差代表随机序列的集总平均，可以用离散化方程中的时间平均代替，对方程(9)进行移项，观测噪声协方差矩阵可改写为：
Figure BDA00024023768600000710
将上式(10)中
Figure BDA00024023768600000711
用b(0<b<1)代替，令
Figure BDA00024023768600000712
式(10)可以转化为：
Figure BDA0002402376860000081
考虑到观测异常误差可能会很大，通过式(11)计算噪声协方差时会增加异常观测的影响，令
Figure BDA0002402376860000082
所以等式(11)可以表示为：
Figure BDA0002402376860000083
当引入指数衰减自适应因子更新滤波器时，可以根据预测残差自动调整观测噪声，并设置了噪声方差的上下限，避免矩阵逆为负时降低滤波精度。同时，如果两个相邻的迭代差异未超过限制，则停止迭代。
步骤S104：定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型；
可选的，定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型为：
变量节点X，表示全局多元函数的变量，因子节点F，表示分解因子，变量节点X通过边E＝(eij)连接到因子节点F，边E＝(eij)是由变量节点X和因子节点F连线组成。
构建因子图模型，因子图是一种表示随机变量联合概率分布的二分图模型，可以将多元变量的全局函数分解为多个局部函数因子的乘积。因子图模型包括两种节点，一种是变量节点X，表示全局多元函数的变量，一种是因子节点F，表示分解因子，变量节点通过边E连接到因子节点，所以因子图定义为：
G＝(F,X,E) (13)，
式(13)中，
Figure BDA0002402376860000092
是变量节点的集合，m为变量节点的个数；F＝{f1(X1),f2(X2),...,fn(Xn)}代表一组因子节点，n为变量节点的个数；边E＝(eij)是由变量节点和因子节点连线组成。
因子图定义了一个函数的分解式：
Figure BDA0002402376860000091
定义惯性测量单元以及其他辅助传感器输出的量测信息为因子图的因子节点，定义导航系统的状态量信息为因子图的变量节点，从而构建基于因子图的多源信息融合的系统框架图，如图3所示。图中，fothers为其他传感器辅助时引入的新的因子节点，因此，基于因子图的多源信息融合方法具有相当好的灵活性，可以实现传感器的即插即用。图3中●为因子节点，○为变量节点。
步骤S105：推算所述因子图模型，根据所述推算结果得到定位信息。
求解联合概率分布p(Xk|Zk)的最大后验估计，设置代价函数，将因子图模型消元变换为贝叶斯网络，通过高斯牛顿迭代法求解出状态更新量，最后得出最优估计值，完成多源信息的有效融合。
可选的，所述推算所述因子图模型，包括：
设置代价函数，将因子图模型消元变换为贝叶斯网络，通过高斯牛顿迭代法求解出状态更新量，最后得出最优估计值。
可选的，所述根据所述推算结果得到定位信息，包括：
基于最优估计值将获取的传感器量测信息进行融合，得到融合数据；
根据融合数据得到定位信息。
根据贝叶斯估计，联合概率密度p(Xk|Zk)可分解为：
Figure BDA0002402376860000101
且全局条件概率密度函数与分子中的似然概率密度和状态转换先验概率成正比：
Figure BDA0002402376860000102
根据最大后验估计准则，将具有最大后验概率密度的状态变量视为估计量。因此，因子图的推算实质上是求解联合概率分布p(Xk|Zk)的最大后验概率估计的过程，最大后验概率表达式为：
Figure BDA0002402376860000103
为了计算最大后验概率估计
Figure BDA0002402376860000104
等式(16)的右侧p(Zi|Xi)p(Xi|Xi-1)将最大化。
对于高斯分布而言，p(Zi|Xi)可以表示为：
Figure BDA0002402376860000105
式(18)中，W为方差矩阵，hi()为量测函数，Zi为实测值。
设置代价函数为：
J＝[Zi-hi(Xi)]TW-1[Zi-hi(Xi)]＝min (19)，
因此，令代价函数取最小值，求解最优估计量。对于线性量测量，可采用求极值法求解最优估计量
Figure BDA0002402376860000106
对于非线性量测量，可采用牛顿迭代法进行求解。当在图中添加新的因子节点Zk时，利用不同传感器的测量值计算最优解。
类似地，p(Xi|Xi-1)可以用同样的方法计算得到：
Figure BDA0002402376860000107
式(20)中，P为方差矩阵。
设置代价函数为：
Figure BDA0002402376860000111
令误差函数的代价函数取最小值，最优状态估计量
Figure BDA0002402376860000112
即可得出，完成多源信息融合。
本发明实施例具有以下效果和优点：
1.采用的因子图融合方法，相比联邦滤波等其他多源信息融合方法，能够对异步异构的传感器数据进行处理，满足了系统中传感器的即插即用功能，提高了组合导航的灵活性。
2.引入抗差估计技术，能够检验系统异常观测量，并采用自适应因子调节观测噪声，提高了系统的导航精度和容错性。
3.解决了传统因子图方法中，如果某一导航源出现异常导致误差累积，系统导航解算误差增大的问题，同时降低了算法的计算复杂度。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种引入抗差估计的因子图融合定位方法，其特征在于，包括：
获取传感器量测信息；
基于所述量测信息确定出由位置、速度、姿态以及偏差量构成的多维状态量，构建状态空间模型，从而建立组合导航系统模型；
根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在；若存在，则引入指数衰减自适应因子自动调整观测噪声；若不存在，则构建因子图模型；
定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型；
推算所述因子图模型，根据所述推算结果得到定位信息。
2.根据权利要求1所述的引入抗差估计的因子图融合定位方法，其特征在于，所述传感器量测信息，包括惯性测量单元中的陀螺仪和加速度计输出相应的角速度和比力的量测信息以及定位单元输出相应的经纬度量测信息。
3.根据权利要求1所述的引入抗差估计的因子图融合定位方法，其特征在于，所述状态空间模型为
Figure FDA0002402376850000011
式中，
Figure FDA0002402376850000012
为k-1时刻的状态转移矩阵，Hk为k时刻的观测矩阵；Wk-1和Vk分别为状态噪声和观测噪声，Qk-1,Rk为相应的协方差矩阵。
4.根据权利要求1所述的引入抗差估计的因子图融合定位方法，其特征在于，所述根据所述导航系统模型的预测残差向量构造检验统计量，判断是否有异常观测的存在为：
使用预测残差向量构造检验统计量，判断是否存在观测异常误差，从而判断是否有异常观测的存在。
5.根据权利要求4所述的引入抗差估计的因子图融合定位方法，其特征在于，所述使用预测残差向量构造检验统计量，判断是否存在观测异常误差，从而判断是否有异常观测的存在，包括：
设置置信度；
判断统计量是否超过置信度的极限，如超过置信度的极限，则存在观测异常误差。
6.根据权利要求4所述的引入抗差估计的因子图融合定位方法，其特征在于，所述置信度设置为：
Figure FDA0002402376850000021
其中
Figure FDA0002402376850000022
为显著性水平。
7.根据权利要求1所述的引入抗差估计的因子图融合定位方法，其特征在于，所述引入指数衰减自适应因子自动调整观测噪声，包括：
根据预测残差自动调整观测噪声，并设置噪声方差的上下限，当两个相邻的迭代差异未超过限制，则停止迭代。
8.根据权利要求1所述的引入抗差估计的因子图融合定位方法，其特征在于，定义所述量测信息为因子图的因子节点，定义所述导航系统模型的状态量信息为因子图的变量节点，构建基于因子图的多源信息融合的系统框架图，从而构建因子图模型为：
变量节点X，表示全局多元函数的变量，因子节点F，表示分解因子，变量节点X通过边E＝(eij)连接到因子节点F，边E＝(eij)是由变量节点X和因子节点F连线组成。
9.根据权利要求1所述的引入抗差估计的因子图融合定位方法，其特征在于，所述推算所述因子图模型，包括：
设置代价函数，将因子图模型消元变换为贝叶斯网络，通过高斯牛顿迭代法求解出状态更新量，最后得出最优估计值。
10.根据权利要求9所述的引入抗差估计的因子图融合定位方法，其特征在于，所述根据所述推算结果得到定位信息，包括：
基于最优估计值将获取的传感器量测信息进行融合，得到融合数据；
根据融合数据得到定位信息。
CN202010150830.8A 2020-03-06 2020-03-06 引入抗差估计的因子图融合定位方法 Pending CN111337020A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010150830.8A CN111337020A (zh) 2020-03-06 2020-03-06 引入抗差估计的因子图融合定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010150830.8A CN111337020A (zh) 2020-03-06 2020-03-06 引入抗差估计的因子图融合定位方法

Publications (1)

Publication Number Publication Date
CN111337020A true CN111337020A (zh) 2020-06-26

Family

ID=71182156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010150830.8A Pending CN111337020A (zh) 2020-03-06 2020-03-06 引入抗差估计的因子图融合定位方法

Country Status (1)

Country Link
CN (1) CN111337020A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111780755A (zh) * 2020-06-30 2020-10-16 南京理工大学 一种基于因子图和可观测度分析的多源融合导航方法
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
CN112577496A (zh) * 2020-11-25 2021-03-30 哈尔滨工程大学 一种基于自适应选权的多源融合定位方法
CN112595330A (zh) * 2020-11-13 2021-04-02 禾多科技（北京）有限公司 车辆定位方法、装置、电子设备和计算机可读介质
CN112880659A (zh) * 2021-01-09 2021-06-01 西北工业大学 一种基于信息概率的融合定位方法
CN112946571A (zh) * 2021-02-08 2021-06-11 西北工业大学 基于因子图的三维协同定位方法
CN113175933A (zh) * 2021-04-28 2021-07-27 南京航空航天大学 一种基于高精度惯性预积分的因子图组合导航方法
CN113432604A (zh) * 2021-06-29 2021-09-24 广东工业大学 一种能够灵敏检测故障的imu/gps组合导航方法
CN113776524A (zh) * 2021-08-26 2021-12-10 北京航天发射技术研究所 一种多源信息融合方法、系统、终端设备及存储介质
CN114046790A (zh) * 2021-10-22 2022-02-15 南京航空航天大学 一种因子图双重回环的检测方法
CN114111767A (zh) * 2021-10-28 2022-03-01 北京自动化控制设备研究所 基于多信息融合对线路设计线型进行优化的方法
CN114136310A (zh) * 2021-10-29 2022-03-04 北京自动化控制设备研究所 一种惯性导航系统误差自主抑制系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423537A (zh) * 2017-01-25 2017-12-01 河海大学 一种基于自适应阈值的地表温度降尺度的方法
CN109459019A (zh) * 2018-12-21 2019-03-12 哈尔滨工程大学 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
CN110274588A (zh) * 2019-06-19 2019-09-24 南京航空航天大学 基于无人机集群信息的双层嵌套因子图多源融合导航方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423537A (zh) * 2017-01-25 2017-12-01 河海大学 一种基于自适应阈值的地表温度降尺度的方法
CN109459019A (zh) * 2018-12-21 2019-03-12 哈尔滨工程大学 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
CN110274588A (zh) * 2019-06-19 2019-09-24 南京航空航天大学 基于无人机集群信息的双层嵌套因子图多源融合导航方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐璐杨等: "多源融合导航系统的融合算法综述", 《全球定位系统》 *
张兴学: "引入抗差估计的因子图融合定位方法", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111780755A (zh) * 2020-06-30 2020-10-16 南京理工大学 一种基于因子图和可观测度分析的多源融合导航方法
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
CN112595330B (zh) * 2020-11-13 2021-10-15 禾多科技（北京）有限公司 车辆定位方法、装置、电子设备和计算机可读介质
CN112595330A (zh) * 2020-11-13 2021-04-02 禾多科技（北京）有限公司 车辆定位方法、装置、电子设备和计算机可读介质
CN112577496A (zh) * 2020-11-25 2021-03-30 哈尔滨工程大学 一种基于自适应选权的多源融合定位方法
CN112577496B (zh) * 2020-11-25 2024-03-26 哈尔滨工程大学 一种基于自适应选权的多源融合定位方法
CN112880659A (zh) * 2021-01-09 2021-06-01 西北工业大学 一种基于信息概率的融合定位方法
CN112946571B (zh) * 2021-02-08 2023-09-08 西北工业大学 基于因子图的三维协同定位方法
CN112946571A (zh) * 2021-02-08 2021-06-11 西北工业大学 基于因子图的三维协同定位方法
CN113175933A (zh) * 2021-04-28 2021-07-27 南京航空航天大学 一种基于高精度惯性预积分的因子图组合导航方法
CN113175933B (zh) * 2021-04-28 2024-03-12 南京航空航天大学 一种基于高精度惯性预积分的因子图组合导航方法
CN113432604A (zh) * 2021-06-29 2021-09-24 广东工业大学 一种能够灵敏检测故障的imu/gps组合导航方法
CN113432604B (zh) * 2021-06-29 2023-05-19 广东工业大学 一种能够灵敏检测故障的imu/gps组合导航方法
CN113776524A (zh) * 2021-08-26 2021-12-10 北京航天发射技术研究所 一种多源信息融合方法、系统、终端设备及存储介质
CN114046790A (zh) * 2021-10-22 2022-02-15 南京航空航天大学 一种因子图双重回环的检测方法
CN114111767A (zh) * 2021-10-28 2022-03-01 北京自动化控制设备研究所 基于多信息融合对线路设计线型进行优化的方法
CN114111767B (zh) * 2021-10-28 2023-11-03 北京自动化控制设备研究所 基于多信息融合对线路设计线型进行优化的方法
CN114136310A (zh) * 2021-10-29 2022-03-04 北京自动化控制设备研究所 一种惯性导航系统误差自主抑制系统及方法
CN114136310B (zh) * 2021-10-29 2023-10-13 北京自动化控制设备研究所 一种惯性导航系统误差自主抑制系统及方法

Similar Documents

Publication Publication Date Title
CN111337020A (zh) 引入抗差估计的因子图融合定位方法
CN111780755B (zh) 一种基于因子图和可观测度分析的多源融合导航方法
Li et al. A robust graph optimization realization of tightly coupled GNSS/INS integrated navigation system for urban vehicles
CN108519615B (zh) 基于组合导航和特征点匹配的移动机器人自主导航方法
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
CN109459019B (zh) 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
CN111156987B (zh) 基于残差补偿多速率ckf的惯性/天文组合导航方法
CN112525218B (zh) 一种ins/dvl组合导航系统鲁棒智能协同校准方法
Hasberg et al. Simultaneous localization and mapping for path-constrained motion
CN109724599A (zh) 一种抗野值的鲁棒卡尔曼滤波sins/dvl组合导航方法
CN111366156A (zh) 基于神经网络辅助的变电站巡检机器人导航方法及系统
CN103940433B (zh) 一种基于改进的自适应平方根ukf算法的卫星姿态确定方法
KR102119254B1 (ko) 연합형 필터 기반 관성항법, 위성항법 및 지형대조항법을 정보 융합한 통합 항법 설계 방법 및 이 방법을 저장한 컴퓨터 판독 가능 저장 매체
CN110275193B (zh) 一种基于因子图的集群卫星协同导航方法
CN109507706B (zh) 一种gps信号丢失的预测定位方法
CN113175931B (zh) 基于约束卡尔曼滤波的集群组网协同导航方法及系统
CN113984054A (zh) 基于信息异常检测的改进Sage-Husa自适应融合滤波方法及多源信息融合设备
CN114689047A (zh) 基于深度学习的组合导航方法、装置、系统及存储介质
CN111190207B (zh) 基于pstcsdref算法的无人机ins bds组合导航方法
CN116086445A (zh) 一种基于因子图优化的多源信息时延融合导航方法
CN117521006A (zh) 一种基于增量学习的因子图多源信息融合方法
CN109655057B (zh) 一种六推无人机加速器测量值的滤波优化方法及其系统
EP4047310A1 (en) Range image aided ins
CN106931966B (zh) 一种基于泰勒高阶余项拟合的组合导航方法
CN114915913A (zh) 一种基于滑窗因子图的uwb-imu组合室内定位方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626