CN113959447B - 相对导航高噪声量测量识别方法、装置、设备和存储介质 - Google Patents

相对导航高噪声量测量识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113959447B
CN113959447B CN202111224203.5A CN202111224203A CN113959447B CN 113959447 B CN113959447 B CN 113959447B CN 202111224203 A CN202111224203 A CN 202111224203A CN 113959447 B CN113959447 B CN 113959447B
Authority
CN
China
Prior art keywords
measurement
unmanned aerial
kalman filtering
aerial vehicle
sequence
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
CN202111224203.5A
Other languages
English (en)
Other versions
CN113959447A (zh
Inventor
陈浩
王础
李娜
张彤
喻夏琼
徐江涛
樊超
徐克�
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.)
Beijing Jinghang Computing Communication Research Institute
Original Assignee
Beijing Jinghang Computing Communication Research Institute
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 Beijing Jinghang Computing Communication Research Institute filed Critical Beijing Jinghang Computing Communication Research Institute
Priority to CN202111224203.5A priority Critical patent/CN113959447B/zh
Publication of CN113959447A publication Critical patent/CN113959447A/zh
Application granted granted Critical
Publication of CN113959447B publication Critical patent/CN113959447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种相对导航高噪声量测量识别方法、装置、设备和存储介质；方法包括：基于多无人机相对导航任务，确定Kalman滤波的状态序列和量测序列；建立与状态序列和量测序列对应的Kalman滤波模型；采用Kalman滤波模型进行滤波；在Kalman滤波过程中，计算量测序列中量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识所述量测量的Kalman滤波结果无效。本发明通过在卡尔曼滤波计算过程中判定出高噪声量测量数据，提升了卡尔曼滤波计算结果准确性。

Description

相对导航高噪声量测量识别方法、装置、设备和存储介质
技术领域
本发明涉及Kalman滤波及相对导航技术领域，尤其涉及一种相对导航高噪声量测量识别方法、装置、设备和存储介质。
背景技术
无人机相对导航旨在通过无人机的相对位置、相对速度等物理信息来计算无人机的绝对物理信息。惯性导航系统的惯性传感器无法直接满足相对导航精度指标。为了补偿导航系统的精度不足，常常使用其他导航设备来提高导航精度，以减小导航误差。利用卡尔曼滤波算法，可以将来自惯性导航系统与其他导航装置的数据(如惯性导航系统计算的位置对照GPS接收机给出的位置信息)加以混合利用，估计和校正未知的惯性导航系统误差。
在实际应用中，卡尔曼滤波模型虽然可以充分多种导航装置来提升计算精度，但是在求解相对导航问题时由于量测量数据受到自然界随机误差、对抗噪声干扰的影响，也会受到惯性器件误差、数据链测距误差、空速计测速误差等误差源的影响，而是Kalman滤波模型状态量计算结果与真实值具有误差，导致计算精度下降，无法满足实际要求。因此，需要识别具有较大误差的量测量数据，减少数据噪声对量测数据的影响，提升卡尔曼滤波计算结果准确性。因此，需要识别噪声干扰较大的量测数据，减少量测数据误差对Kalman滤波模型结果的影响。
传统的数据误差识别方法主要对量测数据进行独立检测，无法充分结合卡尔曼滤波计算结果的反馈。传统的卡尔曼滤波算法缺乏对传感器数据误差的识别机制，因此无法直接计算传感器误差对计算结果精度的影响。需要构建传感器误差的判定模型，在卡尔曼滤波计算过程中判定传感器数据的误差是否超过卡尔曼滤波计算结果误差的设计阈值。
发明内容
鉴于上述的分析，本发明旨在提供一种相对导航高噪声量测量识别方法、装置、设备和存储介质，解决相对导航中高噪声量测量数据的识别问题。
本发明提供的技术方案是：
本发明公开了一种相对导航高噪声量测量识别方法，包括以下步骤：
基于多无人机相对导航任务，确定Kalman滤波的状态序列和量测序列；
建立与状态序列和量测序列对应的Kalman滤波模型；
采用Kalman滤波模型进行滤波；
在Kalman滤波过程中，计算量测序列中量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识所述量测量的Kalman滤波结果无效。
进一步地，所述多无人机相对导航任务包括A、B和C三个无人机；确定Kalman滤波的状态序列
Figure BDA0003310742200000021
N表示序列总长度；其中，状态序列的Xk为包括第k个时间点的12维状态值向量，包括无人机A和无人机B的相对航向角速度、无人机A和无人机C的相对航向角速度、无人机A和无人机B的相对位置矢量、无人机A和无人机C的相对位置矢量、无人机A、B和C的速度矢量。
进一步地，确定Kalman滤波的量测序列
Figure BDA0003310742200000022
其中，量测序列的Yk为第k个时间点的6维量测值向量，包括无人机A和无人机B的相对距离长度，无人机B和无人机C的相对距离长度，无人机A和无人机C的相对距离长度，无人机A和无人机B速度大小的差值，无人机B和无人机C速度大小的差值以及无人机A和无人机C速度大小的差值。
进一步地，Kalman滤波模型为：
Xk+1＝AkXk+GkWk；
Yk＝HkXk+Vk；
其中N表示序列总长度，Ak为状态转移矩阵，Hk为量测转移矩阵；Gk为系统噪声系数矩阵；系统噪声矩阵Wk满足高斯分布N(0，I)；量测噪声矩阵Vk满足高斯分布N(0，∑k)；∑k为协方差矩阵。
进一步地，所述Kalman滤波过程包括：
初始化状态向量的初始值X0和观测噪声的方差初始值∑0；
预测
Figure BDA0003310742200000031
以及/>
Figure BDA0003310742200000032
计算Kalman增益矩阵
Figure BDA0003310742200000033
估计的
Figure BDA0003310742200000034
以及/>
Figure BDA0003310742200000035
其中，
Figure BDA0003310742200000036
为k时刻的先验状态估计值；/>
Figure BDA0003310742200000037
为k时刻的后验状态估计值；/>
Figure BDA0003310742200000038
为后验预测误差协方差矩阵。
进一步地，所述量测值向量Yk的置信度ρk为：
Figure BDA0003310742200000039
其中，a为权值；p(Yk|Yk-1，...，Y1)为给定在先量测值向量Yk-1，...，Y1的条件下，关于量测值向量Yk的Kalman滤波的概率密度函数值；
Figure BDA00033107422000000310
表示当第k个状态值向量Xk取值为Kalman滤波估计值的条件概率密度函数值。
进一步地，所述p(Yk|Yk-1，...，Y1)概率密度函数的期望为
Figure BDA00033107422000000311
方差为Pk；
其中；
Figure BDA00033107422000000312
为k时刻的后验状态估计值；
Pk通过公式
Figure BDA00033107422000000313
进行估计；其中，Q为过程激励噪声协方差；
对正态分布
Figure BDA0003310742200000041
进行抽样，得到M个样本/>
Figure BDA0003310742200000042
则p(Yk|Yk-1,…,Y1)通过公式
Figure BDA0003310742200000043
计算得到；其中，/>
Figure BDA0003310742200000044
为正态分布/>
Figure BDA0003310742200000045
本发明还公开了一种相对导航高噪声量测量识别装置，包括接口模块、Kalman滤波模块和量测量识别模块；
所述接口模块，用于从多无人机相对导航任务中，获取状态序列和量测序列输出到Kalman滤波模块；
所述Kalman滤波模块，用于根据输入的状态序列和量测序列进行Kalman滤波，输出滤波结果；
所述量测量识别模块，用于计算Kalman滤波过程中，量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识根据所述量测量的Kalman滤波结果无效。
本发明还公开了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的相对导航高噪声量测量识别方法。
本发明还公开了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的的相对导航高噪声量测量识别方法。
本发明的有益效果：
本发明基于相对导航任务，在现有的Kalman滤波模型基础上，增加了判定量测量数据是否具有较大噪声的机制。改变了传统的卡尔曼滤波算法缺乏对传感器数据误差的识别机制，无法直接计算传感器误差对计算结果精度的影响。
本发明可在卡尔曼滤波计算过程中判定量测量数据的误差是否超过卡尔曼滤波计算结果误差的设计置信阈值，判定出高噪声量测量数据，标识出高噪声量测量数据的Kalman滤波结果无效。从而提升卡尔曼滤波计算结果准确性。
而且，无需构建传感器误差的判定模型，简单高效。解决了传统判定量测数据噪声大小的方法主要基于量测数据产生机理和分布特征，未与Kalman滤波模型相结合，无法充分提取对Kalman滤波结果影响较大的高噪声量测数据的问题。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例中的相对导航高噪声量测量识别方法流程图；
图2为本发明实施例中的Kalman滤波过程流程图；
图3为本发明实施例中的相对导航高噪声量测量识别装置组成示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
本实施例公开了一种相对导航高噪声量测量识别方法，如图1所示，包括以下步骤：
步骤S101、基于多无人机相对导航任务，确定Kalman滤波的状态序列和量测序列；
步骤S102、建立与状态序列和量测序列对应的Kalman滤波模型；
步骤S103、采用Kalman滤波模型进行滤波；
步骤S104、在Kalman滤波过程中，计算量测序列中量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识所述量测量的Kalman滤波结果无效。
具体的，所述多无人机相对导航任务包括A、B和C三个无人机；确定Kalman滤波的状态序列
Figure BDA0003310742200000061
N表示序列总长度；其中，状态序列的Xk为包括第k个时间点的12维状态值向量，包括1维的无人机A和无人机B的相对航向角速度、1维的无人机A和无人机C的相对航向角速度、2维的无人机A和无人机B的相对位置矢量、2维的无人机A和无人机C的相对位置矢量、2维的无人机A、B和C的速度矢量。
确定Kalman滤波的量测序列
Figure BDA0003310742200000062
其中，量测序列的Yk为第k个时间点的6维量测值向量，包括无人机A和无人机B的相对距离长度，无人机B和无人机C的相对距离长度，无人机A和无人机C的相对距离长度，无人机A和无人机B速度大小的差值，无人机B和无人机C速度大小的差值以及无人机A和无人机C速度大小的差值。
步骤S102中与状态序列和量测序列对应的Kalman滤波模型为：
Xk+1＝AkXk+GkWk；
Yk＝HkXk+Vk；
其中N表示序列总长度，Ak为状态转移矩阵，Hk为量测转移矩阵；Gk为系统噪声系数矩阵；系统噪声矩阵Wk满足高斯分布N(0，I)；量测噪声矩阵Vk满足高斯分布N(0，∑k)；∑k为协方差矩阵。
步骤S103中通过Kalman滤波模型进行滤波的过程，如图2所示，包括以下步骤：
步骤S201、初始化状态向量的初始值X0和观测噪声的方差初始值∑0；
步骤S202、预测
Figure BDA0003310742200000063
以及/>
Figure BDA0003310742200000064
步骤S203、计算Kalman增益矩阵
Figure BDA0003310742200000071
步骤S204、估计的
Figure BDA0003310742200000072
以及/>
Figure BDA0003310742200000073
其中，
Figure BDA0003310742200000074
为k时刻的先验状态估计值；/>
Figure BDA0003310742200000075
为k时刻的后验状态估计值；/>
Figure BDA0003310742200000076
为后验预测误差协方差矩阵。
步骤S104中，所述量测值向量Yk的置信度ρk为：
Figure BDA0003310742200000077
其中，a为权值；p(Yk|Yk-1，...，Y1)为给定在先量测值向量Yk-1，...，Y1的条件下，关于量测值向量Yk的Kalman滤波的概率密度函数值；
Figure BDA0003310742200000078
表示当第k个状态值向量Xk取值为Kalman滤波估计值的条件概率密度函数值。
本实施例的概率密度函数值p(Yk)的计算方法为：由于p(Yk|Yk-1，...，Y1)具有下面的表示形式：
Figure BDA0003310742200000079
本实施例采用采样的方法来近似计算p(Yk|Yk-1，...，Y1)。根据本实施例的Kalman滤波估计方法，
具体的，所述p(Yk|Yk-1，...，Y1)概率密度函数的期望为
Figure BDA00033107422000000718
方差为Pk；
其中；
Figure BDA00033107422000000711
为k时刻的后验状态估计值；
Pk通过公式
Figure BDA00033107422000000712
进行估计；其中，Q为过程激励噪声协方差；
对正态分布
Figure BDA00033107422000000713
进行抽样，得到M个样本/>
Figure BDA00033107422000000714
则p(Yk|Yk-1，...，Y1)通过公式
Figure BDA00033107422000000715
计算得到；其中，/>
Figure BDA00033107422000000716
为正态分布/>
Figure BDA00033107422000000717
本实施例中，通过对增加了对量测值向量Yk进行基于Kalman滤波模型的置信度计算，将低于给定置信阈值的量测量数据进行识别和挖掘，判定出高噪声量测量数据，标识出所述高噪声量测量数据的Kalman滤波结果无效，提升卡尔曼滤波计算结果准确性。
在本实施例中的另一个方案中，针对于步骤S203中计算Kalman增益矩阵
Figure BDA0003310742200000081
未针对原始卡尔曼滤波与实际应用场景的建模差异所导致计算误差，不能解决Kalman滤波模型与实际场景的差异性而产生未建模误差，计算结果与真实值会出现偏差的问题，对Kalman增益矩阵Kk进行稳健性优化，提升对量测数据误差的鲁棒性。
具体的，本实施例的Kalman增益矩阵
Figure BDA0003310742200000082
其中，
Figure BDA0003310742200000083
为第k个时间点的Kalman滤波估计的后验预测误差协方差矩阵；I为单位矩阵；Hk为观测转移矩阵；Vk为观测噪声矩阵；λ1为第一稳健性参数，λ2为第二稳健性参数。通过确定出第一稳健性参数λ1和第二稳健性参数λ2带入增益矩阵Kk。
通过增益矩阵Kk对系统噪声矩阵Wk和观测噪声矩阵Vk的协方差矩阵进行建模与修正。
更为具体的，第一稳健性参数λ1的计算步骤，包括：
1)计算剩余向量
Figure BDA0003310742200000084
2)基于剩余向量xk，计算{xk}的协方差矩阵∑0：
Figure BDA0003310742200000085
其中；
Figure BDA0003310742200000086
3)计算剩余矩阵
Figure BDA0003310742200000087
定义rk为Rk的对角元素组成的向量；
4)计算第一稳健性参数
Figure BDA0003310742200000088
具体的，第二稳健性参数λ2的计算步骤，包括：
1)计算剩余向量
Figure BDA0003310742200000091
2)基于剩余向量x′k，计算{x′k}的协方差矩阵∑′0：
Figure BDA0003310742200000092
其中
Figure BDA0003310742200000093
3)计算剩余矩阵R′k：R′k＝∑′0-Vk；定义r′k为R′k的对角元素组成的向量；
4)计算第二稳健性参数
Figure BDA0003310742200000094
通过本实施例的Kalman滤波算法，在增益矩阵中对对系统噪声矩阵Wk和观测噪声矩阵Vk的协方差矩阵进行建模与修正，实现了稳健性优化，提升对量测数据误差的鲁棒性，解决了Kalman滤波模型与实际场景的差异性而产生未建模误差，减少了计算结果与真实值的偏差。
本实施例的另一个方案公开了一种相对导航高噪声量测量识别装置，如图3所示，包括接口模块、Kalman滤波模块和量测量识别模块；
所述接口模块，用于从多无人机相对导航任务中，获取状态序列和量测序列输出到Kalman滤波模块；
所述Kalman滤波模块，用于根据输入的状态序列和量测序列进行Kalman滤波，输出滤波结果；
所述量测量识别模块，用于计算Kalman滤波过程中，量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识根据所述量测量的Kalman滤波结果无效。
在本方案中的具体技术细节和效果与上一实施例相同，在此就不一一赘述了。
本实施例的另一个具体的方案中，还公开了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的相对导航高噪声量测量识别方法。
在本方案中的具体技术细节和效果与上一实施例相同，在此就不一一赘述了。
本实施例的一个具体的方案中，还公开了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述的相对导航高噪声量测量识别方法。
在本方案中的具体技术细节和效果与上一实施例相同，在此就不一一赘述了。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种相对导航高噪声量测量识别方法，其特征在于，包括以下步骤：
基于多无人机相对导航任务，确定Kalman滤波的状态序列和量测序列；
建立与状态序列和量测序列对应的Kalman滤波模型；
采用Kalman滤波模型进行滤波；
在Kalman滤波过程中，计算量测序列中量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识所述量测量的Kalman滤波结果无效；
所述置信度ρk为：
Figure FDA0004231248820000011
其中，Yk为Kalman滤波的量测值向量，a为权值；p(Yk|Yk-1,…,Y1)为给定在先量测值向量Yk-1，...，Y1的条件下，关于量测值向量Yk的Kalman滤波的概率密度函数值；
Figure FDA0004231248820000012
表示当第k个状态值向量Xk取值为Kalman滤波估计值的条件概率密度函数值。
2.根据权利要求1所述的量测量识别方法，其特征在于，所述多无人机相对导航任务包括A、B和C三个无人机；确定Kalman滤波的状态序列
Figure FDA0004231248820000013
N表示序列总长度；其中，状态序列的Xk为包括第k个时间点的12维状态值向量，包括无人机A和无人机B的相对航向角速度、无人机A和无人机C的相对航向角速度、无人机A和无人机B的相对位置矢量、无人机A和无人机C的相对位置矢量、无人机A、B和C的速度矢量。
3.根据权利要求2所述的量测量识别方法，其特征在于，确定Kalman滤波的量测序列
Figure FDA0004231248820000014
其中，量测序列的Yk为第k个时间点的6维量测值向量，包括无人机A和无人机B的相对距离长度，无人机B和无人机C的相对距离长度，无人机A和无人机C的相对距离长度，无人机A和无人机B速度大小的差值，无人机B和无人机C速度大小的差值以及无人机A和无人机C速度大小的差值。
4.根据权利要求1所述的量测量识别方法，其特征在于，
Kalman滤波模型为：
Xk+1＝AkXk+GkWk；
Yk＝HkXk+Vk；
其中N表示序列总长度，Ak为状态转移矩阵，Hk为量测转移矩阵；Gk为系统噪声系数矩阵；系统噪声矩阵Wk满足高斯分布N(0,I)；量测噪声矩阵Vk满足高斯分布N(0,Σk)；Σk为协方差矩阵。
5.根据权利要求4所述的量测量识别方法，其特征在于，所述Kalman滤波过程包括：
初始化状态向量的初始值X0和观测噪声的方差初始值Σ0；
预测
Figure FDA0004231248820000021
以及/>
Figure FDA0004231248820000022
计算Kalman增益矩阵
Figure FDA0004231248820000023
估计的
Figure FDA0004231248820000024
以及/>
Figure FDA0004231248820000025
其中，
Figure FDA0004231248820000026
为k时刻的先验状态估计值；/>
Figure FDA0004231248820000027
为k时刻的后验状态估计值；/>
Figure FDA0004231248820000028
为后验预测误差协方差矩阵。
6.根据权利要求1所述的量测量识别方法，其特征在于，
所述p(Yk|Yk-1,…,Y1)概率密度函数的期望为
Figure FDA0004231248820000029
方差为Pk；
其中；
Figure FDA00042312488200000210
为k时刻的后验状态估计值；
Pk通过公式
Figure FDA00042312488200000211
进行估计；其中，Q为过程激励噪声协方差；
对正态分布
Figure FDA00042312488200000212
进行抽样，得到M个样本/>
Figure FDA00042312488200000213
则p(Yk|Yk-1,…,Y1)通过公式
Figure FDA00042312488200000214
计算得到；其中，/>
Figure FDA0004231248820000031
为正态分布/>
Figure FDA0004231248820000032
7.一种相对导航高噪声量测量识别装置，其特征在于，包括接口模块、Kalman滤波模块和量测量识别模块；
所述接口模块，用于从多无人机相对导航任务中，获取状态序列和量测序列输出到Kalman滤波模块；
所述Kalman滤波模块，用于根据输入的状态序列和量测序列进行Kalman滤波，输出滤波结果；
所述量测量识别模块，用于计算Kalman滤波过程中，量测量关于Kalman滤波的置信度；当置信度低于置信阈值时，则判定所述量测量为高噪声量测量，标识根据所述量测量的Kalman滤波结果无效；
所述置信度ρk为：
Figure FDA0004231248820000033
其中，Yk为Kalman滤波的量测值向量，a为权值；p(Yk|Yk-1,…,Y1)为给定在先量测值向量Yk-1，...，Y1的条件下，关于量测值向量Yk的Kalman滤波的概率密度函数值；
Figure FDA0004231248820000034
表示当第k个状态值向量Xk取值为Kalman滤波估计值的条件概率密度函数值。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的相对导航高噪声量测量识别方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6任一项所述的相对导航高噪声量测量识别方法。
CN202111224203.5A 2021-10-19 2021-10-19 相对导航高噪声量测量识别方法、装置、设备和存储介质 Active CN113959447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111224203.5A CN113959447B (zh) 2021-10-19 2021-10-19 相对导航高噪声量测量识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111224203.5A CN113959447B (zh) 2021-10-19 2021-10-19 相对导航高噪声量测量识别方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113959447A CN113959447A (zh) 2022-01-21
CN113959447B true CN113959447B (zh) 2023-06-27

Family

ID=79465276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111224203.5A Active CN113959447B (zh) 2021-10-19 2021-10-19 相对导航高噪声量测量识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113959447B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115752471A (zh) * 2022-11-17 2023-03-07 亿航智能设备（广州）有限公司 一种传感器数据的处理方法、设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5626140A (en) * 1995-11-01 1997-05-06 Spacelabs Medical, Inc. System and method of multi-sensor fusion of physiological measurements
CN104820822A (zh) * 2015-04-22 2015-08-05 深圳市航盛电子股份有限公司 基于OpenCv卡尔曼滤波器的车载道路偏移识别方法及系统
CN108802707A (zh) * 2018-08-31 2018-11-13 中国科学院电子学研究所 改进的用于目标跟踪的卡尔曼滤波方法
CN109724599A (zh) * 2019-03-12 2019-05-07 哈尔滨工程大学 一种抗野值的鲁棒卡尔曼滤波sins/dvl组合导航方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7551133B2 (en) * 2007-04-05 2009-06-23 Sirf Technology, Inc. GPS navigation using interacting multiple model (IMM) estimator and probabilistic data association filter (PDAF)
CN102353375B (zh) * 2011-05-06 2013-09-18 微迈森惯性技术开发（北京）有限公司 运动姿态数据的动态参数调整方法与设备
US10234292B2 (en) * 2014-08-08 2019-03-19 Stmicroelefctronics S.R.L. Positioning apparatus and global navigation satellite system, method of detecting satellite signals
CN105842724B (zh) * 2015-01-15 2018-07-17 江苏南大五维电子科技有限公司 一种船舶辅助泊岸方法和系统
KR101613395B1 (ko) * 2015-05-28 2016-04-18 주식회사 삼천리 유체 누출 감지 장치
ES2767677T3 (es) * 2016-07-05 2020-06-18 Boeing Co Ayudas de navegación para sistemas aéreos no tripulados en un entorno sin GPS
CN107818573B (zh) * 2016-09-12 2020-10-02 杭州海康威视数字技术股份有限公司 一种目标跟踪方法及装置
CN107330925B (zh) * 2017-05-11 2020-05-22 北京交通大学 一种基于激光雷达深度图像的多障碍物检测和跟踪方法
CN108528453A (zh) * 2018-05-08 2018-09-14 北京航空航天大学 一种面向车车协同信息不确定度的跟驰车辆控制方法
US10864910B2 (en) * 2018-05-16 2020-12-15 GM Global Technology Operations LLC Automated driving systems and control logic using sensor fusion for intelligent vehicle control
CN109263649B (zh) * 2018-08-21 2021-09-17 北京汽车股份有限公司 车辆及其自动驾驶模式下的物体识别方法和物体识别系统
CN110503009B (zh) * 2019-07-31 2023-06-06 华为技术有限公司 车道线跟踪方法及相关产品
US12001958B2 (en) * 2020-03-19 2024-06-04 Nvidia Corporation Future trajectory predictions in multi-actor environments for autonomous machine
CN112327183B (zh) * 2020-09-18 2023-11-28 国联汽车动力电池研究院有限责任公司 一种锂离子电池soc估算方法和装置
CN112539142B (zh) * 2020-11-12 2022-09-13 中国电建集团华东勘测设计研究院有限公司 一种针对海上风电结构状态监测数据噪声的分析识别方法
CN112512110B (zh) * 2020-11-19 2022-03-15 合肥工业大学 智能变电站可靠性需求约束的无线发射功率预测控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5626140A (en) * 1995-11-01 1997-05-06 Spacelabs Medical, Inc. System and method of multi-sensor fusion of physiological measurements
CN104820822A (zh) * 2015-04-22 2015-08-05 深圳市航盛电子股份有限公司 基于OpenCv卡尔曼滤波器的车载道路偏移识别方法及系统
CN108802707A (zh) * 2018-08-31 2018-11-13 中国科学院电子学研究所 改进的用于目标跟踪的卡尔曼滤波方法
CN109724599A (zh) * 2019-03-12 2019-05-07 哈尔滨工程大学 一种抗野值的鲁棒卡尔曼滤波sins/dvl组合导航方法

Also Published As

Publication number Publication date
CN113959447A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
US11015957B2 (en) Navigation system
CN106885576B (zh) 一种基于多点地形匹配定位的auv航迹偏差估计方法
US20160040992A1 (en) Positioning apparatus and global navigation satellite system, method of detecting satellite signals
CN113465628B (zh) 惯性测量单元数据补偿方法及系统
CN109724599A (zh) 一种抗野值的鲁棒卡尔曼滤波sins/dvl组合导航方法
JP6936037B2 (ja) ナビゲーションシステム、及び誤差補正の方法
KR20120001532A (ko) 거리 신호를 이용하여 위치를 인식하는 장치 및 방법
GB2555805A (en) A navigation system
CN110715659A (zh) 零速检测方法、行人惯性导航方法、装置及存储介质
US20140214364A1 (en) Method of estimating offset of magnetic sensor
CN110889862B (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN106200377A (zh) 一种飞行器控制参数的估计方法
CN103940433A (zh) 一种基于改进的自适应平方根ukf算法的卫星姿态确定方法
CN113959447B (zh) 相对导航高噪声量测量识别方法、装置、设备和存储介质
CN110637209B (zh) 估计机动车的姿势的方法、设备和具有指令的计算机可读存储介质
CN113119980A (zh) 一种用于电动车的道路坡度估计方法、系统和设备
CN113932815B (zh) 稳健性优化Kalman滤波相对导航方法、装置、设备和存储介质
CN109471192B (zh) 一种全自动重力测试仪高精度动态数据处理方法
CN110873813B (zh) 一种水流速度估算方法、组合导航方法及装置
CN103968839B (zh) 一种基于蜂群算法改进ckf的单点重力匹配方法
CN116952224A (zh) 基于地磁图适配性评估的自适应惯性/地磁组合导航方法
CN106840150A (zh) 一种针对组合导航中dvl失效的混合处理方法
CN117178164A (zh) 用于辅助车辆导航的方法
CN108519100A (zh) 用于估算步长的方法、云系统、设备和计算机程序产品
CN109489689A (zh) 一种基于α-β滤波的星矢量测量误差在轨估计方法

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