CN114252090A - 一种多源导航传感器可信性评估方法 - Google Patents
一种多源导航传感器可信性评估方法 Download PDFInfo
- Publication number
- CN114252090A CN114252090A CN202111561043.3A CN202111561043A CN114252090A CN 114252090 A CN114252090 A CN 114252090A CN 202111561043 A CN202111561043 A CN 202111561043A CN 114252090 A CN114252090 A CN 114252090A
- Authority
- CN
- China
- Prior art keywords
- sensor
- credibility
- data
- evaluation
- dimensional
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种多源导航传感器可信性评估方法。步骤1:根据传感器数据维度和数据间依赖性,将传感器划分为一维传感器和高维传感器;步骤2:对于一维传感器,确定滑动时间窗口大小,建立可信性自评估模型,对导航传感器的可信性进行自评估,获得一维导航传感器可信性自评估结果;步骤3:对于高维传感器,实时估计与信号相关的噪声参数,并对噪声参数的变化应用步骤2,获得高维传感器可信性自评估结果;步骤4:当存在多个导航传感器时,根据是否为同类型传感器,对传感器进行分组,将传感器分为同质传感器和异质传感器;步骤5:对于同质传感器和异质传感器,分别应用对应的同质/异质传感器可信性互评估模型,计算可信性互评估结果;步骤6:融合多源导航传感器可信性自评估和互评估结果,得到实时估计的多源导航传感器可信性。
Description
技术领域
本发明属于多源导航的技术领域;具体涉及一种多源导航所用传感器的可信性评估方法。
背景技术
多源导航的目标是在不同时刻、环境、平台均可获得可信的定位导航信息,多源融合的基础是获得可靠的传感器信号源,这需要系统在任何场景中都能高效评估传感器信号质量。然而,随着定位导航技术的发展,导航场景也由单一场景逐渐演变为复合场景,变得更加复杂,如在城市内时,会经过地下(地铁)、楼宇间、隧道等多个场景。现有的传感器或定位技术都有各自的缺陷,它们在适合的场景下能达到较好的定位精度,然而在不适合的场景中则会产生较大的误差,甚至定位失败。例如在原始森林、荒漠等相对恶劣的环境中,对某些传感器而言常常会发生不可靠的动态变化,这种错误的信息对后续的导航信号融合与信息解算会造成一定的影响。此外,传感器所采集的数据具有时间连续性,这种连续的时间序列也称为数据流,每个传感器所产生的数据流均具有连续、实时、高速等特征,受到传感器数据概念漂移等因素的影响,所采集到的传感器数据可能会具有一定的不确定性。即需要对各传感器所产生的导航信号进行可信性评估,进而获得可信的导航信息,为多源导航提供可靠的信号基础。如何从海量的导航传感器信息中有效评估导航传感器的可用性、可信性,建立数据层可用、信息层可信的量化评价模型将是多源导航面临的核心问题之一。
目前针对多源导航传感器可信性评估方法,已有国内外学者进行了研究,如:基于MEMS技术并集成GPS惯性测量装置的车载导航系统性能评价方法,基于深度学习的导航信息可靠性检测技术,面向多源导航传感器的可信性评估技术,其中面向多源导航传感器的可信性评估因符合融合导航的发展趋势而成为近年来研究的热点。
发明内容
本发明提出了一种多源导航传感器可信性评估方法,针对多源导航传感器可信性评估问题,将传感器分为低维传感器与高维传感器,并以自评估与互评估结合的形式来对多源导航传感器进行可信性评估。
本发明通过以下技术方案实现:
一种多源导航传感器可信性评估方法,所述评估方法包括以下步骤:
步骤1:根据传感器数据维度和数据间依赖性,将传感器划分为一维传感器和高维传感器;
步骤2:对于一维传感器,确定滑动时间窗口大小,建立可信性自评估模型,对导航传感器的可信性进行自评估,获得一维导航传感器可信性自评估结果;
步骤3:对于高维传感器,实时估计与信号相关的噪声参数,并对噪声参数的变化应用步骤2,获得高维传感器可信性自评估结果;
步骤4:当存在多个导航传感器时,根据是否为同类型传感器,对传感器进行分组,将传感器分为同质传感器和异质传感器;
步骤5:对于同质传感器和异质传感器,分别应用对应的同质/异质传感器可信性互评估模型,计算可信性互评估结果;
步骤6:融合多源导航传感器可信性自评估和互评估结果,得到实时估计的多源导航传感器可信性。
进一步的,所述步骤1具体为,
将UWB、WIFI、GNSS、4G、地磁等在一个时刻产生单点数据、或IMU等在同一个时刻产生多条关联性不强数据的导航传感器视为一维传感器,将相机、RGB-D、激光雷达等能在一个时刻,产生依赖性强的高维数据的传感器称为高维传感器。
进一步的,所述步骤2包括以下步骤,
步骤2.1:静置运动载体,估计不同时间窗大小的数据方差,选择数据方差稳定时的时间窗;如果稳定时,时间窗大小过大,可根据载体运算能力,选择较小的时间窗。
步骤2.2:一维传感器可信性自评估模型如下:
|rj(ti)-med(rj)|>α·δ
式中:rj(ti)表示ti时刻rj的输出量,α为常数参数,不同的传感器具有不同的α,med(rj)表示时间窗内输出量rj的中位数,此外,当传感器自身出现故障时(能量耗尽或遭到破坏无法正常工作),可能在不同的采样时刻连续产生相同的读数,如下式所示:
rj(ti)=rj(ti-1)
上述两种情况被称为判断传感器读数是否为异常的判断条件,并以此为基础来计算单模数据流的异常概率Pj(ti)。
式中,Pj(ti)表示采样时刻ti出现异常的概率,Pj(ti-1)表示前一采样时刻ti-1出现异常的概率,c1,c2为常数参数,k1表示出现|rj(ti)-med(rj)|>α·δ的次数,k2表示出现rj(ti)=rj(ti-1)的次数。
包括IMU在内的某些导航传感器节点可以输出多类型数据,在某一采样时刻输出多数据流,产生多组Pj(ti)值.此时需要融合多模态的数据流进行分析和判断该传感器的可信性,由多组的单模异常概率Pj(ti)值可以计算多模异常概率PT(ti),如下所示:
式中:λj表示权重系数,λj的取值如下所示:
λ1:λ2:...:λn=δ1:δ2:...:δn
式中δi表示第i组数据的标准差。
进一步的,所述步骤3包括以下步骤,
步骤3.1:对于给定大小为W×H的高维导航传感器数据,将其数据归一化为[0,1];
步骤3.3:计算数据块的样本平均值,如下式所示:
式中,pi[j]表示第i个数据块的第j个元素,M表示数据块的维度。将样本均值聚类成向量m=[m1,m2,...,mN]T,T表示转置算子。用固定的量化步骤计算m的直方图,如下所示:
h=hist(m,Δ)
函数hist(·,·)计算输出的直方图向量为h[k]=|{i|[mi/Δ]=k}|,k=1,2,...,1/Δ,[·]代表着最邻近取整数。Δ是根据给定数据的位数设置的。对于8位数据,Δ=1/(28-1)。输出直方图向量h存储每个强度级别的出现次数。
步骤3.4:选择出现次数大于阈值t的强度级别。将选定的强度水平指标组成一组,如下式所示:
I={k|h[k]≥t}
一般情况下,可将阈值t设为h的p分位数,参数p设为0.5。对应的强度等级为xk=kΔ,对样本平均值mi进行聚类,并计算聚类后均值、方差,如下式所示:
G=[Fhq,Fvq]
式中Fh和Fv分别为M×M的从水平和垂直导数算符导出的托普利兹矩阵,数据块q的纹理强度可通过下式计算:
伽马分布Gamma(α,β)近似数据块中噪声强度,其中:
根据数据块计算加权矩阵:
基于上述,估计高维导航传感器噪声参数;
步骤3.6:对于实时采集的高维数据,实时估计噪声参数变化,并结合步骤2,计算高维导航传感器可信度。
进一步的,所述步骤4具体为,
将同类的传感器组合称为同质传感器,将输出异构信息的传感器组合称为异质传感器。
进一步的,所述步骤5包括以下步骤,
步骤5.1:建立同质导航传感器可信性互评估模型,计算基于皮尔森系数的同质传感器相关系数,如下式所示:
式中,xs,xt表示表示两组同质传感器输出的时间序列,μs表示时间序列xs当前时间窗内的均值,μt表示时间序列xt当前时间窗内的均值,σs表示时间序列xs当前时间窗内的标准差,σt表示时间序列xt当前时间窗内的标准差;
步骤5.2:计算基于概率向量的同质导航传感器互评估相容系数,如下式所示:
Pi是空间X={x1,...,xn}上的概率分布,其中pij是xj发生的概率。每个pij∈[0,1]和将概率分布表示为n维向量Pi=[pi1,pi2,...,pin]。概率向量所有分量都位于单位区间内,且和为一。Pi,Pk表示两个传感器输出概率的向量表示,||Pi||,||Pk||分别表示Pi,Pk的二范数;
步骤5.3:由多传感器间的皮尔森系数和相容系数计算导航传感器互评估可信度,设传感器集合为C={c1,c2,...cn},传感器ci,i∈[1,n]的可信性互评估指标确定过程如下式所示:
步骤5.4:对于多源异质传感器,根据是否具有环境的先验信息,将导航场景划分为无先验环境和部分先验环境;
步骤5.5:对于无先验环境,将异质导航传感器解算为位姿等同质导航信息,利用步骤5.1-5.3计算可信性互评估指标,对于部分先验环境,利用先验知识验证当前导航传感器的可信性,获得可信性互评估指标。
进一步的,所述步骤6具体为,
建立多源导航传感器可信性自评估和互评估结果融合模型,如下式所示:
式中:
根据上述步骤,完成对多源导航传感器的可信性评估。
本发明的有益效果是:
本发明针对多源导航传感器可信性评估问题,利用输出信号的不同形式将传感器分为低维传感器与高维传感器,并以自评估与互评估相结合的形式来提高对传感器可信性评估的准确性。
附图说明
附图1本发明的总体实现流程图。
附图2本发明实施例2中噪声型失准信号验证示意图。
附图3本发明实施例2中离群型失准信号验证示意图。
附图4本发明实施例2中增益型失准和偏置型失准信号验证示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种多源导航传感器可信性评估方法,所述方法包括以下步骤:
步骤1:根据传感器数据维度和数据间依赖性,将传感器划分为一维传感器和高维传感器;
将UWB、WIFI、GNSS、4G、地磁等在一个时刻产生单点数据、或IMU等在同一个时刻产生多条关联性不强数据的导航传感器视为一维传感器,将相机、RGB-D、激光雷达等能在一个时刻,产生依赖性强的高维数据的传感器称为高维传感器。
步骤2:对于一维传感器,确定滑动时间窗口大小,建立可信性自评估模型,对导航传感器的可信性进行自评估,获得一维导航传感器可信性自评估结果;
步骤2.1:静置运动载体,估计不同时间窗大小的数据方差,选择数据方差稳定时的时间窗;如果稳定时,时间窗大小过大,可根据载体运算能力,选择较小的时间窗。
步骤2.2:一维传感器可信性自评估模型如下:
|rj(ti)-med(rj)|>α·δ
式中:rj(ti)表示ti时刻rj的输出量,α为常数参数,不同的传感器具有不同的α,med(rj)表示时间窗内输出量rj的中位数,此外,当传感器自身出现故障时(能量耗尽或遭到破坏无法正常工作),可能在不同的采样时刻连续产生相同的读数,如下式所示:
rj(ti)=rj(ti-1)
上述两种情况被称为判断传感器读数是否为异常的判断条件,并以此为基础来计算单模数据流的异常概率Pj(ti)。
式中,Pj(ti)表示采样时刻ti出现异常的概率,Pj(ti-1)表示前一采样时刻ti-1出现异常的概率,c1,c2为常数参数,k1表示出现|rj(ti)-med(rj)|>α·δ的次数,k2表示出现rj(ti)=rj(ti-1)的次数。
包括IMU在内的某些导航传感器节点可以输出多类型数据,在某一采样时刻输出多数据流,产生多组Pj(ti)值.此时需要融合多模态的数据流进行分析和判断该传感器的可信性,由多组的单模异常概率Pj(ti)值可以计算多模异常概率PT(ti),如下所示:
式中:λj表示权重系数,λj的取值如下所示:
λ1:λ2:...:λn=δ1:δ2:...:δn
式中δi表示第i组数据的标准差。
步骤3:对于高维传感器,实时估计与信号相关的噪声参数,并对噪声参数的变化应用步骤2,获得高维传感器可信性自评估结果;
步骤3.1:对于给定大小为W×H的高维导航传感器数据,将其数据归一化为[0,1];
步骤3.3:计算数据块的样本平均值,如下式所示:
式中,pi[j]表示第i个数据块的第j个元素,M表示数据块的维度。将样本均值聚类成向量m=[m1,m2,...,mN]T,T表示转置算子。用固定的量化步骤计算m的直方图,如下所示:
h=hist(m,Δ)
函数hist(·,·)计算输出的直方图向量为h[k]=|{i|[mi/Δ]=k}|,k=1,2,...,1/Δ,[·]代表着最邻近取整数。Δ是根据给定数据的位数设置的。对于8位数据,Δ=1/(28-1)。输出直方图向量h存储每个强度级别的出现次数。
步骤3.4:选择出现次数大于阈值t的强度级别。将选定的强度水平指标组成一组,如下式所示:
I={k|h[k]≥t}
一般情况下,可将阈值t设为h的p分位数,参数p设为0.5。对应的强度等级为xk=kΔ,对样本平均值mi进行聚类,并计算聚类后均值、方差,如下式所示:
G=[Fhq,Fvq]
式中Fh和Fv分别为M×M的从水平和垂直导数算符导出的托普利兹矩阵,数据块q的纹理强度可通过下式计算:
伽马分布Gamma(α,β)近似数据块中噪声强度,其中:
根据数据块计算加权矩阵:
基于上述,估计高维导航传感器噪声参数;
步骤3.6:对于实时采集的高维数据,实时估计噪声参数变化,并结合步骤2,计算高维导航传感器可信度。
步骤4:当存在多个导航传感器时,根据是否为同类型传感器,对传感器进行分组,将传感器分为同质传感器和异质传感器;
将同类的传感器组合称为同质传感器,将输出异构信息的传感器组合称为异质传感器。
步骤5:对于同质传感器和异质传感器,分别应用对应的同质/异质传感器可信性互评估模型,计算可信性互评估结果;
步骤5.1:建立同质导航传感器可信性互评估模型,计算基于皮尔森系数的同质传感器相关系数,如下式所示:
式中,xs,xt表示表示两组同质传感器输出的时间序列,μs表示时间序列xs当前时间窗内的均值,μt表示时间序列xt当前时间窗内的均值,σs表示时间序列xs当前时间窗内的标准差,σt表示时间序列xt当前时间窗内的标准差;
步骤5.2:计算基于概率向量的同质导航传感器互评估相容系数,如下式所示:
Pi是空间X={x1,...,xn}上的概率分布,其中pij是xj发生的概率。每个pij∈[0,1]和将概率分布表示为n维向量Pi=[pi1,pi2,...,pin]。概率向量所有分量都位于单位区间内,且和为一。Pi,Pk表示两个传感器输出概率的向量表示,||Pi||,||Pk||分别表示Pi,Pk的二范数;
步骤5.3:由多传感器间的皮尔森系数和相容系数计算导航传感器互评估可信度,设传感器集合为C={c1,c2,…cn},传感器ci,i∈[1,n]的可信性互评估指标确定过程如下式所示:
步骤5.4:对于多源异质传感器,根据是否具有环境的先验信息,将导航场景划分为无先验环境和部分先验环境;
步骤5.5:对于无先验环境,将异质导航传感器解算为位姿等同质导航信息,利用步骤5.1-5.3计算可信性互评估指标,对于部分先验环境,利用先验知识验证当前导航传感器的可信性,获得可信性互评估指标。
步骤6:融合多源导航传感器可信性自评估和互评估结果,得到实时估计的多源导航传感器可信性。
建立多源导航传感器可信性自评估和互评估结果融合模型,如下式所示:
式中:
根据上述步骤,完成对多源导航传感器的可信性评估。
实施例2
在丛林环境中利用实测的UWB数据进行实验验证。
实测数据来自UWB定点测量数据,所用UWB模块为UWB Mini3sPlus开发板,模块采用STM32F103T8U6单片机为主控芯片。通过SPI,读写UWB DW1000模块,获取数据。示例采用的测距方式为50米定点检测,采集环境为丛林。
基于上述实验数据和传感器失准数学模型,向实测数据分别注入噪声型失准、离群型失准、增益型失准、偏置型失准四种失准信号,得到的一维传感器可信性评估结果如附图2、附图3、附图4所示。
观察实验结果发现,在注入失准信号后,本方法可以有效对传感器的可信性进行评估。
Claims (6)
1.一种多源导航传感器可信性评估方法,其特征在于,所述可信性评估方法包括以下步骤:
步骤1:根据传感器数据维度和数据间依赖性,将传感器划分为一维传感器和高维传感器;
步骤2:对于一维传感器,确定滑动时间窗口大小,建立可信性自评估模型,对导航传感器的可信性进行自评估,获得一维导航传感器可信性自评估结果;
步骤3:对于高维传感器,实时估计与信号相关的噪声参数,并对噪声参数的变化应用步骤2,获得高维传感器可信性自评估结果;
步骤4:当存在多个导航传感器时,根据是否为同类型传感器,对传感器进行分组,将传感器分为同质传感器和异质传感器;
步骤5:对于同质传感器和异质传感器,分别应用对应的同质/异质传感器可信性互评估模型,计算可信性互评估结果;
步骤6:融合多源导航传感器可信性自评估和互评估结果,得到实时估计的多源导航传感器可信性。
2.根据权利要求1所述的一种多源导航传感器可信性评估方法,其特征在于,所述步骤1具体为,将UWB、WIFI、GNSS、4G、地磁等在一个时刻产生单点数据、或IMU等在同一个时刻产生多条关联性不强数据的导航传感器视为一维传感器,将相机、RGB-D、激光雷达等能在一个时刻,产生依赖性强的高维数据的传感器称为高维传感器。
3.根据权利要求1所述的一种多源导航传感器可信性评估方法,其特征在于,所述步骤2包括以下步骤,
步骤2.1:静置运动载体,估计不同时间窗的数据方差,选择数据方差稳定时的时间窗;如果稳定时,时间窗过大,可根据载体运算能力,选择较小的时间窗。
步骤2.2:一维传感器可信性自评估模型如下:
|rj(ti)-med(rj)|>α·δ
式中:rj(ti)表示ti时刻rj的输出量,α为常数参数,不同的传感器具有不同的α,med(rj)表示时间窗内输出量rj的中位数,此外,当传感器自身出现故障时(能量耗尽或遭到破坏无法正常工作),可能在不同的采样时刻连续产生相同的读数,如下式所示:
rj(ti)=rj(ti-1)
上述两种情况被称为判断传感器读数是否为异常的判断条件,并以此为基础来计算单模数据流的异常概率Pj(ti)。
式中,Pj(ti)表示采样时刻ti出现异常的概率,Pj(ti-1)表示前一采样时刻ti-1出现异常的概率,c1,c2为常数参数,k1表示出现|rj(ti)-med(rj)|>α·δ的次数,k2表示出现rj(ti)=rj(ti-1)的次数。
包括IMU在内的某些导航传感器节点可以输出多类型数据,在某一采样时刻输出多数据流,产生多组Pj(ti)值.此时需要融合多模态的数据流进行分析和判断该传感器的可信性,由多组的单模异常概率Pj(ti)值可以计算多模异常概率PT(ti),如下所示:
式中:λj表示权重系数,λj的取值如下所示:
λ1:λ2:...:λn=δ1:δ2:...:δn
式中δi表示第i组数据的标准差。
4.根据权利要求1所述的一种多源导航传感器可信性评估方法,其特征在于,所述步骤3包括以下步骤,
步骤3.1:对于给定大小为W×H的高维导航传感器数据,将其数据归一化为[0,1];
步骤3.3:计算数据块的样本平均值,如下式所示:
式中,pi[j]表示第i个数据块的第j个元素,M表示数据块的维度。将样本均值聚类成向量m=[m1,m2,...,mN]T,T表示转置算子。用固定的量化步骤计算m的直方图,如下所示:
h=hist(m,Δ)
函数hist(·,·)计算输出的直方图向量为h[k]=|{i|[mi/Δ]=k}|,k=1,2,...,1/Δ,[·]代表着最邻近取整数。Δ是根据给定数据的位数设置的。对于8位数据,Δ=1/(28-1)。输出直方图向量h存储每个强度级别的出现次数。
步骤3.4:选择出现次数大于阈值t的强度级别。将选定的强度水平指标组成一组,如下式所示:
I={k|h[k]≥t}
一般情况下,可将阈值t设为h的p分位数,参数p设为0.5。对应的强度等级为xk=kΔ,对样本平均值mi进行聚类,并计算聚类后均值、方差,如下式所示:
G=[Fhq,Fvq]
式中Fh和Fv分别为M×M的从水平和垂直导数算符导出的托普利兹矩阵,数据块q的纹理强度可通过下式计算:
伽马分布Gamma(α,β)近似数据块中噪声强度,其中:
根据数据块计算加权矩阵:
基于上述,估计高维导航传感器噪声参数;
步骤3.6:对于实时采集的高维数据,实时估计噪声参数变化,并结合步骤2,计算高维导航传感器可信度。
5.根据权利要求1所述的一种多源导航传感器可信性评估方法,其特征在于,所述步骤5包括以下步骤:
步骤5.1:建立同质导航传感器可信性互评估模型,计算基于皮尔森系数的同质传感器相关系数,如下式所示:
式中,xs,xt表示表示两组同质传感器输出的时间序列,μs表示时间序列xs当前时间窗内的均值,μt表示时间序列xt当前时间窗内的均值,σs表示时间序列xs当前时间窗内的标准差,σt表示时间序列xt当前时间窗内的标准差;
步骤5.2:计算基于概率向量的同质导航传感器互评估相容系数,如下式所示:
Pi是空间X={x1,...,xn}上的概率分布,其中pij是xj发生的概率。每个pij∈[0,1]和将概率分布表示为n维向量Pi=[pi1,pi2,...,pin]。概率向量所有分量都位于单位区间内,且和为一。Pi,Pk表示两个传感器输出概率的向量表示,||Pi||,||Pk||分别表示Pi,Pk的二范数;
步骤5.3:由多传感器间的皮尔森系数和相容系数计算导航传感器互评估可信度,设传感器集合为C={c1,c2,…cn},传感器ci,i∈[1,n]的可信性互评估指标确定过程如下式所示:
步骤5.4:对于多源异质传感器,根据是否具有环境的先验信息,将导航场景划分为无先验环境和部分先验环境;
步骤5.5:对于无先验环境,将异质导航传感器解算为位姿等同质导航信息,利用步骤5.1-5.3计算可信性互评估指标,对于部分先验环境,利用先验知识验证当前导航传感器的可信性,获得可信性互评估指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111561043.3A CN114252090A (zh) | 2021-12-15 | 2021-12-15 | 一种多源导航传感器可信性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111561043.3A CN114252090A (zh) | 2021-12-15 | 2021-12-15 | 一种多源导航传感器可信性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114252090A true CN114252090A (zh) | 2022-03-29 |
Family
ID=80795886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111561043.3A Pending CN114252090A (zh) | 2021-12-15 | 2021-12-15 | 一种多源导航传感器可信性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114252090A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050182518A1 (en) * | 2004-02-13 | 2005-08-18 | Evolution Robotics, Inc. | Robust sensor fusion for mapping and localization in a simultaneous localization and mapping (SLAM) system |
CN103533570A (zh) * | 2013-09-27 | 2014-01-22 | 中国科学技术大学苏州研究院 | 多维数据环境下无线传感器网络内传感器节点维护的方法 |
CN106596754A (zh) * | 2016-11-22 | 2017-04-26 | 华北电力大学 | 油色谱传感器有效性的评估方法及装置 |
CN108090515A (zh) * | 2017-12-27 | 2018-05-29 | 南京邮电大学 | 一种基于数据融合的环境等级评估方法 |
CN110007366A (zh) * | 2019-03-04 | 2019-07-12 | 中国科学院深圳先进技术研究院 | 一种基于多传感器融合的生命搜寻方法以及系统 |
EP3557277A1 (de) * | 2018-04-19 | 2019-10-23 | Siemens Healthcare GmbH | Verfahren zur ermittlung von bewegungsinformationen eines patienten in einer magnetresonanzeinrichtung, magnetresonanzeinrichtung, computerprogramm und elektronisch lesbarer datenträger |
CN111780755A (zh) * | 2020-06-30 | 2020-10-16 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
CN113591314A (zh) * | 2021-08-05 | 2021-11-02 | 潍柴动力股份有限公司 | 传感器可信性评估方法、装置、计算机设备及介质 |
-
2021
- 2021-12-15 CN CN202111561043.3A patent/CN114252090A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050182518A1 (en) * | 2004-02-13 | 2005-08-18 | Evolution Robotics, Inc. | Robust sensor fusion for mapping and localization in a simultaneous localization and mapping (SLAM) system |
CN103533570A (zh) * | 2013-09-27 | 2014-01-22 | 中国科学技术大学苏州研究院 | 多维数据环境下无线传感器网络内传感器节点维护的方法 |
CN106596754A (zh) * | 2016-11-22 | 2017-04-26 | 华北电力大学 | 油色谱传感器有效性的评估方法及装置 |
CN108090515A (zh) * | 2017-12-27 | 2018-05-29 | 南京邮电大学 | 一种基于数据融合的环境等级评估方法 |
EP3557277A1 (de) * | 2018-04-19 | 2019-10-23 | Siemens Healthcare GmbH | Verfahren zur ermittlung von bewegungsinformationen eines patienten in einer magnetresonanzeinrichtung, magnetresonanzeinrichtung, computerprogramm und elektronisch lesbarer datenträger |
CN110007366A (zh) * | 2019-03-04 | 2019-07-12 | 中国科学院深圳先进技术研究院 | 一种基于多传感器融合的生命搜寻方法以及系统 |
CN111780755A (zh) * | 2020-06-30 | 2020-10-16 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
CN113591314A (zh) * | 2021-08-05 | 2021-11-02 | 潍柴动力股份有限公司 | 传感器可信性评估方法、装置、计算机设备及介质 |
Non-Patent Citations (1)
Title |
---|
戎玫: "一种基于多维属性的CPS软件可信性评估方法", 《计算机科学》, vol. 40, no. 11, pages 187 - 190 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109298389B (zh) | 基于多粒子群优化的室内行人组合位姿估计方法 | |
CN110909711B (zh) | 检测车道线位置变化的方法、装置、电子设备和存储介质 | |
US11035915B2 (en) | Method and system for magnetic fingerprinting | |
CN114526745B (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
CN109507706B (zh) | 一种gps信号丢失的预测定位方法 | |
KR101576424B1 (ko) | 실내 측위를 위한 지자기 센서 자동 보정 방법 | |
CN110018503B (zh) | 车辆的定位方法及定位系统 | |
CN113866810A (zh) | 一种列车定位导航的方法、系统、电子设备及存储介质 | |
CN113959457A (zh) | 一种自动驾驶车辆的定位方法、装置、车辆和介质 | |
CN111024067B (zh) | 一种信息处理方法、装置、设备及计算机存储介质 | |
CN114061596A (zh) | 自动驾驶定位方法、系统、测试方法、设备及存储介质 | |
CN111310675A (zh) | 基于卷积神经网络的高架识别辅助定位方法 | |
CN114463932A (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
CN102830391B (zh) | 一种红外搜索与跟踪系统准确性指标计算方法 | |
CN107462242A (zh) | 车辆测速方法及其装置 | |
CN114252090A (zh) | 一种多源导航传感器可信性评估方法 | |
CN116679326A (zh) | 定位精度评估方法、装置、计算机设备和计算机存储介质 | |
CN113848878B (zh) | 基于众源数据的室内外三维行人路网构建方法 | |
CN113340302B (zh) | 一种基于惯性导航与重力梯度灯塔的潜器导航方法及系统 | |
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 | |
CN114046787A (zh) | 基于传感器的位姿优化方法、装置、设备及存储介质 | |
CN114511080A (zh) | 一种模型构建方法、装置以及异常轨迹点实时检测方法 | |
CN113091708A (zh) | 基于多样本gps质控数据的道路分段坡度估计方法及系统 | |
CN115683124A (zh) | 确定行驶轨迹的方法 | |
CN114088095B (zh) | 一种基于光电二极管的三维室内定位方法 |
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 |