CN112083457B - 一种神经网络优化的imm卫星定位导航方法 - Google Patents

一种神经网络优化的imm卫星定位导航方法 Download PDF

Info

Publication number
CN112083457B
CN112083457B CN202010978097.9A CN202010978097A CN112083457B CN 112083457 B CN112083457 B CN 112083457B CN 202010978097 A CN202010978097 A CN 202010978097A CN 112083457 B CN112083457 B CN 112083457B
Authority
CN
China
Prior art keywords
model
neural network
filtering
imm
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
CN202010978097.9A
Other languages
English (en)
Other versions
CN112083457A (zh
Inventor
丁继成
朱永龙
赵琳
杜朝阳
黄卫权
程建华
李亮
柏亚国
张永超
王坤
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202010978097.9A priority Critical patent/CN112083457B/zh
Publication of CN112083457A publication Critical patent/CN112083457A/zh
Application granted granted Critical
Publication of CN112083457B publication Critical patent/CN112083457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S19/00Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39Determining 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
    • G01S19/393Trajectory determination or predictive tracking, e.g. Kalman filtering
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S19/00Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39Determining 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
    • G01S19/42Determining position
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S19/00Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39Determining 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
    • G01S19/52Determining velocity
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种神经网络优化的IMM卫星定位导航方法,针对IMM仍无法有效解决机动状态下变加速的定位精度低的问题,本发明引入RBF径向基神经网络用以修正卡尔曼滤波算法。建立运动模型和观测模型,采用基于交互式多模型算法(IMM)的扩展卡尔曼滤波器对高机动载体进行卫星定位导航,在IMM算法中将加速度自适应调整的当前统计模型与CV模型相结合,改善交互式多模型的算法精度;并利用RBF神经网络的非线性映射能力来学习滤波误差,以训练好的网络输出作为滤波结果的校正量,这样的混合滤波器可以极大提升系统的机动目标跟踪能力,通过这种方式对交互式多模型的预测结果进行修正,使预测结果能够更加贴近接收机载体运动状态的真实值。

Description

一种神经网络优化的IMM卫星定位导航方法
技术领域
本发明涉及的是一种IMM卫星定位导航方法,尤其涉及一种神经网络优化的IMM卫星定位导航方法。
背景技术
随着全球卫星导航系统(Global Navigation Satellite System,GNSS)的不断发展和广泛应用,卫星导航定位在相关产业所占的市场份额越来越大,对卫星导航的定位精度要求越来越高。GNSS定位解算中,为减少误差与噪声对定位结果的影响,相关学者先后引入了最小二乘算法、α-β滤波算法、卡尔曼滤波算法等。卡尔曼滤波以其良好的滤波性能广泛应用于GNSS定位算法中。以往的学者多在滤波器的改进上进行了大量努力,针对实际运用的非线性滤波器,例如扩展卡尔曼滤波、容积卡尔曼滤波以及无迹卡尔曼滤波等。模型的建立对滤波来讲至关重要,传统的卡尔曼滤波器大多以单一的改进来提高滤波的精度,但是实际载体的运动状态总是多变的,而且高机动的运动状态普遍存在。为此有必要在GNSS定位算法中引入交互式多模型算法。
1984年,Blom和Shalom在广义伪贝叶斯算法的基础上基于Kalman滤波器提出了一种具有马尔可夫切换系数的多模型滤波器,其中多个模型并行工作,模型之间基于一个马尔可夫链进行切换,目标状态是多个滤波器交互作用的结果即交互式多模型(IMM)算法。标准的IMM算法是将常用的匀速与匀加速模型交互得到状态估计,由于模型的不断出新又有改进的IMM算法。最为常见的模型有恒定速度模型(Constant Velocity,CV)、恒定加速度模型(Constant Acceleration,CA)与恒定转率模型(Constant Turn Rate,CT)。
根据不同的问题需求,越来越多的运动模型被提出。1970年R.A.Singer提出了Singer模型,这是一种均值为零的一阶事件相关的机动加速度运动模型。当前统计模型(Current Statistical,CS)是由周宏仁在1983年所提出的新的运动模型了,该模型是一种具有自适应非零均值加速度的Singer模型,其分布随均值变化而变化,方差由均值决定。
根据IMM算法的原理,IMM算法的某一历元时刻只会有限的趋近于某一模型的定位结果,其定位结果并不会同时优于交互的所有模型。交互式多模型滤波(IMM)算法是解决机动载体运动模型不确定的定位问题的次优算法,仍需进一步研究。
发明内容
本发明目的在于解决单一模型无法有效拟合实际运动的问题和存在高机动运动载体卫星定位精度偏低的问题。针对上述现有技术的不足,本发明设计了一种RBF径向基神经网络优化的IMM卫星定位导航方法。
本发明提出的设计方案为:一种神经网络优化的IMM卫星定位导航方法,该方法基于交互式多模型滤波框架和卫星定位导航算法,先使用恒速(CV)模型与当前统计(CS)模型进行交互式滤波得到接收机的三维位置、速度及加速度信息,然后利用RBF径向基神经网络对滤波结果进行优化,并将优化得到的估计作为定位结果,具体步骤如下:
步骤1)导入可观测卫星的观测量以及相应的星历数据;
步骤2)根据卫星的观测量以及相应的星历数据计算卫星位置和速度;
步骤3)根据载体动态条件,设定交互式多模型中有两个用于交互的模型,第一个是匀速直线运动模型m(1),第二个是当前统计模型m(2),依次对两种运动模型设定模型参数;
步骤4)初始化马尔科夫模型转移概率、模型综合状态估计量、模型综合状态协方差矩阵、各模型残差、各模型残差协方差矩阵;
步骤5)在交互式多模型算法中,对模型条件进行初始化,包括对各模型混合概率、各模型滤波初始状态、各模型滤波初始状态协方差矩阵的初始化;
步骤6)基于神经网络的滤波误差补偿算法,建立了基于RBF神经网络的滤波误差补偿模型,得到各模型补偿后的状态估计和总的协方差估计/>
步骤7)将所述混合状态估计和协方差,输入到相应的滤波器计算,得到对应的状态估计值协方差估计/>以及残差Vj(k)和残差协方差Sj(k);
步骤8)更新滤波器的模型的概率;
步骤9)基于模型概率对每个滤波器的输出结果进行加权合并,得到总的状态估计和总的协方差估计/>
1)根据前一次滤波值或初值/>经计算预测值/>
2)根据前次得到的滤波误差方差阵或初值/>计算预测误差方差阵/>
3)计算卡尔曼增益K(k+1);
4)计算滤波估计
5)计算滤波误差方差阵
6)将4)中得到的状态估计与状态预测/>之差、滤波增益K(k+1)以及量测值Z(k+1)与量测预测/>之差作为神经网络的输入,使用飞行器状态真实值X(k+1)与状态估计值/>之差作为神经网络的目标期望输出,对RBF神经网络进行训练,训练结束后将预测结果与滤波状态估计结果求和,得到经过误差补偿的状态估计值。
跟现有技术相比,本发明有益效果为:
本发明针对高机动载体,建立了基于RBF神经网络的滤波误差补偿模型,利用神经网络的非线性映射能力来预测滤波误差从而对滤波结果进行补偿,通过这种方式对交互式多模型的预测结果进行修正,使预测结果能够更加贴近接收机载体运动状态的真实值。
附图说明
图1.IMM-EKF算法流程图。
图2.基于RBF神经网络修正的扩展卡尔曼流程图。
图3为整体设计方案流程图。
具体实施方式
以下结合附图和实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明基于交互式多模型定位算法,首先设计匀速模型和当前统计模型参数,构建模型,在交互式多模型滤波框架下进行交互得到接收机载体的位置、速度以及加速度信息;建立基于RBF神经网络的滤波误差补偿模型,利用神经网络的非线性映射能力来预测滤波误差从而对滤波结果进行补偿,通过这种方式对交互式多模型的预测结果进行修正,将修正的滤波结果作为定位结果。
当前统计模型的状态方程为:
其中用来描述目标机动加速度的“当前”均值,状态转移矩阵F(k)、输入控制矩阵G(k)、状态噪声协方差矩阵计算方法如下:
其中,
a为自相关时间常数,为目标机动加速度方差。
IMM-EKF算法流程如下:
1、算法参数初始化。为了验证IMM-EKF对机动目标的状态估计效果,IMM算法中包含CV和CS两个运动模型,分别定义为模型1和模型2。设定马尔科夫模型转移概率矩阵。
2、输入交互。根据给定的转移概率和模型概率计算模型预测概率和混合概率,从而利用上一时刻两个模型的滤波状态估计计算得到模型1和模型2的混合状态估计和/>以及对应的混合协方差估计/>和/>
3、模型并行滤波。通过滤波估计下一时刻模型1和模型2的状态估计和/>
4、更新模型概率。
5、输出综合。利用更新后的模型概率作为权重因子,与两个模型的滤波状态输出作加权组合,得到最后综合的目标状态估计和协方差估计P(k+1k+1)。
IMM-EKF整体算法结构如图1所示。
神经网络优化的卡尔曼滤波算法流程如下:
1、根据前一次滤波值(或初值/>)经计算预测值/>
2、根据前次得到的滤波误差方差阵或初值/>)计算预测误差方差阵/>
3、计算卡尔曼增益K(k+1);
4、计算滤波估计
5、计算滤波误差方差阵
6、将4中得到的状态估计与状态预测/>之差、滤波增益K(k+1)以及量测值Z(k+1)与量测预测/>之差作为神经网络的输入,使用飞行器状态真实值X(k+1)与状态估计值/>之差作为神经网络的目标期望输出。对RBF神经网络进行训练。训练结束后将预测结果与滤波状态估计结果求和,得到经过误差补偿的状态估计值。
基于RBF神经网络的混合卡尔曼滤波算法结构如图2所示。
本发明针对飞行器运动状态多变且易出现加速度突变的情况,提出了一种神经网络优化的IMM卫星定位导航算法,以期实现对机动飞行器的卫星定位,提高IMM算法的准确性。
一种神经网络优化的IMM卫星定位导航方法,该方法基于交互式多模型滤波框架和卫星定位导航算法,先使用恒速(CV)模型与当前统计(CS)模型进行交互式滤波得到接收机的三维位置、速度及加速度信息,然后利用RBF径向基神经网络对滤波结果进行优化,并将优化得到的估计作为定位结果,具体步骤如下:
步骤1)导入可观测卫星的观测量以及相应的星历数据;
步骤2)根据卫星的观测量以及相应的星历数据计算卫星位置和速度;
步骤3)根据载体动态条件,设定交互式多模型中有两个用于交互的模型,第一个是匀速直线运动模型m(1),第二个是当前统计模型m(2),依次对两种运动模型设定模型参数;
步骤4)初始化马尔科夫模型转移概率、模型综合状态估计量、模型综合状态协方差矩阵、各模型残差、各模型残差协方差矩阵;
步骤5)在交互式多模型算法中,对模型条件进行初始化,包括对各模型混合概率、各模型滤波初始状态、各模型滤波初始状态协方差矩阵的初始化;
步骤6)基于神经网络的滤波误差补偿算法,建立了基于RBF神经网络的滤波误差补偿模型,得到各模型补偿后的状态估计和总的协方差估计/>
步骤7)将所述混合状态估计和协方差,输入到相应的滤波器计算,得到对应的状态估计值协方差估计/>以及残差Vj(k)和残差协方差Sj(k);
步骤8)更新滤波器的模型的概率;
步骤9)基于模型概率对每个滤波器的输出结果进行加权合并,得到总的状态估计和总的协方差估计/>
本发明应用范围:军事和民用领域对高机动飞行器卫星定位中。
根据IMM算法的原理,IMM算法的某一历元时刻只会有限的趋近于某一模型的定位结果,其定位结果并不会同时优于交互的所有模型。即IMM仍无法有效解决机动状态下变加速的定位精度低的问题。为了解决上述问题,本发明引入RBF径向基神经网络用以修正卡尔曼滤波算法。
神经网络辅助卡尔曼滤波算法是一个利用神经网络来完成目标机动辨识的过程,因此可以将RBF神经网络的误差反向传播机理引入卡尔曼滤波器当中,利用RBF神经网络的非线性映射能力来学习滤波误差,以训练好的网络输出作为滤波结果的校正量,这样的混合滤波器可以极大提升系统的机动目标跟踪能力。
本发明公开了一种神经网络优化的IMM卫星定位导航方法,针对IMM仍无法有效解决机动状态下变加速的定位精度低的问题,本发明引入RBF径向基神经网络用以修正卡尔曼滤波算法。建立运动模型和观测模型,采用基于交互式多模型算法(IMM)的扩展卡尔曼滤波器对高机动载体进行卫星定位导航,在IMM算法中将加速度自适应调整的当前统计模型与CV模型相结合,改善交互式多模型的算法精度;并利用RBF神经网络的非线性映射能力来学习滤波误差,以训练好的网络输出作为滤波结果的校正量,这样的混合滤波器可以极大提升系统的机动目标跟踪能力。
综上所述,以上提出的高机动条件下的运动模型和观测模型、将当前统计模型与CV模型相结合的交互式多模型卫星定位算法均为本发明的保护范围。

Claims (2)

1.一种神经网络优化的IMM卫星定位导航方法,其特征是:该方法基于交互式多模型滤波框架和卫星定位导航算法,先使用恒速模型与当前统计模型进行交互式滤波得到接收机的三维位置、速度及加速度信息,然后利用RBF径向基神经网络对滤波结果进行优化,并将优化得到的估计作为定位结果,具体如下:
步骤1)导入可观测卫星的观测量以及相应的星历数据;
步骤2)根据卫星的观测量以及相应的星历数据计算卫星位置和速度;
步骤3)根据载体动态条件,设定交互式多模型中有两个用于交互的模型,第一个是匀速直线运动模型m1,第二个是当前统计模型m2,依次对两种运动模型设定模型参数;
步骤4)初始化马尔科夫模型转移概率、模型综合状态估计量、模型综合状态协方差矩阵、各模型残差、各模型残差协方差矩阵;
步骤5)在交互式多模型算法中,对模型条件进行初始化,包括对各模型混合概率、各模型滤波初始状态、各模型滤波初始状态协方差矩阵的初始化;
步骤6)基于神经网络的滤波误差补偿算法,建立了基于RBF神经网络的滤波误差补偿模型,得到各模型补偿后的状态估计和总的协方差估计/>
步骤7)将所述模型补偿后的状态估计和协方差,输入到相应的滤波器计算,得到对应的状态估计值协方差估计/>以及残差Vj(k)和残差协方差Sj(k);
步骤8)更新滤波器的模型的概率;
步骤9)基于模型概率对每个滤波器的输出结果进行加权合并,得到总的状态估计和总的协方差估计/>
2.根据权利要求1所述的神经网络优化的IMM卫星定位导航方法,其特征是:所述的神经网络优化的IMM卫星定位导航算法为:
1)根据前一次滤波值或初值/>经计算预测值/>
2)根据前次得到的滤波误差方差阵或初值/>计算预测误差方差阵
3)计算卡尔曼增益K(k+1);
4)计算滤波估计
5)计算滤波误差方差阵
6)将4)中得到的状态估计与状态预测/>之差、滤波增益K(k+1)以及量测值Z(k+1)与量测预测/>之差作为神经网络的输入,使用飞行器状态真实值X(k+1)与状态估计值/>之差作为神经网络的目标期望输出,对RBF神经网络进行训练,训练结束后将预测结果与滤波状态估计结果求和,得到经过误差补偿的状态估计值。
CN202010978097.9A 2020-09-17 2020-09-17 一种神经网络优化的imm卫星定位导航方法 Active CN112083457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010978097.9A CN112083457B (zh) 2020-09-17 2020-09-17 一种神经网络优化的imm卫星定位导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010978097.9A CN112083457B (zh) 2020-09-17 2020-09-17 一种神经网络优化的imm卫星定位导航方法

Publications (2)

Publication Number Publication Date
CN112083457A CN112083457A (zh) 2020-12-15
CN112083457B true CN112083457B (zh) 2023-08-15

Family

ID=73737226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010978097.9A Active CN112083457B (zh) 2020-09-17 2020-09-17 一种神经网络优化的imm卫星定位导航方法

Country Status (1)

Country Link
CN (1) CN112083457B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064154B (zh) * 2021-03-18 2023-09-01 沈阳理工大学 一种空中目标跟踪方法
CN114445456B (zh) * 2021-12-23 2023-04-07 西北工业大学 基于部分模型的数据驱动智能机动目标跟踪方法及装置
CN115334447B (zh) * 2022-07-14 2023-06-02 广东工业大学 一种基于自适应imm的鲁棒室内行人跟踪uwb定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108682023A (zh) * 2018-03-21 2018-10-19 南京理工大学 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
CN109827579A (zh) * 2019-03-08 2019-05-31 兰州交通大学 一种组合定位中滤波模型实时校正的方法和系统
CN111582485A (zh) * 2020-05-27 2020-08-25 电子科技大学 基于神经网络的航迹融合办法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8509965B2 (en) * 2006-12-12 2013-08-13 American Gnc Corporation Integrated collision avoidance system for air vehicle
US10408943B2 (en) * 2017-02-09 2019-09-10 Samsung Electronics Co., Ltd. Method and apparatus for improving position-velocity solution in GNSS receivers

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108682023A (zh) * 2018-03-21 2018-10-19 南京理工大学 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
CN109827579A (zh) * 2019-03-08 2019-05-31 兰州交通大学 一种组合定位中滤波模型实时校正的方法和系统
CN111582485A (zh) * 2020-05-27 2020-08-25 电子科技大学 基于神经网络的航迹融合办法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
动态模型偏差校正在列车组合定位中的应用;陈光武;刘昊;李少远;杨菊花;魏宗寿;;自动化学报(第12期);全文 *

Also Published As

Publication number Publication date
CN112083457A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112083457B (zh) 一种神经网络优化的imm卫星定位导航方法
CN108759833B (zh) 一种基于先验地图的智能车辆定位方法
CN111156987B (zh) 基于残差补偿多速率ckf的惯性/天文组合导航方法
CN106772524B (zh) 一种基于秩滤波的农业机器人组合导航信息融合方法
Zhang et al. A hybrid intelligent algorithm DGP-MLP for GNSS/INS integration during GNSS outages
CN103528587A (zh) 自主组合导航系统
CN103439731A (zh) 基于无迹卡尔曼滤波的gps/ins组合导航方法
CN114562992B (zh) 一种基于因子图及场景约束的多径环境组合导航方法
CN110567455B (zh) 一种求积更新容积卡尔曼滤波的紧组合导航方法
EP4143507B1 (en) Navigation apparatus and method in which measurement quantization errors are modeled as states
CN115685278B (zh) 基于kf的低空无人机航迹定位修正方法
CN109901108A (zh) 一种基于后验线性化置信传播的编队无人机协同定位方法
CN109341690B (zh) 一种鲁棒高效的组合导航自适应数据融合方法
CN111156986A (zh) 一种基于抗差自适应ukf的光谱红移自主组合导航方法
CN113325452A (zh) 一种三星无源融合定位体制机动目标跟踪方法
CN102322863A (zh) 一种遥感卫星多星联合逆向定轨定姿方法
CN117419723A (zh) 一种基于因子图的交互模型自适应组合导航方法
Chen et al. A novel hybrid observation prediction methodology for bridging GNSS outages in INS/GNSS systems
CN113434806A (zh) 一种抗差自适应多模型滤波方法
CN116907503A (zh) 一种基于抗野值鲁棒定位算法的遥感编队卫星定位方法及系统
CN110912535A (zh) 一种新型无先导卡尔曼滤波方法
CN113503891B (zh) 一种sinsdvl对准校正方法、系统、介质及设备
Skoglar et al. On information measures based on particle mixture for optimal bearings-only tracking
CN115014321A (zh) 一种基于自适应鲁棒滤波的仿生偏振多源融合定向方法
Zhang et al. Square-root unscented Kalman filter for vehicle integrated navigation

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