CN112782732A - 一种基于粒子群算法的导航信号解析方法及计算机存可读介质 - Google Patents
一种基于粒子群算法的导航信号解析方法及计算机存可读介质 Download PDFInfo
- Publication number
- CN112782732A CN112782732A CN202011591435.XA CN202011591435A CN112782732A CN 112782732 A CN112782732 A CN 112782732A CN 202011591435 A CN202011591435 A CN 202011591435A CN 112782732 A CN112782732 A CN 112782732A
- Authority
- CN
- China
- Prior art keywords
- satellite
- vector
- current
- particle
- matrix
- 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
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于粒子群算法的导航信号解析方法及计算机可读介质,其利用卫星信号所属卫星的位置坐标和修正后的卫星伪距观测值构造接收机对应的原始卫星观测矩阵,依据更新后的卫星观测矩阵与接收机定位向量之间的映射关系,构造关于接收机定位向量的方程并进行迭代以获取当前时刻的定位向量;构建粒子群算法中的粒子速度和位置迭代表达式,将迭代终止时输出的当前群体最优粒子的位置数据作为当前时刻的定位向量,并获取下一时刻系统的位置向量;利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量,以获取接收机下一时刻的导航数据,以解决传统PVT算法计算复杂度高、定位精度难以满足载体高动态要求的技术问题。
Description
技术领域
本发明属于卫星通信技术领域,更具体地,涉及一种基于粒子群算法的导航信号解析方法及计算机可读介质。
背景技术
在卫星通信系统中,卫星以数十km/s的相对速度围绕地球运动,与其对应设置有导航接收机以利用卫星信号进行导航,一般来说,导航接收机采用PVT解算进行导航信号解析,需要实时地输出用户经度、纬度、高度、速度等测量信息。为了保证用户实时接收高精度、高可靠性的定位信息,需要设计一种低复杂度、高精度的导航接收机解算装置。
传统的导航接收机PVT算法主要包括最小二乘残差算法、Bancroft算法、非线性卡尔曼滤波算法。传统的Bancroft算法相对于最小二乘算法而言,定位结果更加稳定,但计算复杂度高、定位精度难以满足载体高动态要求。传统的非线性卡尔曼滤波定位算法计算复杂度高、定位精度较差,同时在实际应用中,将非线性化模型转化为线性模型一般非常复杂,局限性较大。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种基于粒子群算法的导航信号解析方法及计算机可读介质,旨在解决传统PVT算法计算复杂度高、定位精度难以满足载体高动态要求的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于粒子群算法的导航信号解析方法,该方法包括:
获取当前时刻接收机所接收的一个或多个卫星信号,利用所述卫星信号所属卫星的位置坐标和修正后的卫星伪距观测值构造接收机对应的原始卫星观测矩阵,所述修正后的卫星伪距观测值值为卫星伪距观测值与时延引起的误差总和之间的差值;
获取所述原始卫星观测矩阵的当前极值变量,所述当前极值变量为多个修正后的卫星伪距观测值中的最大值,将原始卫星观测矩阵缩小当前极值变量数值倍以获取更新后的卫星观测矩阵;依据更新后的卫星观测矩阵与接收机定位向量之间的映射关系,构造关于接收机定位向量的方程,求解该方程以获取更新后的定位向量,以获取更新后的定位向量,重复迭代上述所有步骤,将再次迭代后求得的定位向量值作为当前时刻的初始定位向量;
构建粒子群算法中的粒子速度和位置迭代表达式,确定定位向量的变化范围和当前时刻的初始定位向量以构建初始粒子种群的初始值;利用粒子速度和位置迭代表达式迭代计算迭代后每个粒子的速度和位置数据,构建每个粒子的适应度函数,求取适应度函数的最小值以获取当前迭代次数下当前群体最优粒子,利用适应度函数的预设阈值或最大迭代次数判断当前迭代是否符合终止条件,是则终止迭代,输出当前群体最优粒子的位置数据,将迭代终止时输出的当前群体最优粒子的位置数据作为当前时刻的定位向量;
利用所述当前时刻的定位向量获取接收机当前时刻的系统状态向量,所述系统状态向量包括系统位置向量和系统时钟向量;利用当前时刻的系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量;利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量;利用下一时刻系统的位置向量和时钟向量获取接收机下一时刻的导航数据。
作为本发明的进一步改进,原始卫星观测矩阵:
其中,x1、y1、z1为第一颗GPS卫星信号所对应的卫星x、y、z坐标,xm、ym、zm为第m个GPS卫星信号所对应的卫星x、y、z坐标,a1为第一个GPS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值,am为第m个GPS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值;x'1、y'1、z'1为第一个BDS卫星信号所对应的卫星x、y、z坐标,x'm、y'm、z'm为第n个BDS卫星信号所对应的卫星x、y、z坐标,a'1为第一个BDS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值,a'n为第n个BDS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值。
作为本发明的进一步改进,卫星观测矩阵B与接收机定位向量X之间的映射关系表示为:
X=M(BTB)-1BT(alpha+Aτ),
其中,M表示常数矩阵diag(1,1,1,-1,-1),τ表示常数列向量τ=[1,1,1,1,1]T;<·>表示Lorentz内积;A表示定位向量初值的Lorentz内积,X0为定位向量初值;alpha表示卫星参数内积向量。
作为本发明的进一步改进,关于接收机定位向量的方程具体为:
aX2+bX+c=0
其中,X为定位向量,a、b、c系数分别由所述卫星观测矩阵与接收机定位向量之间的映射关系得到,a、b、c系数分别为a=<d1,d1>,b=2×(<d1,d2>-1),c=<d2,d2>,
d1和d2分别为第一和第二内积参数,d1=(BTB)-1BTτ,d2=(BTB)-1BT·alpha,
其中,B为卫星观测矩阵,τ表示常数列向量,alpha表示卫星参数内积向量。
作为本发明的进一步改进,粒子群算法中的当前迭代下第i个粒子的速度Vi(t)表达式为:
当前迭代下第i个粒子的位置Xi(t)迭代表达式为:Xi(t)=Xi(t-1)+Vi(t);
其中,Vi(t-1)为上一次迭代的第i个粒子的速度值,Xi(t-1)为上一次迭代的第i个粒子的位置值,C1和C2分别为第一学习因子和第二学习因子,Vmax为速度最大值,rand()为[0,1]之间的随机数,Pi(t-1)为上一次迭代第i个粒子的最佳位置值,G(t-1)为上一次迭代最优粒子的位置,k为收缩因子。
作为本发明的进一步改进,粒子适应度H(X)的表达式为:
其中,ps为观测值权矩阵主对角线相应值,取:其中vars为卫星伪距的测量协方差,位置向量X=(Xr,Yr,Zr)为当前粒子对应的位置数据,Xs=(Xs(t),Ys(t),Zs(t))为卫星位置信息,cδr(t)为卫星钟差引起的误差,l为卫星和接收机之间的真实距离。
作为本发明的进一步改进,比较上一次迭代第i个粒子的适应度函数经历过的最好位置Pi(t-1)对应的适应度值f(Pi(t))和当前迭代第i个粒子的适应度f(Xi(t)),若依据衡量标准的判断当前迭代第i个粒子的适应度f(Xi(t))为更好的解,则将当前迭代第i个粒子的位置Xi(t)作为当前迭代第i个粒子的最好位置Pi(t),否则,将Pi(t-1)作为当前迭代第i个粒子的最好位置Pi(t)。
作为本发明的进一步改进,“利用当前时刻系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量”具体为:
接收机的采样周期为T,其下一时刻系统的位置向量XS(k+1)可以表示为XS(k+1)=ΦS(k)XS(k)+WS(k),XS(k)表示当前时刻的位置向量,ΦS(k)为当前时刻的位置状态转移矩阵,ΦS(k)=diag(Φsx,Φsy,Φsz),Φsx,Φsy,Φsz分别表示x方向的转移矩阵、y方向的转移矩阵,z方向的转移矩阵,WS(k)表示当前时刻的位置噪声矩阵,其中Φx、Φy、Φz、WS(k)如下式所示:
WS(k)=[0 0 wx 0 0 wy 0 0wz]
作为本发明的进一步改进,“利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量”具体为:
接收机的采样周期为T,其下一时刻系统的时钟向量XT(k+1)可以表示为XT(k+1)=ΦT(k)XT(k)+WT(k),XT(k)表示当前时刻的时钟向量,ΦT(k)为当前时刻的时钟状态转移矩阵,ΦT(k)=diag(Φ1,Φ2),Φ1、Φ2分别表示GPS时钟矩阵、BDS时钟矩阵,WT(k)表示k时刻的时钟噪声矩阵,其中,
为实现上述目的,按照本发明的另一个方面,提供了一种计算机可读介质,其存储有可由终端设备执行的计算机程序,当该程序在终端设备上运行时,使得所述终端设备执行上述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明提供的一种基于粒子群算法的导航信号解析方法及计算机可读介质,其利用Bancroft算法定位得到卫导接收机的大体为止做为粒子群算法的算法解的基准值,优化了原有最小二乘定位算法引入的线性化误差;克服了PSO算法在定位过程中容易陷入局部最优的情况;由于Bancroft提供了计算初值,减小了PSO的搜索范围,利用PSO算法得到的全局最优值,解算出精度更高的结果,使得导航接收机不仅能够适应常态飞行、高动态飞行,同时具备高精度、高稳定性的定位性能。
附图说明
图1是本发明实施例提供的一种基于粒子群算法的导航信号解析方法的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是本发明实施例提供的一种基于粒子群算法的导航信号解析方法的示意图。如图1所示,一种基于粒子群算法的导航信号解析方法,该方法包括:
获取当前时刻接收机所接收的一个或多个卫星信号,利用卫星信号所属卫星的位置坐标和修正后的卫星伪距观测值,构造接收机对应的原始卫星观测矩阵,修正后的卫星伪距观测值值为卫星伪距观测值与时延引起的误差总和之间的差值;作为一个示例,该原始卫星观测矩阵的每一行与接收机接收的卫星信号一一对应,其中该观测矩阵的前三列参数分别为对应的卫星信号所属卫星的x、y、z坐标,第四列参数表示为GPS卫星信号所属卫星的修正后的卫星伪距观测值,即卫星伪距观测值与时延引起的误差总和之间的差值,BDS卫星信号对应的第四列参数为0,第五列参数表示为BDS卫星信号所属卫星的修正后的卫星伪距观测值,即卫星伪距观测值与时延引起的误差总和之间的差,GPS卫星信号对应的第五列参数为0,以上仅为一个示例,还可以采取其他的形式来构造观测矩阵;具体地,以某时刻内有m颗GPS卫星、n颗BDS卫星参与导航接收机的定位为示例,导航接收机接收的卫星信号包括m个GPS卫星信号和n个BDS卫星,所构造的原始卫星观测矩阵具体如下:
其中,x1、y1、z1为第一颗GPS卫星信号所对应的卫星x、y、z坐标,xm、ym、zm为第m个GPS卫星信号所对应的卫星x、y、z坐标,a1为第一个GPS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值,am为第m个GPS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值;x'1、y'1、z'1为第一个BDS卫星信号所对应的卫星x、y、z坐标,x'm、y'm、z'm为第n个BDS卫星信号所对应的卫星x、y、z坐标,a'1为第一个BDS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值,a'n为第n个BDS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值。
作为一个示例,以接收的第k个GPS卫星信号为示例,该卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值的计算方法为:
(xp,yp,zp)为导航接收机的位置坐标;
时延引起的误差总和的计算公式为:
其中,c表示真空中的光速;δtk表示导航接收机钟差;δtp=δtp,gps(卫星为GPS时),δtp=δtp,bds(卫星为BDS时),δtp为卫星信号的定位时延;表示卫星的对流层时延;表示卫星的相对论响应时延。
获取该原始卫星观测矩阵的当前极值变量,其中,当前极值变量为多个修正后的卫星伪距观测值中的最大值,将原始卫星观测矩阵缩小当前极值变量数值倍以获取更新后的卫星观测矩阵;
依据更新后的卫星观测矩阵与接收机定位向量之间的映射关系,构造关于接收机定位向量的方程,求解该方程以获取定位向量;
具体地,卫星观测矩阵B与接收机定位向量X之间的映射关系可以表示为X=M(BTB)-1BT(alpha+Aτ),其中,M表示常数矩阵diag(1,1,1,-1,-1),τ表示常数列向量τ=[1,1,1,1,1]T;<·>表示Lorentz内积;A表示定位向量初值的Lorentz内积,X0为定位向量初值;alpha表示卫星参数内积向量,其可以表示为alpha=BMX0-Aτ;
定位向量可以表示为X=(xp,yp,zp,δtp,gps,δtp,bds),以构造的方程为一元二次方程为示例,该方程表示为:
aX2+bX+c=0
其中,a、b、c系数分别由上述卫星观测矩阵B与接收机定位向量X之间的映射关系得到,将(BTB)-1BTτ记为第一内积参数d1,将(BTB)-1BT·alpha记为第二内积参数d2,a、b、c系数分别为a=<d1,d1>,b=2×(<d1,d2>-1),c=<d2,d2>。
求解上述方程,以获取更新后的定位向量,重复迭代上述所有步骤,将再次迭代后求得的定位向量值作为当前时刻的初始定位向量;作为一个示例,迭代停止条件为达到预设的迭代次数,当然还可以依据迭代精度等需求选择其他迭代停止条件,在此不做累述。
构建粒子群算法中的粒子速度和位置迭代表达式,确定定位向量的变化范围和当前时刻的初始定位向量以构建初始粒子种群的初始值;利用粒子速度和位置迭代表达式迭代计算迭代后每个粒子的速度和位置数据,构建每个粒子的适应度函数,求取适应度函数的最小值以获取当前迭代次数下当前群体最优粒子,利用适应度函数的预设阈值或最大迭代次数判断当前迭代是否符合终止条件,是则终止迭代,输出当前群体最优粒子的位置数据,将迭代终止时输出的当前群体最优粒子的位置数据作为当前时刻的定位向量;
优选的,粒子群算法中的当前迭代(第t次迭代)下第i个粒子的速度Vi(t)表达式为:
当前迭代(第t次迭代)下第i个粒子的位置Xi(t)迭代表达式为:Xi(t)=Xi(t-1)+Vi(t);
其中,Vi(t-1)为上一次迭代(第t-1次迭代)的第i个粒子的速度值,Xi(t-1)为上一次迭代(第t-1次迭代)的第i个粒子的位置值,C1和C2分别为第一学习因子和第二学习因子,Vmax为速度最大值,rand()为[0,1]之间的随机数,Pi(t-1)为上一次迭代第i个粒子的最佳位置值,G(t-1)为上一次迭代最优粒子的位置,k为收缩因子。
优选的,粒子适应度H(X)的表达式为:
其中,ps为观测值权矩阵主对角线相应值,取:其中vars为卫星伪距的测量协方差,位置向量X=(Xr,Yr,Zr)为当前粒子对应的位置数据,Xs=(Xs(t),Ys(t),Zs(t))为卫星位置信息,cδr(t)为卫星钟差引起的误差,l为卫星和接收机之间的真实距离;
优选的,比较上一次迭代第i个粒子的适应度函数经历过的最好位置Pi(t-1)对应的适应度值f(Pi(t))和当前迭代第i个粒子的适应度f(Xi(t)),若依据衡量标准的判断当前迭代第i个粒子的适应度f(Xi(t))为更好的解,则将当前迭代第i个粒子的位置Xi(t)作为当前迭代第i个粒子的最好位置Pi(t),否则,将Pi(t-1)作为当前迭代第i个粒子的最好位置Pi(t):
Pi(t)=argmin{f(Pi(t)),f(Xi(t))}
比较每个粒子所经历的最好位置Pi(t)的适应度,根据适应度衡量标准选出全局最优值G(t);
优选的,迭代终止条件包括:M=12,Xmax=Xtemp+15,Vmax=1.5*Xmax,tmax=100。其中Xtemp为每一次迭代的用户位置,Xmax为用户位置解空间范围最大值,Vmax为速度最大值,tmax=100为迭代次数。
利用当前时刻的定位向量以此获取接收机的系统状态向量,其中,系统状态向量包括系统位置向量和系统时钟向量,系统状态向量具体由接收机三个方向的位置x、y、z,速度xv、yv、zv,加速度xa、ya、za,相对于GPS的钟差τ1、钟漂τ’1,相对于BDS的钟差τ2、钟漂τ'2得到。作为一个示例,系统状态量X1可以表示为X1=[XS,XT]T,其中,系统位置向量XS为XS=[x,xv,xa,y,yv,ya,z,zv,za]T,系统时钟向量XT为XT=[τ1,τ’1,τ2,τ'2]T。
利用当前时刻系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量;
具体地,接收机的采样周期为T,其下一时刻系统的位置向量XS(k+1)可以表示为XS(k+1)=ΦS(k)XS(k)+WS(k),XS(k)表示当前时刻的位置向量,ΦS(k)为当前时刻的位置状态转移矩阵,ΦS(k)=diag(Φsx,Φsy,Φsz),Φsx,Φsy,Φsz分别表示x方向的转移矩阵、y方向的转移矩阵,z方向的转移矩阵,WS(k)表示当前时刻的位置噪声矩阵,其中Φx、Φy、Φz、WS(k)如下式所示:
WS(k)=[0 0 wx 0 0 wy 0 0 wz]
利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量;具体地,接收机的采样周期为T,其下一时刻系统的时钟向量XT(k+1)可以表示为XT(k+1)=ΦT(k)XT(k)+WT(k),XT(k)表示当前时刻的时钟向量,ΦT(k)为当前时刻的时钟状态转移矩阵,ΦT(k)=diag(Φ1,Φ2),Φ1、Φ2分别表示GPS时钟矩阵、BDS时钟矩阵,WT(k)表示k时刻的时钟噪声矩阵,其中,
利用下一时刻系统的位置向量和时钟向量获取接收机下一时刻的导航数据,作为一个示例,以当前时刻接收3颗GPS卫星、3颗BD2卫星为示例,其中,接收3颗GPS卫星、钟差τ1、钟漂τ’1、伪距ρ1、ρ2、ρ3、伪距变化率ρ’1、ρ'2、ρ'3,3颗BD2卫星、钟差τ2、钟漂τ'2、伪距ρ4、ρ5、ρ6、伪距变化率ρ'4、ρ'5、ρ'6,c表示光速,则观测量Y(k)=[ρ1,ρ’1,ρ2,ρ'2,ρ3,ρ'3,ρ4,ρ'4,ρ5,ρ'5,ρ6,ρ'6]T,其分别为:
ρ’1=((x-x1)(xv-xv1)+(y-y1)(yv-yv1)+(z-z1)(zv-zv1))/ρ1+cτ’1
ρ’2=((x-x2)(xv-xv2)+(y-y2)(yv-yv2)+(z-z2)(zv-zv2))/ρ2+cτ’1
ρ’3=((x-x3)(xv-xv3)+(y-y3)(yv-yv3)+(z-z3)(zv-zv3))/ρ3+cτ’1
ρ’4=((x-x4)(xv-xv4)+(y-y4)(yv-yv4)+(z-z4)(zv-zv4))/ρ4+cτ’2
ρ’5=((x-x5)(xv-xv5)+(y-y5)(yv-yv5)+(z-z5)(zv-zv5))/ρ5+cτ’2
ρ’6=((x-x6)(xv-xv6)+(y-y6)(yv-yv6)+(z-z6)(zv-zv6))/ρ6+cτ’2
其中,xi、yi、zi,(i=1、2,...,6)表示上述6颗卫星的位置分量,xvi、yvi、zvi,(i=1、2,...,6)表示上述6颗卫星的速度分量。
观测矩阵H(k)=[H1,H2,H3,H4,H5,H6]T,具体的Hi(i=1,2,...,6)如下式所示:
作为一个优选的方案,可对上述下一时刻系统的位置向量和时钟向量进行卡尔曼滤波,依据滤波后的位置向量和时钟向量获取接收机下一时刻的导航数据,其中,卡尔曼滤波常规方程可以表示为:
X(k+1)=Φ(k+1,k)X(k)+W(k)
P(k+1)=Φ(k+1)P(k)ΦT(k+1)+Q(k)
K(k)=P(k+1)HT(k)(H(k)P(k+1)HT(k)+R)-1
X(k+1)=X(k+1,k)+K(k)(Y(k)-H(k)X(k+1,k))
P(k+1,k)=(I-K(k)H(k))P(k+1,k))
其中,具体的误差协方差矩阵P、过程噪声方差矩阵Q、测量噪声矩阵R的初始值,需要根据导航接收机的相关参数进行试验设定。K(k)表示系统在k时刻增益矩阵,W(k)表示系统在k时刻的噪声矩阵,误差协方差矩阵的初始值设定为对角矩阵,试验知对角矩阵上的元素值pii与滤波效果之间存在如下关系:pii值越大,滤波效果越好,接近于真实值。但是,pii值过大会导致收敛时间增加。
本实施例还提供了一种电子设备,其包括至少一个处理器、以及至少一个存储器,其中,存储器中存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行实施例中的基于粒子群算法的导航信号解析方法的步骤,具体步骤参见实施例,此处不再赘述;本实施例中,处理器和存储器的类型不作具体限制,例如:处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等;存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
该电子设备也可以与一个或多个外部设备(如键盘、指向终端、显示器等)通信,还可与一个或者多个使得用户能与该电子设备交互的终端通信,和/或与使得该电子设备能与一个或多个其它计算终端进行通信的任何终端(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。
本实施例还提供了一种计算机可读介质,其存储有可由电子设备执行的计算机程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行实施例中的基于粒子群算法的导航信号解析方法的步骤。计算机可读介质的类型包括但不限于SD卡、U盘、固定硬盘、移动硬盘等存储介质。
本领域的技术人员容易理解,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于粒子群算法的导航信号解析方法,其特征在于,所述方法包括:
获取当前时刻接收机所接收的一个或多个卫星信号,利用所述卫星信号所属卫星的位置坐标和修正后的卫星伪距观测值构造接收机对应的原始卫星观测矩阵,所述修正后的卫星伪距观测值值为卫星伪距观测值与时延引起的误差总和之间的差值;
获取所述原始卫星观测矩阵的当前极值变量,所述当前极值变量为多个修正后的卫星伪距观测值中的最大值,将原始卫星观测矩阵缩小当前极值变量数值倍以获取更新后的卫星观测矩阵;依据更新后的卫星观测矩阵与接收机定位向量之间的映射关系,构造关于接收机定位向量的方程,求解该方程以获取更新后的定位向量,以获取更新后的定位向量,重复迭代上述所有步骤,将再次迭代后求得的定位向量值作为当前时刻的初始定位向量;
构建粒子群算法中的粒子速度和位置迭代表达式,确定定位向量的变化范围和当前时刻的初始定位向量以构建初始粒子种群的初始值;利用粒子速度和位置迭代表达式迭代计算迭代后每个粒子的速度和位置数据,构建每个粒子的适应度函数,求取适应度函数的最小值以获取当前迭代次数下当前群体的最优粒子,利用适应度函数的预设阈值或最大迭代次数判断当前迭代是否符合终止条件,是则终止迭代,输出当前群体最优粒子的位置数据,将迭代终止时输出的当前群体最优粒子的位置数据作为当前时刻的定位向量;
利用所述当前时刻的定位向量获取接收机当前时刻的系统状态向量,所述系统状态向量包括系统位置向量和系统时钟向量;利用当前时刻的系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量;利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量;利用下一时刻系统的位置向量和时钟向量获取接收机下一时刻的导航数据。
2.如权利要求1所述的一种基于粒子群算法的导航信号解析方法,其中,所述原始卫星观测矩阵:
其中,x1、y1、z1为第一颗GPS卫星信号所对应的卫星x、y、z坐标,xm、ym、zm为第m个GPS卫星信号所对应的卫星x、y、z坐标,a1为第一个GPS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值,am为第m个GPS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值;x'1、y'1、z'1为第一个BDS卫星信号所对应的卫星x、y、z坐标,x'm、y'm、z'm为第n个BDS卫星信号所对应的卫星x、y、z坐标,a'1为第一个BDS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值,a'n为第n个BDS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值。
4.如权利要求1所述的一种基于粒子群算法的导航信号解析方法,其中,所述关于接收机定位向量的方程具体为:
aX2+bX+c=0
其中,X为定位向量,a、b、c系数分别由所述卫星观测矩阵与接收机定位向量之间的映射关系得到,a、b、c系数分别为a=<d1,d1>,b=2×(<d1,d2>-1),c=<d2,d2>,
d1和d2分别为第一和第二内积参数,d1=(BTB)-1BTτ,d2=(BTB)-1BT·alpha,
其中,B为卫星观测矩阵,τ表示常数列向量,alpha表示卫星参数内积向量。
7.如权利要求6所述的一种基于粒子群算法的导航信号解析方法,其中,比较上一次迭代第i个粒子的适应度函数经历过的最好位置Pi(t-1)对应的适应度值f(Pi(t))和当前迭代第i个粒子的适应度f(Xi(t)),若依据衡量标准的判断当前迭代第i个粒子的适应度f(Xi(t))为更好的解,则将当前迭代第i个粒子的位置Xi(t)作为当前迭代第i个粒子的最好位置Pi(t),否则,将Pi(t-1)作为当前迭代第i个粒子的最好位置Pi(t)。
8.如权利要求1所述的一种基于粒子群算法的导航信号解析方法,其中,“利用当前时刻系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量”具体为:
接收机的采样周期为T,其下一时刻系统的位置向量XS(k+1)可以表示为XS(k+1)=ΦS(k)XS(k)+WS(k),XS(k)表示当前时刻的位置向量,ΦS(k)为当前时刻的位置状态转移矩阵,ΦS(k)=diag(Φsx,Φsy,Φsz),Φsx,Φsy,Φsz分别表示x方向的转移矩阵、y方向的转移矩阵,z方向的转移矩阵,WS(k)表示当前时刻的位置噪声矩阵,其中Φx、Φy、Φz、WS(k)如下式所示:
WS(k)=[0 0 wx 0 0 wy 0 0 wz]
10.一种计算机可读介质,其特征在于,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行权利要求1~9任一权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011591435.XA CN112782732B (zh) | 2020-12-29 | 2020-12-29 | 一种基于粒子群算法的导航信号解析方法及计算机存可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011591435.XA CN112782732B (zh) | 2020-12-29 | 2020-12-29 | 一种基于粒子群算法的导航信号解析方法及计算机存可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112782732A true CN112782732A (zh) | 2021-05-11 |
CN112782732B CN112782732B (zh) | 2023-08-29 |
Family
ID=75753160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011591435.XA Active CN112782732B (zh) | 2020-12-29 | 2020-12-29 | 一种基于粒子群算法的导航信号解析方法及计算机存可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112782732B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932913A (zh) * | 2022-11-24 | 2023-04-07 | 国网思极位置服务有限公司 | 一种卫星定位伪距修正方法及装置 |
CN115932907A (zh) * | 2022-12-16 | 2023-04-07 | 南京航空航天大学 | 基于卡尔曼滤波器和粒子群优化的单目标直接跟踪方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010008320A (ko) * | 2000-11-23 | 2001-02-05 | 이윤기 | 연속 칼만 필터 알고리즘을 이용한 위성 항법 장치 및방법 |
US6266584B1 (en) * | 1998-03-31 | 2001-07-24 | Space Systems/Loral, Inc. | Robust autonomous GPS time reference for space application |
KR101397934B1 (ko) * | 2014-03-05 | 2014-05-27 | 국방과학연구소 | 펄스 신호를 이용한 입자 기반의 표적 위치 추정 방법 |
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
CN105223591A (zh) * | 2015-10-27 | 2016-01-06 | 交通信息通信技术研究发展中心 | 一种用于减弱远近效应的伪卫星阵列天线方向图综合算法 |
CN106249256A (zh) * | 2016-07-08 | 2016-12-21 | 辽宁工程技术大学 | 基于粒子群优化算法的实时glonass相位偏差估计方法 |
US20170131409A1 (en) * | 2015-07-17 | 2017-05-11 | The Regents Of The University Of California | System and method for localization and tracking using gnss location estimates, satellite snr data and 3d maps |
CN108594275A (zh) * | 2018-04-26 | 2018-09-28 | 桂林电子科技大学 | 一种北斗+gps双模单点定位方法 |
CN110174104A (zh) * | 2019-05-30 | 2019-08-27 | 北京邮电大学 | 一种组合导航方法、装置、电子设备及可读存储介质 |
CN111595331A (zh) * | 2019-12-10 | 2020-08-28 | 上海航天控制技术研究所 | 时钟模型辅助的惯性/卫星/相对测距信息组合导航方法 |
-
2020
- 2020-12-29 CN CN202011591435.XA patent/CN112782732B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6266584B1 (en) * | 1998-03-31 | 2001-07-24 | Space Systems/Loral, Inc. | Robust autonomous GPS time reference for space application |
KR20010008320A (ko) * | 2000-11-23 | 2001-02-05 | 이윤기 | 연속 칼만 필터 알고리즘을 이용한 위성 항법 장치 및방법 |
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
KR101397934B1 (ko) * | 2014-03-05 | 2014-05-27 | 국방과학연구소 | 펄스 신호를 이용한 입자 기반의 표적 위치 추정 방법 |
US20170131409A1 (en) * | 2015-07-17 | 2017-05-11 | The Regents Of The University Of California | System and method for localization and tracking using gnss location estimates, satellite snr data and 3d maps |
CN105223591A (zh) * | 2015-10-27 | 2016-01-06 | 交通信息通信技术研究发展中心 | 一种用于减弱远近效应的伪卫星阵列天线方向图综合算法 |
CN106249256A (zh) * | 2016-07-08 | 2016-12-21 | 辽宁工程技术大学 | 基于粒子群优化算法的实时glonass相位偏差估计方法 |
CN108594275A (zh) * | 2018-04-26 | 2018-09-28 | 桂林电子科技大学 | 一种北斗+gps双模单点定位方法 |
CN110174104A (zh) * | 2019-05-30 | 2019-08-27 | 北京邮电大学 | 一种组合导航方法、装置、电子设备及可读存储介质 |
CN111595331A (zh) * | 2019-12-10 | 2020-08-28 | 上海航天控制技术研究所 | 时钟模型辅助的惯性/卫星/相对测距信息组合导航方法 |
Non-Patent Citations (2)
Title |
---|
RONGJIAN WANG: "IMM-EKF Based GPS/INS Combined Positioning Method for Drone", 2020 INTERNATIONAL CONFERENCE ON COMPUTING AND DATA SCIENCE(CDS) * |
田安红;付承彪;赵珊;: "一种改进的GPS测码伪距单点定位算法", 重庆邮电大学学报(自然科学版), no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932913A (zh) * | 2022-11-24 | 2023-04-07 | 国网思极位置服务有限公司 | 一种卫星定位伪距修正方法及装置 |
CN115932913B (zh) * | 2022-11-24 | 2024-03-08 | 国网思极位置服务有限公司 | 一种卫星定位伪距修正方法及装置 |
CN115932907A (zh) * | 2022-12-16 | 2023-04-07 | 南京航空航天大学 | 基于卡尔曼滤波器和粒子群优化的单目标直接跟踪方法 |
CN115932907B (zh) * | 2022-12-16 | 2024-02-13 | 南京航空航天大学 | 基于卡尔曼滤波器和粒子群优化的单目标直接跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112782732B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114018274B (zh) | 车辆定位方法、装置及电子设备 | |
CN112782732B (zh) | 一种基于粒子群算法的导航信号解析方法及计算机存可读介质 | |
CN112465877B (zh) | 一种基于运动状态估计的卡尔曼滤波视觉追踪稳定方法 | |
WO2019201135A1 (zh) | 基于全局路网特征的数据匹配方法、装置及存储介质 | |
CN111983927A (zh) | 一种新型的最大协熵椭球集员滤波方法 | |
CN110865343A (zh) | 基于lmb的粒子滤波检测前跟踪方法及系统 | |
CN113091742A (zh) | 一种融合定位方法、装置、电子设备及存储介质 | |
CN112946698A (zh) | 一种基于强化学习的卫星信号周跳探测方法 | |
CN114449439A (zh) | 一种地下管廊空间的定位方法及装置 | |
Alkhatib et al. | Further results on a robust multivariate time series analysis in nonlinear models with autoregressive and t-distributed errors | |
US11340356B2 (en) | System and method for integer-less GNSS positioning | |
Li et al. | A stepwise-then-orthogonal regression (STOR) with quality control for optimizing the RFM of high-resolution satellite imagery | |
CN116734864A (zh) | 一种常值观测偏差条件下航天器自主相对导航方法 | |
CN112698368B (zh) | 一种导航接收机的导航信号解析方法及计算机存可读介质 | |
CN114705223A (zh) | 多移动智能体在目标跟踪中的惯导误差补偿方法及系统 | |
US20230078005A1 (en) | Navigation assistance method for a mobile carrier | |
CN111435168B (zh) | 一种定位方法及装置 | |
Li et al. | An ambiguity-free smoothing algorithm for multipath mitigation in INS/RTK tightly-coupled integration | |
Wang et al. | A method for solving LiDAR waveform decomposition parameters based on a variable projection algorithm | |
Chiang et al. | An ANN–RTS smoother scheme for accurate INS/GPS integrated attitude determination | |
CN116817928B (zh) | 基于因子图优化的卫导/惯导列车多源融合定位的方法 | |
CN117629186A (zh) | 地图构建方法、模型训练方法、装置、设备及存储介质 | |
CN116045976A (zh) | 位姿确定方法及相关装置、电子设备和存储介质 | |
CN117687006A (zh) | 激光雷达到惯性测量单元的外参标定方法及其装置 | |
CN117148270A (zh) | 一种混合环境中的定位方法、装置、设备和介质 |
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 |