CN113449248A - 集成sins/gnss系统数据融合方法和装置 - Google Patents

集成sins/gnss系统数据融合方法和装置 Download PDF

Info

Publication number
CN113449248A
CN113449248A CN202010225982.XA CN202010225982A CN113449248A CN 113449248 A CN113449248 A CN 113449248A CN 202010225982 A CN202010225982 A CN 202010225982A CN 113449248 A CN113449248 A CN 113449248A
Authority
CN
China
Prior art keywords
type
sins
integrated
fuzzy
data fusion
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
Application number
CN202010225982.XA
Other languages
English (en)
Other versions
CN113449248B (zh
Inventor
丁铁新
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202010225982.XA priority Critical patent/CN113449248B/zh
Publication of CN113449248A publication Critical patent/CN113449248A/zh
Application granted granted Critical
Publication of CN113449248B publication Critical patent/CN113449248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Abstract

本申请提供了一种集成SINS/GNSS系统数据融合方法和装置，该集成SINS/GNSS系统基于约束的type‑2型模糊卡尔曼滤波器的数据融合方法方法包括：时间更新步骤，所述时间更新步骤基于时间更新方程计算所述集成SINS/GNSS系统的误差协方差的预测值和状态向量；测量更新，所述测量步骤基于测量更新方程计算卡尔曼增益；协方差矩阵更新，所述协方差矩阵更新步骤使用基于type‑2型模糊逻辑的自适应协方差匹配算法来计算状态转移矩阵并更新状态向量和误差协方差；估算投影步骤，所述估算投影步骤存在INS误差模型约束的情况下通过解决约束面上投影最小化问题来确定状态向量的最优估计值。本申请的方法和装置能够有效地提高低成本集成惯性导航系统的整体精度和可靠性。

Description

集成SINS/GNSS系统数据融合方法和装置
技术领域
本发明涉及惯性导航领域，特别地，涉及一种集成SINS/GNSS系统 基于约束的type-2型模糊卡尔曼滤波器的数据融合方法和装置。
背景技术
低成本捷联惯性导航系统(SINS)主要的挑战是由于对基于微机电系 统(MEMS)的惯性传感器进行了错误的测量并随着的时间增长而累积导 致的定位误差的问题。但是通过全球导航卫星系统(GNSS)提供了无漂 移的定位数据，可以适当地利用它来防止独立设备的累积误差。另一方面， GNSS信号存在由于人行横道，高树木和建筑物而被阻塞的问题。实理论 上GNSS是拒绝导致产生一些不良影响的环境。例如，SINS垂直通道内 在的固有不稳定性会导致海拔和垂直速度估算。这些影响应保持在最低水 平，以保持车辆位置和速度的准确值在GNSS拒绝的环境中。全球导航卫 星系统(GNSS)有一些可以与SINS适当集成的互补特性，因此为了弥补 了每个独立的SINS和GNSS存在的不足，集成机制在SINS/GNSS导航 系统这变得尤为重要。因此设计一种最佳的SINS/GNSS集成算法是一项 巨大的挑战，对于提高定位导航的精确性和实时性具有重要的研究意义。
发明内容
本申请的目的在于，提供一种集成SINS/GNSS系统基于约束的type-2 型模糊卡尔曼滤波器的数据融合方法和装置，其能够有效地提高低成本集 成惯性导航系统的整体精度和可靠性。
根据本申请的一个方面，提供一种集成SINS/GNSS系统基于约束的 type-2型模糊卡尔曼滤波器的数据融合方法，包括：
时间更新步骤，所述时间更新步骤基于时间更新方程计算所述集成 SINS/GNSS系统的误差协方差的预测值和状态向量；
测量更新步骤，所述测量步骤基于测量更新方程计算卡尔曼增益；
协方差矩阵更新步骤，所述协方差矩阵更新步骤使用基于type-2型模 糊逻辑的自适应协方差匹配算法来计算状态转移矩阵并更新状态向量和 误差协方差；
估算投影步骤，所述估算投影步骤存在INS误差模型约束的情况下通 过解决约束面上投影最小化问题来确定状态向量的最优估计值。
进一步地，所述时间更新方程为：
Figure BDA0002427652410000021
Figure BDA0002427652410000022
其中，
Figure BDA0002427652410000023
表示误差协方差的预测值，
Figure BDA0002427652410000024
表示状态向量，Ak-1是与INS 误差模型的动力学相关的状态转移矩阵，Qk-1代表系统噪声的协方差矩阵。
进一步地，所述测量更新方程为：
Figure RE-GDA0002528363040000011
Figure RE-GDA0002528363040000012
Pk＝(I-KkΩk)Pk - (5)
其中KK表示卡尔曼增益，Rk表示测量噪声的协方差矩阵，Ωk表示 观测矩阵的特征。
进一步地，观测矩阵的特征Ωk根据状态向量
Figure BDA0002427652410000027
和测量向量zk如下 所示：
Figure BDA0002427652410000028
zk＝[vINS-vGPSvINS-rGPS]T (7)
其中，v＝[vN vE vD]T为速度向量，r＝[L l h]T为位置向量，上标IN 表示INS的动态输出。
进一步地，在协方差矩阵更新步骤中，Type-2型模糊推理系统参数定 义如下：
Figure BDA0002427652410000031
Figure BDA0002427652410000032
其中，ξ1和ξ2为模糊系统输入，fb表示车身框架坐标系下的力矢量， ωb表示车身框架坐标系下的角速度。
进一步地，在协方差矩阵更新步骤中，归一化因子α为模糊推理系统 的输出，根据预先建立的语言模糊规则库，基于主车辆的操纵水平以及导 航轨迹来自适应地确定归一化因子α。
进一步地，语言模糊规则库如下所示，
如果ξ1是small型ξ2是small型α＝-1
如果ξ1是small型ξ2是medium型α＝-0.5
如果ξ1是mediuml型ξ2是small型α＝-0.25
如果ξ1是mediuml型ξ2是small型α＝-0.75
如果ξ1是medium型ξ2是medium型α＝0
如果ξ1是medium型ξ2是high型α＝0.25
如果ξ1是high型ξ2是small型α＝0.5
如果ξ1是high型ξ2是medium型α＝0.75
如果ξ1是high型ξ2是high型α＝1。
进一步地，在协方差矩阵更新步骤中，根据以下关系通过α更新协方 差矩阵：
Qk＝Q0×10α (10)
进一步地，所述最小化问题为：
Figure BDA0002427652410000041
约束：Dxk≤dk，
其中
Figure BDA0002427652410000042
表示约束面上的投影状态，W为正定加权矩阵，D和d是代 表约束的标准形式的已知矩阵：
Figure BDA0002427652410000043
Figure BDA0002427652410000044
其中，vN、vE、vD分别表示北、东、下3个方向的速度分量。
进一步地，所述最小化问题的解如下所示：
Figure BDA0002427652410000051
其中，
Figure BDA0002427652410000052
和
Figure BDA0002427652410000053
是D的行列中以及dk在问题解决方案中处于活动状态的 部分，
Figure BDA0002427652410000054
表示约束面上的投影状态的最优值。
根据本申请的另一方面，提供一种集成SINS/GNSS系统基于约束的 type-2型模糊卡尔曼滤波器的数据融合装置，包括：
存储器；以及
处理器，所述处理器被配置为执行上文所述的方法。
本申请集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器 的数据融合方法和装置能够提高低成本集成惯性导航系统的整体精度和 可靠性。依赖GNSS和SINS的互补特性推动了SINS/GNSS集成导航系 统的发展，对于SINS/GNSS导航系统集成提出了不同的算法，在估算过 程中使用了SINS动态误差,针对IC集成SINS/GNSS系统提出基于约束的 2型模糊卡尔曼滤波器(T2FKF)的SINS/GNSS系统的数据融合算法方 法，在提出的约束T2FKF中，将的速度约束和的高度约束适当嵌入到集 成方案中，以保持导航的准确性和可靠性，尤其是在GNSS信号阻塞时依 旧能保持导航系统的整体精度和可靠性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解， 本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不 当限定。在附图中：
图1示出了SINS/GNSS的流程框图。
图2示出了根据本申请的示例性实施方案的集成SINS/GNSS系统基 于约束的type-2型模糊卡尔曼滤波器的数据融合方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进 行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例， 而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是 说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中 的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所 有其他实施例，都属于本申请保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非 意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文 另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的 是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、 步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布 置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于 描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。 对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论， 但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。 在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的， 而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应 注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一 项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1示出了集成SINS/GNSS系统的主要配置。输入数据、动态系统、 数据融合算法和测量数据是该图中的主要部分。提供输入数据包括三轴加 速度计和陀螺仪的惯性传感器，以及气压计和温度计的空气数据传感器。
本发明针对低成本集成惯性导航系统的整体精度低和可靠性差的问 题，提出了基于约束的type-2型模糊卡尔曼滤波器(T2FKF)的SINS/ GNSS系统的数据融合算法方法。在提出的约束T2FKF中，将的速度约束 和高度约束适当嵌入到集成方案中，有效解决卫星信号严重被低成本集成 惯性导航系统的整体精度低和可靠性差的问题。
图2示出了根据本申请的示例性实施方案的集成SINS/GNSS系统基 于约束的type-2型模糊卡尔曼滤波器的数据融合方法的流程图。如图2所 示，根据本申请的示例性实施方案的集成SINS/GNSS系统基于约束的 type-2型模糊卡尔曼滤波器的数据融合方法包括：
S110：时间更新步骤，所述时间更新步骤基于时间更新方程计算所述 集成SINS/GNSS系统的误差协方差的预测值和状态向量；
S120：测量更新步骤，所述测量步骤基于测量更新方程计算卡尔曼增 益；
S130：协方差矩阵更新步骤，所述协方差矩阵更新步骤使用基于type-2 型模糊逻辑的自适应协方差匹配算法来计算状态转移矩阵并更新状态向 量和误差协方差；
S140：估算投影步骤，所述估算投影步骤存在INS误差模型约束的情 况下通过解决约束面上投影最小化问题来确定状态向量的最优估计值。
本申请提出的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼 滤波器(T2FKF)的数据融合方法，用于自适应地更改估计的协方差矩阵 算法。惯性测量用作模糊推理系统的输入，状态估计算法会根据车辆在导 航轨迹中的操作进行自适应修改。该数据融合方法主要四个步骤实现，包 括时间更新、测量更新、协方差矩阵匹配和状态投影。
下面逐一介绍本申请的中的集成SINS/GNSS系统基于约束的type-2 型模糊卡尔曼滤波器的数据融合方法的各个步骤。
S110：时间更新步骤
在时间更新步骤S110中，误差协方差的预测值
Figure BDA0002427652410000071
和状态向量
Figure BDA0002427652410000072
的计 算如下
Figure BDA0002427652410000073
Figure BDA0002427652410000074
其中Ak-1是与INS误差模型的动力学相关的状态转移矩阵Qk-1代表系 统噪声的协方差矩阵。在协方差矩阵匹配过程中进行更新。
S120：测量更新步骤
在测量更新步骤S120中，计算卡尔曼增益KK，因此状态向量和误差 协方差矩阵为更新如下：
Figure BDA0002427652410000081
Figure BDA0002427652410000082
Figure BDA0002427652410000083
其中Rk是测量噪声的协方差矩阵。Ωk表示观测矩阵的特征，它是 根据状态向量
Figure BDA0002427652410000084
和测量向量zk如下所示：
Figure BDA0002427652410000085
zk＝[vINS-vGPSvINS-rGPS]T (7)
其中v＝[vN vE vD]Tr＝[L l h]T是速度和位置向量，另外上标IN表 示INS的动态输出。
S130：协方差矩阵更新步骤
在协方差矩阵更新步骤S130中，卡尔曼滤波器估计算法的性能与系 统噪声的协方差矩阵显著相关，而MEMS级IMU的测量可靠性与车辆机 动性有关。在误差协方差预测中，根据系统噪声需采用合适的协方差矩阵， 本设计提出了一种基于type-2型模糊逻辑的自适应协方差匹配算法。
在提出的算法中，通过IMU测量来评估车辆的操纵水平。
Type-2型模糊推理系统参数定义如下：
Figure BDA0002427652410000086
Figure BDA0002427652410000091
其中，ξ1和ξ2为模糊系统输入，fb表示车身框架坐标系下的力矢量， ωb表示车身框架坐标系下的角速度。
归一化因子α被定义为模糊推理系统的输出。α用于更新协方差矩 阵，根据以下关系：
Qk＝Q0×10α (10)
根据惯性导航领域的专业工程师的经验和知识而设计开发了由九个 规则组成的以下语言模糊规则库，依据语言模糊规则库来表示模糊系统输 入ξ1和ξ2，
如果ξ1是small型ξ2是small型α＝-1
如果ξ1是small型ξ2是medium型α＝-0.5
如果ξ1是mediuml型ξ2是small型α＝-0.25
如果ξ1是mediuml型ξ2是small型α＝-0.75
如果ξ1是medium型ξ2是medium型α＝0
如果ξ1是medium型ξ2是high型α＝0.25
如果ξ1是high型ξ2是small型α＝0.5
如果ξ1是high型ξ2是medium型α＝0.75
如果ξ1是high型ξ2是high型α＝1
根据上面所提出的模糊推理系统，基于主车辆的操纵水平以及导航轨 迹来自适应地确定α然后基于公式调整协方差矩阵Qk。
S140：估算投影步骤
在估算投影步骤S140中，在约束T2FKF估计算法中，在存在INS误 差模型约束的情况下执行以下最小化问题：
Figure BDA0002427652410000101
约束：Dxk≤dk
其中
Figure BDA0002427652410000102
表示约束面上的投影状态。W是一个正定加权矩阵。D和d 是代表约束的标准形式的已知矩阵：
Figure BDA0002427652410000103
Figure BDA0002427652410000104
其中，vN、vE、vD分别表示北、东、下3个方向的速度分量。
对于具有不等式约束的问题可以通过使用主动集方法解决。在这种方 法中，首先确定解中的活动约束，问题解陈述如下：
Figure BDA0002427652410000111
其中
Figure BDA0002427652410000112
和
Figure BDA0002427652410000113
是D的行列中以及dk在问题解决方案中处于活动状态的 部分，
Figure BDA0002427652410000114
表示约束面上的投影状态的最优值。
根据本申请的一个示例性实施方案，提出一种集成SINS/GNSS系统 基于约束的type-2型模糊卡尔曼滤波器的数据融合装置，包括：
存储器；以及
处理器，所述处理器被配置为执行上文所述的方法。
本申请依赖GNSS和SINS的互补特性推动了SINS/GNSS集成导航 系统的发展，对于SINS/GNSS导航系统集成提出了不同的算法，在估算 过程中使用了SINS动态误差，针对IC集成SINS/GNSS系统提出基于约 束的2型模糊卡尔曼滤波器(T2FKF)的SINS/GNSS系统的数据融合方 法，在提出的约束T2FKF中，将速度约束和高度约束适当嵌入到集成方 案中，以保持导航的准确性和可靠性，尤其是在GNSS信号阻塞时依旧能 保持导航系统的整体精度和可靠性。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、 右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置 关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和 简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的 装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能 理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本 身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、 “在……上方”、“在……上表面”、“上面的”等，用来描述如在图中 所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是， 空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操 作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在 其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语 “在……上方”可以包括“在……上方”和“在……下方”两种方位。该 器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这 里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件， 仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没 有特殊含义，因此不能理解为对本申请保护范围的限制。
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。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于 本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精 神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请 的保护范围之内。

Claims (11)

1.一种集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，包括：
时间更新步骤，所述时间更新步骤基于时间更新方程计算所述集成SINS/GNSS系统的误差协方差的预测值和状态向量；
测量更新步骤，所述测量步骤基于测量更新方程计算卡尔曼增益；
协方差矩阵更新步骤，所述协方差矩阵更新步骤使用基于type-2型模糊逻辑的自适应协方差匹配算法来计算状态转移矩阵并更新状态向量和误差协方差；
估算投影步骤，所述估算投影步骤存在INS误差模型约束的情况下通过解决约束面上投影最小化问题来确定状态向量的最优估计值。
2.根据权利要求1所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，所述时间更新方程为：
Figure RE-FDA0002570575990000011
Figure RE-FDA0002570575990000012
其中，
Figure RE-FDA0002570575990000013
表示误差协方差的预测值，
Figure RE-FDA0002570575990000014
表示状态向量，Ak-1是与INS误差模型的动力学相关的状态转移矩阵，Qk-1代表系统噪声的协方差矩阵。
3.根据权利要求2所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，所述测量更新方程为：
Figure RE-FDA0002570575990000015
Figure RE-FDA0002570575990000016
Figure RE-FDA0002570575990000017
其中KK表示卡尔曼增益，Rk表示测量噪声的协方差矩阵，Ωk表示观测矩阵的特征。
4.根据权利要求3所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，观测矩阵的特征Ωk根据状态向量
Figure RE-FDA0002570575990000021
和测量向量zk如下所示：
Figure RE-FDA0002570575990000022
zk＝[vINS-vGPSvINS-rGPS]T (7)
其中，v＝[vN vE vD]T为速度向量，r＝[L l h]T为位置向量，上标IN表示INS的动态输出。
5.根据权利要求1所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，在协方差矩阵更新步骤中，Type-2型模糊推理系统参数定义如下：
Figure RE-FDA0002570575990000023
Figure RE-FDA0002570575990000024
其中，ξ1和ξ2为模糊系统输入，fb表示车身框架坐标系下的力矢量，ωb表示车身框架坐标系下的角速度。
6.根据权利要求5所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，在协方差矩阵更新步骤中，归一化因子α为模糊推理系统的输出，根据预先建立的语言模糊规则库，基于主车辆的操纵水平以及导航轨迹来自适应地确定归一化因子α。
7.根据权利要求6所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，语言模糊规则库如下所示，
如果ξ1是small型 ξ2是small型 α＝-1
如果ξ1是small型 ξ2是medium型 α＝-0.5
如果ξ1是mediuml型 ξ2是small型 α＝-0.25
如果ξ1是mediuml型 ξ2是small型 α＝-0.75
如果ξ1是medium型 ξ2是medium型 α＝0
如果ξ1是medium型 ξ2是high型 α＝0.25
如果ξ1是high型 ξ2是small型 α＝0.5
如果ξ1是high型 ξ2是medium型 α＝0.75
如果ξ1是high型 ξ2是high型 α＝1。
8.根据权利要求6或7所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，在协方差矩阵更新步骤中，根据以下关系通过α更新协方差矩阵：
Qk＝Q0×10α (10)
9.根据权利要求1所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，所述最小化问题为：
Figure RE-FDA0002570575990000041
约束：Dxk≤dk，
其中
Figure RE-FDA0002570575990000042
表示约束面上的投影状态，W为正定加权矩阵，D和d是代表约束的标准形式的已知矩阵：
Figure RE-FDA0002570575990000043
Figure RE-FDA0002570575990000044
其中，vN、vE、vD分别表示北、东、下3个方向的速度分量。
10.根据权利要求9所述的集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合方法，其特征在于，所述最小化问题的解如下所示：
Figure RE-FDA0002570575990000051
其中，
Figure RE-FDA0002570575990000052
和
Figure RE-FDA0002570575990000053
是D的行列中以及dk在问题解决方案中处于活动状态的部分，
Figure RE-FDA0002570575990000054
表示约束面上的投影状态的最优值。
11.一种集成SINS/GNSS系统基于约束的type-2型模糊卡尔曼滤波器的数据融合装置，其特征在于，包括：
存储器；以及
处理器，所述处理器被配置为执行前述权利要求1-10中任一项所述的方法。
CN202010225982.XA 2020-03-26 2020-03-26 集成sins/gnss系统数据融合方法和装置 Active CN113449248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010225982.XA CN113449248B (zh) 2020-03-26 2020-03-26 集成sins/gnss系统数据融合方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010225982.XA CN113449248B (zh) 2020-03-26 2020-03-26 集成sins/gnss系统数据融合方法和装置

Publications (2)

Publication Number Publication Date
CN113449248A true CN113449248A (zh) 2021-09-28
CN113449248B CN113449248B (zh) 2022-04-12

Family

ID=77807301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010225982.XA Active CN113449248B (zh) 2020-03-26 2020-03-26 集成sins/gnss系统数据融合方法和装置

Country Status (1)

Country Link
CN (1) CN113449248B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998004965A2 (en) * 1996-07-16 1998-02-05 Colorado State University Research Foundation Method and system for tracking multiple regional objects by multi-dimensional relaxation
US20080319713A1 (en) * 2007-06-20 2008-12-25 Resende Mauricio Guilherme De Sensor registration by global optimization procedures
CN107643534A (zh) * 2017-09-11 2018-01-30 东南大学 一种基于gnss/ins深组合导航的双速率卡尔曼滤波方法
CN108153980A (zh) * 2017-12-26 2018-06-12 上海交通大学 基于ads-b与tcas数据融合的综合显示方法
CN108804528A (zh) * 2018-04-28 2018-11-13 北京猎户星空科技有限公司 一种数据融合方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998004965A2 (en) * 1996-07-16 1998-02-05 Colorado State University Research Foundation Method and system for tracking multiple regional objects by multi-dimensional relaxation
US20080319713A1 (en) * 2007-06-20 2008-12-25 Resende Mauricio Guilherme De Sensor registration by global optimization procedures
CN107643534A (zh) * 2017-09-11 2018-01-30 东南大学 一种基于gnss/ins深组合导航的双速率卡尔曼滤波方法
CN108153980A (zh) * 2017-12-26 2018-06-12 上海交通大学 基于ads-b与tcas数据融合的综合显示方法
CN108804528A (zh) * 2018-04-28 2018-11-13 北京猎户星空科技有限公司 一种数据融合方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHAOHUI GAO 等: ""Constrained Unscented Particle Filter for SINS/GNSS/ADS Integrated Airship Navigation in the Presence of Wind Field Disturbance"", 《SENSORS》 *
赵靖 等: ""基于简化SSKF的SINS/GNSS紧耦合算法"", 《系统工程与电子技术》 *

Also Published As

Publication number Publication date
CN113449248B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN109163721A (zh) 姿态测量方法及终端设备
CN107014376B (zh) 一种适用于农业机械精准作业的姿态倾角估计方法
CN105606096B (zh) 一种载体运动状态信息辅助的姿态和航向计算方法和系统
Youn et al. Combined quaternion-based error state Kalman filtering and smooth variable structure filtering for robust attitude estimation
CN111076722B (zh) 基于自适应的四元数的姿态估计方法及装置
US8812234B2 (en) Device to aid navigation, notably inside buildings
CN116067370B (zh) 一种imu姿态解算方法及设备、存储介质
JP5164645B2 (ja) カルマンフィルタ処理における繰り返し演算制御方法及び装置
CN116007620A (zh) 一种组合导航滤波方法、系统、电子设备及存储介质
CN113916222A (zh) 基于卡尔曼滤波估计方差约束的组合导航方法
CN116608853B (zh) 载体动态姿态估计方法、设备、存储介质
CN113449248B (zh) 集成sins/gnss系统数据融合方法和装置
EP3527944B1 (en) Heading inconsistency mitigation for inertial navigation using low-performance inertial measurement units with relative aiding
Lupton et al. Removing scale biases and ambiguity from 6DoF monocular SLAM using inertial
CN110375773B (zh) Mems惯导系统姿态初始化方法
CN112923934A (zh) 一种适用于非结构化场景中结合惯导的激光slam技术
CN108718533A (zh) 具有高程数据输入的无线惯性车辆导航
CN115388899A (zh) 基于变分贝叶斯的移动机器人视觉惯性融合slam方法
Kubo et al. Nonlinear filtering methods for the INS/GPS in-motion alignment and navigation
Perera et al. The estimation theoretic sensor bias correction problem in map aided localization
CN114485723B (zh) 一种自适应鲁棒矩阵卡尔曼滤波的高旋体空中对准方法
CN116608852B (zh) 一种用于农机惯导设备的陀螺仪温度漂移补偿方法
CN114858166B (zh) 基于最大相关熵卡尔曼滤波器的imu姿态解算方法
CN113503872B (zh) 一种基于相机与消费级imu融合的低速无人车定位方法
CN115164886B (zh) 车载gnss/ins组合导航系统比例因子误差补偿方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Dengao

Inventor after: Zhao Jumin

Inventor after: Liu Jiang

Inventor before: Ding Tiexin