CN112325880A - 分布式平台相对定位方法、装置、计算机设备和存储介质 - Google Patents
分布式平台相对定位方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112325880A CN112325880A CN202110000761.7A CN202110000761A CN112325880A CN 112325880 A CN112325880 A CN 112325880A CN 202110000761 A CN202110000761 A CN 202110000761A CN 112325880 A CN112325880 A CN 112325880A
- Authority
- CN
- China
- Prior art keywords
- measurement noise
- motion platform
- motion
- uwb
- measurement
- 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
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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Abstract
本申请涉及一种分布式平台相对定位方法、装置、计算机设备和存储介质。所述方法包括:在运动平台进入卫星导航拒止环境前,获取其IMU传感器的测量噪声,其UWB传感器测量其他运动平台时的测量噪声,其运动方程,以及其与其他运动平台的相对距离测量模型。分别对两项测量噪声进行Allan方差分析得到对应的测量噪声方差矩阵。在采用卡尔曼滤波算法更新动方程时将零协方差矩阵替换为对应的测量噪声方差矩阵,更新对距离测量模型时将测量误差矩阵替换为对应的测量噪声方差矩阵,根据更新结果得到运动平台位置。上述方法考虑了测量噪声的时间相关特性并滤除测量过程中的色噪声,能够提高获得的平台位置精度。
Description
技术领域
本申请涉及无线电导航与定位技术领域,特别是涉及一种分布式平台相对定位方法、装置、计算机设备和存储介质。
背景技术
近年来分布式运动平台正逐渐在各个领域得到充分发展运用,如无人机蜂群、无人车系统等,这些系统已被证明比传统单平台具有更多优势。现有的分布式运动平台定位的实现方式主要依靠卫星导航和惯性导航部件(IMU),然而卫星导航在复杂地形环境下和干扰环境下,难以完成有效的定位与导航任务,而惯性导航则存在严重的误差累积问题。超宽带(UWB)传感器可以提供平台之间的相对测量获取相对距离和位置信息,其定位结果不存在累积误差,且具有定位精度高、抗多径效果好、功耗低、安全性高、系统复杂度低等优点。
目前基于IMU/UWB技术进行多运动平台相对距离估计和定位的常见实现方式如图1所示,具体是由运动平台搭载的UWB传感器接收其它平台发播的窄脉冲信号并计算两个平台之间的相对距离,利用扩展卡尔曼滤波算法融合IMU传感器测量值实现航迹递推与状态更新,最后通过平台之间的通信交互和潜在碰撞检测完成协同定位与导航。这一实现方式在基于扩展卡尔曼滤波的UWB/IMU融合算法未考虑实际应用中的测量色噪声,且没有对噪声参数进行实时分析和在线估计,导致相对导航定位精度受限。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对噪声参数进行实时分析和在线估计的分布式平台相对定位方法、装置、计算机设备和存储介质。
一种分布式平台相对定位方法,包括:
在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声。
分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵。
在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,运动方程中包括零协方差矩阵。
采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
获取第一运动平台和第二运动平台的相对距离测量模型,相对距离测量模型中包括测量误差矩阵。
采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
根据运动方程的更新结果和相对距离测量模型的更新结果,得到第一运动平台的状态更新结果。
根据状态更新结果,确定第一运动平台的位置。
其中一个实施例中,在对IMU测量噪声和UWB测量噪声进行Allan方差分析之前,还包括:
分别将IMU测量噪声和UWB测量噪声以预设采样间隔划分为m组。
其中一个实施例中,对IMU测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵,包括:
计算m组IMU测量噪声中每一组的IMU测量噪声平均值。
根据IMU测量噪声平均值,得到IMU测量噪声方差矩阵为:
其中一个实施例中,对UWB测量噪声进行Allan方差分析,得到UWB测量噪声方差矩阵,包括:
计算m组UWB测量噪声中每一组的UWB测量噪声平均值。
根据UWB测量噪声平均值,得到UWB测量噪声方差矩阵为:
其中一个实施例中,在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,包括:
在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程为:
其中一个实施例中,获取第一运动平台和第二运动平台的相对距离测量模型,包括:
获取第一运动平台和第二运动平台的相对距离测量模型为:
其中一个实施例中,根据状态更新结果,确定第一运动平台的位置之后,还包括:
根据状态更新结果得到第一运动平台和第二运动平台的碰撞概率值,当碰撞概率值高于预设值时,对第一运动平台进行航迹调整。
一种分布式平台相对定位装置,其特征在于,所述装置包括:
测量噪声获取模块,用于在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声。
方差分析模块,用于分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵。
运动方程获取模块,用于在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,运动方程中包括零协方差矩阵。
运动方程更新模块,用于采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
相对距离测量模型获取模块,用于获取第一运动平台和第二运动平台的相对距离测量模型,相对距离测量模型中包括测量误差矩阵。
相对距离测量模型更新模块,用于采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
第一运动平台状态更新模块,用于根据运动方程的更新结果和相对距离测量模型的更新结果,得到第一运动平台的状态更新结果。
第一运动平台位置确定模块,用于根据状态更新结果,确定第一运动平台的位置。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声。
分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵。
在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,运动方程中包括零协方差矩阵。
采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
获取第一运动平台和第二运动平台的相对距离测量模型,相对距离测量模型中包括测量误差矩阵。
采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
根据运动方程的更新结果和相对距离测量模型的更新结果,得到第一运动平台的状态更新结果。
根据状态更新结果,确定第一运动平台的位置。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声。
分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵。
在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,运动方程中包括零协方差矩阵。
采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
获取第一运动平台和第二运动平台的相对距离测量模型,相对距离测量模型中包括测量误差矩阵。
采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
根据运动方程的更新结果和相对距离测量模型的更新结果,得到第一运动平台的状态更新结果。
根据状态更新结果,确定第一运动平台的位置。
上述分布式平台相对定位方法、装置、计算机设备和存储介质,在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声,并获取通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声;分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵;在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,并获取第一运动平台和第二运动平台的相对距离测量模型。在采用卡尔曼滤波算法对运动方程进行更新时将零协方差矩阵替换为IMU测量噪声方差矩阵,对相对距离测量模型进行更新时将测量误差矩阵替换为UWB测量噪声方差矩阵,对两种测量噪声进行在线参数估计和滤除,并根据运动方程和相对距离测量模型的更新结果得到第一运动平台的位置。本申请对IMU测量噪声和UWB测量噪声的影响进行连续的、实时的Allan方差计算,并利用两种测量噪声的方差矩阵和Allan方差的等价关系实现噪声滤除,通过考虑测量噪声的时间相关特性滤除测量过程中的色噪声,提高对运动平台的定位结果精度。
附图说明
图1为一种基于IMU/UWB技术实现多运动平台相对距离估计和定位的流程图;
图2为一个实施例中一种分布式平台相对定位方法的步骤图;
图3为另一个实施例中一种分布式平台相对定位方法的流程示意图;
图4为一个实施例中一种分布式平台相对定位方法对传感器的测量误差分析结果;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图2所示,提供了一种分布式平台相对定位方法,可应用于卫星导航拒止条件下(即无法接收到卫星导航信号的条件下)的分布式运动平台相对定位,各运动平台均搭载了IMU和UWB传感器,其控制、通信、传感和计算任务均采用分布式处理方式,对于任一平台,包括以下步骤:
步骤204,分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵。
步骤208,采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
步骤212,采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
具体地,运动平台的运动状态可以使用运动方程进行描述,方程的变量包括运动平台的位置、速度矢量和偏航角,以及对应的运动平台控制输入量,还包括一个运动状态误差量。运动平台相对于运动平台的距离可以使用相对距离测量模型进行描述,方程的变量包括运动平台和运动平台的位置,以及一个描述相对距离误差量。在目前的技术(如扩展卡尔曼滤波算法,即EKF算法)中,由搭载在运动平台上的IMU传感器对自身运动状态进行连续测量时,将IMU传感器的测量噪声视为高斯白噪声,因此对运动钻头的测量噪声协方差矩阵也是与时间无关的常量。与之对应,在基于运动平台的运动状态测量运动平台间的相对距离时,对应产生的相对距离测量误差矩阵也与时间无关。
Allan方差是一种时域分析技术,通过方差计算可识别误差类型,包括量化噪声、白噪声、闪烁噪声、随机游走噪声等类型,以及得到与时间具有相关性的随机误差值。步骤204分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵,步骤208和步骤212分别将与时间无关的运动状态的测量噪声协方差矩阵和相对距离的测量误差矩阵,替换为IMU测量噪声方差矩阵和UWB测量噪声方差矩阵,使得在计算运动平台的运动状态和运动平台间的相对距离时,其相应的误差值随时间变化,从而能够消除色噪声的影响。
上述分布式平台相对定位方法,在采用卡尔曼滤波算法对运动方程进行更新时将零协方差矩阵替换为IMU测量噪声方差矩阵,对相对距离测量模型进行更新时将测量误差矩阵替换为UWB测量噪声方差矩阵,即对两种测量噪声进行在线参数估计和滤除,并根据运动方程和相对距离测量模型的更新结果得到第一运动平台的位置,并利用两种测量噪声的方差矩阵和Allan方差的等价关系实现噪声滤除,通过考虑测量噪声的时间相关特性滤除测量过程中的色噪声,提高对运动平台的定位结果精度。
一个实施例中,如图3所示,提供了一种分布式平台相对定位方法,包括:
具体地,平台通过射频天线接收其它平台发送的平台状态的估计信息,k表示当前时刻,表示平台对前一时刻自身平台状态的后验估计结果。平台的UWB传感器根据接收的窄脉冲信号得到与平台之间的相对距离。现有技术忽略了实际测量中UWB传感器距离估计值中的色噪声,将测量噪声设为与无关的协方差矩阵。
步骤308,分别将IMU测量噪声和UWB测量噪声以预设采样间隔划分为m组。计算m组IMU测量噪声中每一组的IMU测量噪声平均值,根据IMU测量噪声平均值,得到IMU测量噪声方差矩阵为:
计算m组UWB测量噪声中每一组的UWB测量噪声平均值,根据UWB测量噪声平均值,得到UWB测量噪声方差矩阵为:
具体地,步骤304至308对色噪声的影响进行连续的、实时的Allan方差计算,以便基于滤波算法消除色噪声。平台进入卫星导航拒止环境的时刻为拒止时刻,此时各个平台已知拒止时刻的位置信息和后续的航迹规划,并建立平台状态方程表示平台导航系统的非线性状态方程,其中状态量, 是平台的三维位置, 是平台相对于正北方向的惯性速度矢量,为平台相对于正北方向的偏航角,;表示已知的平台的控制输入向量;表示均值为零、协方差矩阵为的高斯过程噪声。在拒止时刻,令,初始状态向量为拒止前一时刻的最终状态,其先验估计值初始化为,表示数学期望。
设时刻测量方程为,表示观测矩阵,其具体表达取决于IMU传感器测量方式,为IMU传感器对平台的三维速度和偏航角的测量值,表示IMU传感器对平台的三维速度及偏航角的测量噪声。对于实际的IMU模块,其测量误差是比较复杂的非平稳过程,测量噪声表现为有色噪声而非白噪声。对当前采样时刻、采样间隔为的序列分为组,并计算每组数据的平均值,。利用协方差矩阵和Allan方差的等价性,将IMU测量噪声方差矩阵表示为:
步骤310,采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
具体地,将通过平台的IMU传感器得到的测量值和平台自身状态进行第一步扩展卡尔曼滤波。分别将状态方程和测量方程在处进行一阶Taylor展开,通过线性近似得到扩展卡尔曼滤波算法的预测过程如下式(3)和(4),其中输入变量为时刻的后验状态估计值及其估计误差协方差矩阵、过程噪声协方差矩阵,输出变量为时刻状态预测值及其先验估计误差协方差矩阵。
其中为输出的时刻后验状态估计值,表示误差协方差矩阵后验估计。在传统的EKF算法中,将IMU部件测量噪声视为高斯白噪声,测量噪声协方差矩阵也就是与时间无关的常量,而本实施例通过Allan方差实时分析与时间具有相关性的随机误差,通过不断更新消除色噪声的影响。
步骤312,采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
具体地,在多运动平台构成的分布式系统中,各平台之间的状态具有相关性,因此需要进行第二步联合滤波。将平台根据其对其他平台的测量数据进行的更新称为外部测量更新。首先根据平台和平台之间的测量完成外部测量更新:根据步骤306已经得到平台的UWB传感器获得的与平台之间的相对距离测量值,并将相对距离测量模型表示为:
其中,测量误差的互协方差的计算方式与平台和之间相对距离测量值的Allan方差,即步骤308中的UWB测量噪声方差矩阵,具有等价性。假设各个平台都获得了对自身的平台状态的估计值,并且能够获取其他平台的这一估计值。假设时刻平台和平台建立了测距与通信链路,输入变量为k-1时刻平台对平台的状态后验估计值、互协方差矩阵以及偏微分矩阵和,在各个平台为同质节点(节点设备相同)的情况下,的计算方式与相同。输出变量为平台对平台的状态及其互协方差的先验估计值和:
进一步地,当时刻平台与平台不同时可测,如出现遮挡导致不可视情况,此时无法按照上述方式估计互协方差矩阵,但由于之前时刻分布式平台之间测量与状态的相关性,如果不对其进行更新可能导致估计性能的下降。不失一般性,假设此时平台与平台可测,而与平台不可测,此时需要在不依赖于通信链路的情况下对互协方差矩阵做出如下近似:
由此可得:
步骤314,根据运动方程的更新结果和相对距离测量模型的更新结果,得到第一运动平台的状态更新结果。根据状态更新结果,确定第一运动平台的位置。
步骤316,根据状态更新结果得到第一运动平台和第二运动平台的碰撞概率值,当碰撞概率值高于预设值时,对第一运动平台进行航迹调整。
具体地,基于当前时刻的各个平台的平台状态更新结果进行碰撞检测,如果运动平台之间存在潜在碰撞可能,如平台间的碰撞概率高于预设的门限值时,则对其中一个或多个平台的航迹进行调整,以避免碰撞;否则不需要调整航迹直接进行下一时刻的运动状态估计,。
为了说明本申请提供的一种分布式平台相对定位方法的有效性,基于IMU传感器和UWB传感器的实际测量数据,采用上述一个实施例提供的一种分布式平台定位方法得到了对应的测量误差Allan方差分析结果。图4为一个实施例中一种分布式平台相对定位方法对传感器的测量误差分析结果,其中,a为对UWB模块进行的第一次相对距离测试数据进行的Allan方差分析结果,b为对UWB模块进行的第二次相对距离测试数据进行的Allan方差分析结果,c为对UWB模块进行的第三次相对距离测试数据进行的Allan方差分析结果,d为对IMU传感器的x方向角速率的测量数据进行的Allan方差分析结果,e为对IMU传感器的y方向角速率的测量数据进行的Allan方差分析结果,f为对IMU传感器的z方向角速率的测量数据进行的Allan方差分析结果,g为对IMU传感器的x方向加速度的测量数据进行的Allan方差分析结果,h为对IMU传感器的y方向加速度的测量数据进行的Allan方差分析结果,i为对IMU传感器的z方向加速度的测量数据进行的Allan方差分析结果。图4中a至i中,实线表示对UWB传感器或IMU传感器实测数据的Allan方差分析结果,斜率为-1的虚线代表对测试数据经噪声成分分析后对应的白噪声的Allan方差,斜率约为0的虚线表示对应的闪烁噪声的Allan方差,斜率约为+1/2的虚线表示对应的随机游走噪声的Allan方差。由a至c可以看到UWB传感器在进行相对距离测量时,其数据除白噪声外,还包含具有时间相关性的闪烁噪声和明显的随机游动噪声,而传统定位算法忽略了噪声参数与时间的相关性,未对其中的进行实时计算和更新。由d至f可以看到,IMU传感器测量得到的三轴角速率数据在x方向和z方向均含有色噪声成分。同理由g至i可以看到,IMU模块测试的x、y、z方向加速度的测量数据也包含色噪声。传统定位算法同样也忽略了这一色噪声的影响,未对进行实时计算和更新。
值得说明的是,在运动平台进入卫星导航拒止区域前已获取足够UWB和IMU传感器样本数据的条件下,可将滤波算法中的噪声协方差值初始化为Allan方差分析结果,并在后续运动过程中通过递归计算更新其噪声参数,以自适应地调整滤波算法。
根据实验结果分析现有EKF算法和本申请提供的方法的定位误差。EKF算法在色噪声的影响下产生了较大的误差,而本申请算法充分考虑并滤除了测量色噪声,算法性能在分布式平台运动过程中更加稳定,从而对运动平台的位置实现了更高精度的估计。在400s-600s受到色噪声影响最为显著的区间内,本申请提供的方法滤除色噪声后定位误差明显降低,而从误差的均值和标准差结果可以看出,现有EKF算法的位置估计误差约为0.63m,而本申请提供的方法估计误差在0.55m左右,精度提高了12.94%。同样,如速度估计误差和角度估计误差所示,IMU传感器对加速度和角速率的估计结果在滤除色噪声影响后,本申请提供的方法对速度和角度的估计精度分别提高了34.21%和11.95%。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种分布式平台相对定位装置,包括:
测量噪声获取模块,用于在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声。
方差分析模块,用于分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵。
运动方程获取模块,用于在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,运动方程中包括零协方差矩阵。
运动方程更新模块,用于采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
相对距离测量模型获取模块,用于获取第一运动平台和第二运动平台的相对距离测量模型,相对距离测量模型中包括测量误差矩阵。
相对距离测量模型更新模块,用于采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
第一运动平台状态更新模块,用于根据运动方程的更新结果和相对距离测量模型的更新结果,得到第一运动平台的状态更新结果。
第一运动平台位置确定模块,用于根据状态更新结果,确定第一运动平台的位置。
其中一个实施例中,还包括采样模块,用于分别将IMU测量噪声和UWB测量噪声以预设采样间隔划分为m组。
其中一个实施例中,方差分析模块,用于计算m组IMU测量噪声中每一组的IMU测量噪声平均值。根据IMU测量噪声平均值,得到IMU测量噪声方差矩阵为:
其中一个实施例中,方差分析模块用于计算m组UWB测量噪声中每一组的UWB测量噪声平均值。根据UWB测量噪声平均值,得到UWB测量噪声方差矩阵为:
其中一个实施例中,运动方程获取模块用于在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程为:
其中一个实施例中,相对距离测量模型获取模块用于获取第一运动平台和第二运动平台的相对距离测量模型为:
其中一个实施例中还包括航迹调整模块,用于根据状态更新结果得到第一运动平台和第二运动平台的碰撞概率值,当碰撞概率值高于预设值时,对第一运动平台进行航迹调整。
关于一种分布式平台相对定位装置的具体限定可以参见上文中对于一种分布式平台相对定位方法的限定,在此不再赘述。上述一种分布式平台相对定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分布式平台相对定位方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声。
分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵。
在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,运动方程中包括零协方差矩阵。
采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
获取第一运动平台和第二运动平台的相对距离测量模型,相对距离测量模型中包括测量误差矩阵。
采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
根据运动方程的更新结果和相对距离测量模型的更新结果,得到第一运动平台的状态更新结果。
根据状态更新结果,确定第一运动平台的位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别将IMU测量噪声和UWB测量噪声以预设采样间隔划分为m组。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算m组IMU测量噪声中每一组的IMU测量噪声平均值。根据IMU测量噪声平均值,得到IMU测量噪声方差矩阵为:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算m组UWB测量噪声中每一组的UWB测量噪声平均值。根据UWB测量噪声平均值,得到UWB测量噪声方差矩阵为:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程为:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取第一运动平台和第二运动平台的相对距离测量模型为:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据状态更新结果得到第一运动平台和第二运动平台的碰撞概率值,当碰撞概率值高于预设值时,对第一运动平台进行航迹调整。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声。
分别对IMU测量噪声和UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵。
在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程,运动方程中包括零协方差矩阵。
采用卡尔曼滤波算法对运动方程进行更新时,将零协方差矩阵替换为IMU测量噪声方差矩阵。
获取第一运动平台和第二运动平台的相对距离测量模型,相对距离测量模型中包括测量误差矩阵。
采用卡尔曼滤波算法对相对距离测量模型进行更新时,将测量误差矩阵替换为UWB测量噪声方差矩阵。
根据运动方程的更新结果和相对距离测量模型的更新结果,得到第一运动平台的状态更新结果。
根据状态更新结果,确定第一运动平台的位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别将IMU测量噪声和UWB测量噪声以预设采样间隔划分为m组。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算m组IMU测量噪声中每一组的IMU测量噪声平均值。根据IMU测量噪声平均值,得到IMU测量噪声方差矩阵为:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算m组UWB测量噪声中每一组的UWB测量噪声平均值。根据UWB测量噪声平均值,得到UWB测量噪声方差矩阵为:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程为:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取第一运动平台和第二运动平台的相对距离测量模型为:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据状态更新结果得到第一运动平台和第二运动平台的碰撞概率值,当碰撞概率值高于预设值时,对第一运动平台进行航迹调整。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种分布式平台相对定位方法,其特征在于,所述方法包括:
在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声;
分别对所述IMU测量噪声和所述UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵;
在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程;所述运动方程中包括:零协方差矩阵;
采用卡尔曼滤波算法对所述运动方程进行更新时,将所述零协方差矩阵替换为所述IMU测量噪声方差矩阵;
获取第一运动平台和第二运动平台的相对距离测量模型;所述相对距离测量模型中包括:测量误差矩阵;
采用卡尔曼滤波算法对所述相对距离测量模型进行更新时,将所述测量误差矩阵替换为所述UWB测量噪声方差矩阵;
根据所述运动方程的更新结果和所述相对距离测量模型的更新结果,得到第一运动平台的状态更新结果;
根据所述状态更新结果,确定第一运动平台的位置。
2.根据权利要求1所述的方法,其特征在于,在对所述IMU测量噪声和所述UWB测量噪声进行Allan方差分析之前,所述方法还包括:
分别将所述IMU测量噪声和所述UWB测量噪声以预设采样间隔划分为m组。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,根据所述状态更新结果,确定第一运动平台的位置之后,所述方法还包括:
根据所述状态更新结果得到第一运动平台和第二运动平台的碰撞概率值,当所述碰撞概率值高于预设值时,对第一运动平台进行航迹调整。
8.一种分布式平台相对定位装置,其特征在于,所述装置包括:
测量噪声获取模块,用于在第一运动平台进入卫星导航拒止环境前,通过第一运动平台上的IMU传感器获取IMU测量噪声;以及,通过第一运动平台上的UWB传感器测量第二运动平台得到的UWB测量噪声;
方差分析模块,用于分别对所述IMU测量噪声和所述UWB测量噪声进行Allan方差分析,得到IMU测量噪声方差矩阵和UWB测量噪声方差矩阵;
运动方程获取模块,用于在第一运动平台进入卫星导航拒止环境时,获取第一运动平台的运动方程;所述运动方程中包括:零协方差矩阵;
运动方程更新模块,用于采用卡尔曼滤波算法对所述运动方程进行更新时,将所述零协方差矩阵替换为所述IMU测量噪声方差矩阵;
相对距离测量模型获取模块,用于获取第一运动平台和第二运动平台的相对距离测量模型;所述相对距离测量模型中包括:测量误差矩阵;
相对距离测量模型更新模块,用于采用卡尔曼滤波算法对所述相对距离测量模型进行更新时,将所述测量误差矩阵替换为所述UWB测量噪声方差矩阵;
第一运动平台状态更新模块,用于根据所述运动方程的更新结果和所述相对距离测量模型的更新结果,得到第一运动平台的状态更新结果;
第一运动平台位置确定模块,用于根据所述状态更新结果,确定第一运动平台的位置。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110000761.7A CN112325880B (zh) | 2021-01-04 | 2021-01-04 | 分布式平台相对定位方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110000761.7A CN112325880B (zh) | 2021-01-04 | 2021-01-04 | 分布式平台相对定位方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112325880A true CN112325880A (zh) | 2021-02-05 |
CN112325880B CN112325880B (zh) | 2021-03-26 |
Family
ID=74302014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110000761.7A Active CN112325880B (zh) | 2021-01-04 | 2021-01-04 | 分布式平台相对定位方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112325880B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110589A (zh) * | 2021-04-29 | 2021-07-13 | 中国人民解放军国防科技大学 | 面向无人机集群紧密编队构型的分布式相对定位方法及系统 |
CN113218388A (zh) * | 2021-03-02 | 2021-08-06 | 济南大学 | 一种考虑可变有色测量噪声的移动机器人定位方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680765A (zh) * | 2017-03-03 | 2017-05-17 | 济南大学 | 基于分布式组合滤波ins/uwb行人导航系统及方法 |
CN106871893A (zh) * | 2017-03-03 | 2017-06-20 | 济南大学 | 分布式ins/uwb紧组合导航系统及方法 |
CN107300385A (zh) * | 2017-08-25 | 2017-10-27 | 上海瀚界科技发展有限公司 | 基于uwb测距的惯导定位系统 |
US20190037348A1 (en) * | 2017-07-28 | 2019-01-31 | Electronics And Telecommunications Research Institute | Method of measuring inter-device relative coordinates and device using the same |
CN109916401A (zh) * | 2019-04-17 | 2019-06-21 | 济南大学 | 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 |
CN110068335A (zh) * | 2019-04-23 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种gps拒止环境下无人机集群实时定位方法及系统 |
CN110645979A (zh) * | 2019-09-27 | 2020-01-03 | 北京交通大学 | 基于gnss/ins/uwb组合的室内外无缝定位方法 |
CN110793519A (zh) * | 2019-11-26 | 2020-02-14 | 河南工业大学 | 一种不完全测量的协同导航定位方法 |
CN110823215A (zh) * | 2019-10-25 | 2020-02-21 | 南京航空航天大学 | 一种无人机相对导航信息融合方法 |
CN112113572A (zh) * | 2020-09-18 | 2020-12-22 | 桂林电子科技大学 | 一种解决分布式标签融合的多目标跟踪方法 |
-
2021
- 2021-01-04 CN CN202110000761.7A patent/CN112325880B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680765A (zh) * | 2017-03-03 | 2017-05-17 | 济南大学 | 基于分布式组合滤波ins/uwb行人导航系统及方法 |
CN106871893A (zh) * | 2017-03-03 | 2017-06-20 | 济南大学 | 分布式ins/uwb紧组合导航系统及方法 |
US20190037348A1 (en) * | 2017-07-28 | 2019-01-31 | Electronics And Telecommunications Research Institute | Method of measuring inter-device relative coordinates and device using the same |
CN107300385A (zh) * | 2017-08-25 | 2017-10-27 | 上海瀚界科技发展有限公司 | 基于uwb测距的惯导定位系统 |
CN109916401A (zh) * | 2019-04-17 | 2019-06-21 | 济南大学 | 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 |
CN110068335A (zh) * | 2019-04-23 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种gps拒止环境下无人机集群实时定位方法及系统 |
CN110645979A (zh) * | 2019-09-27 | 2020-01-03 | 北京交通大学 | 基于gnss/ins/uwb组合的室内外无缝定位方法 |
CN110823215A (zh) * | 2019-10-25 | 2020-02-21 | 南京航空航天大学 | 一种无人机相对导航信息融合方法 |
CN110793519A (zh) * | 2019-11-26 | 2020-02-14 | 河南工业大学 | 一种不完全测量的协同导航定位方法 |
CN112113572A (zh) * | 2020-09-18 | 2020-12-22 | 桂林电子科技大学 | 一种解决分布式标签融合的多目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
RAN LIU,ETC: "Cooperative relative positioning of mobile users by fusing IMU inertial and UWB ranging information", 《2017 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
江涛: "分布式相对定位技术的研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218388A (zh) * | 2021-03-02 | 2021-08-06 | 济南大学 | 一种考虑可变有色测量噪声的移动机器人定位方法及系统 |
CN113218388B (zh) * | 2021-03-02 | 2022-07-05 | 济南大学 | 一种考虑可变有色测量噪声的移动机器人定位方法及系统 |
CN113110589A (zh) * | 2021-04-29 | 2021-07-13 | 中国人民解放军国防科技大学 | 面向无人机集群紧密编队构型的分布式相对定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112325880B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Esfahani et al. | AbolDeepIO: A novel deep inertial odometry network for autonomous vehicles | |
Shen et al. | Observability analysis and adaptive information fusion for integrated navigation of unmanned ground vehicles | |
Chen et al. | A hybrid prediction method for bridging GPS outages in high-precision POS application | |
Indelman et al. | Information fusion in navigation systems via factor graph based incremental smoothing | |
Cui et al. | On sigma-point update of cubature Kalman filter for GNSS/INS under GNSS-challenged environment | |
CN105136145A (zh) | 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法 | |
CN112325880B (zh) | 分布式平台相对定位方法、装置、计算机设备和存储介质 | |
CN111707260B (zh) | 一种基于频域分析及卷积神经网络的定位方法 | |
CN112798021B (zh) | 基于激光多普勒测速仪的惯导系统行进间初始对准方法 | |
CN111707294B (zh) | 基于最优区间估计的行人导航零速区间检测方法和装置 | |
CN113091738A (zh) | 基于视觉惯导融合的移动机器人地图构建方法及相关设备 | |
Srinivas et al. | Overview of architecture for GPS-INS integration | |
Bifulco et al. | Real-time smoothing of car-following data through sensor-fusion techniques | |
Dai et al. | Robust adaptive UKF based on SVR for inertial based integrated navigation | |
CN111678513A (zh) | 一种超宽带/惯导紧耦合的室内定位装置与系统 | |
CN109857127B (zh) | 训练神经网络模型以及飞行器姿态解算的方法、装置 | |
El Sabbagh et al. | Promoting navigation system efficiency during GPS outage via cascaded neural networks: A novel AI based approach | |
CN114061611A (zh) | 目标对象定位方法、装置、存储介质和计算机程序产品 | |
Zhanxin et al. | Unscented Kalman filter for SINS alignment | |
Fariña et al. | Sensor fusion algorithm selection for an autonomous wheelchair based on EKF/UKF comparison | |
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 | |
Ju et al. | Scene-aware error modeling of lidar/visual odometry for fusion-based vehicle localization | |
Jaradat et al. | Intelligent fault detection and fusion for INS/GPS navigation system | |
Colomina et al. | A unified approach to static and dynamic modeling in photogrammetry and remote sensing | |
Buhaiov et al. | Artificial Neural Networks application to MMG temperature calibration |
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 |