CN111578939B - 考虑采样周期随机变化的机器人紧组合导航方法及系统 - Google Patents

考虑采样周期随机变化的机器人紧组合导航方法及系统 Download PDF

Info

Publication number
CN111578939B
CN111578939B CN202010206200.8A CN202010206200A CN111578939B CN 111578939 B CN111578939 B CN 111578939B CN 202010206200 A CN202010206200 A CN 202010206200A CN 111578939 B CN111578939 B CN 111578939B
Authority
CN
China
Prior art keywords
robot
sampling period
navigation
moment
state
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.)
Active
Application number
CN202010206200.8A
Other languages
English (en)
Other versions
CN111578939A (zh
Inventor
徐元
申涛
孙明旭
毕淑慧
王自鹏
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.)
University of Jinan
Original Assignee
University of Jinan
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 University of Jinan filed Critical University of Jinan
Priority to CN202010206200.8A priority Critical patent/CN111578939B/zh
Publication of CN111578939A publication Critical patent/CN111578939A/zh
Application granted granted Critical
Publication of CN111578939B publication Critical patent/CN111578939B/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
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种考虑采样周期随机变化的机器人紧组合导航方法及系统，包括：获取机器人x方向和y方向的位置误差、速度误差、航向角以及当前时刻的采样周期数据；将上述采集到的数据作为扩展卡尔曼滤波器的状态向量；将激光雷达和航迹推算分别测量的机器人与特征点之间距离的平方差以及当前时刻的采样周期作为扩展卡尔曼滤波器的观测向量进行数据融合，最终得到机器人的最优的状态预估，实现对于机器人的路径导航。

Description

考虑采样周期随机变化的机器人紧组合导航方法及系统
技术领域
本发明涉及复杂环境下组合定位技术领域，尤其涉及一种考虑采样周期随机变化的机器人紧组合导航方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来，随着科学技术的发展，对移动机器人技术的研究与应用取得了长足的进步，使其在许多场合被寄予了替代人类执行某些日常性与危险性任务的厚望。移动机器人导航与定位作为移动机器人为人类提供高质量服务的基础，正越来越受到各国学者的重视，并逐渐成为该领域的研究热点。然而，随着移动机器人应用范围的扩大，其所面临的导航环境也越发复杂。特别是在室内环境下，建筑物室内布局、建筑材料、甚至空间尺寸都会对导航信号产生影响，进而影响定位精度。与此同时，面向室内环境的移动机器人相对较小的平台使其无法安装部分高精度导航设备。虽然近年来小型导航设备的精度随着导航器件小型化的进步有了一定的提高，但是其性能与传统的大型高精度导航器件相比仍存在差距。在室内环境下，如何利用所获取的有限信息以消除室内复杂导航环境对移动机器人导航信息获取的准确性和实时性的影响，保证移动机器人在室内环境下导航精度的持续稳定，具有重要的科学理论意义和实际应用价值。
在现有的定位方式中，全球卫星导航系统(Global Navigation SatelliteSystem,GNSS)是最为常用的一种方式。虽然GNSS能够通过精度持续稳定的位置信息，但是其易受电磁干扰、遮挡等外界环境影响的缺点限制了其应用范围，特别是在室内、地下巷道等一些密闭的、环境复杂的场景，GNSS信号被严重遮挡，无法进行有效的工作。近年来，UWB(Ultra Wideband)以其在复杂环境下定位精度高的特点在短距离局部定位领域表现出很大的潜力。
现有技术提出将基于UWB的目标跟踪应用于GNSS失效环境下的行人导航。这种方式虽然能够实现室内定位，但是由于室内环境复杂多变，UWB信号十分容易受到干扰而导致定位精度下降甚至失锁；与此同时，由于UWB采用的通信技术通常为短距离无线通信技术，因此若想完成大范围的室内目标跟踪定位，需要大量的网络节点共同完成，这必将引入网络组织结构优化设计、多节点多簇网络协同通信等一系列问题。因此现阶段基于UWB的目标跟踪在室内导航领域仍旧面临很多挑战。
在导航模型方面，目前在室内行人组合导航领域应用较多的为松组合导航模型。该模型具有容易实现的优点，但是需要指出的是，该模型的实现需要参与组合导航的多种技术能够独立的完成导航定位。例如，需要UWB设备能够提供行人的导航信息，这就要求目标行人所处的环境必须能够获取至少3个参考节点信息，这大大的降低了组合导航模型的应用范围，与此同时，参与导航的子技术独立完成定位，也引入了新的误差，不利于组合导航技术精度的提高。为了克服这一问题，现有技术提出将紧组合模型应用于室内行人导航领域，紧组合模型直接将参与组合导航的子技术的原始传感器数据应用于最后的导航信息的解算，减少了子技术自行解算引入新误差的风险，提高了组合导航的精度，但是需要指出的是，现有紧组合导航模型均使用集中式模式，这一方式系统容错能力差，并不利于日益精确复杂的组合导航模型。
除此之外，组合导航系统中由于多传感器之间的采样周期必然不会是完全一致需要以某一种方式统一，在这个统一的过程中，某一个或几个传感器的采样周期不在其特定的采样频率，采样周期在设定值小幅上下波动，导致采样周期的不确定，由于真实的采样周期是在设定值上下波动，而仿真时使用的采样周期是设定值，所以会引入采样周期的测量误差，从而影响定位精度。目前的研究也很少考虑到组合导航系统中采样周期会出现的小幅不确定的情况。
发明内容
为了解决上述问题，本发明提出了一种考虑采样周期随机变化的机器人紧组合导航方法及系统，在传统的位置误差、速度误差和航向的基础上，将采样周期引入状态向量中，构建相应的状态方程；将航迹推算(DR)与激光雷达分别测量得到的角特征点与目标节点之间的距离平方的差、采样周期作为滤波器的观测量，通过扩展卡尔曼滤波器预估进行数据融合，最终得到目标节点的最优的状态预估，克服采样周期出现小幅波动对导航精度的影响。
在一些实施方式中，采用如下技术方案：
考虑采样周期随机变化的机器人紧组合导航方法，包括：
获取机器人x方向和y方向的位置误差、速度误差、航向角以及当前时刻的采样周期数据；
将上述采集到的数据作为扩展卡尔曼滤波器的状态向量；
将激光雷达和航迹推算分别测量的机器人与特征点之间距离的平方的差以及当前时刻的采样周期作为扩展卡尔曼滤波器的观测向量进行数据融合，最终得到机器人的最优的状态预估，实现对于机器人的路径导航。
在另一些实施方式中，采用如下技术方案：
考虑采样周期随机变化的机器人紧组合导航系统，包括：
用于获取机器人x方向和y方向的位置误差、速度误差、航向角以及当前时刻的采样周期数据的装置；
用于将上述获取的数据作为扩展卡尔曼滤波器的状态向量的装置；
用于将激光雷达和航迹推算分别测量的机器人与特征点之间距离的平方的差以及当前时刻的采样周期作为扩展卡尔曼滤波器的观测向量进行数据融合，最终得到机器人的最优的状态预估，实现对于机器人的路径导航的装置。
在另一些实施方式中，采用如下技术方案：
一种室内导航机器人，包括：采用上述的考虑采样周期随机变化的机器人紧组合导航方法，实现对于机器人的路径导航。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的考虑采样周期随机变化的机器人紧组合导航方法。
与现有技术相比，本发明的有益效果是：
本发明方法在传统的位置误差、速度误差和航向的基础上，将采样周期引入状态向量中，构建相应的状态方程；将DR与激光雷达分别测量得到的角特征点与机器人之间的距离的平方的差、采样周期作为滤波器的观测量，通过扩展卡尔曼滤波器预估进行数据融合，最终得到移动机器人的最优的状态预估；克服采样周期出现小幅波动对导航精度的影响。
本发明将DR和激光雷达两种定位方式相结合，激光雷达定位精确，不随时间发散，解决了仅使用DR误差随时间累计的缺点。
附图说明
图1为本发明实施例一中DR/激光雷达组合导航系统示意图；
图2为本发明实施例一中考虑采样周期随机变化的惯性激光雷达紧组合导航算法示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施例中，公开了一种考虑采样周期随机变化的惯性激光雷达紧组合导航系统，如图1所示，包括：激光雷达、电子罗盘、数据处理单元均固定在移动机器人上，并且通过串口RS232与数据处理单元连接。
其中，
激光雷达：用于检测角特征点以及移动机器人与角特征点之间的距离；
电子罗盘：用于测量移动机器人的航向角；
码盘：用于测量移动机器人的速度；
数据处理单元：用于对采集到的传感器数据进行数据融合。
实施例二
在一个或多个实施方式中公开的一种考虑采样周期随机变化的惯性激光雷达紧组合导航算法，如图2所示，包括：
将采集到的x方向和y方向的位置误差、速度误差、航向角和采样周期作为扩展卡尔曼滤波器的状态向量；
将激光雷达和航迹推算分别测量的机器人与角特征点之间距离的平方的差以及采样周期作为扩展卡尔曼滤波器的观测向量进行数据融合，最终得到机器人的最优的状态预估，实现对机器人的路径导航。
需要说明的是，在使用激光雷达进行定位时，需要先找到环境中的特征点，根据锁定的特征点的距离变化来完成机器人定位，这里，我们是用了室内环境中普遍存在的角特征点作为特征点。
扩展卡尔曼滤波器的状态方程为：
Figure GDA0003263159870000061
其中，(δxn,δyn)为n时刻机器人在x和y方向的位置误差；δVn为n时刻的速度误差；
Figure GDA0003263159870000062
为n时刻的航向；Δsn为采样周期，ωn为n时刻的系统噪声。
扩展卡尔曼滤波器的观测方程为：
Figure GDA0003263159870000063
其中，
Figure GDA0003263159870000071
和
Figure GDA0003263159870000072
分别为n时刻DR与激光雷达分别测量得到的机器人与第i个角特征点之间的距离；(xD,yD)为DR推算的机器人位置，(xi,yi)为第i个角特征点的坐标；νn为观测噪声，其协方差阵为R。
扩展卡尔曼滤波器的迭代方程为：
Xk|k-1＝Ak-1Xk-1+ωk-1
Pk|k-1＝Ak-1Pk-1(Ak-1)T+Q
Kk＝Pk|k-1(Hk)T(HkPk|k-1(Hk)T+Rk)-1
Xk＝Xk|k-1+Kk[Yk-h(Xk|k-1)]
Pk＝(I-KkHk)Pk|k-1
其中，
Figure GDA0003263159870000073
Figure GDA0003263159870000074
Hk为状态方程为线性时，当前状态的测量转换矩阵；Ak为状态方程为非线性方程时的状态转移矩阵；h(Xk|k-1)为状态方程为非线性方程时，当前状态的测量转换矩阵；a(Xk|k-1)为状态方程为线性方程时状态转移矩阵；Xk-1为k-1时刻的状态矩阵；Xk|k-1为k时刻一步状态估计矩阵；Q为过程噪声的方差；Pk-1为k-1时刻的状态协方差矩阵；ωk-1为过程噪声；Kk为卡尔曼增益；Rk为测量噪声的方差；Xk为k时刻的状态矩阵；Yk为k时刻的观测矩阵。
本发明实施例在扩展卡尔曼滤波器的状态变量和观测变量中，均增加了当前时刻的采样周期，避免了采样周期的变动对于采样精度的影响，提高室内机器人的定位精度。
实施例三
在一个或多个实施方式中，公开了一种考虑采样周期随机变化的机器人紧组合导航系统，包括：
用于获取机器人x方向和y方向的位置误差、速度误差、航向角以及当前时刻的采样周期数据的装置；
用于将上述采集到的数据作为扩展卡尔曼滤波器的状态向量的装置；
用于将激光雷达和航迹推算分别测量的机器人与特征点之间距离的平方的差以及当前时刻的采样周期作为扩展卡尔曼滤波器的观测向量进行数据融合，最终得到机器人的最优的状态预估，实现对于机器人的路径导航的装置。
上述装置的具体实现方式可以参照实施例一中公开的方法实现，不再赘述。
实施例四
在另外一些实施方式中，公开了一种室内导航机器人，其采用实施例二中所述的导航方法，实现机器人在室内的精确导航定位。
在另外一些实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的考虑采样周期随机变化的机器人紧组合导航方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.考虑采样周期随机变化的机器人紧组合导航方法，其特征在于，包括：
获取机器人x方向和y方向的位置误差、速度误差、航向角以及当前时刻的采样周期数据；
将上述获取的数据作为扩展卡尔曼滤波器的状态向量；
将航迹推算和激光雷达分别测量的机器人与特征点之间距离的平方的差以及当前时刻的采样周期作为扩展卡尔曼滤波器的观测向量进行数据融合，最终得到机器人的最优的状态预估，实现对于机器人的路径导航；
所述扩展卡尔曼滤波器的状态方程具体为：
Figure FDA0003263159860000011
其中，(δxn,δyn)、(δxn-1,δyn-1)分别为n时刻和n-1时刻机器人在x和y方向的位置误差；δVn、δVn-1分别为n时刻和n-1时刻的速度误差；
Figure FDA0003263159860000012
分别为n时刻和n-1时刻的航向角；Δsn、Δsn-1分别为n时刻和n-1时刻的采样周期，ωn-1为n-1时刻的系统噪声；
所述扩展卡尔曼滤波器的观测方程具体为：
Figure FDA0003263159860000013
其中，δdi,n为n时刻航迹推算与激光雷达分别测量得到的机器人与第i个角特征点之间距离的平方的差；
Figure FDA0003263159860000021
和
Figure FDA0003263159860000022
分别为n时刻航迹推算与激光雷达分别测量得到的机器人与第i个角特征点之间的距离；i＝1,2,…,g；(xD,yD)为航迹推算的机器人位置，(xi,yi)为第i个角特征点的坐标；νn为观测噪声，其协方差阵为R。
2.如权利要求1所述的考虑采样周期随机变化的机器人紧组合导航方法，其特征在于，在使用激光雷达进行定位时，将室内环境中的角特征点作为特征点。
3.如权利要求1所述的考虑采样周期随机变化的机器人紧组合导航方法，其特征在于，所述扩展卡尔曼滤波器k时刻的状态协方差矩阵具体为：
Pk＝(I-KkHk)Pk|k-1
Pk|k-1＝Ak-1Pk-1(Ak-1)T+Q
其中，Kk为卡尔曼增益；Hk为状态方程是线性方程时的转换矩阵；Pk-1为k-1时刻的状态协方差矩阵；Q为过程噪声的方差；Ak-1为状态方程是非线性方程时k-1时刻的状态转移矩阵。
4.如权利要求1所述的考虑采样周期随机变化的机器人紧组合导航方法，其特征在于，所述扩展卡尔曼滤波器k时刻一步状态估计矩阵具体为：
Xk|k-1＝Ak-1Xk-1+ωk-1
其中，Ak-1为状态方程是非线性方程时k-1时刻的状态转移矩阵；Xk-1为k-1时刻的状态矩阵；ωk-1为过程噪声。
5.如权利要求1所述的考虑采样周期随机变化的机器人紧组合导航方法，其特征在于，所述扩展卡尔曼滤波器的卡尔曼增益具体为：
Kk＝Pk|k-1(Hk)T(HkPk|k-1(Hk)T+Rk)-1
Pk|k-1＝Ak-1Pk-1(Ak-1)T+Q
其中，Hk为状态方程是线性方程时的转换矩阵；Rk为测量噪声的方差；Pk-1为k-1时刻的状态协方差矩阵；Q为过程噪声的方差；Ak-1为状态方程是非线性方程时k-1时刻的状态转移矩阵。
6.考虑采样周期随机变化的机器人紧组合导航系统，其特征在于，包括：
用于获取机器人x方向和y方向的位置误差、速度误差、航向角以及当前时刻的采样周期数据的装置；
用于将上述获取的数据作为扩展卡尔曼滤波器的状态向量的装置；所述扩展卡尔曼滤波器的状态方程具体为：
Figure FDA0003263159860000031
其中，(δxn,δyn)、(δxn-1,δyn-1)分别为n时刻和n-1时刻机器人在x和y方向的位置误差；δVn、δVn-1分别为n时刻和n-1时刻的速度误差；
Figure FDA0003263159860000032
分别为n时刻和n-1时刻的航向角；Δsn、Δsn-1分别为n时刻和n-1时刻的采样周期，ωn-1为n-1时刻的系统噪声；
所述扩展卡尔曼滤波器的观测方程具体为：
Figure FDA0003263159860000041
其中，δdi,n为n时刻航迹推算与激光雷达分别测量得到的机器人与第i个角特征点之间距离的平方的差；
Figure FDA0003263159860000042
和
Figure FDA0003263159860000043
分别为n时刻航迹推算与激光雷达分别测量得到的机器人与第i个角特征点之间的距离；i＝1,2,…,g；(xD,yD)为航迹推算的机器人位置，(xi,yi)为第i个角特征点的坐标；νn为观测噪声，其协方差阵为R；
用于将航迹推算和激光雷达分别测量的机器人与特征点之间距离的平方的差以及当前时刻的采样周期作为扩展卡尔曼滤波器的观测向量进行数据融合，最终得到机器人的最优的状态预估，实现对于机器人的路径导航的装置。
7.一种室内导航机器人，其特征在于，包括：采用权利要求1-5任一项所述的考虑采样周期随机变化的机器人紧组合导航方法，实现对于机器人的路径导航。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的考虑采样周期随机变化的机器人紧组合导航方法。
CN202010206200.8A 2020-03-23 2020-03-23 考虑采样周期随机变化的机器人紧组合导航方法及系统 Active CN111578939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010206200.8A CN111578939B (zh) 2020-03-23 2020-03-23 考虑采样周期随机变化的机器人紧组合导航方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010206200.8A CN111578939B (zh) 2020-03-23 2020-03-23 考虑采样周期随机变化的机器人紧组合导航方法及系统

Publications (2)

Publication Number Publication Date
CN111578939A CN111578939A (zh) 2020-08-25
CN111578939B true CN111578939B (zh) 2021-11-02

Family

ID=72124159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010206200.8A Active CN111578939B (zh) 2020-03-23 2020-03-23 考虑采样周期随机变化的机器人紧组合导航方法及系统

Country Status (1)

Country Link
CN (1) CN111578939B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112539746B (zh) * 2020-10-21 2023-05-26 济南大学 基于多频卡尔曼滤波的机器人视觉/ins组合定位方法及系统
CN114323003B (zh) * 2021-12-27 2024-07-19 青岛慧拓智能机器有限公司 一种基于uwb、imu及激光雷达的井工矿融合定位方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2933212B1 (fr) * 2008-06-27 2013-07-05 Movea Sa Pointeur a capture de mouvement resolue par fusion de donnees
CN102494685B (zh) * 2011-11-14 2015-02-04 东南大学 用于wsn/ins高精度实时组合导航的h无穷信息融合方法
CN102692223B (zh) * 2012-06-27 2014-10-08 东南大学 用于wsn/ins组合导航的多级非线性滤波器的控制方法
CN103471595B (zh) * 2013-09-26 2016-04-06 东南大学 一种面向ins/wsn室内移动机器人紧组合导航的迭代扩展rts均值滤波方法
CN104296741B (zh) * 2014-10-09 2017-02-15 济南大学 采用距离平方和距离平方变化率的wsn/ahrs紧组合方法
CN106705936B (zh) * 2016-12-06 2019-03-26 浙江华飞智能科技有限公司 一种无人机高度优化方法及装置
CN107966143A (zh) * 2017-11-14 2018-04-27 济南大学 一种基于多窗口的自适应efir数据融合方法
CN110426033A (zh) * 2019-07-30 2019-11-08 上海理工大学 基于松耦合imu阵列导航系统的时间同步算法

Also Published As

Publication number Publication date
CN111578939A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN110849374B (zh) 地下环境定位方法、装置、设备及存储介质
CN105509739B (zh) 采用固定区间crts平滑的ins/uwb紧组合导航系统及方法
US9551561B2 (en) Determining location using magnetic fields from AC power lines
CN109141413B (zh) 具有数据缺失uwb行人定位的efir滤波算法及系统
CN105928518B (zh) 采用伪距和位置信息的室内行人uwb/ins紧组合导航系统及方法
CN107255795A (zh) 基于ekf/efir混合滤波的室内移动机器人定位方法和装置
CN111964667B (zh) 一种基于粒子滤波算法的地磁_ins组合导航方法
CN106680765A (zh) 基于分布式组合滤波ins/uwb行人导航系统及方法
Rehman et al. Accurate and direct GNSS/PDR integration using extended Kalman filter for pedestrian smartphone navigation
CN111578939B (zh) 考虑采样周期随机变化的机器人紧组合导航方法及系统
CN106871893A (zh) 分布式ins/uwb紧组合导航系统及方法
Marquez et al. Accurate UWB and IMU based indoor localization for autonomous robots
CN108759825B (zh) 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统
Atia et al. Particle‐Filter‐Based WiFi‐Aided Reduced Inertial Sensors Navigation System for Indoor and GPS‐Denied Environments
CN109141412B (zh) 面向有数据缺失ins/uwb组合行人导航的ufir滤波算法及系统
CN205384029U (zh) 采用固定区间crts平滑的ins/uwb紧组合导航系统
CN109655060B (zh) 基于kf/fir和ls-svm融合的ins/uwb组合导航算法及系统
CN109269498B (zh) 面向具有数据缺失uwb行人导航的自适应预估ekf滤波算法及系统
Bing et al. Two-stage UWB positioning algorithm of intelligent vehicle
Forno et al. Techniques for improving localization applications running on low-cost IoT devices
CN110849349A (zh) 一种基于磁传感器与轮式里程计融合定位方法
CN109916401B (zh) 采用ls-svm辅助ekf滤波方法的分布式无缝紧组合导航方法及系统
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
CN110879069A (zh) 一种面向UWB SLAM的Kalman/R-T-S混合定位方法及系统
CN117292118B (zh) 雷达引导光电跟踪坐标补偿方法、装置、电子设备及介质

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