CN111623796A - 一种基于信息融合的钢轨里程估计方法 - Google Patents
一种基于信息融合的钢轨里程估计方法 Download PDFInfo
- Publication number
- CN111623796A CN111623796A CN201910895650.XA CN201910895650A CN111623796A CN 111623796 A CN111623796 A CN 111623796A CN 201910895650 A CN201910895650 A CN 201910895650A CN 111623796 A CN111623796 A CN 111623796A
- Authority
- CN
- China
- Prior art keywords
- data
- mileage
- gps
- kalman filtering
- odometer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 15
- 239000010959 steel Substances 0.000 title claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 31
- 238000012552 review Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
-
- 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
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及轨道交通及钢轨探伤领域,公开了一种基于信息融合的钢轨里程估计方法,通过以下步骤实现对钢轨廓形的检测:S1,采集里程计数据;S2,采集GPS数据并将其转化为里程数据;S3,利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模;S4,利用卡尔曼滤波进行数据融合并获得位置信息。本发明通过智能算法的运用实现对钢轨探伤里程位置信息的实时智能检测,完成探伤里程数据采集,实现伤损定位,提高探伤工作的实时性和准确度,避免重复探伤浪费人力资源和降低作业效率,更好地估测钢轨伤损部位的里程数,为铁道的安全防护和运营安全提供有效信息。
Description
技术领域
本发明涉及轨道交通及钢轨探伤领域,具体涉及一种基于信息融合的钢轨里程估计方法。
背景技术
近年,中国轨道交通发展迅速,截止至2018年末,全国铁路营业总里程达到13.1万公里以上,较1949年增长5倍,而钢轨站点的联结、分布作为钢轨里程的延展,全国铁路营业里程的大幅增加也意味着铁道钢轨探伤工作量的剧增,因此钢轨里程定位和记录的准确度也极大影响着后期伤损复核、钢轨换修的准确性和有效性。
钢轨探伤车是一种对铁路行业在役钢轨进行伤损检测的养路设备,除了探伤、判伤功能,还需对采集到的伤损数据进行里程标记,便于工务处对相应的伤损进行复核,再根据实际情况对该路段进行维护。然而,探伤工作任务繁重,探伤作业循环往复,伤损复查排除工作繁琐复杂,探伤分析依赖人力效率低下,为了避免进行探伤作业时数据延时导致里程重复、探伤二次回放分析时伤损定位不准不利于复查排除工作,亟需利用现代化、智能化、信息化的技术手段升级探伤设备,使其兼具里程计功能并更准确和快速地记录探伤里程信号、输出位置信息,确定轨道伤损的线路里程,以便后期伤损复核和钢轨换修。
然而,由于现场探伤时,探伤设备在上下道移动出现的偏差、探伤设备的超声传感器安装位置可能存有的偏移、人力移动摆放的随机误差以及GPS数据输出时的系统误差,或者检测小车行驶过程中由于振动使得超声传感器获得的图像角度失误等等,都有可能导致里程计测量得到的里程数据对应GPS转化得到的里程数据显示延时和不准。
因此,想要高效地将GPS转化得到的里程数据和里程计数据综合应用到探伤设备中,亟需快速、精确的数据采集、设备标定以及状态融合。基于此,本发明提出将已集成到ArcGIS数据库的GPS数据转化为里程数据,再连同里程计数据通过卡尔曼滤波器进行信息融合,利用目标的动态信息,构建模型过滤噪声去除影响,目的是为了得到一个关于目标位置的好的估计。
卡尔曼滤波是一种最优估计方法,基本原理是利用系统模型和观测模型的统计特性,根据各测量在不同时间下的值,考虑各时间下的联合分布,再产生对未知变数的估计,递推得到最优融合数据,因此会比只以单一测量为基础的估计方式要准。
此外,本发明的智能算法是迭代的,可以在实时控制系统中执行,只需要目前的输入量测、以往的计算值以及其不确定性矩阵,不需要其他以往的资讯。而使用卡尔曼滤波不需要假设误差是正态分布,不过若所有的误差都是正态分布,卡尔曼滤波可以得到正确的条件几率估计。
发明内容
一种基于信息融合的钢轨里程估计方法,其特征在于里程计测量得到的里程数据和由GPS 转化得到的里程数据通过卡尔曼滤波算法进行融合处理,其处理流程:
S1,采集里程计数据;
S2,采集GPS数据并将其转化为里程数据;
S3,利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模;
S4,利用卡尔曼滤波进行数据融合并获得位置信息。
根据权利要求1,一种基于信息融合的钢轨里程估计方法,其特征在于S1采集里程计数据。里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法,该方法被用在许多种机器人系统(轮式或者腿式)上面,来估计(非确定)这些机器人相对于初始位置移动的距离。
根据权利要求1,一种基于信息融合的钢轨里程估计方法,其特征在于S2采集GPS数据并将其转化为里程数据,GPS可以提供被定位目标的载体定位和导航跟踪功能,将传感器采集到的GPS 数据集合到Arcgis数据库,GPS数据转换为里程数据步骤如下:
S21,GPS的输出为经纬度坐标,将经纬度坐标转化为空间投影坐标系。
经纬度分别为(φ(N),λ(E)),单位为弧度,空间投影坐标系坐标为(E,N),单位为m:
A=(λ-λ0)cosφλ0=(zone-1)×6-180+3(degree
=0km(北半球)or 10000km(南半球
S22,将GPS在空间投影坐标下的坐标{(xn,yn)},根据公式:
得到GPS里程增量数据{ln}
S23,根据GPS数据的起点经纬度(φ(N),λ(E))结合铁路信息得到钢轨的起始里程Xstart根据公式:
得到GPS的里程数据{(Rsn,Ren)}。
根据权利要求1,一种基于信息融合的钢轨里程估计方法,其特征在于S3利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模。卡尔曼滤波(Kalman filter)是一种高效率的递归滤波器(自回归滤波器),它能够从一系列的不完全及包含噪声的测量中,估计动态系统的状态。其估计步骤如下:
S31,观察是否假设误差是正态分布。使用卡尔曼滤波不需要假设误差是正态分布,但值得注意的是,若所有的误差都是正态分布,卡尔曼滤波可以得到正确的条件几率估计。
S32,建立模型估计被观察过程的内部状态。为了从一系列有噪声的观察数据中用卡尔曼滤波器估计出被观察过程的内部状态,必须把这个过程置于卡尔曼滤波的框架下建立模型。其建立步骤是:
S321,对于每一步k,定义矩阵Fk,Hk,Qk,Rk,有时也需要定义Bk。
S322,假设k时刻的真实状态是从(k-1)时刻的状态演化而来,符合下式:
Xk=FkXk+BkUk+Wk
其中:
·Fk是作用在xk-1上的状态变换模型(/矩阵/矢量);
·Bk是作用在控制器向量uk上的输入-控制模型;
·wk是过程噪声,并假定其符合均值为零,协方差矩阵为Qk的多元正态分布。
wk~N(0,Qk)
S323,时刻K,对真实状态xk的一个测量zk满足下式:
zk=Hkxk+vk
其中Hk是观测模型,它把真实状态空间映射成观测空间,vk是观测噪声,其均值为零,协方差矩阵为Rk,且服从正态分布。
vk~N(0,Rk)
初始状态以及每一时刻的噪声{x0,w1,...,wk,v1,...,vk}都认为是互相独立的。
最终得到里程计测量数据{xn}和GPS转化而来的里程增量数据{yn}。
xk+1=Axxk+Bxuk
{uk}来源于使用里程计测量时的由于不可测因素导致的随机误差,这类误差的方差较小但是存在明显的峰值导致均值偏大。是由GPS数据本身受卫星本身、传播途径和接受装置影响而产生的系统误差,这类误差相较里程计的测量误差而言,方差较大但均值较小。在里程计测量误差的峰值附近GPS里程数据比里程计测量数据更加准确,其他区域里程计的测量结果比GPS里程数据更加准确,通过卡尔曼滤波融合得到误差最小的里程数据。
根据权利要求1,一种基于信息融合的钢轨里程估计方法,其特征在于S4利用卡尔曼滤波进行数据融合并获得位置信息。将线路整体按预先设置好的里程进行分割,对分割后的每一段铁路通过卡尔曼滤波将建立的里程计测量数据{xn}和GPS转化而来的里程增量数据{yn}进行数据融合得到确定每一段铁路位置误差最小的里程增量数据,在根据公式得到确定每一段铁路位置误差最小的里程数据。卡尔曼滤波融合通过围绕滤波值将非线性函数展开成泰勒级数并略去二阶及以上的阶数项,得到一个近似的线性化模型,然后应用卡尔曼滤波完成状态估计。主要步骤如下:
S41,根据得到的数据列出非线性状态方程及观测方程:
xk+1=Axxk+Bxuk
z(x,y)|k=f(x,y)|k+vk
S42,根据状态方程和观测方程,计算状态转移矩阵Φ阵和观测矩阵H阵:
S43,预测计算:
S431,计算状态变量X:
S432,计算误差协方差P:
更新计算:
S433,计算卡尔曼增益K:
S434,根据观测量更新估计:
Xk+1|k+1=Xk+1|k+Kk+1[zk+1-f(x,y)|k+1|k]
S435,更新误差协方差:
Pk+1=[I-Kk+1Hk+1]Pk+1|k
S44,迭代S43预测和更新两个步骤,得到完整的里程增量数据。
其中Xstart为该段铁路里程的起点。
本发明的有益效果
本发明通过利用利用卡尔曼滤波自适应信息融合方法对里程计数据和GPS里程数据两者进行预处理,更为快速、准确地进行数据采集、设备标定,能够解决里程计和GPS定位在不同环境下误差大、可靠性低的问题,实现GPS里程数据和里程计数据在探伤设备中高效的综合应用。
本发明综合了里程计直接测量时因为设备人力安置、移动等容易产生的随机误差,以及 GPS数据在ArcGIS数据库组建时的系统误差,利用卡尔曼滤波器进行分段融合、互补,对应里程计数据进行校准,从而得到更为准确的实际里程,弥补原先里程估计的缺陷。
本发明通过智能算法的运用实现对钢轨探伤里程位置信息的实时智能检测,完成探伤里程数据采集,实现伤损定位,提高探伤工作的实时性和准确度,避免重复探伤浪费人力资源和降低作业效率,更好地估测钢轨伤损部位的里程数,为铁道的安全防护和运营安全提供有效信息。
附图说明
图1是算法流程图;
图2是里程计数据和GPS里程数据自身软件算法预处理过程;
图3是卡尔曼滤波器的模型(圆圈代表向量,方块代表矩阵,星号代表高斯噪声,其协方差矩阵在右下方标出);
图4是GPS数据示例;
图5是转化得出的里程数据(约100m进行分割的增量数据,单位m);
图6每100M里程增量的误差随实际里程变化图像;
图7是与实际里程差值的方差。
图8是里程对比表。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述,这些实施例仅用于说明本发明,并不是对本发明保护范围的限制。
S1,采集里程计数据作为原始数据采用。
S2,将采集到的GPS经纬度数据转换为空间投影坐标系数据(见图4)转化为里程增量数据。(见图5)
S3,利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模,
过滤过程噪声,并估计出动态系统状态。
所述步骤S3中,先观察假设误差是否是正态分布,能否得到正确的条件几率估计,然后对每一步k定义矩阵Fk,Hk,Qk,Rk(有时也需要定义Bk),假设k时刻的真实状态是从(k-1)时刻的状态演化而来,符合下式:
xk=Fhxh-1+Bhuk+wk
其中:
·Fk是作用在xk-1上的状态变换模型(/矩阵/矢量)。
·Bk是作用在控制器向量uk上的输入-控制模型。
·wk是过程噪声,并假定其符合均值为零,协方差矩阵为Qk的多元正态分布。
wk~N(0,Qk)
时刻K,对真实状态xk的一个测量zk满足下式:
zk=Hkxk+vk
Hk是观测模型,它把真实状态空间映射成观测空间,vk是观测噪声,其均值为零,协方差矩阵为Rk,且服从正态分布。
vk~N(0,Rk)
需要注意的是,初始状态以及每一时刻的噪声{x0,w1,...,wk,v1,...,vk}都认为是互相独立的。
最终完成模型建立,达到估计被观察过程内部状态、过滤过程噪声的目的。
S4,利用卡尔曼滤波进行数据融合并获得位置信息。
利用卡尔曼滤波将经过预处理的里程计数据和GPS数据进行数据融合得到确定位置的里程数据,其中设定每段长度约为100m,计算100m内里程计测量数据和GPS里程数据的增量。融合过程如下:
S41,根据得到的数据列出非线性状态方程及观测方程:
xk+1=Axxk+Bxuk
z(x,y)|k=f(x,y)|k+vk
S42,根据状态方程和观测方程,计算状态转移矩阵Φ阵和观测矩阵H阵:
S43,预测计算:
S431,计算状态变量X:
S432,计算误差协方差P:
更新计算:
S433,计算卡尔曼增益K:
S434,根据观测量更新估计:
Xk+1|k+1=Xk+1|k+Kk+1[zk+1-f(x,y)|k+1|k]
S435,更新误差协方差
Pk+1=[I-Kk+1Hk+1]Pk+1|k
S44,迭代S43预测和更新两个步骤,得到完整的里程位置数据。(最终每种类型的里程增量数据见图5)
其中Xstart=102km为该段铁路里程的起点(里程数据见图8)
与实际的里程增量进行对比。(见图6)
与实际里程增量差值的方差。(见图7)
四种里程进行对比。(见图8)
融合后的里程相较GPS转换得到的里程数据和里程计测量得到的里程增量数据方差最小,更加接近实际的里程,图像效果也满足这一特征。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于信息融合的钢轨里程估计方法,其特征在于里程计测量得到的里程数据和由GPS转化得到的里程数据通过卡尔曼滤波算法进行融合处理,其处理流程:
S1,采集里程计数据;
S2,采集GPS数据并将其转化为里程数据;
S3,利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模;
S4,利用卡尔曼滤波进行数据融合并获得位置信息。
2.根据权利要求1,一种基于信息融合的钢轨里程估计方法,其特征在于S1采集里程计数据。里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法,该方法被用在许多种机器人系统(轮式或者腿式)上面,来估计(非确定)这些机器人相对于初始位置移动的距离。
3.根据权利要求1,一种基于信息融合的钢轨里程估计方法,其特征在于S2采集GPS数据并将其转化为里程数据,GPS可以提供被定位目标的载体定位和导航跟踪功能,将传感器采集到的GPS数据集合到Arcgis数据库,GPS数据转换为里程数据步骤如下:
S21,GPS的输出为经纬度坐标,将经纬度坐标转化为空间投影坐标系。
经纬度分别为(φ(N),λ(E)),单位为弧度,空间投影坐标系坐标为(E,N),单位为m:
A=(λ-λ0)cosφ λ0=(zone-1)×6-180+3(degree)
S22,将GPS在空间投影坐标下的坐标{(xn,yn)},根据公式:
得到GPS里程增量数据{ln}
S23,根据GPS数据的起点经纬度(φ(N),λ(E))结合铁路信息得到钢轨的起始里程Xstart根据公式:
得到GPS的里程数据{(Rsn,Ren)}。
4.根据权利要求1,一种基于信息融合的钢轨里程估计方法,其特征在于S3利用卡尔曼滤波分别对里程计测量数据和GPS里程数据建模。卡尔曼滤波(Kalman filter)是一种高效率的递归滤波器(自回归滤波器),它能够从一系列的不完全及包含噪声的测量中,估计动态系统的状态。其估计步骤如下:
S31,观察是否假设误差是正态分布。使用卡尔曼滤波不需要假设误差是正态分布,但值得注意的是,若所有的误差都是正态分布,卡尔曼滤波可以得到正确的条件几率估计。
S32,建立模型估计被观察过程的内部状态。为了从一系列有噪声的观察数据中用卡尔曼滤波器估计出被观察过程的内部状态,必须把这个过程置于卡尔曼滤波的框架下建立模型。其建立步骤是:
S321,对于每一步k,定义矩阵Fk,Hk,Qk,Rk,有时也需要定义Bk。
S322,假设k时刻的真实状态是从(k-1)时刻的状态演化而来,符合下式:
Xk=FkXk+BkUk+Wk
其中:
·Fk是作用在xk-1上的状态变换模型(/矩阵/矢量);
·Bk是作用在控制器向量uk上的输入-控制模型;
·wk是过程噪声,并假定其符合均值为零,协方差矩阵为Qk的多元正态分布。
wk~N(0,Qk)
S323,时刻K,对真实状态xk的一个测量zk满足下式:
zk=Hkxk+vk
其中Hk是观测模型,它把真实状态空间映射成观测空间,vk是观测噪声,其均值为零,协方差矩阵为Rk,且服从正态分布。
vk~N(0,Rk)
初始状态以及每一时刻的噪声{x0,w1,...,wk,v1,...,vk}都认为是互相独立的。
最终得到里程计测量数据{xn}和GPS转化而来的里程增量数据{yn}。
xk+1=Axxk+Bxuk
5.根据权利要求1,一种基于信息融合的钢轨里程估计方法,其特征在于S4利用卡尔曼滤波进行数据融合并获得位置信息。将线路整体按预先设置好的里程进行分割,对分割后的每一段铁路通过卡尔曼滤波将建立的里程计测量数据{xn}和GPS转化而来的里程增量数据{yn}进行数据融合得到确定每一段铁路位置误差最小的里程增量数据,在根据公式得到确定每一段铁路位置误差最小的里程数据。卡尔曼滤波融合通过围绕滤波值将非线性函数展开成泰勒级数并略去二阶及以上的阶数项,得到一个近似的线性化模型,然后应用卡尔曼滤波完成状态估计。主要步骤如下:
S41,根据得到的数据列出非线性状态方程及观测方程:
xk+1=Axxk+Bxuk
z(x,y)|k=f(x,y)|k+vk
S42,根据状态方程和观测方程,计算状态转移矩阵Φ阵和观测矩阵H阵:
S43,预测计算:
S431,计算状态变量X:
S432,计算误差协方差P:
更新计算:
S433,计算卡尔曼增益K:
S434,根据观测量更新估计:
Xk+1|k+1=Xk+1|k+Kk+1[zk+1-f(x,y)|k+1|k]
S435,更新误差协方差:
Pk+1=[I-Kk+1Hk+1]Pk+1|k
S44,迭代S43预测和更新两个步骤,得到完整的里程增量数据。
其中Xstart为该段铁路里程的起点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910895650.XA CN111623796B (zh) | 2019-09-21 | 2019-09-21 | 一种基于信息融合的钢轨里程估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910895650.XA CN111623796B (zh) | 2019-09-21 | 2019-09-21 | 一种基于信息融合的钢轨里程估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111623796A true CN111623796A (zh) | 2020-09-04 |
CN111623796B CN111623796B (zh) | 2023-11-21 |
Family
ID=72257804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910895650.XA Active CN111623796B (zh) | 2019-09-21 | 2019-09-21 | 一种基于信息融合的钢轨里程估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111623796B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113503896A (zh) * | 2021-06-24 | 2021-10-15 | 浙江大学台州研究院 | 一种基于定位系统的铁路测量小车的里程校准方法 |
CN117233818A (zh) * | 2023-11-16 | 2023-12-15 | 中国铁路设计集团有限公司 | 增强基于北斗\gnss的捣固车里程定位技术稳定性的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5416712A (en) * | 1993-05-28 | 1995-05-16 | Trimble Navigation Limited | Position and velocity estimation system for adaptive weighting of GPS and dead-reckoning information |
US20030163255A1 (en) * | 2002-02-28 | 2003-08-28 | Mitsubishi Denki Kabushiki Kaisha | Location equipment |
KR20060016453A (ko) * | 2004-08-17 | 2006-02-22 | 현대모비스 주식회사 | 지피에스를 이용한 차량의 횡미끌림각 추정 방법 |
WO2006025455A1 (ja) * | 2004-08-31 | 2006-03-09 | Yugen Kaisha Takahagi Jiko | 軌道レール保守システムおよび軌道レール保守方法 |
JP2008037270A (ja) * | 2006-08-07 | 2008-02-21 | Jr Higashi Nippon Consultants Kk | キロ程変換装置 |
CN106840179A (zh) * | 2017-03-07 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于多传感器信息融合的智能车定位方法 |
CN107391753A (zh) * | 2017-08-17 | 2017-11-24 | 烟台市公路管理局 | 一种基于gis的路产矢量化数据自动生成系统及方法 |
CN107656301A (zh) * | 2017-09-20 | 2018-02-02 | 北京航天发射技术研究所 | 一种基于多源信息融合的车载定位方法 |
US20190251215A1 (en) * | 2018-02-15 | 2019-08-15 | Regents Of The University Of Minnesota | Accurate estimation of upper atmospheric density using satellite observations |
-
2019
- 2019-09-21 CN CN201910895650.XA patent/CN111623796B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5416712A (en) * | 1993-05-28 | 1995-05-16 | Trimble Navigation Limited | Position and velocity estimation system for adaptive weighting of GPS and dead-reckoning information |
US20030163255A1 (en) * | 2002-02-28 | 2003-08-28 | Mitsubishi Denki Kabushiki Kaisha | Location equipment |
KR20060016453A (ko) * | 2004-08-17 | 2006-02-22 | 현대모비스 주식회사 | 지피에스를 이용한 차량의 횡미끌림각 추정 방법 |
WO2006025455A1 (ja) * | 2004-08-31 | 2006-03-09 | Yugen Kaisha Takahagi Jiko | 軌道レール保守システムおよび軌道レール保守方法 |
JP2008037270A (ja) * | 2006-08-07 | 2008-02-21 | Jr Higashi Nippon Consultants Kk | キロ程変換装置 |
CN106840179A (zh) * | 2017-03-07 | 2017-06-13 | 中国科学院合肥物质科学研究院 | 一种基于多传感器信息融合的智能车定位方法 |
CN107391753A (zh) * | 2017-08-17 | 2017-11-24 | 烟台市公路管理局 | 一种基于gis的路产矢量化数据自动生成系统及方法 |
CN107656301A (zh) * | 2017-09-20 | 2018-02-02 | 北京航天发射技术研究所 | 一种基于多源信息融合的车载定位方法 |
US20190251215A1 (en) * | 2018-02-15 | 2019-08-15 | Regents Of The University Of Minnesota | Accurate estimation of upper atmospheric density using satellite observations |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113503896A (zh) * | 2021-06-24 | 2021-10-15 | 浙江大学台州研究院 | 一种基于定位系统的铁路测量小车的里程校准方法 |
CN117233818A (zh) * | 2023-11-16 | 2023-12-15 | 中国铁路设计集团有限公司 | 增强基于北斗\gnss的捣固车里程定位技术稳定性的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111623796B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102581263B1 (ko) | 위치 추적 방법, 장치, 컴퓨팅 기기 및 컴퓨터 판독 가능한 저장 매체 | |
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 | |
CN101285686B (zh) | 一种农业机械导航分级定位的方法和系统 | |
US10690525B2 (en) | Systems and methods associated with unmanned aerial vehicle targeting accuracy | |
JP2024050990A (ja) | 判定装置 | |
CN108106620B (zh) | 一种拓扑道路匹配方法、系统及电子设备 | |
WO2007087615A2 (en) | Spatio-temporal and context-based indexing and representation of subterranean networks and means for doing same | |
CN104535061A (zh) | 一种基于多传感器数据融合的导航系统 | |
CN114166221B (zh) | 动态复杂矿井环境中辅助运输机器人定位方法及系统 | |
CN111623796B (zh) | 一种基于信息融合的钢轨里程估计方法 | |
CN102138768A (zh) | 清洁机器人的定位方法和设备 | |
CN114463932B (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
JP2005108246A (ja) | センサフュージングを利用した無人移動体の位置推定方法、その装置およびプログラムを記録したコンピュータ読み取り可能な記録媒体。 | |
CN115446834A (zh) | 一种基于占据栅格配准的车底巡检机器人单轴重定位方法 | |
CN113532439B (zh) | 输电线路巡检机器人同步定位与地图构建方法及装置 | |
JP7203805B2 (ja) | 移動体の定位誤差の分析 | |
CN111103578B (zh) | 一种基于深度卷积神经网络的激光雷达在线标定方法 | |
CN110057371B (zh) | 一种基于压缩感知的行星巡视器主动路径规划方法 | |
US20200208982A1 (en) | Sensor placement and methods for aiding navigation during gnss signal outage | |
CN111426321B (zh) | 一种室内机器人的定位方法及装置 | |
Stoven-Dubois et al. | Graph optimization methods for large-scale crowdsourced mapping | |
CN111288988A (zh) | 一种架空机器人组合定位方法 | |
CN113484843A (zh) | 一种激光雷达与组合导航间外参数的确定方法及装置 | |
Ndjeng et al. | Experimental comparison of bayesian outdoor vehicle localization filters | |
CN115839482A (zh) | 一种基于gis的燃气激光巡检系统及其领航方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220915 Address after: Room 102, Building 7, No. 124, Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015 Applicant after: Dongguan prophet big data Co.,Ltd. Address before: R&D Building, No. 2, Weifeng Road, Waijing Industrial Park, Niushan Community, Dongcheng Street, Dongguan City, Guangdong Province, 523900 Applicant before: Liang Fan Applicant before: Yu Yang |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |