CN115561796A - 一种电网无人机巡检实时定位方法和系统 - Google Patents
一种电网无人机巡检实时定位方法和系统 Download PDFInfo
- Publication number
- CN115561796A CN115561796A CN202211269687.XA CN202211269687A CN115561796A CN 115561796 A CN115561796 A CN 115561796A CN 202211269687 A CN202211269687 A CN 202211269687A CN 115561796 A CN115561796 A CN 115561796A
- Authority
- CN
- China
- Prior art keywords
- ins
- representing
- satellite
- ambiguity
- upd
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000007689 inspection Methods 0.000 title abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 22
- 208000028257 Joubert syndrome with oculorenal defect Diseases 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 51
- 239000005433 ionosphere Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 21
- 238000007667 floating Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000005436 troposphere Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 239000001257 hydrogen Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000001447 compensatory effect Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001061260 Emmelichthys struhsakeri Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- LIWAQLJGPBVORC-UHFFFAOYSA-N ethylmethylamine Chemical compound CCNC LIWAQLJGPBVORC-UHFFFAOYSA-N 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000000670 limiting effect Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G01S19/38—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
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
-
- 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
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
- G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及实时定位方法技术领域,具体涉及一种电网无人机巡检实时定位方法和系统。本发明的方案通过移动无线网络访问CORS服务器,获取网络RTK服务、根据区域参考网增强精密单点定位(PPP‑RTK)、利用PPP‑RTK结合惯性导航系统(INS)紧组合模型和利用PPP‑RTK、INS和相机传感器视觉信息(Vision)紧组合模型的方式,实现无人机的实时定位,最后实时输出高精度定位信息,本发明通过将PPP‑RTK技术、INS技术和Vision等多传感器采用紧组合的方式结合在一起,实现了相互影响,彼此优化的效果,达到了对GNSS的增强,即使在GNSS信号被遮挡、无线网络信号差的情况下,电网无人机依然可以实现实时高精度定位。
Description
技术领域
本发明涉及实时定位方法技术领域,具体涉及一种电网无人机巡检实时定位方法和系统。
背景技术
北斗三号全球卫星导航系统已于2020年7月正式开通,为全球用户提供全天候的时空信息服务,全球范围内单点定位精度优于10米。GNSS载波相位观测值具有更高的精度,静态定位可以达到毫米级别。然而,由于未知模糊度的存在使得载波相位无法直接用于实时定位解算。
目前,用户要想实现厘米级高精度实时定位,一般通过移动无线网络获取电网已有CORS系统的网络RTK服务,获取网络RTK差分改正数据,从而实现厘米级的实时高精度定位。
但是,输电走廊范围广、路线长、地形复杂,遇到GNSS信号遮挡的峡谷地区、电磁干扰较强的地区用户无法实现GNSS定位;若是移动无线网络信号弱甚至无信号区域,用户或无人机则无法获取网络RTK差分改正数据,无法实现实时高精度定位。因定位不准,或导航定位不连续,若是无人机巡检过程中失控会导致撞击高压线路或电网附属设施,引起严重的安全生产事故。
因此,使用GNSS单一传感器的导航系统已经不能满足电网复杂环境中高可靠、高精度、实时、无缝、连续定位的需求,严重制约了无人机在严苛地理环境的使用,已成为电网智慧输电“卡脖子”的共性问题。
发明内容
有鉴于此,本发明的目的在于提供一种电网无人机巡检实时定位方法和系统,以解决现有技术中在GNSS信号被遮挡无法实现GNSS定位、移动无线网络信号弱甚至是无信号的情况下,如何实现电网无人机实时高精度定位的问题。
根据本发明实施例的第一方面,提供一种电网无人机巡检实时定位方法,包括:
步骤S01、检测GNSS信号和移动无线网络是否正常;
步骤S02、若GNSS接收正常,移动无线网络正常,则通过移动无线网络访问CORS服务器,并获取网络RTK服务,实现无人机的实时定位;
步骤S03、若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位;
步骤S04、若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位;
步骤S05、若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位;
步骤S06、实时输出高精度定位信息。
优选地,所述若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位,具体为:
根据接收的GNSS观测数据、实时精密卫星轨道、钟差产品和区域大气模型产品进行模糊度快速固定,具体为:
根据精密星历和精密钟差,消除卫星轨道误差和卫星钟差;
其他系统误差根据模型进行改正;其中,其他系统误差,包括:天线相位中心偏差、相位缠绕、相对论效应、固体潮、大洋负荷改正和地球自转;
更正后的PPP相位观测方程为:
其中,Lf表示原始相位观测值;ρ表示自卫星信号发射时刻到信号到达接收机时刻接收机与卫星间的几何距离;c表示光速;dtr表示接收机钟差;T表示对流层延迟;If表示电离层延迟;λf表示波长;Nf表示模糊度;表示相位小数偏差;ε(Lf)表示相位观测噪声及多路径误差;下标f表示频率;
在定位计算中,采用双频无电离层组合模型消除了电离层延迟低阶项,将接收机的三维坐标、接收机钟差、对流层延迟和无电离层组合模糊度作为待估参数,并视相位小数偏差被模糊度吸收,得到无电离层组合模型方程为:
LIF=ρ+cdtr+T+λIFNIF+ε(LIF);
其中,LIF表示无电离层组合相位观测值;λIF表示无电离层组合相位波长;NIF表示无电离层组合模糊度;ε(LIF)表示无电离层组合相位观测噪声及多路径误差;下标IF表示无电离层组合;
宽巷组合测量方程为:
下标WL表示宽巷组合;IWL表示宽巷组合电离层延迟;λWL表示宽巷组合波长;NWL表示宽巷组合模糊度;dWL,r表示宽巷组合接收机相位偏差;表示宽巷组合卫星相位偏差;ε(LWL)表示宽巷组合相位观测噪声及多路径误差;
无几何距离组合(Phase Geometry Free,GF组合)的载波相位观测值为:
LGF=L1-L2=λ1N1-λ2N2-(I1-I2)+ε(LGF);
卫星轨道误差在小区域内具有一致性,可被吸收到卫星UPD中,利用区域网的数据可以有效地估计卫星的UPD,并实现非差模糊度的快速固定。
优选地,所述卫星UPD,包括:宽巷UPD和窄巷UPD;
其中,宽巷UPD计算中,宽巷模糊度通过MW组合计算得到,计算公式如下:
其中,表示卫星端宽巷浮点模糊度;Nr,w表示卫星端宽巷整周模糊度;f1和f2表示卫星两个信号组合的频率,λ1和λ2表示卫星两个信号组合的波长;λw为宽巷波长;P1表示载波L1上的伪距;P2表示载波L2上的伪距;L1表示载波L1相位观测值;L2表示载波L2相位观测值;dr,w表示接收机端宽巷UPD;表示卫星端宽巷UPD;为卫星端伪距偏差;
其中,窄巷UPD计算中,窄巷模糊度通过宽巷模糊度和浮点无电离层模糊度组合得到,计算公式如下:
其中,表示对应浮点窄巷模糊度;表示对应浮点无电离层模糊度;λnl表示窄巷模糊度的波长;λIF表示无电离层模糊度的波长;dr,nl表示接收机端窄巷UPD;表示卫星端窄巷UPD;f1和f2表示两个信号组合的频率;
浮点宽巷模糊度和浮点窄巷模糊度均可以表示为整周模糊度和小数偏差之和,其计算公式如下:
将合格的UPD估计值带入下一个历元,对相应的浮点模糊度进行卫星端UPD和接收机端UPD的改正;
卫星端小数部分UPD、钟差和卫星轨道误差联合发送给PPP用户;PPP用户利用UPD产品并结合大气改正模型参数对模糊度、宽巷UPD和窄巷UPD,并通过LAMBDA算法实时解算整周模糊度,并恢复模糊度的整数特性,实现PPP用户对模糊度快速固定。
优选地,所述若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位,包括:
利用惯性导航系统(INS)辅助PPP宽巷完成周跳探测,具体为:
根据获取的INS信息,消除宽巷组合中的站星几何位置;
并结合无几何距离组合(GF)实现无人机的实时定位并完成实时周跳探测。
优选地,所述方法,还包括:
利用INS、精密星历提供的接收机和卫星高精度位置信息,消除宽巷中的站星几何位置关系;
通过星间差和历元间差消除接收机钟差、对流层延迟误差、电离层延迟误差和模糊度,得到包含周跳参数的检测量;
利用INS定位结果和IGS精密星历,估计星站几何位置ρINS,建立包括INS位置信息的宽巷组合观测量LWL-INS,计算公式:
其中,LWL-INS表示包括INS位置信息的宽巷组合观测量;LWL表示宽巷组合测量方程;ρINS表示利用INS定位结果和IGS精密星历,估计星站的几何位置;εINS表示惯导传感器误差;
根据参考卫星进行星间差分,消除接收机钟差和接收机端宽巷相位小数偏差,计算公式:
其中,Δ表示星间差;
对连续的历元观测量作历元差分,消除模糊度;
周跳探测的检测量DVWL-INS,计算公式:
δΔLWL-INS=λWLδΔNWL+δΔε(LWL)-δΔεINS;
其中,δ表示历元间差;δΔLWL-INS表示周跳探测的检测量DVWL-INS;δΔNWL表示宽巷周跳;δΔε(LWL)表示双差相位宽巷误差;δΔεINS表示双差后的INS误差;
将前后两个历元GF组合的载波相位观测值作差,得到电离层残差公式:
δLGF=λ1δN1-λ2δN2-δ(I1-I2)+δε(LGF);
为了削弱电离层变化带来的影响,改正后的电离层残差公式:
δLGF=LGF-L′GF=λ1δN1-λ2δN2+ε(LLG)-ε(LGF_est);
其中,δLGF即为检测量DVGF;
为实现单历元对最小1周的周跳探测,INS辅助宽巷周跳探测阈值TWL-INS应为宽巷波长的一半,当周跳探测的检测量DVWL-INS大于周跳探测阈值时,即认为发生了周跳;以3倍中误差为标准,INS辅助宽巷周跳检测量中误差满足:3·σWL-INS≤TWL-INS。
优选地,所述方法,还包括:
INS的EKF预测和更新:
其中,EKF预测:先利用传感器获得的观测加速度和观测角速度,对状态进行估计,使得估计的不确定度、协方差越来越大;
EKF更新:利用GNSS观测构建观测模型,对状态向量的均值和协方差进行更新,修正预测过程的累积误差;
综合考虑系统性能和可观测性因素,建立包括INS误差状态和GNSS误差状态的状态向量:
其中,误差状态按顺序:rINS表示INS位置误差;vINS表示INS速度误差;表示INS失准角;bacc表示加速度计零偏;bgyra表示陀螺零偏;dt表示接收机钟差;表示钟差变化率;T表示天顶对流层湿延迟;NIF,i无电离层组合模糊度;
滤波器观测量即为INS估计的相位、伪距、多普勒与GNSS观测值之差;
其中,ZIF表示滤波器无电离层组合观测量;表示INS估计的无电离层组合相位;LIF表示GNSS无电离层组合相位观测值;表示INS估计的无电离层组合伪距;PIF表示GNSS无电离层组合伪距观测值;表示INS估计的无电离层组合多普勒;DIF表示GNSS无电离层组合多普勒观测值。
优选地,所述面向视觉SLAM的特征点提取算法,包括:
步骤S111:建立图像金字塔,提取不同尺度的角点特征;
步骤S112:根据输电走廊目标提取特征点数量对图像进行网格划分,得到大小相同的子图像块;
步骤S113:对于没有特征点的子图像块,对最邻近的图像块进行补偿性划分,以保证实际得到的特征点数接近目标提取数量;
步骤S114:选择每个图像块内响应值最大的角点作为特征点,其中,所述特征点均匀分布。
优选地,所述面向视觉SLAM的特征点提取算法,包括:
步骤S111:建立图像金字塔,提取不同尺度的角点特征;
步骤S112:根据输电走廊目标提取特征点数量对图像进行网格划分,得到大小相同的子图像块;
步骤S113:对于没有特征点的子图像块,对最邻近的图像块进行补偿性划分,以保证实际得到的特征点数接近目标提取数量;
步骤S114:选择每个图像块内响应值最大的角点作为特征点,其中,所述特征点均匀分布。
优选地,所述基于所述特征点提取算法的多状态约束卡尔曼滤波(MSCKF),包括:
步骤S121、IMU积分:利用IMU加速度和角速度对状态向量中的IMU状态进行预测,并处理多帧IMU观测数据;
步骤S122、相机状态扩增:每接收一张图片后,计算当前相机状态并加入到状态向量中,同时扩充状态协方差;
步骤S123、特征点三角化:快速均匀特征点提取,然后根据历史相机状态三角化估计3D特征点;
步骤S124、特征更新:利用特征点对多个历史相机状态的约束来更新状态向量,同时修正IMU状态;
步骤S125、历史相机状态移除:若相机状态个数超过N,则剔除时间长的相机状态以及对应的协方差;
步骤S126、重复步骤S122到步骤S125。
根据本发明实施例的第二方面,提供一种电网无人机巡检实时定位系统,包括:
检测模块,用于检测GNSS信号和移动无线网络是否正常;
获取模块,用于若GNSS接收正常,移动无线网络正常,则通过移动无线网络访问CORS服务器,并获取网络RTK服务,实现无人机的实时定位;
增强模块,用于若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位;
结合模块,用于若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位;
定位模块,用于若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位;
输出模块,用于实时输出高精度定位信息。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明的技术方案,在GNSS接收正常,移动无线网络正常,通过移动无线网络访问CORS服务器,获取网络RTK服务,实现无人机的实时定位;若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位;若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位;若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位,最后实时输出高精度定位信息,本发明通过将PPP-RTK技术、INS技术和Vision等多传感器采用紧组合的方式结合在一起,实现了相互影响,彼此优化的效果,达到了对GNSS的增强,即使在GNSS信号被遮挡、无线网络信号差的情况下,电网无人机依然可以实现实时高精度定位。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种电网无人机巡检实时定位方法的流程图;
图2是根据一示例性实施例示出的PPP-RTK定位原型系统实现方案;
图3是根据一示例性实施例示出模糊度快速固定流程图;
图4是根据一示例性实施例示出的障碍物目标做跨相机运动的示意图;
图5是根据一示例性实施例示出的PPP-RTK/INS紧组合模型图;
图6是根据一示例性实施例示出的两个待融合的障碍物目标在车辆坐标系下的示意图;
图7是根据一示例性实施例示出的特征点流程图;
图8是根据一示例性实施例示出的面向视觉SLAM的快速均匀特征点提取流程图;
图9是根据一示例性实施例示出的改进后的MSCKF算法流程图;
图10是根据一示例性实施例示出的一种电网无人机巡检实时定位系统示意框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
实施例一
请参阅图1,图1是根据一示例性实施例示出的一种电网无人机巡检实时定位方法的流程图,如图1所示,该方法包括:
步骤S01、检测GNSS信号和移动无线网络是否正常;
若GNSS接收正常,移动无线网络正常,则通过移动无线网络访问CORS服务器,并获取网络RTK服务,实现无人机的实时定位;
步骤S03、若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位;
步骤S04、若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位;
步骤S05、若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位;
步骤S06、实时输出高精度定位信息。
需要说明的是,本实施例提供的技术方案适用的应用场景为:电网无人机智能巡检、电网无人机高精度定位的使用场景。
可以理解的是,本实施例提供的技术方案,通过将PPP-RTK技术、INS技术和Vision等多传感器采用紧组合的方式结合在一起,实现了相互影响,彼此优化的效果,达到了对GNSS的增强,即使在GNSS信号被遮挡、无线网络信号差的情况下,电网无人机依然可以实现实时高精度定位。
在具体实践中,通过移动无线网络访问CORS服务器,并获取网络RTK服务,具体为:
当电网巡检无人机所在区域能正常接收GNSS信号,移动无线网络正常,能通过移动无线网络访问CORS服务器,获取网络RTK服务,实现厘米级高精度实时定位。方法为:网络RTK通过组建连续运行参考站网系统CORS,数据处理中心服务器端结合基线处理与观测值(改正数)内插技术,生成用户网络RTK差分改正数据。用户在GNSS信号正常,移动无线网络信号正常的区域,通过移动无线网络访问CORS服务器端,接收网络RTK差分改正数据实现流动站实时动态高精度相对定位。
在具体实践中,根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位,具体为:
当电网巡检无人机所在区域移动无线网络信号弱或无信号时,无法访问CORS服务器获取网络RTK服务,此时采用PPP-RTK。PPP-RTK技术继承了PPP基于状态空间表达的误差改正方式,同时吸收了实时动态RTK定位固定模糊度的思想,通过施加区域参考网电离层、对流层等约束,PPP最快可以在短时间内实现模糊度的可靠固定,实现实时高精度定位。需要说明的是,短时间为:指小于5秒(好一点的惯导设备可到10秒),长时间指大于5秒至分钟级(取决作业环境,直线飞行,还是转弯)。若再长时间接收不到GNSS信号,则定位精度会较差。
需要说明的是,非差模糊度,双差模糊度,三差模糊度是GNSS数据处理手段。GNSS信号从卫星到用户会存在很多误差,用户通过与基准站的空间相关性,时间相关性进行双差处理或三差处理可以消除空间相关性的部分误差(如电离层低阶影响,对流层影响等),消除时间相关性误差(如卫星钟差等),三差可以进一步消除空间相关性的高阶误差影响。而非差是直接使用原始观测值,不进行双差或三差处理,通过误差建模来进行修正。非差模糊度强调的就是非差数据处理方式的模糊度。而模糊度是GNSS信号未知的整周数,统称模糊度,有可能是非差处理获得,也有可能双差或三差处理获得。
充分利用电网已经建立起来的CORS密集基准站网设施,逐站进行精密单点定位整数解,逐站提取精密大气延迟信息,并进行空域和时域建模,将这些增强的改正信息播发给用户使用,实现非差模糊度的快速固定,PPP-RTK定位原型系统实现方案如图2所示,实践证明基于参考网的电离层延迟产品能显著提高PPP-RTK性能。
PPP-RTK高精度动态定位服务系统由服务端与用户端(无人机)两部分组成。服务端实现区域大气模型生成,用户端通过实时接收GNSS观测数据、实时精密卫星轨道和精密钟差产品、区域大气模型产品进行模糊度快速固定,实现实时高精度动态定位,其中,服务器端区域大气模型生成流程图,如图3所示。
对于PPP原始相位观测方程,当使用精密星历和精密钟差产品消除其卫星轨道误差和卫星钟差,并将其他系统误差如天线相位中心偏差、相位缠绕、相对论效应、固体潮、大洋负荷改正,以及地球自转等,采用模型改正后,相位观测方程可以写为:
其中,Lf表示原始相位观测值;ρ表示自卫星信号发射时刻到信号到达接收机时刻接收机与卫星间的几何距离;c表示光速;dtr表示接收机钟差;T表示对流层延迟;If表示电离层延迟;λf表示波长;Nf表示模糊度;表示相位小数偏差;ε表示相位观测噪声及多路径误差;下标f表示频率;
实际定位计算中采用双频无电离层组合模型消除了电离层延迟低阶项,将接收机三维坐标、接收机钟差、对流层延迟和无电离层组合模糊度作为待估参数,并视相位小数偏差由模糊度吸收,得到无电离层组合模型方程为:
LIF=ρ+cdtr+T+λIFNIF+ε(LIF)
其中,LIF表示无电离层组合相位观测值;λIF表示无电离层组合相位波长;NIF表示无电离层组合模糊度;εIF表示无电离层组合相位观测噪声及多路径误差;下标IF表示无电离层组合;
宽巷组合测量方程为:
下标WL表示宽巷组合;IWL表示宽巷组合电离层延迟;λWL表示宽巷组合波长;NWL表示宽巷组合模糊度;dWL,r表示宽巷组合接收机相位偏差;表示宽巷组合卫星相位偏差;ε(LWL)表示宽巷组合相位观测噪声及多路径误差;
无几何距离组合(Phase Geometry Free,GF组合)的载波相位观测值为:
LGF=L1-L2=λ1N1-λ2N2-(I1-I2)+ε(LGF);
卫星轨道误差在小区域内具有一致性,可以被吸收到卫星UPD中,利用区域网的数据可以有效地估计卫星的UPD,并应用于区域网测站的模糊度固定。
本实施例中的UPD产品分为宽巷UPD和窄巷UPD两种类型,其中宽巷UPD由于具备较高的时间稳定性,1天只估计1个值,窄巷UPD稳定性较低,需对窄巷UPD进行逐历元估计以满足实时定位需求。
其中,宽巷UPD计算中,宽巷模糊度通过MW组合计算得到,计算公式如下:
其中,表示卫星端宽巷浮点模糊度;Nr,w表示卫星端宽巷整周模糊度;f1和f2表示卫星两个信号组合的频率,λ1和λ2表示卫星两个信号组合的波长;λw为宽巷波长;P表示伪距;L表示相位观测值;dr,w表示接收机端宽巷UPD;表示卫星端宽巷UPD;为卫星端伪距偏差;
在窄巷UPD估计过程中,首先使用IGS精密轨道和钟差产品对参考站中每个基准站进行PPP定位解算,得到所有站的所有实数无电离层模糊度参数。
其中,窄巷UPD计算中,窄巷模糊度通过宽巷模糊度和浮点无电离层模糊度组合得到,计算公式如下:
其中,表示对应浮点窄巷模糊度;表示对应浮点无电离层模糊度;λnl表示窄巷模糊度的波长;λIF表示无电离层模糊度的波长;dr,nl表示接收机端窄巷UPD;表示卫星端窄巷UPD;f1和f2表示两个信号组合的频率;
浮点宽巷模糊度和浮点窄巷模糊度均可以表示为整周模糊度和小数偏差之和,其计算公式如下:
在获取宽巷模糊度和窄巷模糊度的小数部分R后,宽巷UPD和窄巷UPD根据n个参考网测站的模糊度信息通过最小二乘法估计得到,计算公式为:
在窄巷UPD估计过程中,由于窄巷的波长相对较短,受观测数据质量和模型化误差的影响较大。因此本实施例在逐历元估计过程中,每个历元均能估计得到一组UPD估值,对于当前历元的每个UPD估计值,当参与估计该UPD的模糊度个数超过5个,且估值精度小于0.1周则判定为合格。将合格的UPD估计值带入下一个历元,对相应的浮点模糊度进行卫星端和接收机端的UPD改正。
需要说明的是。卫星导航定位,用户需要获取卫星的轨道位置,即星历文件,普通的实时导航定位获取的是广播星历,精度不高。实时精密卫星轨道和钟差产品,正是PPP技术要解决的核心产品。数据中心通过获取区域地面卫星连续运行参考站数据,实时解算精密卫星轨道,形成精密卫星星历、卫星钟差(纳秒级别)和区域电离层建模产品,这些产品通过卫星广播模式播发给用户(如调制在导航卫星某个载波,或GEO通讯卫星)。
卫星端小数部分UPD、钟差和卫星轨道误差联合发送给PPP用户;PPP用户利用UPD产品结合大气改正模型参数对模糊度进行改正,在宽巷窄巷固定模式中,首先对宽巷模糊度进行宽巷UPD改正,然后通过取整方式固定宽巷模糊度,之后对窄巷模糊度进行窄巷UPD改正,然后通过LAMBDA算法实时解算整周模糊度,最终恢复模糊度的整数特性,从而实现PPP用户模糊度快速固定,其中,模糊度快速固定流程图如图4所示。
在具体实践中,所述若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位,包括:
利用惯性导航系统(INS)辅助PPP宽巷完成周跳探测,但是,由于输电走廊地形复杂,高山峡谷地区存在GNSS信号遮挡,多路径效应等影响,此时用户端(无人机)无法通过GNSS来实现高精度定位。
用户端接收机载波相位观测值由于接收机高动态、卫星低仰角、信号被遮挡等原因,往往发生周跳。周跳不仅会影响定位精度,而且可能会导致模糊度参数重新初始化以致数分钟后才能重新收敛。
本实施例进一步利用惯性导航系统(INS)辅助PPP宽巷周跳探测的新策略,通过具有短时高精度的INS信息,消除宽巷组合中的站星几何位置,克服传统MW方法中码伪距噪声及多路径误差的影响。INS辅助的宽巷周跳探测方法能够精确识别各种宽巷小周跳。将该方法与无几何距离(GF)组合方法相结合,具有较高探测精度,并可应用于实时周跳探测。
PPP与INS紧密组合,由一个主滤波器对来自GNSS接收机的原始测量数据和由INS估算的导航解进行融合。INS运用陀螺仪和加速计测量数据进行捷联惯导计算(机械编排),得到位置、速度、姿态等导航估算值,并结合精密星历与钟差产品,预测GNSS伪距、载波和多普勒观测量;GNSS利用误差模型与精密星历、钟差产品,校正伪距、载波和多普勒原始观测量,并将校正量与INS预测观测量之差作为EKF卡尔曼滤波器的输入;经EKF卡尔曼滤波融合处理,得到组合系统的误差状态估计并反馈至INS,一方面校正INS导航解并输出组合系统导航信息,另一方面补偿惯导传感器误差;此外,INS定位估算值也被用于辅助PPP进行周跳探测与修复,以增强组合系统的质量控制。
INS辅助PPP的宽巷探测模型,其基本原理为:利用INS和精密星历提供的接收机与卫星高精度位置信息,消除宽巷中的站星几何位置关系;通过星间差和历元间差分别消除接收机钟差、对流层延迟误差、电离层延迟误差和模糊度等参数,形成仅包含周跳参数且具有较高精度的检测量。
首先,利用INS定位结果和IGS精密星历,估计星站几何位置ρINS,建立包括INS位置信息的宽巷组合观测量LWL-INS,计算公式:
其中,LWL-INS表示包括INS位置信息的宽巷组合观测量;LWL表示宽巷组合测量方程;ρINS表示利用INS定位结果和IGS精密星历,估计星站的几何位置;εINS表示惯导传感器误差;
需要说明的是,利用INS定位结果和IGS精密星历,估计星站的几何位置。均表示星站的估计几何位置(初始值),故可相互抵消。
其次,选择合适的参考卫星进行星间差分,消除接收机钟差和接收机端宽巷相位小数偏差,计算公式:
其中,Δ表示星间差;
最后,对连续的历元观测量作历元差分,消除模糊度。由于24h内卫星端宽巷相位小数偏差非常稳定,故历元间差分便将卫星端宽巷相位小数偏差消除;对流层延迟干分量采用模型估计,湿分量固定为PPP最新估计结果,由于短期内对流层延迟具有较强的时间相关性,因此对流层延迟残差可以被忽略。影响周跳探测的一个重要因素是未模型化的电离层延迟,当电离层中的电离子含量平滑变化时,历元间差分可以消除电离层延迟;但当电离层变化较快及GNSS信号长时间中断的情况时,历元间差分便无法消除电离层延迟,此时采用相对电离层模型的方法,将短时间内电离层延迟近似成线性变化,在无周跳或周跳修复成功的条件下,通过电离层残差组合获取滑动窗口内电离层变化,进而预报当前历元时刻的电离层信息。由此可得双差相位宽巷组合观测方程,即周跳探测的检测量DVWL-INS,计算公式:
δΔLWL-INS=λWLδΔNWL+δΔε(LWL)-δΔεINS;
其中,δ表示历元间差;δΔLWL-INS表示周跳探测的检测量DVWL-INS;δΔNWL表示宽巷周跳;δΔε(LWL)表示双差相位宽巷误差;δΔεINS表示双差后的INS误差;
在一般情况下,电离层残差方法探测精度较高,但它对残余电离层误差敏感,即当电离层快速变化或GNSS信号长时间中断的情况下时,其探测精度往往大大降低。本发明同样采用相对电离层模型去估计下一历元时刻相位无几何距离组合估算值L′GF,以此削弱电离层变化带来的影响,其中,改正后的电离层残差公式:
δLGF=LGF-L′GF=λ1δN1-λ2δN2+ε(LLG)-ε(LGF_est);
其中,δLGF即为检测量DVGF;
为实现单历元对最小1周的周跳探测,INS辅助宽巷周跳探测阈值TWL-INS应为宽巷波长的一半,当周跳探测的检测量DVWL-INS大于周跳探测阈值时,即认为此时发生了周跳。以3倍中误差为标准,INS辅助宽巷周跳检测量中误差应满足:
3·σWL-INS≤TWL-INS;
本实施例中,用户端以典型战术级IMU为例,0.1s和1s独立导航时间内,惯导位置误差完全满足WL-INS周跳探测模型对惯导精度要求,且在短时间内,惯导误差远小于相位宽巷误差。因此,INS辅助PPP宽巷模型对周跳非常敏感,它不仅可以探测出小周跳,而且能在短时间内恢复很高精度的整数周跳,从而实现PPP快速重新初始化。由于INS辅助PPP的宽巷探测周跳方法无法确定各个频率上的周跳,也无法探测双频等周周跳,因此本实施例将其与探测精度较高的GF组合方法相结合。
再具体实践中,还包括:INS的EKF预测和更新:
其中,EKF预测:先利用传感器获得的观测加速度和观测角速度,对状态进行估计,使得估计的不确定度、协方差越来越大;
EKF更新:利用GNSS观测构建观测模型,对状态向量的均值和协方差进行更新,修正预测过程的累积误差;
综合考虑系统性能和可观测性因素,建立包括INS误差状态和GNSS误差状态的状态向量:
其中,误差状态按顺序:rINS表示INS位置误差;vINS表示INS速度误差;表示INS失准角;bacc表示加速度计零偏;bgyra表示陀螺零偏;dt表示接收机钟差;表示钟差变化率;T表示天顶对流层湿延迟;NIF,i无电离层组合模糊度;
滤波器观测量即为INS估计的相位、伪距、多普勒与GNSS观测值之差;
其中,ZIF表示滤波器无电离层组合观测量;表示INS估计的无电离层组合相位;LIF表示GNSS无电离层组合相位观测值;表示INS估计的无电离层组合伪距;PIF表示GNSS无电离层组合伪距观测值;表示INS估计的无电离层组合多普勒;DIF表示GNSS无电离层组合多普勒观测值。
PPP-RTK/INS紧组合模型如图5所示。
本实施例中,通过惯导传感器信息可以填补GNSS信号短时间中断造成的定位结果缺失,保证了用户端(无人机)动态情况下高精度实时定位的连续性。同时,用户端(无人机)在重新获得GNSS信号时,惯导信息可以缩短用户端(无人机)模糊度重新固定的时间(实现1秒左右的快速模糊度固定),大大提升了PPP-RTK的固定率、定位精度、可用性和可靠性。
再具体实践中,基于多状态约束下的Kalman滤波器(MSCKF)的PPP-RTK/INS/Vision紧组合算法,提取特征点并进行优化,具体为:
当电网巡检无人机所处位置高山峡谷中遮挡严重,GNSS信号中断或失锁时间较长,此时惯性导航误差迅速累积,定位结果逐渐发散。
在PPP-RTK/INS框架下,引入无人机上的相机传感器视觉信息进行融合,将同一个被连续多帧影像跟踪到静止特征点的观测量转化为多张影像之间的几何约束,可以有效构建多个运动状态之间的数据关联,能够进一步抑制惯性导航误差发散。本发明提出了基于MSCKF的PPP-RTK/INS/Vision紧组合算法,并对特征点提取进行了优化,其中,基于MSCKF的PPP-RTK/INS/Vision紧组合算法,如图6所示。
需要说明的是,无移动网络信号时的通讯获取方式为卫星广播模式获取,可以是高轨卫星,也可以是中轨卫星,未来可以是低轨卫星。大气增强改正数,包括电离层改正数和对流层改正数,并支持内插和网格两种模式提供给用户。精密轨道与钟差,GNSS观测值(用户接收天线直接获取),陀螺仪和加速计是用户终端安装有传感器,直接输出获取。
需要说明的是,GNSS状态预测具体为:用户实时接收到卫星观测信号的同时,接收卫星星历。卫星星历是描述卫星运动轨道的信息,是一组对应某一时刻的轨道根数及其变率。根据卫星星历可以计算出任一时刻的卫星位置及其速度,精密的轨道信息是精密定位的基础。PPP观测方程一般指非差观测方程(包含了各种误差来源的非差观测值,包含卫星轨道误差,卫星钟差,电离层误差,对流层误差,接收机延迟等等)。
其中,惯性测量单元IMU维持状态更新,GNSS与相机观测值进行量测更新,INS机械编排获得的位姿可用于辅助特征点的跟踪与匹配。PPP-RTK融合IMU信息和视觉信息,VIO算法基于多状态约束的卡尔曼滤波(MSCKF),能够适应剧烈的运动、一定时间的纹理缺失,具有更高的鲁棒性和精度。
请参阅图7,图7是根据一示例性实施例示出的特征点流程图,若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位,包括:
基于多状态约束下的Kalman滤波器(MSCKF)的PPP-RTK/INS/Vision紧组合算法,提取特征点并进行优化,具体为:
步骤S11、面向视觉SLAM的特征点提取算法;
步骤S12、基于所述特征点提取算法的多状态约束卡尔曼滤波(MSCKF)。
其中,步骤S11、面向视觉SLAM的快速均匀特征点提取算法,具体为:
需要说明的是,特征点提取是视觉SLAM重要的环节之一,首先特征点聚集且冗余不仅影响处理时间,而且会导致跟踪频繁丢失并发生重定位,出现地图中关键帧密集分布的现象,建图结果混乱,其次特征点均匀性不但影响时间定位精度,而且影响建图结果。输电走廊环境较大,特征点会比较多,现有特征点提取方法中特征点提取结果冗余且均匀性差,导致SLAM定位精度及计算效率低,本实施例中,面向视觉SLAM的快速均匀特征点提取流程图,如图8所示。
步骤S111:建立图像金字塔,提取不同尺度的角点特征;
步骤S112:根据输电走廊目标提取特征点数量对图像进行网格划分,得到大小相同的子图像块;
步骤S113:对于没有特征点的子图像块,对最邻近的图像块进行补偿性划分,以保证实际得到的特征点数接近目标提取数量;
步骤S114:选择每个图像块内响应值最大的角点作为特征点,其中,所述特征点均匀分布。
其中,步骤S12、基于所述特征点提取算法的多状态约束卡尔曼滤波(MSCKF)。
需要说明的是,本实施例采用ORB特征提取算法。ORB(oriented FAST androtated BRIEF),一种快速特征点提取和描述的算法。ORB算法分为两部分,分别是特征点提取和特征点描述。特征提取是由FAST(Features from Accelerated Segment Test)算法发展来的,特征点描述是根据BRIEF(Binary Robust IndependentElementary Features)特征描述算法改进的。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来,并在原来的基础上做了改进与优化。
MSCKF将不同时刻的相机位姿(位置p和姿态四元数q)加入到状态向量,特征点会被多个相机看到,从而在多个相机状态之间形成几何约束,进而利用几何约束构建观测模型对EKF进行更新。
改进后的MSCKF算法步骤,请参阅图9:
步骤S121、IMU积分:利用IMU加速度和角速度对状态向量中的IMU状态进行预测,并处理多帧IMU观测数据;
步骤S122、相机状态扩增:每接收一张图片后,计算当前相机状态并加入到状态向量中,同时扩充状态协方差;
步骤S123、特征点三角化:快速均匀特征点提取,然后根据历史相机状态三角化估计3D特征点;
步骤S124、特征更新:利用特征点对多个历史相机状态的约束来更新状态向量,同时修正IMU状态;
步骤S125、历史相机状态移除:若相机状态个数超过N,则剔除时间长的相机状态以及对应的协方差;
步骤S126、重复步骤S122到步骤S125。
实施例二
请参阅图10,图10是一示例性实施例示出的一种电网无人机巡检实时定位系统示意框图,如图10所示,该电网无人机巡检实时定位系统100包括:
检测模块101,用于检测GNSS信号和移动无线网络是否正常;
获取模块102,用于若GNSS接收正常,移动无线网络正常,则通过移动无线网络访问CORS服务器,并获取网络RTK服务,实现无人机的实时定位;
增强模块103,用于若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位;
结合模块104,用于若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位;
定位模块105,用于若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位;
输出模块106,用于实时输出高精度定位信息。
需要说明的是,本实施例提供的技术方案适用的应用场景为:电网无人机智能巡检、电网无人机高精度定位的使用场景。
需要说明的是,高精度实时动态定位系统包括数据处理中心,数据传输系统和用户端。数据处理中心包括基于CORS的网络RTK服务,基于区域CORS解算大气改正模型和精密实时卫星轨道和钟差改正产品服务。数据传输系统包括获取网络RTK的移动无线网络,和获取大气改正模型和精密实时卫星轨道和钟差改正产品的广播式卫星。
需要说明的是,用户端可安装在无人机上进行集成,用户端为集成了GNSS、IMU和相机等多传感器和多传感器时间同步板卡,实时接收和存储模块的软硬件一体化终端(无人机),可进行PPP-RTK/INS/Vision紧组合的高精度实时定位。包括核心计算模块(核心板)、GNSS模块、传感器模块和通信模块。通信模块不仅可以通过Ntrip协议以网络通信模式接收精密改正信息,也可以通过TCP/IP协议以卫星通信模式接收精密改正信息。GNSS模块支持全系统和全频点,获取GNSS原始观测数据。传感器模块包括惯导和相机。各模块均以串口与核心板连接。用户端完成所有必要的实时数据流接收及解码之后,即可进行定位解算并通过串口实时输出NMEA或自定义格式定位结果,并将定位结果实时传回监控中心。终端具有一定容量的存储器,实时存储定位结果、LOG日志文件及质量控制文件,供事后分析。
需要说明的是,电网输电巡检,绕塔飞行精细化巡检,无人机巡检轨迹连续清晰,与预设飞行轨迹一致。得益于多系统的联合使用以及惯导和视觉定位的耦合,在中断GNSS信号再次接收到GNSS信号后可实现秒级快速模糊度固定,大大提高了GNSS定位的可用性、连续性和可靠性。
需要说明的是,本实施例中各模块的实现方式及有益效果,可参见实施例一中相关步骤的介绍,本实施例不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电网无人机巡检实时定位方法,其特征在于,包括如下步骤:
步骤S01、检测GNSS信号和移动无线网络是否正常;
步骤S02、若GNSS接收正常,移动无线网络正常,则通过移动无线网络访问CORS服务器,并获取网络RTK服务,实现无人机的实时定位;
步骤S03、若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位;
步骤S04、若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位;
步骤S05、若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位;
步骤S06、实时输出高精度定位信息。
2.根据权利要求1所述的方法,其特征在于,所述若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位,具体为:
根据接收的GNSS观测数据、实时精密卫星轨道、钟差产品和区域大气模型产品进行模糊度快速固定,具体为:
根据精密星历和精密钟差,消除卫星轨道误差和卫星钟差;
其他系统误差根据模型进行改正;其中,其他系统误差,包括:天线相位中心偏差、相位缠绕、相对论效应、固体潮、大洋负荷改正和地球自转;
更正后的PPP相位观测方程为:
其中,Lf表示原始相位观测值;ρ表示自卫星信号发射时刻到信号到达接收机时刻接收机与卫星间的几何距离;c表示光速;dtr表示接收机钟差;T表示对流层延迟;If表示电离层延迟;λf表示波长;Nf表示模糊度;表示相位小数偏差;ε(Lf)表示相位观测噪声及多路径误差;下标f表示频率;
在定位计算中,采用双频无电离层组合模型消除了电离层延迟低阶项,将接收机的三维坐标、接收机钟差、对流层延迟和无电离层组合模糊度作为待估参数,并视相位小数偏差被模糊度吸收,得到无电离层组合模型方程为:
LIF=ρ+cdtr+T+λIFNIF+ε(LIF);
其中,LIF表示无电离层组合相位观测值;λIF表示无电离层组合相位波长;NIF表示无电离层组合模糊度;ε(LIF)表示无电离层组合相位观测噪声及多路径误差;下标IF表示无电离层组合;
宽巷组合测量方程为:
下标WL表示宽巷组合;IWL表示宽巷组合电离层延迟;λWL表示宽巷组合波长;NWL表示宽巷组合模糊度;dWL,r表示宽巷组合接收机相位偏差;表示宽巷组合卫星相位偏差;ε(LWL)表示宽巷组合相位观测噪声及多路径误差;
无几何距离组合(Phase Geometry Free,GF组合)的载波相位观测值为:
LGF=L1-L2=λ1N1-λ2N2-(I1-I2)+ε(LGF);
卫星轨道误差在小区域内具有一致性,可被吸收到卫星UPD中,利用区域网的数据可以有效地估计卫星的UPD,并实现非差模糊度的快速固定。
3.根据权利要求2所述的方法,其特征在于,所述卫星UPD,包括:宽巷UPD和窄巷UPD;
其中,宽巷UPD计算中,宽巷模糊度通过MW组合计算得到,计算公式如下:
其中,表示卫星端宽巷浮点模糊度;Nr,w表示卫星端宽巷整周模糊度;f1和f2表示卫星两个信号组合的频率,λ1和λ2表示卫星两个信号组合的波长;λw为宽巷波长;P1表示载波L1上的伪距;P2表示载波L2上的伪距;L1表示载波L1相位观测值;L2表示载波L2相位观测值;dr,w表示接收机端宽巷UPD;表示卫星端宽巷UPD;为卫星端伪距偏差;
其中,窄巷UPD计算中,窄巷模糊度通过宽巷模糊度和浮点无电离层模糊度组合得到,计算公式如下:
其中,表示对应浮点窄巷模糊度;表示对应浮点无电离层模糊度;λnl表示窄巷模糊度的波长;λIF表示无电离层模糊度的波长;dr,nl表示接收机端窄巷UPD;表示卫星端窄巷UPD;f1和f2表示两个信号组合的频率;
浮点宽巷模糊度和浮点窄巷模糊度均可以表示为整周模糊度和小数偏差之和,其计算公式如下:
在获取宽巷模糊度和窄巷模糊度的小数部分R后,宽巷UPD和窄巷UPD根据n个参考网测站的模糊度信息通过最小二乘法估计得到,计算公式为:
将合格的UPD估计值带入下一个历元,对相应的浮点模糊度进行卫星端UPD和接收机端UPD的改正;
卫星端小数部分UPD、钟差和卫星轨道误差联合发送给PPP用户;PPP用户利用UPD产品并结合大气改正模型参数对模糊度、宽巷UPD和窄巷UPD,并通过LAMBDA算法实时解算整周模糊度,并恢复模糊度的整数特性,实现PPP用户对模糊度快速固定。
4.根据权利要求1所述的方法,其特征在于,所述若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位,包括:
利用惯性导航系统(INS)辅助PPP宽巷完成周跳探测,具体为:
根据获取的INS信息,消除宽巷组合中的站星几何位置;
并结合无几何距离组合(GF)实现无人机的实时定位并完成实时周跳探测。
5.根据权利要求4所述的方法,其特征在于,还包括:
利用INS、精密星历提供的接收机和卫星高精度位置信息,消除宽巷中的站星几何位置关系;
通过星间差和历元间差消除接收机钟差、对流层延迟误差、电离层延迟误差和模糊度,得到包含周跳参数的检测量;
利用INS定位结果和IGS精密星历,估计星站几何位置ρINS,建立包括INS位置信息的宽巷组合观测量LWL-INS,计算公式:
其中,LWL-INS表示包括INS位置信息的宽巷组合观测量;LWL表示宽巷组合测量方程;ρINS表示利用INS定位结果和IGS精密星历,估计星站的几何位置;εINS表示惯导传感器误差;
根据参考卫星进行星间差分,消除接收机钟差和接收机端宽巷相位小数偏差,计算公式:
其中,Δ表示星间差;
对连续的历元观测量作历元差分,消除模糊度;
周跳探测的检测量DVWL-INS,计算公式:
δΔLWL-INS=λWLδΔNWL+δΔε(LWL)-δΔεINS;
其中,δ表示历元间差;δΔLWL-INS表示周跳探测的检测量DVWL-INS;δΔNWL表示宽巷周跳;δΔε(LWL)表示双差相位宽巷误差;δΔεINS表示双差后的INS误差;
将前后两个历元GF组合的载波相位观测值作差,得到电离层残差公式:
δLGF=λ1δN1-λ2δN2-δ(I1-I2)+δε(LGF);
为了削弱电离层变化带来的影响,改正后的电离层残差公式:
δLGF=LGF-L′GF=λ1δN1-λ2δN2+ε(LLG)-ε(LGF_est);
其中,δLGF即为检测量DVGF;
为实现单历元对最小1周的周跳探测,INS辅助宽巷周跳探测阈值TWL-INS应为宽巷波长的一半,当周跳探测的检测量DVWL-INS大于周跳探测阈值时,即认为发生了周跳;以3倍中误差为标准,INS辅助宽巷周跳检测量中误差满足:3·σWL-INS≤TWL-INS。
6.根据权利要求5所述的方法,其特征在于,还包括:
INS的EKF预测和更新:
其中,EKF预测:先利用传感器获得的观测加速度和观测角速度,对状态进行估计,使得估计的不确定度、协方差越来越大;
EKF更新:利用GNSS观测构建观测模型,对状态向量的均值和协方差进行更新,修正预测过程的累积误差;
综合考虑系统性能和可观测性因素,建立包括INS误差状态和GNSS误差状态的状态向量:
其中,误差状态按顺序:rINS表示INS位置误差;vINS表示INS速度误差;表示INS失准角;bacc表示加速度计零偏;bgyra表示陀螺零偏;dt表示接收机钟差;di表示钟差变化率;T表示天顶对流层湿延迟;NIF,i无电离层组合模糊度;
滤波器观测量即为INS估计的相位、伪距、多普勒与GNSS观测值之差;
7.根据权利要求1所述的方法,其特征在于,所述若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位,包括:
基于多状态约束下的Kalman滤波器(MSCKF)的PPP-RTK/INS/Vision紧组合算法,提取特征点并进行优化,具体为:
步骤S11、面向视觉SLAM的特征点提取算法;
步骤S12、基于所述特征点提取算法的多状态约束卡尔曼滤波(MSCKF)。
8.根据权利要求7所述的方法,其特征在于,所述面向视觉SLAM的特征点提取算法,包括:
步骤S111:建立图像金字塔,提取不同尺度的角点特征;
步骤S112:根据输电走廊目标提取特征点数量对图像进行网格划分,得到大小相同的子图像块;
步骤S113:对于没有特征点的子图像块,对最邻近的图像块进行补偿性划分,以保证实际得到的特征点数接近目标提取数量;
步骤S114:选择每个图像块内响应值最大的角点作为特征点,其中,所述特征点均匀分布。
9.根据权利要求7所述的方法,其特征在于,所述基于所述特征点提取算法的多状态约束卡尔曼滤波(MSCKF),包括:
步骤S121、IMU积分:利用IMU加速度和角速度对状态向量中的IMU状态进行预测,并处理多帧IMU观测数据;
步骤S122、相机状态扩增:每接收一张图片后,计算当前相机状态并加入到状态向量中,同时扩充状态协方差;
步骤S123、特征点三角化:快速均匀特征点提取,然后根据历史相机状态三角化估计3D特征点;
步骤S124、特征更新:利用特征点对多个历史相机状态的约束来更新状态向量,同时修正IMU状态;
步骤S125、历史相机状态移除:若相机状态个数超过N,则剔除时间长的相机状态以及对应的协方差;
步骤S126、重复步骤S122到步骤S125。
10.一种电网无人机巡检实时定位系统,其特征在于,包括:
检测模块,用于检测GNSS信号和移动无线网络是否正常;
获取模块,用于若GNSS接收正常,移动无线网络正常,则通过移动无线网络访问CORS服务器,并获取网络RTK服务,实现无人机的实时定位;
增强模块,用于若GNSS接收正常,移动无线网络不正常,则根据区域参考网增强精密单点定位(PPP-RTK),实现无人机的实时定位;
结合模块,用于若GNSS短时间内接收不正常,则利用PPP-RTK结合惯性导航系统(INS)紧组合模型,实现无人机的实时定位;
定位模块,用于若GNSS长时间内接收不正常,则利用PPP-RTK、INS和相机传感器视觉信息(Vision)紧组合模型,实现无人机的实时定位;
输出模块,用于实时输出高精度定位信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269687.XA CN115561796A (zh) | 2022-10-18 | 2022-10-18 | 一种电网无人机巡检实时定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269687.XA CN115561796A (zh) | 2022-10-18 | 2022-10-18 | 一种电网无人机巡检实时定位方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115561796A true CN115561796A (zh) | 2023-01-03 |
Family
ID=84747299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211269687.XA Pending CN115561796A (zh) | 2022-10-18 | 2022-10-18 | 一种电网无人机巡检实时定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115561796A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299623A (zh) * | 2023-05-12 | 2023-06-23 | 武汉大学 | 一种城市复杂场景下的ppp和ins紧组合方法与系统 |
CN117406256A (zh) * | 2023-12-14 | 2024-01-16 | 国家无线电监测中心 | 一种应用于低轨互联网卫星的终端定位方法及相关设备 |
-
2022
- 2022-10-18 CN CN202211269687.XA patent/CN115561796A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299623A (zh) * | 2023-05-12 | 2023-06-23 | 武汉大学 | 一种城市复杂场景下的ppp和ins紧组合方法与系统 |
CN117406256A (zh) * | 2023-12-14 | 2024-01-16 | 国家无线电监测中心 | 一种应用于低轨互联网卫星的终端定位方法及相关设备 |
CN117406256B (zh) * | 2023-12-14 | 2024-03-15 | 国家无线电监测中心 | 一种应用于低轨互联网卫星的终端定位方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11733395B2 (en) | Precise point position and real-time kinematic (PPP-RTK) positioning method and device | |
US7292185B2 (en) | Attitude determination exploiting geometry constraints | |
US6424914B1 (en) | Fully-coupled vehicle positioning method and system thereof | |
RU2479855C2 (ru) | Зависящее от расстояния уменьшение ошибки при определении местоположения в режиме кинематики реального времени | |
US6496778B1 (en) | Real-time integrated vehicle positioning method and system with differential GPS | |
US9035826B2 (en) | Satellite differential positioning receiver using multiple base-rover antennas | |
US11550067B2 (en) | System and method for fusing dead reckoning and GNSS data streams | |
CN115561796A (zh) | 一种电网无人机巡检实时定位方法和系统 | |
Yuan et al. | The application of GPS precise point positioning technology in aerial triangulation | |
US11125890B2 (en) | Advanced navigation satellite system positioning method and system using seeding information | |
US20130090858A1 (en) | System for measuring coseismic movements or vibrations of structures based on global navigation satellite systems-gnss and/or pseudolites | |
US20240085567A1 (en) | System and method for correcting satellite observations | |
US8922426B1 (en) | System for geo-location | |
JP2008039691A (ja) | 搬送波位相式測位装置 | |
CN116299623A (zh) | 一种城市复杂场景下的ppp和ins紧组合方法与系统 | |
US20240094415A1 (en) | System and method for detecting outliers in gnss observations | |
US12013468B2 (en) | System and method for determining GNSS corrections | |
CN108205151B (zh) | 一种低成本gps单天线姿态测量方法 | |
Wang et al. | GIVE: A tightly coupled RTK-inertial–visual state estimator for robust and precise positioning | |
CN117388883A (zh) | 一种基于稀疏地基节点的北斗低轨ppp-rtk高精度服务方法 | |
Li et al. | Toward Wide-Area and High-Precision Positioning With LEO Constellation Augmented PPP-RTK | |
Liu | Tightly Coupled Integration of GNSS/INS/Stereo Vision/Map Matching System for Land Vehicle Navigation | |
CN115267858A (zh) | 一种区域导航系统辅助的精密单点定位方法 | |
CN117031521B (zh) | 一种室内外无缝环境下的弹性融合定位方法及系统 | |
CN117782080B (zh) | 基于PPP-B2b/INS的实时空基导航系统及方法 |
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 |