CN112683274A - 一种基于无迹卡尔曼滤波的无人机组合导航方法和系统 - Google Patents
一种基于无迹卡尔曼滤波的无人机组合导航方法和系统 Download PDFInfo
- Publication number
- CN112683274A CN112683274A CN202011529937.XA CN202011529937A CN112683274A CN 112683274 A CN112683274 A CN 112683274A CN 202011529937 A CN202011529937 A CN 202011529937A CN 112683274 A CN112683274 A CN 112683274A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- weighted average
- covariance matrix
- unscented kalman
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 56
- 238000005259 measurement Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000000644 propagated effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 23
- 238000001069 Raman spectroscopy Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000005094 computer simulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种基于无迹卡尔曼滤波的无人机组合导航方法和系统,通过组合导航算法,可以实现无人机位置速度姿态估计;本发明提出的组合导航算法,与同维数的kalman滤波,扩展卡拉曼滤波为基础的组合导航算法相比,具有更高的精度;本发明提出的组合导航算法,可以作为导航系统中另一备用算法,以此来做冗余设计,增加系统的稳定性;发明采用的是序贯滤波的方式,在嵌入式系统中可以减少计算量,降低了对配置的要求。
Description
【技术领域】
本发明属于无人机应用技术领域,涉及一种无人机的定位导航方法,具体为一种基于无迹卡尔曼滤波的无人机组合导航方法和系统。
【背景技术】
无人机在民用领域有着很大的发展前景,特别是在航拍,石油管道巡检,电力巡检,救援,侦查等领域发挥着重要作用。在控制无人机进行飞行的过程中,无人机需要实时准确的知道自身的位置,而为了知道自身的位置,无人机上安装有GPS,IMU,超声波,视觉,气压计等传感器,这些传感器都是了实现自身的导航定位。
在实现无人机自身导航定位中,常用的就是kalman滤波算法,这种滤波算法在处理系统是线性系统的时候表现非常好,对于非线性系统需要对系统进行线性化这样就衍生了扩展kalman滤波(EKF),线性化过程中需要求取系统的雅克比矩阵这样会损失一部分精度。
【发明内容】
本发明的目的在于克服上述现有技术的缺点,提供一种基于无迹卡尔曼滤波的无人机组合导航方法和系统。而无迹kalman滤波(UKF)无需求取雅克比矩阵,精度更高,对无人机的姿态速度位置估计更加准确。在实际测试中发现,与机载另一套以EKF为基础同维数的组合导航算法相比,UKF组合导航算法在估计无人机的位置速度以及姿态中表现更为优越。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于无迹卡尔曼滤波的无人机组合导航方法,包括以下步骤:
步骤1,将无人机的状态变量生成为2n+1个原始sigma点,计算无人机状态变量的预测值和预测误差的协方差矩阵的加权平均值;
步骤2,通过无迹卡尔曼滤波器和k+1时刻各传感器的观测值对无人机状态变量的预测值进行估计,获得无人机状态变量的估计值和误差的协方差;
步骤2.1,通过协方差矩阵的加权平均值获得2n+1个新sigma点;
步骤2.2,通过测量方程对新sigma点进行传播;
步骤2.3,测量传播后的新的sigma点,进行加权平均,得到新sigma点的加权平均值;
步骤2.4,通过新sigma点的加权平均值计算量测的残差协方差矩阵;
步骤2.5,通过传播后的原始sigma点的加权平均值和新sigma点的加权平均值,计算无人机状态变量和测量变量的交叉协方差矩阵;
步骤2.6,通过残差协方差矩阵和交叉协方差矩阵计算卡尔曼增益系数;
步骤2.7,通过卡尔曼增益系数更新步骤1中的状态变量,获得无人机状态变量的估计值和误差的协方差;
步骤3,无人机运行期间不断重复步骤1和2,持续更新无人机的状态变量,对无人机进行导航。
本发明的进一步改进在于:
优选的,步骤1中,所述无人机的状态变量为:
其中:
[q1 q2 q3 q4]为无人机姿态的四元素;[vx vy vz]为n系下的无人机三轴速度,其中vx为北向的速度,vy为东向的速度,vz为地向的速度;
[px py pz]为n系下的无人机三轴位置,其中,px为在北向的位置,py为在东向的位置,pz为在地向的位置;
[gyro_biasx gyro_biasy gyro_biasz]为陀螺仪在机体系下三轴零偏;
[acc_biasx acc_biasy acc_biasz]为加速度计在机体系三轴零偏。
优选的,步骤1的具体过程包括:
步骤1.1,将无人机的状态变量转变为2n+1个原始sigma点;
步骤1.2,计算2n+1个原始sigma点的权重;
步骤1.3,通过非线性状态方程获得传播后的原始sigma点;
步骤1.4,通过权重对传播后的原始sigma点进行加权平均处理,然后计算原始sigma点的协方差矩阵;
步骤1.5,在原始sigma点的协方差矩阵中添加过程噪声,然后进行加权平均,得到协方差矩阵的加权平均值。
优选的,步骤1.2中,原始sigma点的权重计算公式为:
在实际使用中,取κ=0,其中W0为初始sigma点的权重值,Wi为过程sigma点的权重值。
步骤1.5中,协方差矩阵的加权平均值Mk为
Qk-1为对角方阵,阶数为16维。
优选的,步骤2.1中,新sigma点通过下式计算得到:
xi的计算可以通过下式计算得到
优选的,步骤2.2中,测量方程为:
优选的,步骤2.4中,所述量测的残差协方差矩阵;
其中,Rk为测量变量的噪声矩阵;
步骤2.6中,所述卡尔曼增益系数的计算过程为:
优选的,步骤2.7中,更新状态的协方差矩阵Pk为:
步骤2.8中,状态变量更新公式为:
一种基于无迹卡尔曼滤波的无人机组合导航系统,包括:
预测模块,用于将无人机的状态变量生成为2n+1个原始sigma点,计算无人机状态变量的预测值和预测误差的协方差矩阵的加权平均值;
估计模块,用于通过无迹卡尔曼滤波器和k+1时刻各传感器的观测值对无人机状态变量的预测值进行估计,获得无人机状态变量的估计值和误差的协方差;
迭代模块,无人机运行期间不断重复预测模块和估计模块,持续更新无人机的状态变量,对无人机进行导航与现有技术相比,本发明具有以下有益效果:
本发明公开了一种基于无迹卡尔曼滤波的无人机组合导航方法,通过组合导航算法,可以实现无人机位置速度姿态估计;本发明提出的组合导航算法,与同维数的kalman滤波,扩展卡拉曼滤波为基础的组合导航算法相比,具有更高的精度;本发明提出的组合导航算法,可以作为导航系统中另一备用算法,以此来做冗余设计,增加系统的稳定性;发明采用的是序贯滤波的方式,在嵌入式系统中可以减少计算量,降低了对配置的要求。
本发明还公开了一种基于无迹卡尔曼滤波的无人机组合导航系统,该系统包括三个模块,通过三个模块实现了组合导航算法,进而实现无人机位置速度姿态估计。
【附图说明】
图1为实施例中无人机姿态滚转角的模拟图;
图2为实施例中无人机姿态俯仰角的模拟图;
图3为实施例中无人机姿态航向角的模拟图;
图4为实施例中无人机东向速度的模拟图;
图5为实施例中无人机北向速度的模拟图;
图6为实施例中无人机天向速度的模拟图;
图7为实施例中无人机东向位置的模拟图;
图8为实施例中无人机北向位置的模拟图;
图9为实施例中无人机天向位置的模拟图;
图10为实施例步骤逻辑关系图。
【具体实施方式】
下面结合附图对本发明做进一步详细描述:
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性;此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明公开了一种基于无迹卡尔曼滤波的无人机组合导航算法,整体包括以下步骤:
(1)坐标系定义、状态变量定义以及系统建模;
(2)无迹变换(unscented transformation,简称UT变换)以及序贯unscentedkalman滤波(简称序贯UKF滤波)计算步骤;
(3)序贯Unscented Kalman filter组合导航算法。
具体步骤为:
步骤1,坐标系定义、状态变量定义以及系统建模
(1)坐标系定义
无人机为低速运动载体,选取当地局部地理坐标系为导航坐标系(固定参考坐标系,无人机初始起飞点为原点),即为n系;无人机重心为原点的前右下坐标系为机体坐标系(动坐标系),即为b系,该坐标系中,X轴指向飞行器机头前进方向,Y轴由原点指向飞行器右侧,Z轴方向根据X、Y轴由右手法则确定。;
(2)状态变量
选取的n系下的无人机的三轴姿态,三轴速度,三轴位置,三轴加速度计零偏,三轴陀螺仪零偏作为系统的状态变量,共16维状态方程,即:
其中:
[q1 q2 q3 q4]为无人机姿态的四元素表示方法;本发明用到为四元素定义如下:
Q=q1+qv=q1+q2i+q2j+q3k
q1为四元素的实部,qv=q2i+q3j+q4k称为四元素的虚部。
[vx vy vz]为n系下的无人机三轴速度,其中vx为北向的速度,vy为东向的速度,vz为地向的速度;
[px py pz]为n系下的无人机三轴位置,其中,px为在北向的位置,py为在东向的位置,pz为在地向的位置;
[gyro_biasx gyro_biasy gyro_biasz]为陀螺仪在机体系(机体前右下坐标系)下三轴零偏;
[acc_biasx acc_biasy acc_biasz]为加速度计在机体系三轴零偏。
(3)系统建模
根据状态变量以及分析可以得到系统状态方程,状态方程包含姿态四元素的更新,速度更新,位置更新,以及陀螺仪和加速度计的零偏的更新,下面分别列出上述5个状态方程:
姿态更新
其中
表示tm时刻的姿态变换四元素,相对应的,表示tm-1时刻的姿态变换四元素,是从tm-1时刻到tm时刻姿态四元素变化,Δθ是陀螺在时间段[tm-1,tm]内输出的角增量并且Δθ=|Δθ|,Δθ为向量Δθ的模值,MEMS低精度陀螺仪和加速度计来说,一般采用角增量输出采样的方式,只需要简单地将其乘以采样间隔时间Ts即可变换为角增量。
速度更新
对于低中速行驶的运载体,例如地速v<100m/s,可以忽略地球自转以及地球曲率的影响,速度更新简化方程为:
其中
为tm时刻n系下无人机速度,为与四元素对应的姿态阵,二者可以进行相互转换,ΔVm是加速度计在时间段[tm-1,tm]时间内输出的比力增量,实际中可以采用比力乘以采样间隔进行近似,式中的gn重力加速度矢量。
Ts为时间段[tm-1,tm]间隔,即
Ts=tm-tm-1 (6)
位置更新
Ts=tm-tm-1 (8)
陀螺bias更新
加速度计bias更新
根据上述五个状态更新方程,即可得到状态转移矩阵记为F,由状态方程可知,该系统为非线性系统,使用UKF滤波可以不必进行线性化,并且使用序贯UKF滤波不仅可以不用进行线性化操作,还可以减少计算量,在嵌入式软件中,减少计算量显得尤为重要。
步骤2,UT变换以及序贯UKF滤波
为了说明本方法的实际使用过程,由于UKF滤波用到了一个UT变换的数学概念,所以先对UT变换进行说明,然后再详细说明序贯UKF滤波,最后再结合实际提出基于序贯UKF滤波的无人机组合导航算法,如有需要请查阅相关资料。
UT变换
本算法应用对称策略,基于该策略的UT变换算法框架如下:
①求取sigma点集
其中
②所采样的输入变量sigma点集{χi,i=0,1,…,2n}中的每个sigma点进行f(·)非线性变换,得到变换后的sigma点集{yi,i=0,1,…,2n}。
yi=f(χi),i=0,1,…,2n (17)
序贯UKF滤波
有了UT变换的基础,就可以使用序贯滤波方法了,序贯UKF滤波的基本思想:已知k时刻状态xk,基于全局的估计值以及相应的估计误差的协方差Pk|k,在k+1时刻,利用Unscented kalman滤波器和k+1时刻各传感器的观测值依次对状态xk+1进行估计,最后得到基于全局的信息的估计值和相应误差的协方差Pk+1|k+1,具体步骤为:
(5)最终得到系统在k+1时刻基于量测信息zk+1的状态估计和相应的估计误差为:
步骤3,序贯UKF滤波组合导航算法
参见图10,本发明详细的序贯UKF滤波组合导航算法详细如下:
其中的初始状态变量为
协方差矩阵的初始值
[qo q1 q2 q3]对应姿态协方差初始值,可以使用3deg的不确定性进行设置;
[vx vy vz px py pz]对应的位置和速度协方差初始值,可以使用GNSS的静态噪声进行设置;
其中Pk-1为上一时刻的协方差矩阵,并且有
(2)计算原始sigma点权重
对于i=1,2,…,2n,那么权重有第零个原始sigma点的权重W0以及后续权重Wi
在实际使用中,取κ=0。
(3)原始sigma点传播
上式中的f对应状态方程见前面状态方程的建立。
对传播后的原始sigma点进行加权平均
(6)添加过程噪声以及对协方差矩阵进行加权平均得到协方差矩阵的加权平均值Mk
Qk-1为对角方阵,阶数为16维。
(7)计算新sigma点
新sigma点通过以下计算得到
xi的计算可以通过步骤(6)的Mk计算得到
(8)通过新sigma点和测量方程(非线性或者是线性)传播测量sigma点
(10)通过新sigma点的加权平均值计算量测的残差协方差矩阵;
Rk为测量变量的噪声矩阵。
(12)计算kalman增益系数Kk
(13)更新状态协方差矩阵Pk
(14)状态更新
实施例
本发明无需对状态方程进行线性化,并且计算量相较于同状态变量的EKF组合导航算法少。下面结合前面所述步骤,说一个典型实施例。
无人机的初始姿态(滚转角roll和俯仰角pitch)可以通过静态加计数值计算得到:
无人机的初始航向角(heading)可以通过磁力计计算得到:
那么通过初始姿态就可以确定无人机姿态四元素
[q0 q1 q2 q3]=[1 0 0 0]
无人机的初始速度可以通过GNSS得到:
[vx vy vz]=[0 0 0]
无人机的初始位置可以通过GNSS得到:
[px py pz]=[0 0 0]
无人机陀螺和加速度计的零偏可以设置为零:
因此我们可以得到组合导航系统的初始状态x0。
无人机的初始协方差矩阵可以设置如下:
姿态初始协方差Pquat,速度初始协方差Pvel,位置初始协方差Ppos,陀螺零偏初始协方差Pgyro_bias,加速度计零偏初始协方差Paccel_bias,GNSS和气压高的测量信息由仿真器给出。
通过步骤3结合系统的状态方程就可以得到组合导航系统状态的估计:
图1~图9为状态估计结果,结果显示数据平滑无跳变,能很好的跟踪测量信息。实际使用,需要根据测量信号的噪声进行调整量测噪声的值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于无迹卡尔曼滤波的无人机组合导航方法,其特征在于,包括以下步骤:
步骤1,将无人机的状态变量生成为2n+1个原始sigma点,计算无人机状态变量的预测值和预测误差的协方差矩阵的加权平均值;
步骤2,通过无迹卡尔曼滤波器和k+1时刻各传感器的观测值对无人机状态变量的预测值进行估计,获得无人机状态变量的估计值和误差的协方差;
步骤2.1,通过协方差矩阵的加权平均值获得2n+1个新sigma点;
步骤2.2,通过测量方程对新sigma点进行传播;
步骤2.3,测量传播后的新的sigma点,进行加权平均,得到新sigma点的加权平均值;
步骤2.4,通过新sigma点的加权平均值计算量测的残差协方差矩阵;
步骤2.5,通过传播后的原始sigma点的加权平均值和新sigma点的加权平均值,计算无人机状态变量和测量变量的交叉协方差矩阵;
步骤2.6,通过残差协方差矩阵和交叉协方差矩阵计算卡尔曼增益系数;
步骤2.7,通过卡尔曼增益系数更新步骤1中的状态变量,获得无人机状态变量的估计值和误差的协方差;
步骤3,无人机运行期间不断重复步骤1和2,持续更新无人机的状态变量,对无人机进行导航。
3.根据权利要求1所述的一种基于无迹卡尔曼滤波的无人机组合导航方法,其特征在于,步骤1的具体过程包括:
步骤1.1,将无人机的状态变量转变为2n+1个原始sigma点;
步骤1.2,计算2n+1个原始sigma点的权重;
步骤1.3,通过非线性状态方程获得传播后的原始sigma点;
步骤1.4,通过权重对传播后的原始sigma点进行加权平均处理,然后计算原始sigma点的协方差矩阵;
步骤1.5,在原始sigma点的协方差矩阵中添加过程噪声,然后进行加权平均,得到协方差矩阵的加权平均值。
10.一种基于无迹卡尔曼滤波的无人机组合导航系统,其特征在于,包括:
预测模块,用于将无人机的状态变量生成为2n+1个原始sigma点,计算无人机状态变量的预测值和预测误差的协方差矩阵的加权平均值;
估计模块,用于通过无迹卡尔曼滤波器和k+1时刻各传感器的观测值对无人机状态变量的预测值进行估计,获得无人机状态变量的估计值和误差的协方差;
迭代模块,无人机运行期间不断重复预测模块和估计模块,持续更新无人机的状态变量,对无人机进行导航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011529937.XA CN112683274A (zh) | 2020-12-22 | 2020-12-22 | 一种基于无迹卡尔曼滤波的无人机组合导航方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011529937.XA CN112683274A (zh) | 2020-12-22 | 2020-12-22 | 一种基于无迹卡尔曼滤波的无人机组合导航方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112683274A true CN112683274A (zh) | 2021-04-20 |
Family
ID=75450677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011529937.XA Pending CN112683274A (zh) | 2020-12-22 | 2020-12-22 | 一种基于无迹卡尔曼滤波的无人机组合导航方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112683274A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113390421A (zh) * | 2021-08-17 | 2021-09-14 | 武汉理工大学 | 基于卡尔曼滤波的无人机定位方法及装置 |
CN114234970A (zh) * | 2021-12-21 | 2022-03-25 | 华南农业大学 | 一种运动载体姿态实时测量方法、装置 |
CN114415702A (zh) * | 2021-12-08 | 2022-04-29 | 华能陕西子长发电有限公司 | 一种基于ukf滤波的旋翼飞行器双冗余组合导航方法 |
CN115685278A (zh) * | 2022-10-28 | 2023-02-03 | 南京航空航天大学 | 基于kf的低空无人机航迹定位修正方法 |
CN117990112A (zh) * | 2024-04-03 | 2024-05-07 | 中国人民解放军海军工程大学 | 基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111486841A (zh) * | 2020-05-19 | 2020-08-04 | 西安因诺航空科技有限公司 | 一种基于激光定位系统的无人机导航定位方法 |
-
2020
- 2020-12-22 CN CN202011529937.XA patent/CN112683274A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111486841A (zh) * | 2020-05-19 | 2020-08-04 | 西安因诺航空科技有限公司 | 一种基于激光定位系统的无人机导航定位方法 |
Non-Patent Citations (1)
Title |
---|
刘铮: "UKF算法及其改进算法的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, pages 135 - 1 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113390421A (zh) * | 2021-08-17 | 2021-09-14 | 武汉理工大学 | 基于卡尔曼滤波的无人机定位方法及装置 |
CN113390421B (zh) * | 2021-08-17 | 2021-12-10 | 武汉理工大学 | 基于卡尔曼滤波的无人机定位方法及装置 |
CN114415702A (zh) * | 2021-12-08 | 2022-04-29 | 华能陕西子长发电有限公司 | 一种基于ukf滤波的旋翼飞行器双冗余组合导航方法 |
CN114234970A (zh) * | 2021-12-21 | 2022-03-25 | 华南农业大学 | 一种运动载体姿态实时测量方法、装置 |
CN115685278A (zh) * | 2022-10-28 | 2023-02-03 | 南京航空航天大学 | 基于kf的低空无人机航迹定位修正方法 |
CN115685278B (zh) * | 2022-10-28 | 2023-11-24 | 南京航空航天大学 | 基于kf的低空无人机航迹定位修正方法 |
CN117990112A (zh) * | 2024-04-03 | 2024-05-07 | 中国人民解放军海军工程大学 | 基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112683274A (zh) | 一种基于无迹卡尔曼滤波的无人机组合导航方法和系统 | |
CN106643737B (zh) | 风力干扰环境下四旋翼飞行器姿态解算方法 | |
CN110398257B (zh) | Gps辅助的sins系统快速动基座初始对准方法 | |
CN104698485B (zh) | 基于bd、gps及mems的组合导航系统及导航方法 | |
CN105737823B (zh) | 一种基于五阶ckf的gps/sins/cns组合导航方法 | |
CN109931955B (zh) | 基于状态相关李群滤波的捷联惯性导航系统初始对准方法 | |
CN109425339B (zh) | 一种基于惯性技术的考虑杆臂效应的舰船升沉误差补偿方法 | |
CN108318038A (zh) | 一种四元数高斯粒子滤波移动机器人姿态解算方法 | |
CN101949703A (zh) | 一种捷联惯性/卫星组合导航滤波方法 | |
CN111323050A (zh) | 一种捷联惯导和多普勒组合系统标定方法 | |
CN106500693A (zh) | 一种基于自适应扩展卡尔曼滤波的ahrs算法 | |
CN104374405A (zh) | 一种基于自适应中心差分卡尔曼滤波的mems捷联惯导初始对准方法 | |
CN108458709B (zh) | 基于视觉辅助测量的机载分布式pos数据融合方法和装置 | |
CN108592943B (zh) | 一种基于opreq方法的惯性系粗对准计算方法 | |
CN111121820B (zh) | 基于卡尔曼滤波的mems惯性传感器阵列融合方法 | |
CN105988129A (zh) | 一种基于标量估计算法的ins/gnss组合导航方法 | |
CN111649747A (zh) | 一种基于imu的自适应ekf姿态测量改进方法 | |
Pourtakdoust et al. | An adaptive unscented Kalman filter for quaternion‐based orientation estimation in low‐cost AHRS | |
CN111982126B (zh) | 一种全源BeiDou/SINS弹性状态观测器模型设计方法 | |
CN112284388B (zh) | 一种无人机多源信息融合导航方法 | |
Gong et al. | An innovative distributed filter for airborne distributed position and orientation system | |
CN111578931A (zh) | 基于在线滚动时域估计的高动态飞行器自主姿态估计方法 | |
CN112729297A (zh) | 一种基于多mems传感器的微型航姿定位装置 | |
CN110186483B (zh) | 提高惯性制导航天器落点精度的方法 | |
CN104613984B (zh) | 临近空间飞行器传递对准模型不确定性的鲁棒滤波方法 |
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 |