CN111811512B - 基于联邦平滑的mpos离线组合估计方法和装置 - Google Patents
基于联邦平滑的mpos离线组合估计方法和装置 Download PDFInfo
- Publication number
- CN111811512B CN111811512B CN202010489028.1A CN202010489028A CN111811512B CN 111811512 B CN111811512 B CN 111811512B CN 202010489028 A CN202010489028 A CN 202010489028A CN 111811512 B CN111811512 B CN 111811512B
- Authority
- CN
- China
- Prior art keywords
- sub
- estimation
- filter
- global
- mimu
- 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
Links
- 238000009499 grossing Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001914 filtration Methods 0.000 claims abstract description 67
- 238000013461 design Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000004364 calculation method Methods 0.000 claims description 43
- 238000012937 correction Methods 0.000 claims description 18
- 230000007704 transition Effects 0.000 claims description 17
- 238000013178 mathematical model Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 32
- 238000003384 imaging method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 230000008901 benefit Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012864 cross contamination Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
-
- 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
Abstract
本公开提供了基于联邦平滑的MPOS离线组合估计方法,针对机载对地观测离线成像对MPOS运动参数离线测量精度的高要求,将联邦滤波的分散化滤波与容错思想同平滑估计具有全局优化的特点相结合,设计前向滤波和后向平滑递推两个估计过程。在完成基于联邦滤波的前向滤波后,对子滤波器进行基于R‑T‑S固定区间平滑的后向递推,并对递推结果进行全局优化,得到全局的平滑估计结果。克服了传统联邦滤波方法仅利用当前时刻以及之前时刻的量测信息导致组合估计精度低的不足,能够利用所有观测信息,充分挖掘MPOS的潜在精度,从而提高了MPOS的离线组合估计精度。本公开还提出基于联邦平滑的MPOS离线组合估计装置。
Description
技术领域
本公开涉及航空航天技术领域,具体而言,涉及基于联邦平滑的MPOS离线组合估计方法和装置。
背景技术
随着机载对地观测系统的不断发展,阵列式遥感载荷逐渐成为新的发展方向。与传统航空遥感载荷相比,其具有低成本、高效率、快速响应以及灵活机动的特点和优势。对于装备了微小型阵列式遥感载荷的航空遥感系统,需要对各载荷分布点的运动参数实现高精度测量。因此,迫切需要研制微小型位置与姿态测量系统(Micro Position andOrientation System,MPOS),以实现微小型阵列式遥感载荷高精度成像的运动补偿。
MPOS主要由微小型惯性测量单元(Micro Inertial Measurement Unit,MIMU)、全球定位系统(Global Position System,GPS)接收机等传感器所组成,可以为载体提供位置、速度和姿态信息。MPOS的系统集成化和小型化可以大大减轻系统的体积和重量,同时降低成本,但是微小型惯性测量器件的采用不可避免的带来了测量精度差的问题,尤其是载体的航向角测量精度较低。因此,需要将其他航向测量传感器引入到MPOS中。目前,在航向角测量方面,主要有双天线GPS和磁强计两种测量航向角的传感器。双天线GPS具有测量精度高、误差不随时间累积以及使用简单方便的优点,但是载机机动、卫星星座构变化、电磁干扰等原因会导致GPS量测值出现异常,将直接降低MPOS组合估计的精度;磁强计虽然具有定姿完全自主、全天候服务的优点,但易受电磁干扰的影响。综上可以看出,单一的航向测量传感器不能满足稳定、可靠、高精度测量航向角的需求。因此,将这两种航向传感器同时引入到MPOS中,组成MIMU/双天线GPS/磁强计组合导航系统。然而,随着MPOS中传感器的增加,系统变的更加复杂。采用集中式卡尔曼滤波进行组合估计时,计算量明显增大,且存在传感器故障交叉污染的缺点。联邦滤波是一种并行的分散化滤波,其核心思想是利用并行运行的子滤波器来减小集中滤波器的计算负担,从而提高运算速度和滤波器的容错性能。目前,联邦滤波主要应用在多传感器实时信息融合方面。机载对地观测离线成像对MPOS运动参数的离线测量精度提出了很高的要求,而实时联邦滤波仅利用当前时刻以及以前时刻的量测信息对某一状态进行实时的估计,而无法利用当前时刻以后的所有量测信息,因此,联邦滤波的估计精度不能满足离线成像的需求。
发明内容
为了解决现有技术中的技术问题,本公开实施例提供了基于联邦平滑的MPOS离线组合估计方法和装置,能够提高MPOS的离线组合估计精度,从而满足机载对地观测离线成像对MPOS运动参数离线测量精度的要求。
第一方面,本公开实施例提供了基于联邦平滑的MPOS离线组合估计方法,所述方法包括:进行联邦滤波器结构设计,所述结构设计包括对两个子滤波器和一个主滤波器的设计;建立两个子滤波器的数学模型,并进行卡尔曼滤波,获得局部估计;存储当前时刻两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵、MIMU的捷联解算结果;由主滤波器估计出全局滤波解,并对两个子滤波器进行重置;用全局滤波解中的全局状态估计值校正当前时刻的MIMU的捷联解算结果直到联邦滤波结束;通过预先存储的两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵,对两个子滤波器分别进行后向平滑解算,得到两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵;通过获取的两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵进行全局融合计算,得到所有时刻的全局平滑估计结果;通过所有时刻的全局平滑估计结果计算出所有时刻的更高精度的MIMU的位置、速度和姿态。
第二方面,本公开实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法的步骤。
第三方面,本公开实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法的步骤。
第四方面,本公开实施例提供了基于联邦平滑的MPOS离线组合估计装置,所述装置包括:设计模块,用于进行联邦滤波器结构设计,所述结构设计包括对两个子滤波器和一个主滤波器的设计;建立模块,用于建立两个子滤波器的数学模型,并进行卡尔曼滤波,获得局部估计;存储模块,用于存储当前时刻两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵、MIMU的捷联解算结果;估计与重置模块,用于由主滤波器估计出全局滤波解,并对两个子滤波器进行重置;校正模块,用于用全局滤波解中的全局状态估计值校正当前时刻的MIMU的捷联解算结果直到联邦滤波结束;解算模块,用于通过预先存储的两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵,对两个子滤波器分别进行后向平滑解算,得到两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵;全局融合计算模块,用于通过获取的两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵进行全局融合计算,得到所有时刻的全局平滑估计结果;估计计算模块,用于通过所有时刻的全局平滑估计结果计算出所有时刻的更高精度的MIMU的位置、速度和姿态。
本发明提供的基于联邦平滑的MPOS离线组合估计方法和装置,针对机载对地观测离线成像对MPOS运动参数离线测量精度的高要求,将联邦滤波的分散化滤波与容错思想同平滑估计具有全局优化的特点相结合,设计前向滤波和后向平滑递推两个估计过程。在完成基于联邦滤波的前向滤波后,对子滤波器进行基于R-T-S固定区间平滑的后向递推,并对递推结果进行全局优化,得到全局的平滑估计结果。克服了传统联邦滤波方法仅利用当前时刻以及之前时刻的量测信息导致组合估计精度低的不足,能够利用所有观测信息,充分挖掘MPOS的潜在精度,从而提高了MPOS的离线组合估计精度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面对实施例描述中所需要使用的附图作简单地介绍:
图1为本发明一个实施例中的基于联邦平滑的MPOS离线组合估计方法的步骤流程示意图;
图2为本发明另一实施例中的基于联邦平滑的MPOS离线组合估计方法的步骤流程示意图;
图3(a)为本发明一个实施例中的基于联邦平滑的MPOS离线组合估计方法中的前向联邦滤波结构图;
图3(b)为本发明一个实施例中的基于联邦平滑的MPOS离线组合估计方法中的R-T-S固定区间平滑后向递推解算结构图;
图4为本发明一个实施例中的基于联邦平滑的MPOS离线组合估计装置的结构示意图;
图5为本发明一个实施例中的基于联邦平滑的MPOS离线组合估计装置的硬件框图;
图6为本发明一个实施例中的计算机可读存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的详细介绍。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本公开的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
为了使本发明的目的、技术方案及优点更加清楚明白,以下通过实施例,并结合附图,对本发明基于联邦平滑的MPOS离线组合估计方法和装置的具体实施方式进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为一个实施例中的基于联邦平滑的MPOS离线组合估计方法的流程示意图,具体包括以下步骤:
步骤11,进行联邦滤波器结构设计,所述结构设计包括对两个子滤波器和一个主滤波器的设计。
步骤12,建立两个子滤波器的数学模型,并进行卡尔曼滤波,获得局部估计。
步骤13,存储当前时刻两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵、MIMU的捷联解算结果。
步骤14,由主滤波器估计出全局滤波解,并对两个子滤波器进行重置。
步骤15,用全局滤波解中的全局状态估计值校正当前时刻的MIMU的捷联解算结果直到联邦滤波结束。
步骤16,通过预先存储的两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵,对两个子滤波器分别进行后向平滑解算,得到两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵。
步骤17,通过获取的两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵进行全局融合计算,得到所有时刻的全局平滑估计结果。
步骤18,通过所有时刻的全局平滑估计结果计算出所有时刻的更高精度的MIMU的位置、速度和姿态。
在本实施例中,针对机载对地观测离线成像对MPOS运动参数离线测量精度的高要求,将联邦滤波的分散化滤波与容错思想同平滑估计具有全局优化的特点相结合,设计前向滤波和后向平滑递推两个估计过程。在完成基于联邦滤波的前向滤波后,对子滤波器进行基于R-T-S固定区间平滑的后向递推,并对递推结果进行全局优化,得到全局的平滑估计结果。克服了传统联邦滤波方法仅利用当前时刻以及之前时刻的量测信息导致组合估计精度低的不足,能够利用所有观测信息,充分挖掘MPOS的潜在精度,从而提高了MPOS的离线组合估计精度。
为了更加清晰与准确地理解与应用本公开所涉及的基于联邦平滑的MPOS离线组合估计方法,进行以下示例。需要说明的是,本公开所保护的范围不限于以下示例。
如图2所示,为本发明另一实施例中的基于联邦平滑的MPOS离线组合估计方法的步骤流程示意图;图3(a)为本发明一个实施例中的基于联邦平滑的MPOS离线组合估计方法中的前向联邦滤波结构图;图3(b)为本发明一个实施例中的基于联邦平滑的MPOS离线组合估计方法中的R-T-S固定区间平滑后向递推解算结构图。
具体的,结合图2-3(a)-3(b)所示,本发明的具体方法实施如下:
第一,进行联邦滤波器的结构设计,包括两个子滤波器和一个主滤波器。
具体的,将MIMU看作公共参考系统,进行联邦滤波器的结构设计,包括两个子滤波器和一个主滤波器,结构图如图3(a)所示。MIMU和双天线GPS构成子滤波器1,并采用MIMU与双天线GPS的速度、位置和航向角之差作为子滤波器1的观测量;MIMU和磁强计构成子滤波器2,并采用MIMU与磁强计解算的航向角之差作为子滤波器2的观测量。
第二,建立两个子滤波器的数学模型并分别进行卡尔曼滤波,同时存储当前时刻两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵、MIMU的捷联解算结果。
具体的,根据第一中设计的联邦滤波器的结构,建立两个子滤波器的数学模型,并进行卡尔曼滤波,获得局部估计;同时存储当前时刻两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、MIMU的捷联解算结果,具体步骤如下:
1)建立两个子滤波器的数学模型
相关参考坐标系的定义包括:记i为地心惯性坐标系;e为地球坐标系;n为导航坐标系,导航坐标系为东北天地理坐标系;b为右前上载体坐标系。
①建立子滤波器1的数学模型
a)状态方程
子滤波器1的状态变量选为15维状态变量:
其中,φE 1、φN 1和φU 1分别表示子滤波器1中MIMU的东向失准角、北向失准角和天向失准角;和/>分别为子滤波器1中MIMU的东向速度误差、北向速度误差和天向速度误差;δL1、δλ1和δH1分别为子滤波器1中MIMU的纬度误差、经度误差和高度误差;/>和/>分别为子滤波器1中MIMUx轴、y轴和z轴的陀螺仪随机常值漂移;/>和/>分别为子滤波器1中MIMUx轴、y轴和z轴的加速度计常值偏置。
子滤波器1的状态方程如下:
其中,F1、G1和ω1分别为子滤波器1的状态转移矩阵、系统噪声驱动阵和系统噪声向量;系统噪声为零均值高斯白噪声,和/>分别为子滤波器1中MIMU陀螺仪和加速度计的三轴随机误差,ω1的方差阵为Q1,Q1的取值由MIMU陀螺仪和加速度计的噪声水平决定。
根据对子滤波器1中状态变量的选取可知,子滤波器1中的误差方程包括姿态误差方程、速度误差方程、位置误差方程和惯性仪表随机常值误差方程,分别为:
其中,为子滤波器1中MIMU的姿态误差角;/>为导航坐标系相对惯性坐标系的转动角速度在导航坐标系下的表示,/>为/>的计算误差;/>为载体坐标系到导航坐标系的转换矩阵;/>为子滤波器1中MIMU的速度误差,Vn=[VE VN VU]T,VE、VN和VU分别为MIMU在导航坐标系下的东向速度、北向速度和天向速度;fn=[fE fN fU]T,fE、fN和fU分别为MIMU在导航坐标系中的东向比力、北向比力和天向比力;/>为地球坐标系相对惯性坐标系的旋转角速度在导航坐标系下的投影,/>为导航坐标系相对地球坐标系的旋转角速度在导航坐标系下的投影,/>和/>分别为/>和/>的计算误差;L、λ、H和δL1、δλ1、δH1分别为子滤波器1中MIMU的纬度、经度、高度和纬度误差、经度误差、高度误差;RM和RN分别为沿子午圈和卯酉圈的主曲率半径,且 和/>分别为子滤波器1中MIMU在载体坐标系x轴、y轴和z轴陀螺常值漂移;/> 和/>分别为子滤波器1中MIMU在载体坐标系x轴、y轴和z轴加计常值偏置。根据上述误差方程确定的F1和G1分别为:
其中,F11、F12、F13、F21、F22、F23、F31和F32如下式所示。
其中,T为滤波周期。
b)量测方程
子滤波器1的量测方程为:
z1=H1x1+v1
其中,子滤波器1的观测量为:δVE′、δVN′和δVU′分别为MINU与双天线GPS的东向速度、北向速度和天向速度的差值,δL'、δλ'、δH'和/>分别为MIMU与双天线GPS的经度、纬度、高度和航向角的差值;量测噪声 vδL'、vδλ'、vδH'和/>分别为双天线GPS的东向速度、北向速度、天向速度、经度、纬度、高度和航向角的量测噪声,其方差阵R1根据双天线GPS的速度、位置和航向角的噪声水平选取,量测矩阵H1表示如下:
令载体坐标系到导航坐标系的转换矩阵记Tlm为矩阵T中第l行、第m列的元素,l=1,2,3,m=1,2,3;则上式中H11和H12的表达式为:
②建立子滤波器2的数学模型
a)状态方程
子滤波器2的状态变量也选为15维状态变量:
其中,φE 2、φN 2和φU 2分别表示子滤波器2中MIMU的东向失准角、北向失准角和天向失准角;和/>分别为子滤波器2中MIMU的东向速度误差、北向速度误差和天向速度误差;δL2、δλ2和δH2分别为子滤波器2中MIMU的纬度误差、经度误差和高度误差;和/>分别为子滤波器2中MIMU x轴、y轴和z轴的陀螺仪随机常值漂移;/>和/>分别为子滤波器2中MIMUx轴、y轴和z轴的加速度计常值偏置。
子滤波器2的状态方程如下:
其中,F2、G2和ω2分别为子滤波器2的状态转移矩阵、系统噪声驱动矩阵和系统噪声向量;F2和G2的选取与子滤波器1中的F1和G1相同;系统噪声为零均值高斯白噪声,/>和/>分分别为子滤波器2中MIMU在x轴、y轴和z轴陀螺仪的随机误差,/> 分别为子滤波器2中MIMU加速度计的三轴随机误差;ω2的方差阵为Q2,Q2的取值由MIMU陀螺仪和加速度计的噪声水平决定。
b)量测方程
子滤波器2的量测方程为:
z2=H2x2+v2
其中,子滤波器2的系统观测量为: 为MIMU捷联解算与磁强计解算出的航向角的差值;系统量测噪声/> 为磁强计解算出的航向角的量测噪声,其方差阵R2由磁强计的测量精度决定;量测矩阵H2为:
2)根据子滤波器1和子滤波器2的数学模型分别进行卡尔曼滤波来求解各自的局部估计值,并将子滤波器1和子滤波器2当前时刻的局部状态估计值分别记为和局部状态估计协方差阵分别记为P1(k)和P2(k)、局部状态一步预测分别记为/>和局部状态一步预测协方差阵分别记为P1 -(k)和P2 -(k)。
3)存储当前时刻两个子滤波器的状态转移矩阵F1(k)和F2(k)、局部状态估计值和/>局部状态估计协方差阵P1(k)和P2(k)、局部状态一步预测/>和/>局部状态一步预测协方差阵P1 -(k)和P2 -(k)、MIMU的捷联解算结果,当前时刻MIMU的捷联解算结果包括导航坐标系下载体的航向角ψJ(k)、俯仰角θJ(k)、横滚角γJ(k)、东向速度/>北向速度/>天向速度/>经度LJ(k)、纬度λJ(k)和高度HJ(k)。
第三,由主滤波器估计出全局滤波解,并对两个子滤波器进行重置;并用全局滤波解中的全局状态估计值校正当前时刻的MIMU的捷联解算结果。
具体的,由主滤波器估计出全局滤波解,并对两个子滤波器进行重置;并用全局滤波解中的全局状态估计值校正当前时刻的MIMU的捷联解算结果,具体步骤为:
1)将各子滤波器中当前时刻的局部状态估计值和/>局部状态估计协方差阵P1(k)和P2(k)输入到主滤波器中按照下式进行融合,即可得到当前时刻的全局滤波解:
其中,表示当前时刻的全局状态估计值,/> 和/>为当前时刻全局状态估计/>中的东向失准角、北向失准角和天向失准角;/>和/>分别为当前时刻全局状态估计值/>中的东向速度误差、北向速度误差和天向速度误差;δLf(k)、δλf(k)和δHf(k)分别为当前时刻全局状态估计值/>中的纬度、经度和高度误差。/>和/>分别为当前时刻全局状态估计值/>中的x轴、y轴和z轴的陀螺常值漂移;/>和/>分别为当前时刻全局状态估计值/>中的x轴、y轴和z轴的加计常值偏置;Pg(k)表示当前时刻的全局状态估计协方差阵。
2)利用当前时刻的全局滤波解对两个子滤波器当前时刻的局部状态估计值和局部估计协方差阵进行重置,如下式所示:
3)用当前时刻全局滤波解中的的全局状态估计值校正当前时刻的MIMU的位置、速度和姿态。校正方法如下所示:
①速度修正
其中,VE(k)、VN(k)和VU(k)分别为当前时刻滤波修正后MIMU的东向速度、北向速度和天向速度;和/>分别为当前时刻MIMU捷联解算得到的东向速度、北向速度和天向速度;/>和/>分别为当前时刻全局状态估计值/>中的东向速度误差、北向速度误差和天向速度误差;
②位置修正
其中,L(k)、λ(k)和H(k)分别为当前时刻滤波修正后MIMU的纬度、经度和高度;LJ(k)、λJ(k)和HJ(k)分别为当前时刻MIMU捷联解算得到的纬度、经度和高度;δLf(k)、δλf(k)和δHf(k)分别为当前时刻全局状态估计值中的纬度误差、经度误差和高度误差。
③姿态修正
计算当前时刻的MIMU导航坐标系n与计算导航坐标系n′间的转换矩阵
其中,和/>为当前时刻全局状态估计/>中的东向失准角、北向失准角和天向失准角。
修正后的当前时刻的转换矩阵为:
其中,为当前时刻MIMU捷联解算得到的姿态矩阵;
利用修正后的转换矩阵重新计算当前时刻MIMU的航向角、俯仰角和横滚角;将/>记为:
其中,Tlm(k)为矩阵中第l行、第m列的元素,l=1,2,3,m=1,2,3;则MIMU当前时刻的航向角ψ(k)、俯仰角θ(k)和横滚角γ(k)的主值,即ψ主(k)、θ主(k)和γ主(k)分别为:
θ主(k)=arcsin(T32(k))
航向角ψ(k)、俯仰角θ(k)和横滚角γ(k)的取值范围分别定义为[0,2π]、[-π,+π];那么,ψ(k)、θ(k)和γ(k)的真值可由下式确定:
θ(k)=θ主(k)
ψ(k)、θ(k)和γ(k)即为修正后的当前时刻MIMU的航向角、俯仰角和横滚角。
第四,不断重复第二和第三直到联邦滤波结束。
不断重复上述第二和第三直到联邦滤波结束,具体步骤如下:
1)当前时刻k=k+1(k的起始值为1);
2)若k<N或k=N(N为MPOS进行组合估计的时间段的最后时刻),则重复第二和第三;若k>N,则停止,表示联邦滤波过程结束。
第五,对两个子滤波器分别进行后向平滑解算。
利用第二中存储的信息,对两个子滤波器分别进行后向平滑解算,得到两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵,结构图如图3(b)所示,具体步骤如下:
以子滤波器1为例:
1)平滑初始化:
P1 S(N)=P1(N)(上标S用于标记后向平滑值,N为MPOS进行组合估计的时间段的最后时刻);/>
为N时刻子滤波器1的平滑估计值,P1 S(N)为N时刻子滤波器1的平滑估计协方差阵;/>为N时刻子滤波器1的局部状态估计值,P1(N)为N时刻子滤波器1的局部估计协方差阵;
2)对于k=N-1,…,2,1,利用联邦滤波存储的信息F1(k)、P1(k)、/>和P1 -(k)进行R-T-S固定区间平滑后向平滑递推解算,得到子滤波器1所有时刻的平滑估计值,递推公式如下:
其中,为k时刻子滤波器1的平滑增益矩阵,/>和/>分别为k时刻和k+1时刻子滤波器1的平滑估计值,P1 S(k)和P1 S(k+1)分别为k时刻和k+1时刻子滤波器1的平滑估计协方差阵。
子滤波器2的后向平滑解算方法与子滤波器1相同,递推解算后得到子滤波器2N时刻的平滑估计值平滑估计协方差阵/>以及其它时刻的平滑估计值/>平滑估计协方差阵/>
第六,进行全局融合计算并校正MIMU的位置、速度和姿态。
具体的,利用第五中得到的结果进行全局融合计算,得到所有时刻的全局平滑估计结果;并利用该结果计算出所有时刻的更加准确的MIMU的位置、速度和姿态,具体步骤为:
1)将两个子滤波器的平滑估计值和/>平滑估计协方差阵P1 S(k)和按照下式进行全局融合计算,即可得到所有时刻的全局平滑估计结果:
其中,为k时刻的全局平滑估计值, 和/>为k时刻全局平滑估计值/>中的东向失准角、北向失准角和天向失准角;/>和/>分别为k时刻的全局平滑估计值/>中的东向速度误差、北向速度误差和天向速度误差;δLS(k)、δλS(k)和δHS(k)分别为k时刻全局平滑估计值/>中的纬度误差、经度误差和高度误差;/>和/>分别为k时刻全局平滑估计值/>中的x轴、y轴和z轴的陀螺常值漂移;和/>分别为k时刻全局平滑估计值/>中的x轴、y轴和z轴的加计常值偏置;/>为融合后的k时刻的全局平滑估计协方差阵。
2)利用全局平滑估计值计算出所有时刻的更加准确的MIMU的位置、速度和姿态。具体的校正方法如下:
①速度修正
其中,和/>分别为平滑修正后k时刻的MIMU的东向速度、北向速度和天向速度;/>和/>分别为k时刻MIMU捷联解算得到的东向速度、北向速度和天向速度;/>和/>分别为k时刻的全局平滑估计值/>中的东向速度误差、北向速度误差和天向速度误差。
②位置修正
其中,LS(k)、λS(k)和HS(k)分别为平滑修正后k时刻的MIMU纬度、经度和高度;LJ(k)、λJ(k)和HJ(k)分别为k时刻MIMU捷联解算得到的纬度、经度和高度;δLS(k)、δλS(k)和δHS(k)分别为k时刻全局平滑估计值中的纬度误差、经度误差和高度误差。
③姿态修正
计算k时刻MIMU导航坐标系n与计算导航坐标系n′间的转换矩阵
其中,和/>为k时刻全局平滑估计值/>中的东向失准角、北向失准角和天向失准角。
修正后的转换矩阵为:
其中,为k时刻MIMU进行捷联解算后得到的姿态矩阵;
利用修正后的转换矩阵计算k时刻MIMU的航向角、俯仰角和横滚角,将记为:/>
其中,为矩阵/>中第l行、第m列的元素,l=1,2,3,m=1,2,3;则MIMU在k时刻的航向角ψS(k)、俯仰角θS(k)和横滚角γS(k)的主值,即/>和/>分别为:
航向角ψS(k)、俯仰角θS(k)和横滚角γS(k)的取值范围分别定义为[0,2π]、[-π,+π];那么,ψS(k)、θS(k)和γS(k)的真值可由下式确定:
LS(k)、λS(k)、HS(k)、ψS(k)、θS(k)和γS(k)(k=N,…,2,1)即为平滑修正后所有时刻的更加准确的MIMU的经度、纬度、高度、东向速度、北向速度、天向速度、航向角、俯仰角和横滚角。
基于同一发明构思,还提供了基于联邦平滑的MPOS离线组合估计装置。由于此装置解决问题的原理与前述基于联邦平滑的MPOS离线组合估计方法相似,因此,该装置的实施可以按照前述方法的具体步骤实现,重复之处不再赘述。
如图4所示,为一个实施例中的基于联邦平滑的MPOS离线组合估计装置的结构示意图。该基于联邦平滑的MPOS离线组合估计装置10包括:设计模块100、建立模块200、存储模块300、估计与重置模块400、校正模块500、解算模块600、全局融合计算模块700和估计计算模块800。
其中,设计模块100用于进行联邦滤波器结构设计,所述结构设计包括对两个子滤波器和一个主滤波器的设计;建立模块200用于建立两个子滤波器的数学模型,并进行卡尔曼滤波,获得局部估计;存储模块300用于存储当前时刻两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵、MIMU的捷联解算结果;估计与重置模块400用于由主滤波器估计出全局滤波解,并对两个子滤波器进行重置;校正模块500用于用全局滤波解中的全局状态估计值校正当前时刻的MIMU的捷联解算结果直到联邦滤波结束;解算模块600用于通过预先存储的两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵,对两个子滤波器分别进行后向平滑解算,得到两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵;全局融合计算模块700用于通过获取的两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵进行全局融合计算,得到所有时刻的全局平滑估计结果;估计计算模块800,用于通过所有时刻的全局平滑估计结果计算出所有时刻的更高精度的MIMU的位置、速度和姿态。
图5是图示根据本公开的实施例的基于联邦平滑的MPOS离线组合估计装置的硬件框图。如图5所示,根据本公开实施例的基于联邦平滑的MPOS离线组合估计装置50包括存储器501和处理器502。基于联邦平滑的MPOS离线组合估计装置50中的各组件通过总线系统和/或其它形式的连接机构(未示出)互连。
存储器501用于存储非暂时性计算机可读指令。具体地,存储器501可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
处理器502可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制基于联邦平滑的MPOS离线组合估计装置50中的其它组件以执行期望的功能。在本公开的一个实施例中,所述处理器502用于运行存储器501中存储的计算机可读指令,使得基于联邦平滑的MPOS离线组合估计装置50执行上述基于联邦平滑的MPOS离线组合估计方法。基于联邦平滑的MPOS离线组合估计装置与上述基于联邦平滑的MPOS离线组合估计方法描述的实施例相同,在此将省略其重复描述。
图6是图示根据本公开的实施例的计算机可读存储介质的示意图。如图6所示,根据本公开实施例的计算机可读存储介质600其上存储有非暂时性计算机可读指令601。当所述非暂时性计算机可读指令601由处理器运行时,执行参照上述描述的根据本公开实施例的基于联邦平滑的MPOS离线组合估计方法。
以上,根据本公开实施例的基于联邦平滑的MPOS离线组合估计方法和装置,以及计算机可读存储介质,能够提高MPOS的离线组合估计精度,从而满足机载对地观测离线成像对MPOS运动参数离线测量精度的要求的有益效果。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
另外,如在此使用的,在以“至少一个”开始的项的列举中使用的“或”指示分离的列举,以便例如“A、B或C的至少一个”的列举意味着A或B或C,或AB或AC或BC,或ABC(即A和B和C)。此外,措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是,在本公开的系统和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外,本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而,所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (5)
1.基于联邦平滑的MPOS离线组合估计方法,其特征在于,所述方法包括:
进行联邦滤波器结构设计,所述结构设计包括对两个子滤波器和一个主滤波器的设计;
建立两个子滤波器的数学模型,并进行卡尔曼滤波,获得局部估计;
存储当前时刻两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵、MIMU的捷联解算结果;
由主滤波器估计出全局滤波解,并对两个子滤波器进行重置;
用全局滤波解中的全局状态估计值校正当前时刻的MIMU的捷联解算结果直到联邦滤波结束;
通过预先存储的两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵,对两个子滤波器分别进行后向平滑解算,得到两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵;
通过获取的两个子滤波器平滑后的所有时刻的状态估计值和状态估计协方差阵进行全局融合计算,得到所有时刻的全局平滑估计结果;
通过所有时刻的全局平滑估计结果计算出所有时刻的更高精度的MIMU的位置、速度和姿态;
所述进行联邦滤波器结构设计包括:
MIMU和双天线GPS构成第一子滤波器,并采用MIMU与双天线GPS的速度、位置和航向角之差作为第一子滤波器的观测量;
MIMU和磁强计构成第二子滤波器,并采用MIMU与磁强计解算的航向角之差作为第二子滤波器的观测量;
所述建立两个子滤波器的数学模型,并进行卡尔曼滤波,获得局部估计包括:
建立第一子滤波器和第二子滤波器的数学模型;
根据第一子滤波器和第二子滤波器的数学模型分别进行卡尔曼滤波来求解各自的局部估计值,并将第一子滤波器和第二子滤波器当前时刻的局部状态估计值分别记为和局部状态估计协方差阵分别记为P1(k)和P2(k)、局部状态一步预测分别记为/>和局部状态一步预测协方差阵分别记为P1 -(k)和P2 -(k);
所述存储当前时刻两个子滤波器的状态转移矩阵、局部状态估计值、局部状态估计协方差阵、局部状态一步预测、局部状态一步预测协方差阵、MIMU的捷联解算结果包括:
存储当前时刻两个子滤波器的状态转移矩阵F1(k)和F2(k)、局部状态估计值和局部状态估计协方差阵P1(k)和P2(k)、局部状态一步预测/>和/>局部状态一步预测协方差阵P1 -(k)和P2 -(k)、MIMU的捷联解算结果,当前时刻MIMU的捷联解算结果包括导航坐标系下载体的航向角ψJ(k)、俯仰角θJ(k)、横滚角γJ(k)、东向速度/>北向速度天向速度/>经度LJ(k)、纬度λJ(k)和高度HJ(k);
所述由主滤波器估计出全局滤波解,并对两个子滤波器进行重置包括:将各子滤波器中当前时刻的局部状态估计值和/>局部状态估计协方差阵P1(k)和P2(k)输入到主滤波器中按照预设公式进行融合,获取当前时刻的全局滤波解;
利用当前时刻的全局滤波解对两个子滤波器当前时刻的局部状态估计值和局部估计协方差阵进行重置;
所述用全局滤波解中的全局状态估计值校正当前时刻的MIMU的捷联解算结果直到联邦滤波结束包括:
用当前时刻的全局滤波解中的全局状态估计值去校正当前时刻的MIMU的位置、速度和姿态,包括速度修正、位置修正和姿态修正。
2.根据权利要求1所述的基于联邦平滑的MPOS离线组合估计方法,其特征在于,所述对两个子滤波器分别进行后向平滑解算包括:
对第一子滤波器以及第二子滤波器进行平滑初始化;
其中,上标S用于标记后向平滑值,N为MPOS进行组合估计的时间段的最后时刻,/>为N时刻第一子滤波器的平滑估计值,/>为N时刻第一子滤波器的平滑估计协方差阵;/>为N时刻第一子滤波器的局部状态估计值,P1(N)为N时刻第一子滤波器的局部估计协方差阵;
对于k=N-1,...,2,1,利用联邦滤波存储的信息F1(k)、P1(k)、/>和P1 -(k)进行R-T-S固定区间平滑后向平滑递推解算,得到第一子滤波器所有时刻的平滑估计值/>和平滑估计协方差阵P1 S(k);
递推解算后得到第二子滤波器N时刻的平滑估计值平滑估计协方差阵/>以及其它时刻的平滑估计值/>平滑估计协方差阵/>k=N-1,...,2,1。
3.根据权利要求1所述的基于联邦平滑的MPOS离线组合估计方法,其特征在于,所述通过所有时刻的全局平滑估计结果计算出所有时刻的更高精度的MIMU的位置、速度和姿态包括:
将两个子滤波器的平滑估计值和/>平滑估计协方差阵P1 s(k)和/>按照预设公式进行全局融合计算,获取所有时刻的全局平滑估计结果:
利用全局平滑估计值k=N,...,2,1,计算出所有时刻的更高精度的MIMU的位置、速度和姿态。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述权利要求1-3中任一项所述方法的步骤。
5.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489028.1A CN111811512B (zh) | 2020-06-02 | 2020-06-02 | 基于联邦平滑的mpos离线组合估计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489028.1A CN111811512B (zh) | 2020-06-02 | 2020-06-02 | 基于联邦平滑的mpos离线组合估计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111811512A CN111811512A (zh) | 2020-10-23 |
CN111811512B true CN111811512B (zh) | 2023-08-01 |
Family
ID=72848587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489028.1A Active CN111811512B (zh) | 2020-06-02 | 2020-06-02 | 基于联邦平滑的mpos离线组合估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111811512B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178312A (zh) * | 2007-12-12 | 2008-05-14 | 南京航空航天大学 | 基于多信息融合的航天器组合导航方法 |
CN101216319A (zh) * | 2008-01-11 | 2008-07-09 | 南京航空航天大学 | 基于联邦ukf算法的低轨卫星多传感器容错自主导航方法 |
CN108896044A (zh) * | 2018-07-23 | 2018-11-27 | 湖南格纳微信息科技有限公司 | 一种基于惯性导航和卫星导航的定位方法及装置 |
CN109737959A (zh) * | 2019-03-20 | 2019-05-10 | 哈尔滨工程大学 | 一种基于联邦滤波的极区多源信息融合导航方法 |
CN110579740A (zh) * | 2019-09-17 | 2019-12-17 | 大连海事大学 | 一种基于自适应联邦卡尔曼滤波的无人船组合导航方法 |
CN110823217A (zh) * | 2019-11-21 | 2020-02-21 | 山东大学 | 一种基于自适应联邦强跟踪滤波的组合导航容错方法 |
CN111189441A (zh) * | 2020-01-10 | 2020-05-22 | 山东大学 | 一种多源自适应容错联邦滤波组合导航系统及导航方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050240347A1 (en) * | 2004-04-23 | 2005-10-27 | Yun-Chun Yang | Method and apparatus for adaptive filter based attitude updating |
US8543266B2 (en) * | 2011-10-03 | 2013-09-24 | The Boeing Company | Modified Kalman filter for generation of attitude error corrections |
WO2016073642A1 (en) * | 2014-11-04 | 2016-05-12 | The Regents Of The University Of California | Visual-inertial sensor fusion for navigation, localization, mapping, and 3d reconstruction |
-
2020
- 2020-06-02 CN CN202010489028.1A patent/CN111811512B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178312A (zh) * | 2007-12-12 | 2008-05-14 | 南京航空航天大学 | 基于多信息融合的航天器组合导航方法 |
CN101216319A (zh) * | 2008-01-11 | 2008-07-09 | 南京航空航天大学 | 基于联邦ukf算法的低轨卫星多传感器容错自主导航方法 |
CN108896044A (zh) * | 2018-07-23 | 2018-11-27 | 湖南格纳微信息科技有限公司 | 一种基于惯性导航和卫星导航的定位方法及装置 |
CN109737959A (zh) * | 2019-03-20 | 2019-05-10 | 哈尔滨工程大学 | 一种基于联邦滤波的极区多源信息融合导航方法 |
CN110579740A (zh) * | 2019-09-17 | 2019-12-17 | 大连海事大学 | 一种基于自适应联邦卡尔曼滤波的无人船组合导航方法 |
CN110823217A (zh) * | 2019-11-21 | 2020-02-21 | 山东大学 | 一种基于自适应联邦强跟踪滤波的组合导航容错方法 |
CN111189441A (zh) * | 2020-01-10 | 2020-05-22 | 山东大学 | 一种多源自适应容错联邦滤波组合导航系统及导航方法 |
Non-Patent Citations (3)
Title |
---|
基于MIMU/GPS/EC的联邦卡尔曼滤波器设计;张樨等;《测试技术学报》;20120830(第04期);全文 * |
基于改进联邦Kalman滤波的组合校准方法研究;陈晶等;《导航定位与授时》;20161130(第06期);全文 * |
联邦滤波算法与Gauss-Markov估计的统一性分析;王勇军等;《火力与指挥控制》;20131215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111811512A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226980B (zh) | 基于惯性测量单元的差分gnss与ins自适应紧耦合导航方法 | |
CN109459044B (zh) | 一种gnss双天线辅助的车载mems惯导组合导航方法 | |
CN106767752B (zh) | 一种基于偏振信息的组合导航方法 | |
JP4989035B2 (ja) | 慣性ナビゲーションシステムの誤差補正 | |
CN108387227B (zh) | 机载分布式pos的多节点信息融合方法及系统 | |
CN108594283B (zh) | Gnss/mems惯性组合导航系统的自由安装方法 | |
CN110954102B (zh) | 用于机器人定位的磁力计辅助惯性导航系统及方法 | |
CN109470239B (zh) | 磁场补偿方法,相关装置及计算机程序 | |
Xue et al. | In-motion alignment algorithm for vehicle carried SINS based on odometer aiding | |
CN111982106A (zh) | 导航方法、装置、存储介质及电子装置 | |
CN109489661B (zh) | 一种卫星初始入轨时陀螺组合常值漂移估计方法 | |
CN108873034A (zh) | 一种惯导辅助载波模糊度解算的实现方法 | |
CN116105730A (zh) | 基于合作目标卫星甚短弧观测的仅测角光学组合导航方法 | |
CN107764268B (zh) | 一种机载分布式pos传递对准的方法和装置 | |
CN114964222A (zh) | 一种车载imu姿态初始化方法、安装角估计方法及装置 | |
CN111912427A (zh) | 一种多普勒雷达辅助捷联惯导运动基座对准方法及系统 | |
CN112729332B (zh) | 一种基于旋转调制的对准方法 | |
CN111220151B (zh) | 载体系下考虑温度模型的惯性和里程计组合导航方法 | |
CN110375740B (zh) | 车辆导航方法、装置、设备和存储介质 | |
CN111811512B (zh) | 基于联邦平滑的mpos离线组合估计方法和装置 | |
CN116222551A (zh) | 一种融合多种数据的水下导航方法及装置 | |
CN107702718B (zh) | 一种基于瞬间可观测度模型的机载pos机动优化方法与装置 | |
CN114019954B (zh) | 航向安装角标定方法、装置、计算机设备和存储介质 | |
CN114897942A (zh) | 点云地图的生成方法、设备及相关存储介质 | |
CN115127591A (zh) | 一种基于统计置信距离量测自举的机载dpos传递对准方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |