CN115667845A - 用于移动载体的导航辅助方法 - Google Patents
用于移动载体的导航辅助方法 Download PDFInfo
- Publication number
- CN115667845A CN115667845A CN202180023633.2A CN202180023633A CN115667845A CN 115667845 A CN115667845 A CN 115667845A CN 202180023633 A CN202180023633 A CN 202180023633A CN 115667845 A CN115667845 A CN 115667845A
- Authority
- CN
- China
- Prior art keywords
- state
- correction
- navigation
- mobile carrier
- inertial
- 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
- 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
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
本发明涉及一种用于移动载体(1)的导航辅助方法,该移动载体(1)包括惯性导航单元(10),该惯性导航单元(10)包括至少一个惯性传感器(12),其中,在确定的观察窗口内,该惯性导航单元(10)的估计单元(11)执行以下步骤:非线性系统的参数化(E10),该非线性系统被配置为根据运动学模型和/或至少一个惯性传感器(12)获取的测量值来估计在迭代n处该移动载体(1)在给定时间间隔内的导航状态;该系统的线性化(E20),使得该系统根据迭代n‑1处的导航状态和对该导航状态的校正来表示在迭代n处的导航状态,所述系统通过第一先验状态初始化;通过卡尔曼滤波器和随机克隆来估计在迭代n处的导航状态的第一校正(E21);通过反向运行的信息滤波器和随机克隆来估计在迭代n处的导航状态的第二校正(E22);通过合并该第一校正和该第二校正来确定第三校正(E30);以及根据该第三校正来校正在迭代n处的导航状态(E40),校正状态在迭代n+1处使用。
Description
技术领域
本发明涉及跟踪导航单元的位置的领域。
本发明更具体地涉及一种用于移动载体的导航辅助方法,以及实施所述方法的惯性导航单元。
背景技术
在基于惯性单元的测量值和来自不同传感器(全球定位系统(GPS)、摄像机、激光雷达、里程表等)的外部测量值来估计惯性单元的轨迹的领域中,卡尔曼滤波器是用于追踪载体(例如船舶、飞机或陆地车辆等)的导航(即其位置、速度、加速度等)的众所周知的工具。
卡尔曼滤波器通过导航传感器提供的噪声测量值,经由基于矩阵的并因此为线性的方程来估计载体在连续迭代中的导航状态。
然后将该单元视为由线性方程控制的动态系统,这构成了约束性限制。
为了将卡尔曼滤波器扩展到由非线性方程调节的动态系统,已经提供了一种表示为“扩展卡尔曼滤波器”(EKF)的方法。这种发展提供了一个附加的步骤,该步骤包括在滤波器的每次新迭代中线性化在向量空间的一个点处控制非线性系统的方程,该点通常是在先前的迭代中所估计的状态。因此,由这种线性化产生的矩阵可用于计算使用传统卡尔曼滤波器方法估计的新状态。
然而,如果线性化点离载体的实际导航状态太远,已知的扩展卡尔曼滤波器确实具有不能正常工作的缺点。
然而,在某些导航追踪情况下,在滤波器开始时无法准确估计单元的导航状态,因此实施扩展卡尔曼滤波器的连续迭代不可能收敛到准确的状态估计。
现有技术的一种方法也被称为“平滑”,其在于通过产生测量值的传感器的精度对赋予每个测量值的重要性进行加权,从而计算产生尽可能接近观察结果的测量值的轨迹。
与按顺序处理测量值并一次使用每个测量值的卡尔曼滤波器相比,平滑可“回顾”以根据最新的可用观察值来校正计算。这一优势使得这种方法对于使用某些类型的传感器(例如摄像机)来说很重要。
然而,就平滑在高精度导航单元中的潜在用途而言,认识到平滑的主要缺点。具体地,当64位计算机被传统计算机或由集成系统普遍使用的32位或者甚至16位电子控制单元取代时,所获得的性能急剧劣化。由于数值计算中不准确的累积,这种劣化现象是非常危险的,这是因为它可能导致在原型阶段批准算法,但是实际上它永远无法在最终产品上实现。问题的原因已被认定为使用了条件非常差的逆矩阵(已知问题会导致相当大的数值错误)。
因此需要改进现有技术中的技术。
发明内容
本发明的一个目的是基于惯性单元的测量值和来自不同传感器的外部测量值来估计惯性单元的轨迹。
本发明的另一个目的是提供一种比上述现有技术的解决方案更适合在高精度惯性导航单元上执行的方法。
因此,提供了一种用于移动载体的导航辅助方法,该移动载体包括惯性导航单元,该惯性导航单元包括至少一个惯性传感器,其中,在确定的观察窗口内,由该惯性导航单元的估计单元执行以下步骤:
非线性系统的参数化,所述非线性系统被配置为根据动力学模型和/或由至少一个惯性传感器获取的测量值来估计在迭代n处该移动载体的导航状态;
围绕所估计的导航状态对所述系统的进行线性化;
通过卡尔曼滤波器和随机克隆来估计所估计的载体的导航状态的第一校正;
通过反向运行的信息滤波器并使用随机克隆来估计第二校正;
通过融合该第一校正和该第二校正来确定第三校正;以及
根据该第三校正,估计在迭代n+1处所估计的导航状态。
有利地,该方法还包括以下特征中的一个或多个。
通过该卡尔曼滤波器和随机克隆来估计该第一校正的步骤是通过在计算所估计的载体的导航状态的校正中的连续的时步上实现的,该滤波器的一个时步包括以下步骤:
根据动力学模型和/或由至少一个惯性传感器所获取的测量值来将该载体的先前导航状态传播为传播状态;以及
根据由至少一个附加传感器所获取的直接或相对的测量值来更新该传播状态。
通过信息滤波器和该第一校正的随机克隆估计该第二校正的步骤是通过连续的时步实现的,并且对于信息滤波器的一个时步,该步骤包括以下步骤:
根据动力学模型和/或由至少一个惯性传感器获取的测量值将该载体的较后导航状态的校正反向传播为传播状态的校正;
根据由至少一个附加传感器获取的直接或相对测量值来更新该传播状态的校正。
在通过该卡尔曼滤波器和随机克隆来估计第一校正的步骤中,通过该卡尔曼滤波器所传播的导航状态的校正包括:比所传播的导航状态的校正更早的该导航状态的校正的克隆,只要所述更早的导航状态的校正涉及比该传播的导航状态的校正更晚的状态校正的相对测量值。并且在通过反向运行的该信息滤波器和随机克隆来估计第二校正的步骤中,通过反向运行的信息滤波器来反向传播的导航状态的校正包括:比该反向传播的导航状态的校正更晚的导航状态校正的克隆,只要所述更晚的导航状态的校正涉及比该传播的导航状态的校正更早的状态校正的相对测量值。
待估计的导航状态用以下公式来表示
其中ψk是与每个传感器的测量值相关联的成本函数,Pk是与第k个测量值相关联的协方差矩阵,即,与第k个测量值相关联的不确定性,符号
表示由矩阵Pk的逆矩阵加权的欧几里得范数。
对估计该移动载体的导航状态X的该非线性系统关于所估计的导航状态进行线性化,以在以下形式的估计状态中限定校正δXn *
所提出的方法能够重新用公式表示计算用于平滑的“最大后验概率”(MAP),以使这些矩阵的逆矩阵仅隐式出现,从而避免受到数值逼近的影响。
所提出的方法还可以将卡尔曼平滑器扩展到结合惯性测量值和任何其他类型的直接和/或相对状态的测量值的问题。该方法基于平滑器和所谓的“随机克隆”方法的联合使用。这使得基于数值稳定的最大后验概率执行尤其是惯性视觉和惯性激光雷达的融合成为可能,即使在使用高精度导航单元时,以及在计算能力低的集成架构中也是如此。
根据第二方面,本发明还提供了一种移动载体的估计单元,该估计单元被配置为实施前述用于移动载体的导航辅助方法。
根据第三方面,本发明提供一种移动载体的惯性导航单元,该惯性导航单元包括用于接收由至少一个惯性传感器获取的惯性测量值的接口、用于接收由至少一个附加传感器获取的附加测量值的接口、以及根据第二方面的估计单元,该估计单元基于由接收惯性测量值的接口和接收附加测量值的接口获取的测量值来估计该单元的导航状态。
还提供了一种计算机程序产品,该计算机程序产品包括程序代码指令,当该程序由根据第二方面的移动载体的轨迹的估计单元执行时,该程序代码指令用于执行前述方法的步骤。
附图说明
本发明的其他特征、目的和优点将从以下描述中变得显而易见,该其他特征、目的和优点纯粹是说明性的而非限制性的,并且必须参考附图来阅读,其中:
图1示出了根据本发明实施方案的用于移动载体的导航单元;
图2和图3说明了根据本发明实施方案的用于追踪移动载体的导航单元的位置的方法的步骤;
图4A、图4B和图4C示出了根据本发明实施方案说明了导航单元所获取的测量值的到达时间和所花费的处理时间的时域图;以及
图4D和图4E示出了根据本发明的不同实施方案的导航单元所获得的测量值的到达时间和所花费的处理时间的时域图。
具体实施方式
术语“随机克隆”应理解为是指通过复制与未来观察有关的过去状态来增加系统状态。
术语“导航状态的校正”应理解为是指系统的估计状态与实际状态之间的差异估计。
术语“两个校正的融合”应理解为是指通常通过应用加权平均值来计算由两个先前获得的校正所产生的合并校正。权重优选地通过来自信息滤波器的信息矩阵和来自卡尔曼滤波器的协方差矩阵的逆矩阵来获得。
术语“反向运行的信息滤波器”应理解为是指从窗口的最后一个时步到第一个时步对代表来自未来状态的信息的高斯定律的向量和信息矩阵进行递归计算。
术语“导航状态”应理解为是指在一确定时间或在一系列时间期间,表示至少载体的方向和位置或者方向和速度的一组变量。
在本文的其余部分中,测量值的协方差写为具有下标的P,卡尔曼滤波器返回的协方差写为具有上标的P。
参考图1,惯性单元10被集成在移动载体1上,例如陆地车辆、直升机、飞机等。惯性单元10包括以下几个部分:惯性传感器12、附加传感器13和用于实施估计计算的估计单元11。这些部分可以在物理上彼此分离。
惯性传感器12通常是分别测量载体相对于惯性参考系所经受的特定力和旋转速度的加速度计和/或陀螺仪。该特定力相当于原始的非重力加速度。当这些传感器相对于载体固定时,该单元被称为“捷联式”。
附加传感器13根据载体的类型、其动态范围和预期应用是可变的。惯性单元通常使用全球导航卫星系统(GNSS)接收器(例如GPS)。对于陆地车辆,该附加传感器13也可以是一个或多个里程表。对于船,该附加传感器13可以是给出船相对于水或海床的速度的“计程仪(loch)”。例如摄像机或例如激光雷达(LiDar)类型的雷达是附加传感器13的另一个示例。
估计单元11的输出数据是代表载体的导航的状态,在本文的其余部分中将该导航的状态称为导航状态x,并且在适用的情况下将其称为惯性单元10的内部状态。
根据产生测量值的传感器的类型,可以发现有三种不同类型的测量值。因此可以发现以下几点:
与两个连续状态xi和xi+1相关的惯性测量值;
一次仅涉及xi中的一个的直接测量值,例如GPS测量值;和
相关测量值,即该相关测量值涉及可能不连续的至少两个状态xi和xj。例如,使用摄像机或LiDar获得的测量值就是这种情况。
该导航状态可以包括载体的至少一个导航变量(位置、速度、加速度、方向等)。导航状态在任何情况下都可以以向量的形式代表,其每个分量是载体的导航变量。
估计单元11具体地包括一种算法,该算法被配置为融合由附加传感器13和惯性传感器12给出的信息以便提供导航信息的最佳估计。该融合是根据如下完成的:将一个连续或离散的动态系统作为模型以通过使用非线性传播函数f来基于先前时刻的状态预测每一时刻的状态,并且使用观察函数h来观察的方式也可以是非线性的。这样的系统是非线性的。
估计单元11包括用于接收由惯性传感器12获取的测量值的主接口21、用于接收由附加传感器13获取的测量值的辅助接口22以及至少一个处理器20,该至少一个处理器20被配置为实施下文描述的方法。
平滑是能够以处理器20可执行的计算机程序的形式被编码的算法。
估计单元11还包括用于传递由处理器20计算的输出数据的输出23。
参考图2和图3,说明了根据本发明实施方案的由估计单元11实施的用于对包括惯性导航单元的移动载体进行导航辅助的方法的某些步骤。
作为该方法的一部分,估计载体所遵循的轨迹,所述载体的导航状态是所述轨迹的最后状态。基于以任何方式估计的轨迹使用一种方法来确定要应用于所述轨迹的校正以获得校正的轨迹,该校正轨迹可以考虑在导航期间的任何时刻由附加传感器13和惯性传感器12给定的信息项以提供导航信息的最佳估计。
由于轨迹是通过非线性问题来估计的,因此在所谓的参数化步骤E10中,其实施方式是非线性系统被配置为描述移动载体1的导航状态的变化。因此,线性化后的系统形成需要求解以确定估计的轨迹的校正δXn *的一个线性最小二乘问题。
与MAP相关联的轨迹由以下形式的非线性优化问题定义:
其中:
ψk表示与每个传感器的测量值相关联的成本函数,
Pk表示与第k个测量值相关联的协方差矩阵,即与第k个测量值相关联的不确定性,
然后可以通过该方法的迭代来校正估计的轨迹该方法依赖于通过非线性优化问题的连续线性化来迭代求解该非线性优化问题。因此,对形式的一系列解进行搜索,同时寻求最小化逼近MAP优化问题的线性系统,这导致求解一连串的以下形式的线性最小二乘问题:
遇到的问题源于解决这些线性问题的标准方法需要显式计算Pk -1的事实,这在高精度惯性单元的情况下会导致严重的数值问题,特别是以减少的计算装置(用32位或者甚至16位卡)运行的集成架构。
也可以在所提出的方法中应用的替代方案包括不考虑Pk而是其平方根,即矩阵Sk使得Pk=SkSk T,这也避免了反转。
一旦已经将问题线性化(步骤E20),就执行该系统的求解步骤E21、E22、E30。提供了一种求解算法,该算法可以找到线性最小二乘问题的精确解,但可以避免精度过高的单位可能出现的数值稳定性问题。
为此,利用了一个事实,即最小二乘问题可以通过被称为卡尔曼平滑器的方法在没有数值不稳定的情况下求解,该方法使用所谓的“随机克隆”方法完成,从而可以改变系统的状态的数量,使得其以与卡尔曼平滑器兼容的形式编写。
这种适用于线性系统的平滑器是在卡尔曼滤波器的输出上构建的,即该平滑器用于通过包括来自未来的观察中所包含的信息来校正卡尔曼滤波器产生的估计。因此,为了应用这种平滑器,必须首先通过应用卡尔曼滤波器来以“直接”意义扫描数据,即从时间i=1到时间i=T(其中T是观察窗口的持续时间)。然后可以应用反向运行(即从时间k=T到时间k=1)的信息滤波器。因此,在平滑器之后,对时间i处的状态的估计不仅考虑了过去的观测值Y1、...,、Yi,而且还考虑了观测窗口中包含的所有观测值Y1、...、YT。
以已知方式,卡尔曼滤波器KF是由线性系统描述的递归估计器。本文中,这些线性化状态是要应用于轨迹的导航状态的校正。
滤波器是用初始状态进行初始化的,该初始状态将作为滤波器的第一时步的输入。滤波器的每个随后的时步将由滤波器的先前时步估计的状态作为输入,并且提供对载体的线性化状态的新估计(或校正)。
卡尔曼滤波器的时步通常包括两个步骤:传播和更新。
传播步骤基于先前的线性化状态(或第一迭代的初始线性化状态)并且借助于线性化传播函数来确定载体的传播线性化状态。
卡尔曼滤波器使得可以在知道直至此刻的所有过去观察值的情况下执行线性化状态的条件概率分布的均值和方差的逼近。
存在一组非常特殊的情况,其中无需计算与惯性单元的测量值相关联的矩阵Pk的逆矩阵即可获得δXn *,惯性单元的测量值分为以下两类:
来自惯性传感器12的惯性测量值,其与δXn i和δXn i+1相关,其协方差记为Q,以及
来自附加传感器13的直接测量值,一次仅涉及xi中的一个,例如GPS测量值。
具体地,在这种情况下,可以使用卡尔曼平滑器来解决问题,并且其最近的公式中的一个可以避免必须反转有问题的矩阵。
这使用了由卡尔曼滤波器进行的第二估计,这一次以已知形式应用于观察的反向方向的卡尔曼滤波器还被称为“信息滤波器”,其提供第二校正。然后将其与第一卡尔曼滤波器的结果融合。
卡尔曼平滑器可以得到所需的均值x1、…、xp,
然而,卡尔曼平滑器不像这样适用于其他情况,特别是当惯性测量值以外的测量值是相关测量值时,即它们至少关于两个状态δXn i和δXn j。例如,使用摄像机或LiDar获得的测量值就是这种情况。
对于所有附加传感器13,相关联的测量值的协方差记为R。
为了能够将卡尔曼平滑器扩展到结合惯性测量值和任何类型的直接和/或相关的状态的测量值的问题,该方法基于平滑器和所谓的“随机克隆”方法的联合使用,在下文中详述。这使得基于数值稳定的最大后验概率能够实现尤其是惯性视觉和惯性LiDar融合,即使在使用高精度导航单元时,以及在计算能力低的集成架构中也是如此。
参考图4A,示出了待通过在确定的时间段上进行平滑来估计的轨迹的示例。两个连续状态之间的直箭头表示惯性测量值,弯曲箭头表示可能不连续的两个状态之间的相关测量值。
图4B示出了随机克隆的使用。因此,状态通过检索较晚的测量值所涉及的过去状态(例如将对δX3产生直接影响的δX0)的克隆而演变。随机克隆的使用由替代状态V1、…、Vp代表,替代状态的大小随时间而变化,因为只要它们涉及到较晚状态的测量值,它们将在内存中包含过去状态的克隆。因此,替代状态Vi由δXi和更早状态δXj1、…、δXjm的克隆组成。
图4C示出了平滑器和具有高线性化误差的所谓的“随机克隆”方法的联合使用的优点。因此,信息的传播是相对稳定的,因此对平滑带来的初始误差的校正也得到了适当的考虑,以获得高质量的估计。
通过比较,图4D示出了应用随机克隆的卡尔曼滤波器的限制。因此,在惯性视觉融合中可能存在的高线性化误差被传播并且之后永远不会被校正,这可能导致低质量的估计,或者甚至是不合逻辑的估计。
图4E示出了传统平滑相对于图3和图4示例中所示出的方法的理论优势和实际限制。理论上,由于较晚的测量值必须校正初始线性化误差。然而,实际上,传统实施方式中的数值误差继承并严重降低了估计。
平滑器和所谓的“随机克隆”方法的联合使用可以通过以下算法来实施。
特别是,寻求在每次迭代中计算第一校正(步骤E21)和正在考虑的迭代中的导航状态的第二校正(步骤E22)。
在步骤E21中,为了应用这个平滑器,通过应用卡尔曼滤波器来在“直接”方向(即从时间i=0到时间i=T(其中T是观察窗口的持续时间))上扫描数据,以确定向量xi和矩阵Pi,表示直到时间i的信息,即
特别是,与状态i相关联的校正将由Vi的最后一个块给出,因此它的平均值由xi的最后一个块给出,其协方差由Pi右下角的块给出:
[1]初始化;
[2]针对每次迭代i;
[3]如果δXn i-1参与较晚的测量值,则将δXn i-1克隆到替代状态的平均xi-1中。通过复制最后一行然后最后一列来扩展协方差Pi-1;
[4]扩展状态的传播:
单位矩阵的维度等于存储在替代状态中的克隆的数量。协方差按传统方式传播。
[5]如果在i和j之间有一个测量值,其中j<i;
[6]根据如下已知的卡尔曼增益方程更新:
块具有索引i和j。
[7]如果δXn j不参与较晚的测量值,则在替代状态下删除δXn j:删除在xi和Pi中关联的块、行和列。
在步骤E22中,应用平滑器以递归方式计算后验分布:
P(Vi|Yi+1,...,YT),
以代表从时间i开始的信息的形式,即经由向量yi和信息矩阵Ji编码正态分布,
因此,矩阵Ji对应于与该分布相关联的协方差矩阵的逆矩阵。
[1]初始化y0=0,j0=0;
[2]针对每次迭代i,i的范围从n到0;
[3]如果δXn i涉及先前的测量值,用与δXn i的维度一样多的零来扩展yi,并且在ji中添加尽可能多的零的行,然后是尽可能多的零的列;
[4]如果在δXn i和δXn j之间存在测量值Yij,其中j<i;
[5]以如下信息的形式更新:
块具有索引i和j:
[6]如果δXn j不涉及较早的测量值,则扩展信息项中的δXn j融合:
其中yk i表示yi的与克隆δXn k对应的部分,Jkl i对应于与δXn k和δXn l相关联的信息块,然后删除与δXn j相关联的块,
[7]扩展信息项的反向传播:
单位矩阵的维度等于存储在替代状态中的克隆的数目,并且
在步骤E30中,随后融合“直接”和“反向”估计。因此问题在于融合分别在步骤E21和步骤E22中获得的第一校正和第二校正。
因此,对于每次迭代i,现在可以进行最终校正的以下计算:
接下来,一旦确定了校正,然后以如下形式执行导航状态的校正(步骤E40):
因此,所提出的方法可以将卡尔曼平滑器扩展到结合惯性测量值和任何类型的直接和/或相关状态测量值的问题。该方法基于平滑器和下文详述的所谓的“随机克隆”方法的联合使用。这使得基于数值稳定的最大后验概率能够实行尤其是惯性视觉和惯性LiDar的融合,即使在使用高精度导航单元时,以及在计算能力降低的集成架构中也是如此。
Claims (10)
1.一种用于移动载体(1)的导航辅助方法,所述移动载体(1)包括惯性导航单元(10),所述惯性导航单元(10)包括至少一个惯性传感器(12),其中,在确定的观察窗口内,所述惯性导航单元(10)的估计单元(11)执行以下步骤:
非线性系统的参数化(E10),所述非线性系统被配置为根据动力学模型和/或通过所述至少一个惯性传感器(12)获得的测量值来估计在迭代n处所述移动载体(1)在给定时间间隔内的导航状态;
所述系统的线性化(E20),使得所述系统根据迭代n-1处的导航状态和对所述导航状态的校正来表示所述迭代n处的导航状态,所述系统由第一先验状态初始化;
通过卡尔曼滤波器和随机克隆来估计在所述迭代n处的所述导航状态的第一校正(E21);
通过反向运行的信息滤波器和随机克隆来估计所述迭代n处的所述导航状态的第二校正(E22);
通过融合所述第一校正和所述第二校正来确定第三校正(E30);以及
根据所述第三校正来校正所述迭代n处的所述导航状态(E40),所述校正的状态在迭代n+1处使用。
2.根据前述权利要求所述的用于移动载体(1)的导航辅助方法,其中
通过所述卡尔曼滤波器和随机克隆来估计所述第一校正的所述步骤(E21)在连续的时步上完成,一个时步包括以下步骤:
根据动力学模型和/或由所述至少一个惯性传感器(12)所获取的测量值将所述载体的先前导航状态传播为传播状态;以及
根据由至少一个附加传感器(13)所获取的直接或相关测量值来更新所述传播状态,
通过迭代信息滤波器和随机克隆来估计所述第二校正的所述步骤(E22)在连续的时步上完成,并且一个时步包括以下步骤:
根据动力学模型和/或由所述至少一个惯性传感器(12)获取的测量值来将所述载体的较后导航状态的校正反向传播为反向传播状态的校正;以及
根据由所述至少一个附加传感器(13)获取的直接或相关测量值来更新所述反向传播状态的所述校正。
3.根据前述权利要求所述的用于移动载体(1)的导航辅助方法,其中
在通过所述卡尔曼滤波器和随机克隆来估计所述第一校正的所述步骤(E21)中,通过所述卡尔曼滤波器传播的所述导航状态的校正包括比所述传播的导航状态的校正更早的所述导航状态的校正的克隆,只要所述更早的导航状态的校正涉及比所述传播的导航状态的校正更晚的状态校正的相关测量值;并且其中
在通过反向运行的所述信息滤波器和随机克隆来估计第二校正的所述步骤(E22)中,通过反向运行的所述信息滤波器反向传播的所述导航状态的校正包括比所述反向传播的导航状态的校正更晚的导航状态校正的克隆,只要所述更晚的导航状态的校正涉及比所述传播的导航状态的校正更早的状态校正的相关测量值。
6.根据权利要求2至5中任一项所述的用于移动载体(1)的导航辅助方法,其中,所述传播步骤实现如下形式的增广转移矩阵:
[Id F],
其中,F对应于将先前状态校正与当前状态校正k相关联的转移矩阵,并且Id是维度等于过去状态的克隆的数量的单位矩阵。
8.一种移动载体(1)的估计单元(11),所述估计单元(11)被配置为实施根据权利要求1至7中一项所述的方法。
9.一种移动载体(1)的惯性导航单元(10),包括:
用于接收由至少一个惯性传感器(12)获取的惯性测量值(21)的接口;
用于接收由至少一个附加传感器(13)获取的附加测量值(22)的接口;
根据权利要求8所述的估计单元(11),所述估计单元(11)基于由接收惯性测量值(21)的所述接口和接收附加测量值(22)的所述接口所获取的测量值来估计所述单元的导航状态。
10.一种计算机程序产品,所述计算机程序产品包括程序代码指令,当该程序由移动载体(1)的轨迹的估计单元(11)执行时,所述程序代码指令执行根据权利要求1至7中一项所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2001069A FR3106885B1 (fr) | 2020-02-03 | 2020-02-03 | Procede d’aide à la navigation d’un porteur mobile |
FRFR2001069 | 2020-02-03 | ||
PCT/FR2021/050199 WO2021156569A1 (fr) | 2020-02-03 | 2021-02-03 | Procede d'aide à la navigation d'un porteur mobile |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115667845A true CN115667845A (zh) | 2023-01-31 |
Family
ID=71111514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180023633.2A Pending CN115667845A (zh) | 2020-02-03 | 2021-02-03 | 用于移动载体的导航辅助方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230078005A1 (zh) |
EP (1) | EP4100696A1 (zh) |
CN (1) | CN115667845A (zh) |
FR (1) | FR3106885B1 (zh) |
WO (1) | WO2021156569A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116772903B (zh) * | 2023-08-16 | 2023-10-20 | 河海大学 | 基于迭代ekf的sins/usbl安装角估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9243916B2 (en) * | 2013-02-21 | 2016-01-26 | Regents Of The University Of Minnesota | Observability-constrained vision-aided inertial navigation |
-
2020
- 2020-02-03 FR FR2001069A patent/FR3106885B1/fr active Active
-
2021
- 2021-02-03 WO PCT/FR2021/050199 patent/WO2021156569A1/fr unknown
- 2021-02-03 CN CN202180023633.2A patent/CN115667845A/zh active Pending
- 2021-02-03 EP EP21707347.7A patent/EP4100696A1/fr active Pending
- 2021-02-03 US US17/796,937 patent/US20230078005A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
FR3106885B1 (fr) | 2021-12-24 |
EP4100696A1 (fr) | 2022-12-14 |
FR3106885A1 (fr) | 2021-08-06 |
US20230078005A1 (en) | 2023-03-16 |
WO2021156569A1 (fr) | 2021-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111811506B (zh) | 视觉/惯性里程计组合导航方法、电子设备及存储介质 | |
CN109459019B (zh) | 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法 | |
CN111156987B (zh) | 基于残差补偿多速率ckf的惯性/天文组合导航方法 | |
CN111795686B (zh) | 一种移动机器人定位与建图的方法 | |
CN114018274B (zh) | 车辆定位方法、装置及电子设备 | |
CN110006427B (zh) | 一种低动态高振动环境下的bds/ins紧组合导航方法 | |
CN115143954B (zh) | 一种基于多源信息融合的无人车导航方法 | |
CN110395297B (zh) | 列车定位方法 | |
Zhai et al. | Robust vision-aided inertial navigation system for protection against ego-motion uncertainty of unmanned ground vehicle | |
CN111750865A (zh) | 一种用于双功能深海无人潜器导航系统的自适应滤波导航方法 | |
CN108313330B (zh) | 一种基于增广Kalman滤波的卫星干扰力矩估计方法 | |
CN113551666A (zh) | 自动驾驶多传感器融合定位方法和装置、设备及介质 | |
CN114608568B (zh) | 一种基于多传感器信息即时融合定位方法 | |
CN110595434B (zh) | 基于mems传感器的四元数融合姿态估计方法 | |
CN115451952A (zh) | 一种故障检测及抗差自适应滤波的多系统组合导航方法和装置 | |
CN115200578A (zh) | 基于多项式优化的惯性基导航信息融合方法及系统 | |
CN114915913A (zh) | 一种基于滑窗因子图的uwb-imu组合室内定位方法 | |
CN115667845A (zh) | 用于移动载体的导航辅助方法 | |
CN116358566B (zh) | 一种基于抗差自适应因子的粗差探测组合导航方法 | |
CN110912535B (zh) | 一种新型无先导卡尔曼滤波方法 | |
CN114858166B (zh) | 基于最大相关熵卡尔曼滤波器的imu姿态解算方法 | |
CN113959433B (zh) | 一种组合导航方法及装置 | |
CN116917771A (zh) | 用于借助卡尔曼滤波器确定至少一个系统状态的方法 | |
CN112567203B (zh) | 用于使用不变卡尔曼滤波器辅助一队交通工具导航的方法和装置 | |
CN113916226A (zh) | 一种基于最小方差的组合导航系统抗扰滤波方法 |
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 |