CN112567203B - 用于使用不变卡尔曼滤波器辅助一队交通工具导航的方法和装置 - Google Patents

用于使用不变卡尔曼滤波器辅助一队交通工具导航的方法和装置 Download PDF

Info

Publication number
CN112567203B
CN112567203B CN201980053657.5A CN201980053657A CN112567203B CN 112567203 B CN112567203 B CN 112567203B CN 201980053657 A CN201980053657 A CN 201980053657A CN 112567203 B CN112567203 B CN 112567203B
Authority
CN
China
Prior art keywords
vehicle
vehicles
fleet
primary vehicle
data
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
CN201980053657.5A
Other languages
English (en)
Other versions
CN112567203A (zh
Inventor
阿克塞尔·巴劳
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.)
Safran SA
Original Assignee
Safran SA
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 Safran SA filed Critical Safran SA
Publication of CN112567203A publication Critical patent/CN112567203A/zh
Application granted granted Critical
Publication of CN112567203B publication Critical patent/CN112567203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
    • 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
    • G01C21/1652—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 with ranging devices, e.g. LIDAR or RADAR
    • 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
    • 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
    • G01S19/428—Determining position using multipath or indirect path propagation signals in position determination
    • 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
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
    • 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
    • G01S19/485—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 whereby the further system is an optical system or imaging system
    • 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
    • G01S19/51—Relative positioning
    • 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
    • G01S19/53—Determining attitude
    • G01S19/54—Determining attitude using carrier phase measurements; using long or short baseline interferometry
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/40—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using contact-making devices, e.g. electromagnetic relay
    • G06F7/405—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using contact-making devices, e.g. electromagnetic relay binary
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/40—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using contact-making devices, e.g. electromagnetic relay
    • G06F7/42—Adding; Subtracting

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种用于辅助一队交通工具导航的方法，这一队交通工具包括主交通工具(1)及相对于主交通工具(1)可移动的副交通工具(2)，所述方法包括以下步骤：·接收由至少一个传感器(2，12)获取的、主交通工具(1)和副交通工具(2)之间的相对运动数据(Y1，Y2)；·通过不变卡尔曼滤波器使用所接收的数据(Y1，Y2)作为观测值，估计(100，200)这一队交通工具的导航状态，导航状态包括：·第一变量，表示将与主交通工具(1)相关联的位置标记关联到参考点的第一刚性变换；以及·第二变量，表示将与主交通工具(1)相关联的位置标记关联到与副交通工具(2)相关联的位置标记的第二刚性变换，不变卡尔曼滤波器使用包括第一刚性变换和第二刚性变换的逐项组合的法则作为内部组合法则。

Description

用于使用不变卡尔曼滤波器辅助一队交通工具导航的方法和 装置
技术领域
本发明涉及一种用于辅助一队交通工具导航的方法以及适用于实现这种方法的装置。
背景技术
估计物理系统的状态的问题通常如下所示。系统在时刻n的状态由向量Xn表示，以及在时刻n可用的观测值由另一个向量Yn表示。系统的演化写成这样：
Xn+1＝f(Xn)
其中，f是已知函数(通常称为传播函数)。观测值Yn通过已知的观测函数h与系统的状态相关：
Yn＝h(Xn)
从序列(Yn)n≥0建立状态Xn的良好估计通常是个难题，但是在某些情况下可得以简化。
“线性系统”是指具有以下形式的系统的特殊情况：
Xn+1＝FXn+wn
Yn＝HXn+Vn
其中，F是传播矩阵，H是观测矩阵，wn和Vn是干扰预测和测量的噪声。
在这种线性情况下，已知的方法包括建立称为“卡尔曼滤波器”的估计器。该卡尔曼滤波器实现以下计算：
其中，指数n+1|n和n+1|n+1分别表示在不考虑观测值Yn+1的情况下，在n+1时刻计算的估计值，以及在考虑观测值Yn+1的情况下，在n+1时刻计算的估计值。矩阵Kn称为“增益矩阵”，其可以使用Riccati(黎卡提)方程来计算。于是估计误差定义为：
(在考虑观测值Yn之后)
(在考虑观测值Yn+1之前)
可以容易地验证该误差遵循以下演化：
en+1|n＝Fen|n(在考虑观测值Yn+1之前)
en+1|n+1＝(I-Kn+1H)en+1|n(在考虑观测值Yn+1之后)
其中，I表示单位矩阵。
上述方程不依赖于Xn，因此可以建立对系统的任何实际轨迹都有效的估计器，而对于任何非线性系统则不是这种情况。
在非线性系统的情况下，普通的卡尔曼滤波器无法实现。因此，提出了一种卡尔曼滤波器变型，称为“扩展”卡尔曼滤波器，适用于非线性系统。然而，当使用扩展卡尔曼滤波器时，在线性情况下观测的简化不再发生，因此得到涉及Xn和的误差方程。这个问题是使用扩展卡尔曼滤波器时遇到的大多数发散情况的根源。
然而，使估计问题更简单的第二种特殊情况是“仿射群”观测系统的情况，也就是说，针对该系统，群运算(即，在下文中将用星号*表示的二元运算)定义在所考虑的状态空间上，使得以下两个特性得到验证：
a.传播函数f验证状态空间的任何一对元素a，b的关系：
f(a*b)＝f(a)*f(Id)-1*f(b)
其中，Id是运算*引起的群的单位元素。
b.观察函数h的形式为h(X)＝l(x，y0)，其中y0是(Yn所属的)观测空间中的元素，以及l(.，.)是群动作，即函数，其用于验证：
l(a*b，y)＝l(a，l(b，y))
在这两个条件下，可以定义称为“不变”的扩展卡尔曼滤波器(通常更简单地称为“不变卡尔曼滤波器”)，不变卡尔曼滤波器由以下方程控制：
其中，exp(·)是指数映射(如果定义了李群(Lie group)，则当群运算已知时，该函数就已知)，Kn是如线性情况下的“增益矩阵”。这样就可以表明估计误差也会像在线性情况下那样具有自主的演化。因此，即使所考虑的系统不是线性的，估计状态的问题也得以简化。
当条件b未得到验证时，可以使用滤波器，其形式为：
因此，不变卡尔曼滤波器用于载体的导航辅助。在这种导航辅助的环境中使用的不变卡尔曼滤波器估计表示所考虑的载体的运动的导航状态。
如前所说明的，使用不变卡尔曼滤波器需要找到一种运算(或二元运算*)，其条件a和b已得到验证，以使估计问题更简单。找到这种操作不存在通用方法，各种出版物都旨在为特定系统提供正确的运算。例如：
·下面的文献描述了用于姿态和速度估计问题的运算：Bonnabel，S.，Martin，P.和Salaün，E.(2009年12月)，不变扩展卡尔曼滤波器：用于速度辅助的姿态估计问题的理论与应用。发表于2009年举办的决策与控制会议，其与2009第28届中国控制会议联合召开，CDC/CCC 2009。第48届IEEE会议的记录，在(第1297-1304页)。IEEE。
·下面的文献描述了用于惯性导航、估计姿态、速度和位置的运算：Barrau，A.和Bonnabel，S.(2017)。作为稳定观测器的不变扩展卡尔曼滤波器。IEEE自动控制学报，62(4)，1797-1812。
·Barrau，A.和Bonnabel，S.在2015年发表的“一种具有一致属性的EKF-SLAM算法”中描述了用于SLAM(即时定位和地图构建)的操作，也就是说，使用交通工具环境中的固定参考点进行导航。arXiv preprint arXiv：1510.06263。
·Barrau，A.和Bonnabel，S.在2017年发表的“分组线性观测系统(I)”中进一步描述了其操作已知的实际系统的列表。
在这些应用中的每个中，不变卡尔曼滤波器用于估计单个载体的导航状态。
Zou，D.和Tan，P.在2013年在IEEE模式分析和机器智能学报上发表的文献Coslam：动态环境中的协同视觉slam。35(2)，354-366追求另一个目标：不是为单个载体，而是为包括主交通工具和至少一个相对于主交通工具可移动的副交通工具的一队交通工具提供导航辅助。
在这些应用中的每个中，卡尔曼滤波器使用交通工具的本体感受数据，并通过与被认为是固定的环境对象(已知或未知的视觉参考点、地球磁场、地球本身等)相关的测量来补充。这些对象的坐标在参考系中可能已知，也可能未知，但是在所有情况下，它们不随时间变化。然而，如果载体被其他潜在的移动交通工具包围，那么这个假设不再成立。
发明内容
本发明的目的是提供易于实施的、一队多个交通工具的导航辅助。
因此，根据本发明的第一方面，提出了一种用于辅助一队交通工具导航的方法，这一队交通工具包括主交通工具及能够相对于主交通工具移动的副交通工具，该方法包括以下步骤：
·接收由至少一个传感器获取的数据，所接收的数据包括主交通工具和副交通工具之间的相对运动数据；
·通过不变卡尔曼滤波器使用所接收的数据作为观测值，估计一队交通工具的导航状态，其中，导航状态包括：
ο第一变量，表示将附接于主交通工具的坐标系关联到参考坐标系的第一刚性变换；以及
ο第二变量，表示将附接于主交通工具的坐标系关联到附接于副交通工具的坐标系的第二刚性变换，
其中，不变卡尔曼滤波器使用包括第一刚性变换和第二刚性变换的逐项组合的运算作为二元运算。
根据本发明的第一方面提出的方法有利地利用了以下事实：围绕主载体的载体也具有移动传感器，并且这些载体将它们的测量值传输至主载体。尽管载体是可移动的，但是这些测量值使得主载体能够将围绕它们的载体用作参考点。
所提出的方法还证明，该方法中使用的二元运算使得能够近似在背景技术中列出的条件a和b。因此，由不变卡尔曼滤波器实现的计算特别容易实现。
根据本发明的第一方面的方法可以进一步包括以下特征，当技术上可行时，可以单独或组合地采用以下特征。
优选地，一队交通工具的导航状态进一步包括：传感器所特有的至少一个误差状态，其中，对于传感器所特有的该误差状态，二元运算是相加。
优选地，该方法包括：接收主交通工具和副交通工具的本体感受移动数据，其中，估计包括以下阶段：
·使用主交通工具和副交通工具的本体感受移动数据来传播先前通过不变卡尔曼滤波器估计的一队交通工具的导航状态，以获得传播状态；
·使用观测值更新传播状态，以获得一队交通工具的新的导航状态。
优选地，本体感受移动数据通过主交通工具和副交通工具各自的本体感受传感器来获取，以及一队交通工具的导航状态进一步包括：本体感受传感器中的至少一个本体感受传感器所特有的至少一个误差状态，对于至少一个误差状态，二元运算是相加。
优选地，
·第一变量包括表示主交通工具的姿态和主交通工具的位置向量的旋转矩阵，以及
·其中，第二变量包括表示主交通工具相对于副交通工具的姿态以及主交通工具相对于副交通工具的位置向量的旋转矩阵。
优选地，
·一队交通工具的导航状态进一步包括：主交通工具在参考坐标系中的速度向量vp，以及等于的速度向量；其中，vS是副交通工具在参考坐标系中的速度，以及RS是表示主交通工具相对于副交通工具的姿态的旋转矩阵；
·二元运算对位置向量之一和速度向量之一应用相同的变换。
该估计可由主交通工具执行，并且所接收的数据可包括至少由主交通工具的第一传感器获取的、副交通工具在附接于主交通工具的坐标系中的位置数据，第一传感器包括例如激光雷达、相机或里程表。作为变型，该估计可由主交通工具执行，并且所接收的数据可包括至少由副交通工具的第二传感器获取的、主交通工具在附接于副交通工具的坐标系中的位置数据，第二传感器包括例如激光雷达、相机或里程表。
所接收的数据可包括主交通工具与不同于主交通工具和副交通工具的第三对象之间的相对运动数据，主交通工具与第三对象之间的相对运动数据也被不变卡尔曼滤波器用作观测值。第三对象例如是导标。
主交通工具与第三对象之间的相对运动数据可包括由主交通工具的GPS/GNSS接收器获取的数据。
优选地，方法包括以下步骤：
·基于副对象在附接于主交通工具的坐标系中的位置数据实施估计步骤，以生成一队交通工具的导航状态的第一估计；
·基于主交通工具在附接于副对象的坐标系中的位置数据实施估计步骤，以生成一队交通工具的导航状态的第二估计；
·合并一队交通工具的导航状态的第一估计和第二估计，以产生一队交通工具的导航状态的第三估计，该合并包括例如计算集合的对象的导航状态的第一估计和第二估计的平均值。
为了使误差的演化与系统状态无关，优选地提供以下步骤：
·用作观测值的所接收的数据写成向量Y1，其形式为Y1＝l(X1，y0)，其中，l(.，.)是二元运算的左群动作，X1是一队交通工具的导航状态，以及y0是与Y1具有相同维度的向量，并且其中，不变卡尔曼滤波器使用创新或者其中
·用作观测值的所接收的数据写成向量Y2，其形式为)，其中，l(.，.)是二元运算的左群动作，X2是一队交通工具的导航状态，以及y0是与Y2具有相同维度的向量，并且其中，不变卡尔曼滤波器使用创新/>
根据本发明的第二方面，还提出了一种用于辅助一队交通工具导航的装置，这一队交通工具包括主交通工具及能够相对于主交通工具移动的副交通工具，该装置包括：
·接收接口，用于接收由至少一个传感器获取的数据，数据包括主交通工具和副交通工具之间的相对运动数据；
·处理单元，配置为实现不变卡尔曼滤波器以估计一队交通工具的导航状态，其中，不变卡尔曼滤波器被配置为使用所接收的数据作为观测值，其中，导航状态包括：第一变量，表示将附接于主交通工具的坐标系关联到参考坐标系的第一刚性变换；以及第二变量，表示将附接于副交通工具的坐标系关联到附接于主交通工具的坐标系的第二刚性变换，其中，不变卡尔曼滤波器被配置为使用第一刚性变换和第二刚性变换的逐项组合作为二元运算。
附图说明
本发明的其他特征、目的和优点将从下面的描述中显现出来，该描述仅是说明性的而非限制性的并应结合附图进行阅读，其中：
·图1示出了可以相对于彼此移动的不同对象，特别是一队交通工具。
·图2示意性地示出了根据本发明的一个实施例的一队交通工具的主交通工具和副交通工具的内部组件。
·图3是根据本发明的一个实施例的导航辅助方法的步骤的流程图。
在所有附图中，相似的元件具有相同的附图标记。
具体实施方式
1、一队交通工具
参考图1，一队交通工具包括主交通工具1和相对于主交通工具1可移动的至少一个副交通工具2。每个交通工具1、2可以是以下任何类型：地面车辆，船舶，飞机等。
在一队交通工具外部的对象也表示在图1中：导标(路灯杆和埃菲尔铁塔)，以及地球本身。如下面将看到的，这些对象是一队交通工具的导航参考点。
在下文中，考虑不同的坐标系：附接于主交通工具1的主坐标系、附接于副交通工具2的副坐标系以及参考坐标系。参考坐标系是例如附接于恒星或地球的天体坐标系。
参见图2，主交通工具1包括数据接收接口。
接收接口包括主交通工具1上的至少一个第一传感器3。至少一个第一传感器3被配置为获取副交通工具2在主坐标系中的运动数据。至少一个第一传感器3包括例如激光雷达、相机或里程表。
在本公开中，认为表述“运动数据”特别地涵盖了位置、速度或加速度。
接收接口还包括通信接口4，该通信接口适于与副交通工具2通信，特别是从副交通工具2接收主交通工具1在附接于副交通工具2的坐标系中的运动数据。通信接口4是无线电类型的接口并包括例如天线。
主交通工具1进一步包括至少一个本体感受传感器6。
本体感受传感器6包括例如惯性单元。惯性单元包括多个惯性传感器，例如陀螺仪和加速度计。作为变型，本体感受传感器6包括至少一个里程表。
主交通工具1进一步包括接收器8，该接收器被配置为获取主交通工具1与不同于主交通工具1和副交通工具2的第三对象之间的相对运动数据。接收器例如是GPS/GNSS接收器，在这种情况下，第三对象是天体坐标系所附接到的地球或恒星之一。作为变型或此外，该接收器包括激光雷达、相机，在这种情况下，第三对象可以是位于主交通工具1附近的导标。在另一个变型中，接收器包括获得载体相对于地球的相对速度的里程表。
主交通工具1进一步包括数据处理单元10。处理单元10被布置成处理由接收接口接收(因此由第一传感器3接收或由通信接口4接收)的数据、由惯性单元6接收的数据或由接收器8接收的数据。
数据处理单元10通常包括至少一个处理器，该至少一个处理器被配置为通过不变卡尔曼滤波器来实现下文将描述的导航辅助方法。不变卡尔曼滤波器通常处于可由数据处理单元的处理器执行的计算机程序的形式。不变卡尔曼滤波器的通常操作本身是已知的。然而，下面将看到，由处理单元10实现的、用于配置不变卡尔曼滤波器的二元运算以特定的方式来选择，以适应辅助包括交通工具1和2的一队交通工具导航的环境。
优选地，处理单元10包括至少两个处理器，以并行实现两个卡尔曼滤波器。下面将看到，这两个卡尔曼滤波器未使用完全相同的输入数据。
此外，副交通工具2包括至少一个第二传感器12和通信接口14，该通信接口用于将由至少一个第二传感器12获取的数据传输到主交通工具1的通信接口4。
第二传感器12被配置为获取主交通工具1在附接于副交通工具2的坐标系中的移动数据。至少一个第二传感器12包括例如激光雷达、相机或里程表。
副交通工具2包括用于提供副交通工具的本体感受移动数据的装置。
这些提供装置包括例如至少一个本体感受传感器16。本体感受传感器例如是设想用于本体感受传感器6的一种或多种类型的传感器。
作为变型，这些提供装置包括存储器，该存储器存储副交通工具2的演化的先验模型。该存储器还可以集成到副交通工具2以及主交通工具1中。
2、不变卡尔曼滤波器的配置
由处理单元10实现的不变卡尔曼滤波器被配置为估计包括主交通工具1和副交通工具2的一队交通工具的导航状态。
导航状态包括：第一变量，表示将主坐标系(附接于主交通工具1)关联到参考坐标系的第一刚性变换；以及第二变量，表示将副坐标系(附接于副交通工具2)关联到主坐标系的第二刚性变换。
第一刚性变换使得能够例如从关联于主交通工具1的坐标系切换到参考坐标系，并且第二刚性变换使得能够从关联于主交通工具1的坐标系切换到关联于副交通工具2的坐标系。
以众所周知的方式，刚性变换(也称为仿射等距)是保留实体的每一对点之间的距离的变换。因此，第一刚性变换和第二刚性变换中的每一个可以通过旋转和平移的组合来表征。
在下文中，将详细描述实施例，其中，表示为X的导航状态包括以下元素：
X＝(Rp，xp，Rsp，xsp)
其中，Rp，xp，Rsp，xsp定义如下：
·Rp和xp分别是旋转矩阵和维度3的向量，表示主交通工具的姿态和位置：写在主交通工具1的坐标系中的向量u变成固定坐标系中的向量Rpu+xp。
·Rsp和xsp分别是旋转矩阵和维度3的向量，表示主交通工具相对于副交通工具的姿态和相对位置：写在主交通工具1的坐标系中的向量u变成副交通工具的坐标系中的向量Rspu+xsp。
在该特定实施例中，第一变量是Rp，xp，以及第二变量是Rsp，xsp。
下文使用的表述“对象X′与状态向量具有相同的性质”意味着X′是一系列类似于X的矩阵和向量。
数量3×(r+v)＝12也将被称为“状态X的维度”，其中，r是X中出现的旋转矩阵的数量，以及v是X中出现的向量的数量。在其他实施例中，该数量可以不同。
此外，不变卡尔曼滤波器进一步被配置为使用由接收接口接收的、来自主交通工具1的第一传感器3的、主交通工具1和副交通工具2之间的相对运动数据作为观测值。
这里的观测值是副交通工具在主交通工具的坐标系中表示的相对位置：
不变卡尔曼滤波器被配置为将包括第一刚性变换和第二刚性变换的逐项组合的运算用作二元运算。
在一个实施例中，用*表示的该二元运算将以下变换应用于两个对象(Rp，xp，Rsp，xsp)和(R′p，x′p，R′sp，x′sp)：
(Rp，xp，Rsp，xsp)*(R′p′，x′p，R′sp，x′sp)
＝(RpR′p，xp+Rpx′p，RspR′sp，xsp+Rspx′sp)
3、用于辅助一队交通工具导航的方法
参考图3，根据第一实施例的用于辅助一队交通工具导航、并实现如第2节中指示的那样配置的不变卡尔曼滤波器的方法100包括以下步骤。
假设已通过不变卡尔曼滤波器来估计一队交通工具的导航状态的估计值
在获取步骤102中，第一传感器3从主坐标系中获取主交通工具1外部的对象的第一组移动数据Y1。这些数据可以包括：
·副交通工具2在主坐标系中的位置数据(那么相应的外部对象就是副交通工具2)，
·至少一个导标在主坐标系中的位置数据(那么相应的外部对象就是该导标)。导标在参考坐标系中位于已知位置。
这些数据Y1被发送到处理单元10。
在步骤104中，处理单元10计算观测的测量值Y1与期望测量值之间的差值(该差值表示为Z1，在涉及卡尔曼滤波器的文献中被称为创新)。期望测量值从不变卡尔曼滤波器先前估计的状态X1推导出。
在校正步骤106中，数据处理单元10将创新Z1与被称为“增益”矩阵的矩阵K1相乘，在线性校正dx1＝K1Z1中表示Z1，以应用于系统状态。
增益的选择是大多数估计方法共有的经典问题(参见下文)。
在退缩步骤108中，处理单元10将线性校正dx1转换为与具有相同性质的非线性校正C1(因为状态/>包含旋转，因此状态/>不是向量)。所使用的变换是将状态X的维度(在本实施例中为12)的向量作为参数并返回与X具有相同性质的对象的任何函数，但是特别有效的选择是刚性变换对的李群的逐项指数化。
然后，由处理单元10实施非线性更新步骤110。在该步骤110中，处理单元10将系统状态的估计值X1与非线性校正C1相结合，以建立校正的估计值：
其中，符号*是上面定义的二元运算。选择增益矩阵K1，以稳定由以下等式定义的非线性估计误差e：
其中符号.-1是与运算*相关联的常见反演：
该误差还可以通过以下方式清楚地写出：
根据不变滤波的通常过程，该误差用于构建线性化系统，由此例如通过对黎卡提方程进行积分推导出矩阵K1。
在对于本领域技术人员而言本身是已知的传播步骤112中，处理单元10从状态生成传播的导航状态。为此，处理单元10应用演化模型，该演化模型可以是例如里程计、先验模型或由包括在交通工具1、2中的本体感受传感器6、16获取的惯性测量值的常规积分。
上述步骤形成了不变卡尔曼滤波器的迭代。
由于不变卡尔曼滤波器，获得了在线性情况下也能获得的特性：估计误差的演化是自主的(既不依赖于X也不依赖于)。
处理单元10在不变卡尔曼滤波器的新迭代中重复这些相同的步骤102、104、106、108、110、112。在给定的迭代的传播步骤112期间估计的状态用作针对下一个迭代的创新计算步骤104和非线性更新步骤110的输入数据。
最终，由于方法100，基于由第一传感器3和本体感受传感器6、16测量的不同数据，主交通工具1不仅可以关于其自身的导航，而且可以关于副交通工具2的导航获得辅助。
图3的右侧部分还示出了根据第二实施例的用于辅助一队交通工具导航并实现也是如上所指示的那样配置的不变卡尔曼滤波器的方法200；该方法200包括以下步骤。
在获取步骤202中，获取主交通工具1在附接于主交通工具外部的对象的至少一个坐标系中的移动数据Y2。数据Y2可以包括：
·由第二传感器12获取的、主交通工具1在副坐标系中的运动数据，例如主交通工具1在副坐标系中的位置数据(在这种情况下，相应的外部对象是副交通工具)；
·由接收器8获取的数据(因为这些数据使得主交通工具能够相对于地球进行地理定位，因此相应的对象可以被认为是地球)。
当数据Y2来自副交通工具2时，在适当的情况下，通过通信接口14和4将数据Y2发送至主交通工具1。将数据Y2发送至处理单元10。
在类似于步骤104的步骤204中，处理单元10计算观测的测量值Y2与期望测量值之间的差值(创新Z2)。期望测量值从不变卡尔曼滤波器先前估计的状态(表示为)推导出。
在校正步骤206中，处理单元10将创新Z2与增益矩阵K2相乘，在线性校正dx2＝K2Z2中表示Z2，以应用于系统状态。
该校正步骤206类似于步骤106，不同之处在于，选择增益矩阵K2以稳定由以下等式定义的第二非线性误差变量e：
在与步骤108相同的退缩步骤208中，处理单元10将线性校正dx2转换为与具有相同性质的非线性校正C2(因为状态/>包含旋转，因此状态/>不是向量)。
然后，由处理单元10实施类似于步骤110的非线性更新步骤210。在该步骤210中，处理单元10将系统状态的估计值与非线性校正C2相结合，以通过以下方式建立校正的估计值：
在与步骤112相同的传播步骤212中，处理单元10从状态生成传播的状态。
上述步骤形成了不变卡尔曼滤波器的迭代。
处理单元10在不变卡尔曼滤波器的新迭代中重复这些相同的步骤202、204、206、208、210、212。在给定的迭代的传播步骤212期间估计的状态用作针对下一个迭代的创新计算步骤204和非线性更新步骤210的输入数据。
如在根据第一实施例的方法100中一样，误差的演化与系统状态相关的依赖性降低。
上述方法100、200中的任何一个都可以由主交通工具1来实现。
根据第一实施例的方法100和根据第二实施例的方法200之间的根本区别在于，主交通工具1和副交通工具2之间的相对运动数据由不变卡尔曼滤波器用作观测值：在方法100的情况下，这些数据在附接于主交通工具1的坐标系中表示，而在方法200的情况下，这些数据在外部坐标系中表示。
主交通工具1的处理单元10有利地实现根据第三实施例的方法，该方法将前述的两种方法100和200并行地组合实施。
引起获得数据的第一方法100例如由处理单元10的第一处理器实现，而引起获得数据/>的第二方法200由处理单元的第二处理器实现。换句话说，这两个处理器并行地实现两个不变卡尔曼滤波器。
在合并步骤302中，处理单元10合并数据和/>以获得对一队交通工具的导航状态的优化估计，表示为/>例如，/>是/>和/>的平均值。由于状态/>和/>不是向量，因此用适合流形的任何平均定义替换它们的经典平均值。本领域技术人员可以在Markley，F.L.，Cheng，Y.，Crassidis，J.L.和Oshman，Y.于2007年在制导、控制与动力学杂志上发表的文献“平均四元数”30(4)，1193-1197中找到流形的广义平均定义。
在适当的情况下，通过与表示这些估计值的不确定性的数据和/>相关联的协方差矩阵对该平均值加权。这些协方差矩阵也由方法100和200的两个不变卡尔曼滤波器产生。
本发明不限于上述实施例。
可以在一队交通工具的导航状态中包括表示特征点位置qi(或导标)的速度或向量。该导航状态可以被限制为包括位置和旋转数据。
此外，所考虑的一队交通工具可包括多个副交通工具，导航状态可以被扩展以包括一队交通工具的每个副交通工具所特有的元素。
另外，在上述方法中的任一方法的实现期间，并非必须使用由惯性单元获取的惯性数据。然而，当使用这种惯性数据时，系统的状态应包括表示配备有惯性单元的每个交通工具的速度的状态。这将是：
-主交通工具在参考坐标系中的速度vp，
-两个交通工具之间的、相对于固定坐标系的速度偏差vsp，投射到附接于副交通工具的坐标系中。换句话说，vsp由以下公式定义：
其中，vp是主载体在固定坐标系中的速度，vs是副载体在固定坐标系中的速度，旋转矩阵使得一个点能够从在副坐标系中的坐标切换到其在固定坐标系中的坐标。这两个状态中只有一个状态也可以添加到系统中。
应注意，在另一实施例中，导航状态可以由自然变量(Rp，xp，Rs，xs)形成，其中，旋转矩阵Rs和向量使得在附接于副交通工具的坐标系中具有坐标/>的点将在固定坐标系中具有坐标Rsu+xs。在这种情况下，要使用的二元运算会更加复杂：
/>

Claims (17)

1.一种用于辅助一队交通工具导航的方法，所述一队交通工具包括主交通工具(1)及能够相对于所述主交通工具(1)移动的副交通工具(2)，所述方法包括：
接收由至少一个传感器(2，12)获取的数据(Y1，Y2)，所接收的数据包括所述主交通工具(1)和所述副交通工具(2)之间的相对运动数据；
通过不变卡尔曼滤波器使用所接收的数据(Y1，Y2)作为观测值，估计(100，200)所述一队交通工具的导航状态，其中，所述导航状态包括：
第一变量，表示将附接于所述主交通工具(1)的坐标系关联到参考坐标系的第一刚性变换；以及
第二变量，表示将附接于所述主交通工具(1)的坐标系关联到附接于所述副交通工具(2)的坐标系的第二刚性变换，
其中，所述不变卡尔曼滤波器使用包括所述第一刚性变换和所述第二刚性变换的逐项组合的运算作为二元运算。
2.根据权利要求1所述的方法，其中，所述一队交通工具的导航状态进一步包括：所述传感器(2，12)所特有的至少一个误差状态，并且其中，对于所述传感器所特有的误差状态，所述二元运算是相加。
3.根据权利要求1或2所述的方法，包括：接收所述主交通工具(1)和所述副交通工具(2)的本体感受移动数据，其中，所述估计包括以下阶段：
使用所述主交通工具(1)和所述副交通工具(2)的本体感受移动数据来传播(112，212)先前通过所述不变卡尔曼滤波器估计的所述一队交通工具的导航状态，以获得传播状态；
使用所述观测值更新(110，210)所述传播状态，以获得所述一队交通工具的新的导航状态。
4.根据权利要求3所述的方法，其中，所述本体感受移动数据通过所述主交通工具(1)和所述副交通工具(2)各自的本体感受传感器来获取，以及所述一队交通工具的导航状态进一步包括：所述本体感受传感器中的至少一个本体感受传感器所特有的至少一个误差状态，对于所述至少一个误差状态，所述二元运算是相加。
5.根据权利要求1或2所述的方法，其中：
所述第一变量包括表示所述主交通工具(1)的姿态和所述主交通工具(1)的位置向量的旋转矩阵，以及
所述第二变量包括表示所述主交通工具(1)相对于所述副交通工具(2)的姿态以及所述主交通工具(1)相对于所述副交通工具(2)的位置向量的旋转矩阵。
6.根据权利要求5所述的方法，其中：
所述一队交通工具的导航状态进一步包括：所述主交通工具在所述参考坐标系中的速度向量vp，以及等于的速度向量；其中，vS是
所述副交通工具在所述参考坐标系中的速度，以及RS是表示所述副交通工具(2)相对于所述参考坐标系的姿态的旋转矩阵，
所述二元运算对所述位置向量之一和所述速度向量之一应用相同的变换。
7.根据权利要求1所述的方法，其中，所述估计由所述主交通工具(1)执行，并且所接收的数据包括至少由所述主交通工具(1)的第一传感器(3)获取的、所述副交通工具(2)在附接于所述主交通工具(1)的坐标系中的位置数据。
8.根据权利要求1所述的方法，其中，所述估计由所述主交通工具(1)执行，并且所接收的数据包括至少由所述副交通工具(2)的第二传感器(12)获取的、所述主交通工具(1)在附接于所述副交通工具(2)的坐标系中的位置数据。
9.根据权利要求1或2所述的方法，其中，所接收的数据包括所述主交通工具(1)与不同于所述主交通工具(1)和所述副交通工具(2)的第三对象之间的相对运动数据，所述主交通工具(1)与所述第三对象之间的相对运动数据也被所述不变卡尔曼滤波器用作观测值。
10.根据权利要求9所述的方法，其中，所述第三对象是导标。
11.根据权利要求9所述的方法，其中，所述主交通工具(1)与所述第三对象之间的相对运动数据包括由所述主交通工具(1)的GPS/GNSS接收器(8)获取的数据。
12.根据权利要求7或8所述的方法，包括：
基于所述副交通工具在固定于所述主交通工具(1)的坐标系中的位置数据执行(100)所述估计，以生成所述一队交通工具的导航状态的第一估计
基于所述主交通工具(1)在固定于所述副交通工具的坐标系中的位置数据执行(200)所述估计，以生成所述一队交通工具的导航状态的第二估计
合并所述一队交通工具的导航状态的第一估计和第二估计以产生所述一队交通工具的导航状态的第三估计/>
13.根据权利要求1或2所述的方法，其中：
用作观测值的所接收的数据形成向量Y1，其形式为Y1＝l(X1，y0)，其中，l(.，.)是所述二元运算的左群动作，X1是所述一队交通工具的导航状态，以及y0是与Y1具有相同维度的向量，并且其中，所述不变卡尔曼滤波器使用创新或者其中
用作观测值的所接收的数据形成向量Y2，其形式为其中，l(.，.)是所述二元运算的左群动作，X2是所述一队交通工具的导航状态，以及y0是与Y2具有相同维度的向量，并且其中，所述不变卡尔曼滤波器使用创新/>
14.根据权利要求7所述的方法，其中，所述第一传感器包括激光雷达或相机。
15.根据权利要求8所述的方法，其中，所述第二传感器包括激光雷达或相机。
16.根据权利要求12所述的方法，其中，所述合并包括计算集合的对象的导航状态的第一估计和第二估计的平均值。
17.一种用于辅助一队交通工具导航的装置，所述一队交通工具包括主交通工具(1)及能够相对于所述主交通工具(1)移动的副交通工具(2)，所述装置包括：
接收接口(3，4)，用于接收由至少一个传感器获取的数据(Y1，Y2)，
所述数据包括所述主交通工具(1)和所述副交通工具(2)之间的相对运动数据；
处理单元(10)，配置为实现不变卡尔曼滤波器以估计所述一队交通工具的导航状态，其中，所述不变卡尔曼滤波器被配置为使用所接收的数据作为观测值，其中，所述导航状态包括：第一变量，表示将附接于所述主交通工具(1)的坐标系关联到参考坐标系的第一刚性变换；以及
第二变量，表示将附接于所述主交通工具(1)的坐标系关联到附接于所述副交通工具(2)的坐标系的第二刚性变换，并且其中，所述不变卡尔曼滤波器被配置为使用所述第一刚性变换和所述第二刚性变换的逐项组合作为二元运算。
CN201980053657.5A 2018-07-23 2019-07-23 用于使用不变卡尔曼滤波器辅助一队交通工具导航的方法和装置 Active CN112567203B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1856803A FR3084151B1 (fr) 2018-07-23 2018-07-23 Procede et dispositif d'aide a la navigation d'une flotte de vehicules a l'aide d'un filtre de kalman invariant
FR1856803 2018-07-23
PCT/FR2019/051827 WO2020021195A1 (fr) 2018-07-23 2019-07-23 Procédé et dispositif d'aide à la navigation d'une flotte de véhicules à l'aide d'un filtre de kalman invariant

Publications (2)

Publication Number Publication Date
CN112567203A CN112567203A (zh) 2021-03-26
CN112567203B true CN112567203B (zh) 2024-04-26

Family

ID=65031490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980053657.5A Active CN112567203B (zh) 2018-07-23 2019-07-23 用于使用不变卡尔曼滤波器辅助一队交通工具导航的方法和装置

Country Status (5)

Country Link
US (1) US11860285B2 (zh)
EP (1) EP3827220B1 (zh)
CN (1) CN112567203B (zh)
FR (1) FR3084151B1 (zh)
WO (1) WO2020021195A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9536149B1 (en) * 2016-02-04 2017-01-03 Proxy Technologies, Inc. Electronic assessments, and methods of use and manufacture thereof
CN106482736A (zh) * 2016-07-11 2017-03-08 安徽工程大学 一种基于平方根容积卡尔曼滤波的多机器人协同定位算法
CN107274721A (zh) * 2017-06-07 2017-10-20 北京科技大学 一种智能交通系统中多车辆协作定位方法
CN107690567A (zh) * 2015-04-01 2018-02-13 赛峰电子与防务公司 利用扩展卡尔曼滤波器用于对移动载体设备的航行进行追踪的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7643939B2 (en) * 2006-03-08 2010-01-05 Honeywell International Inc. Methods and systems for implementing an iterated extended Kalman filter within a navigation system
US9068847B2 (en) * 2009-04-22 2015-06-30 Honeywell International Inc. System and method for collaborative navigation
US8868323B2 (en) * 2011-03-22 2014-10-21 Honeywell International Inc. Collaborative navigation using conditional updates
FR3023623B1 (fr) * 2014-07-09 2023-05-05 Sagem Defense Securite Procede d'estimation de l'etat d'un systeme mobile et centrale inertielle correspondante.

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107690567A (zh) * 2015-04-01 2018-02-13 赛峰电子与防务公司 利用扩展卡尔曼滤波器用于对移动载体设备的航行进行追踪的方法
US9536149B1 (en) * 2016-02-04 2017-01-03 Proxy Technologies, Inc. Electronic assessments, and methods of use and manufacture thereof
CN106482736A (zh) * 2016-07-11 2017-03-08 安徽工程大学 一种基于平方根容积卡尔曼滤波的多机器人协同定位算法
CN107274721A (zh) * 2017-06-07 2017-10-20 北京科技大学 一种智能交通系统中多车辆协作定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Anti-Spoofing Cooperative Localization Using Kalman Filter;Mismar, T;2017 INTERNATIONAL CONFERENCE ON ELECTRICAL AND COMPUTING TECHNOLOGIES AND APPLICATIONS (ICECTA);60-64 *
Cooperative Localization for Mobile Agents: A Recursive Decentralized Algorithm Based on Kalman-Filter Decoupling;Solmaz S. Kia;IEEE Control Systems Magazine;第36卷(第2期);86-101 *
CoSLAM:Collaborative Visual SLAM in Dynamic Environments;DANPING ZOU;IEEE Transactions on Pattern Analysis and Machine Intelligence;第35卷(第2期);354-366 *
基于联合分布状态信息滤波的机器人协同定位;奔粤阳;系统工程与电子技术;第37卷(第2期);386-393 *

Also Published As

Publication number Publication date
EP3827220A1 (fr) 2021-06-02
FR3084151A1 (fr) 2020-01-24
CN112567203A (zh) 2021-03-26
FR3084151B1 (fr) 2020-06-19
WO2020021195A1 (fr) 2020-01-30
US20210293978A1 (en) 2021-09-23
US11860285B2 (en) 2024-01-02
EP3827220B1 (fr) 2022-07-06

Similar Documents

Publication Publication Date Title
Heo et al. EKF-based visual inertial navigation using sliding window nonlinear optimization
US11466990B2 (en) Square-root multi-state constraint Kalman filter for vision-aided inertial navigation system
US9607401B2 (en) Constrained key frame localization and mapping for vision-aided inertial navigation
Costanzi et al. UKF-based navigation system for AUVs: Online experimental validation
Li et al. A novel backtracking navigation scheme for autonomous underwater vehicles
US11796686B2 (en) Positioning data processing method and processing apparatus, computing device, and storage medium
Mourikis et al. SC-KF mobile robot localization: A stochastic cloning Kalman filter for processing relative-state measurements
CN109459019A (zh) 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
Geneva et al. A linear-complexity EKF for visual-inertial navigation with loop closures
EP2460059A1 (en) Estimating positions of a device and at least one target in an environment
Hashim Gps-denied navigation: Attitude, position, linear velocity, and gravity estimation with nonlinear stochastic observer
Hashim A geometric nonlinear stochastic filter for simultaneous localization and mapping
Han et al. Precise positioning with machine learning based Kalman filter using GNSS/IMU measurements from android smartphone
Di Corato et al. Toward underwater acoustic-based simultaneous localization and mapping. Experimental results with the Typhoon AUV at CommsNet13 sea trial
US11941079B2 (en) Vehicle navigation assistance method and device using an invariant Kalman filter and a navigation status of a second vehicle
CN112985391B (zh) 一种基于惯性和双目视觉的多无人机协同导航方法和装置
CN112567203B (zh) 用于使用不变卡尔曼滤波器辅助一队交通工具导航的方法和装置
Glavine et al. Gps integrated inertial navigation system using interactive multiple model extended kalman filtering
CN109459769B (zh) 一种自主定位方法与系统
Koroglu et al. Pedestrian inertial navigation with building floor plans for indoor environments via non-recursive Bayesian filtering
Maley et al. Unit quaternion-based parameterization for point features in visual navigation
CN114111769A (zh) 一种视觉惯性定位方法、装置及自动驾驶装置
Murcott et al. A critique on previous work in vision aided navigation
Solodar et al. VIO-DualProNet: Visual-Inertial Odometry with Learning Based Process Noise Covariance
McCabe et al. Robust, terrain-aided landing navigation through decentralized fusion and random finite sets

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