CN116045970B - 一种基于外部条件约束的多平台信息协同导航增强方法 - Google Patents

一种基于外部条件约束的多平台信息协同导航增强方法 Download PDF

Info

Publication number
CN116045970B
CN116045970B CN202310203746.1A CN202310203746A CN116045970B CN 116045970 B CN116045970 B CN 116045970B CN 202310203746 A CN202310203746 A CN 202310203746A CN 116045970 B CN116045970 B CN 116045970B
Authority
CN
China
Prior art keywords
navigation
navigation unit
platform
constraint
platform information
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
CN202310203746.1A
Other languages
English (en)
Other versions
CN116045970A (zh
Inventor
史晓锋
甘沛鑫
罗晓燕
万寒
刘博�
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202310203746.1A priority Critical patent/CN116045970B/zh
Publication of CN116045970A publication Critical patent/CN116045970A/zh
Application granted granted Critical
Publication of CN116045970B publication Critical patent/CN116045970B/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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • 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
    • G01C21/203—Specially adapted for sailing ships
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于外部条件约束的多平台信息协同导航增强方法，包括以下步骤：将海面上长期观测得到的气象状况等，作为外部环境参数，输入到自适应导航单元选择模块中；自适应导航单元模块包括惯性、视觉、卫星、辅助导航单元，接收到外部环境参数后，对导航单元进行校正，并输出采用外部约束校正后的组合导航单元参数；基于外部环境约束参数和内部组合导航参数建立混合评估模型，利用混合评估模型计算各导航单元的自适应权重；采用增量式因子图架构，根据多平台组合导航因子的权重，在线选择最佳因子参与融合；利用卡尔曼滤波，通过多平台信息协同对惯性导航进行增强，实现基于外部条件约束的多平台信息协同导航增强。

Description

一种基于外部条件约束的多平台信息协同导航增强方法
技术领域
本发明涉及组合导航领域，更具体地说，涉及一种基于外部条件约束的多平台信息协同导航增强方法。
背景技术
多源融合导航已成为学术界和工业界关注的焦点和研究热点，用于保证导航定位的高精度、强鲁棒和可靠性，具有广泛的应用前景。系统综合利用惯性导航系统(InertialNavigation System,INS)和全球卫星导航系统(Global Navigation Satellite System,GNSS)接收机、里程计、相机等辅助传感器，实现多源异构导航信息融合和实时精准定位。目前一般通过加权融合方法、联邦卡尔曼滤波方法、交互式多模型融合等算法对多传感器信息进行融合。
海面无人机通常采用多源融合导航来提高导航精准度。但海上无人机导航受诸多外部复杂环境因素影响。由于海洋地理与气象环境复杂，在陆地先进的无线通信技术不能完全满足海上无线通信系统要求，综合考虑海上无线通信环境影响因素，通过建模海上无线通信信道衰落特征模型，对于海上无线通信系统研究具有重要意义。
由于海面外界环境因素较多，晴雨条件、海风风强、海浪摆动等对多源组合导航中的各种导航方法存在不同程度的影响，使得到达接收端的多径信道随着海况发生变化，导致导航情况难以估计。需要建立一种基于海面复杂环境因素的多平台信息协同导航系统模型。
发明内容
现有的无人机导航方案大多只考虑正常环境下的导航校正，而对海上复杂环境的干扰考虑不足，导致导航结果出现较大误差。针对上述技术问题，本发明提出了一种基于外部条件约束的多平台信息协同导航增强方法，其基于无人机和舰船平台。本发明的方案采用环境约束修正与组合导航修正相结合的方法来进行导航增强，构建以惯导系统为核心的惯性/视觉/卫星/气象组合导航模型。其中，组合导航初始内部参数是使用无人机平台和舰船平台共同得到的，复杂环境条件约束是由无人机平台和舰船平台测量得到的。相比起现有方案，本发明的方案对海面复杂环境和多种导航平台进行建模，可以提高复杂环境下的导航精确程度。
为达到上述目的，本发明采用如下技术方案：
一种基于外部条件约束的多平台信息协同导航增强方法，包括如下步骤：
步骤1、以海上舰船平台为地面监控部分，所述地面监控部分由主控站、监测站、注入站以及通信和辅助系统组成，无人机携带惯性导航单元、视觉导航单元、卫星导航单元、辅助导航单元，具体步骤如下：
步骤（1-1）海上舰船平台以恒定速度航行，通过监测站进行晴雨状况、对流层参数、海风状况、洋流状况的数据采样，获得海面环境数据；
步骤（1-2）无人机对环境参数进行补充监测，获得海面环境数据，将海面环境数据发送至主控站；
步骤（1-3）无人机将其惯性、视觉、卫星、气象导航单元的内部参数测量值发送至舰主控站；
步骤2、基于步骤（1-1）与步骤（1-2）构建的海面环境数据，构建外部条件约束综合参数模型；
步骤3、基于步骤（1-1）中的海上舰船平台的视觉导航单元、卫星导航单元、气象导航单元，步骤（1-3）中的无人机的惯性、视觉、卫星、气象导航单元，步骤2构建的外部条件约束综合参数模型，组合各导航单元形成组合导航系统，构建组合导航系统的外部约束校准模型；
步骤4、根据基于因子图的多平台信息协同导航增强方法，基于线性时变系统的可观测度分析，采用增量因子图架构，计算组合导航系统的各导航单元子滤波器的权重因子；基于组合导航系统中视觉、卫星、气象导航单元的权重因子，在线选择最佳因子进行融合，自动调节各导航单元的信息权重，从而实现基于外部条件约束的多平台信息协同导航增强方法；
步骤5、构建以惯导传感器为核心的组合导航模型，基于卡尔曼滤波，确定多平台信息协同导航增强系统的状态方程和量测方程；根据卡尔曼滤波算法的时间更新方程、状态更新方程，随着外界环境的变化，在线调整估计误差协方差矩阵以及卡尔曼滤波增益。
进一步地，所述步骤2的外部条件约束综合参数模型包括：基于晴、雾、降雨、降雪的不同气象环境，构建海上气象环境参数模型；基于对流层电离参数，构建基于水平梯度模型的对流层环境参数模型；基于海上舰船平台和无人机平台风力变换，构建海面无人机风场参数模型；基于海浪运动导致反射路径阴影衰落波动效应，构建洋流状况环境参数模型。
进一步地，所述步骤3的计算步骤如下：
引入海上气象环境、对流层环境、海面无人机风场、洋流状态环境参数模型对视觉、卫星、气象导航单元的影响，构建视觉、卫星、气象导航校正模型，并构建外部条件对视觉、卫星、气象导航单元的综合约束参数校准矩阵。
进一步地，所述步骤4的具体步骤为：
步骤（4.1） 基于线性时变系统的可观测度分析，计算各导航单元子滤波器状态变量可观测度；
步骤（4.2） 基于步骤（4.1）计算得出的每个导航单元子滤波器状态变量的可观测度，根据信息守恒原则并通过归一化处理，计算出每个子滤波器中的各状态变量的信息分配权重；
步骤（4.3）基于最大后验概率计算多平台信息协同导航增强变量的最优系统状态估计；
步骤（4.4）采用增量平滑的因子图融合算法，对于第一次检测，定义先验因子，构建可信度先验因子结点；
步骤（4.5）考虑可信度权值对接入的多源组合导航因子的影响，定义传感器与惯性导航单元组合时的因子结点；
步骤（4.6）利用两相邻时刻变量结点之间的约束，定义k及k+1时刻间的二元状态转移因子；
步骤（4.7）假设为高斯噪声模型，代价函数定义为平方马氏距离；基于步骤（4.4）中可信度先验因子结点，基于步骤（4.5）中传感器与惯性导航单元组合时的因子结点，基于步骤（4.6）中k及k+1时刻间的二元状态转移因子结点，计算多平台信息协同导航增强变量的最优估计；
通过高斯牛顿法求解非线性最小二乘问题，经过QR分解使用增量平滑，将最优解更新迭代直到收敛。
进一步地，采用海上舰船平台中的晴雨参数测量装置，对流层参数观测装置，风场参数测量装置，洋流参数测量装置的测量数据用于协同增强多平台组合导航，提高组合导航精度结果。
进一步地，所述步骤1中的视觉导航单元使用基于可见光双目相机的视觉导航方法。
本发明与现有技术相比所具有的有益效果：
本发明提出了一套基于无人机和舰船平台的的基于外部条件约束的多平台信息协同导航增强方法。本发明的方案采用环境约束修正与组合导航修正相结合的方法来进行导航增强，构建以惯导系统为核心的惯性/视觉/卫星/气象组合导航模型。其中，组合导航初始内部参数是由无人机平台和舰船平台提供得到的，复杂环境条件约束是由舰船平台测量得到的。相比起现有方案，本发明的方案对海面复杂环境和多种导航平台进行建模，可以提高复杂环境下的导航精确程度。
附图说明
图1为基于外部条件约束的多平台信息协同导航增强方法的阶段流程图。
图2为构建基于外部条件约束的多平台信息协同导航增强方法的算法框架示意图。
图3为海上无人机和舰船平台发射接收信号示意图。
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、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明提出一种基于外部条件约束的多平台信息协同导航增强方法，其基于无人机和舰船平台，如图1所示，包括如下阶段：通过无人机和舰船平台的传感器接收外界环境参数；构建外部环境约束综合参数模型；计算组合导航各单元分配权重；自适应选择导航单元；实现多平台信息协同导航增强。
本发明引入海面多维复杂环境对导航单元的影响，构建外部条件约束综合参数模型；基于外部条件约束综合参数模型和系统内部参数构建每个组合导航系统的外部约束校准模型；利用混合评估模型计算各导航单元的分配权重；采用增量式因子图架构，根据多源组合导航因子的权重，在线选择最佳因子参与融合；利用卡尔曼滤波，通过多源因子融合得到的结果对惯性导航进行增强。
如图2和图3所示，本发明的基于外部条件约束的多平台信息协同导航增强方法，具体包括如下步骤：
第一步：以海上舰船平台为地面监控部分，由主控站、监测站、注入站以及通信和辅助系统组成，无人机携带惯性导航单元、视觉导航单元、卫星导航单元、辅助导航单元，具体步骤如下：
1.1 海上舰船平台以恒定速度航行，通过监测站进行气象状况、对流层参数、海风状况、洋流状况的数据采样；
1.2 无人机对气象状况、对流层参数、海风状况、洋流状况进行补充监测，将数据发送至舰船平台主控站；
1.3 无人机将惯性、视觉、卫星、气象导航系统内部参数测量值
Figure SMS_1
,/>
Figure SMS_2
, />
Figure SMS_3
, />
Figure SMS_4
发送至舰船平台主控站；
第二步：基于步骤1.1与1.2构建的海面复杂环境数据集，构建外部条件约束综合参数模型
Figure SMS_5
，具体步骤如下：
2.1 由于晴、雾、降雨、降雪气象环境下的通信信道路径损耗因子具有不同的衰落特征，构建海上气象环境参数模型
Figure SMS_6
如下：
Figure SMS_7
;
其中，
Figure SMS_8
为海上气象环境损耗模型，d为直射路径长度，/>
Figure SMS_9
为不同海上气象环境的衰落系数函数，i为天气类型标识，i=0，1，2，3，4，分别代表当前天气为晴、雾、雨、雪和雨雪雾混合气象环境；
Figure SMS_10
;
其中，
Figure SMS_13
为晴天衰落系数，/>
Figure SMS_14
为日照循环周期，/>
Figure SMS_17
是相位平移值，U为雾密度，/>
Figure SMS_12
为雾衰落系数，/>
Figure SMS_16
为降雨强度，/>
Figure SMS_18
为降雨衰落系数，/>
Figure SMS_19
为抖动幅度，/>
Figure SMS_11
为降雪强度，/>
Figure SMS_15
为降雪衰落系数；
2.2 构建考虑水平梯度模型的对流层环境参数模型
Figure SMS_20
如下：
Figure SMS_21
；
其中，
Figure SMS_22
为卫星高度角，/>
Figure SMS_25
为对流层天顶干延迟，由Divas模型计算；/>
Figure SMS_29
为对流层天顶湿延迟，/>
Figure SMS_24
与/>
Figure SMS_26
分别为干湿延迟投影函数，由GMF投影函数计算，
Figure SMS_28
为梯度投影函数，由/>
Figure SMS_31
推导，/>
Figure SMS_23
为方位角，/>
Figure SMS_27
和/>
Figure SMS_30
分别为水平梯度北方向和东方向的分量；
对流层天顶干延迟
Figure SMS_32
的计算模型为/>
Figure SMS_33
，式中，/>
Figure SMS_34
为地面大气压，/>
Figure SMS_35
为测站纬度，/>
Figure SMS_36
为测站高程；
2.3 建立海面无人机风场的参数模型
Figure SMS_37
如下：
Figure SMS_38
；
其中，
Figure SMS_40
为无人机距精致海面的高度；/>
Figure SMS_47
为参准高度；/>
Figure SMS_48
为平均时距；/>
Figure SMS_39
为参准时距；/>
Figure SMS_42
为高度/>
Figure SMS_44
处、时距/>
Figure SMS_49
内平均风速；/>
Figure SMS_41
为参准高度/>
Figure SMS_43
、参准时间/>
Figure SMS_45
内平均风速；/>
Figure SMS_46
为风场校准变换矩阵；
2.4 由于海浪运动导致反射路径阴影衰落波动效应，构建洋流状况的环境参数模型
Figure SMS_50
如下：
Figure SMS_51
；
其中，
Figure SMS_52
为海浪高度均方根，/>
Figure SMS_53
为海浪阴影衰落指数，/>
Figure SMS_54
为衰落周期，/>
Figure SMS_55
为镜面反射路径损耗系数；
第三步：基于步骤1.1中的海上舰船平台视觉、卫星、气象导航系统内部参数测量值
Figure SMS_56
,/>
Figure SMS_57
, />
Figure SMS_58
，无人机平台测量组合导航系统内部参数，步骤2构建的外部环境约束综合参数模型/>
Figure SMS_59
，构建每个组合导航系统的外部约束校准模型：
Figure SMS_60
；
其中，
Figure SMS_61
,/>
Figure SMS_62
,/>
Figure SMS_63
为基于外部约束的视觉/卫星/气象导航模型，/>
Figure SMS_64
为外部条件约束参数校准矩阵，具体计算步骤如下：
3.1 引入晴、雾、雨、雪和雨雪雾混合气象环境对视觉导航单元的影响，针对无人机相机单元，构建无人机相机标定校正模型
Figure SMS_65
；
3.2 引入晴雾雨雪状况、对流层参数、海风状况、洋流状况对卫星导航单元的影响，针对卫星导航系统，构建卫星导航校正模型
Figure SMS_66
；
3.3 引入晴雾雨雪状况、海风状况、洋流状况对气象辅助导航单元的影响，针对气象辅助导航系统，构建气象导航校正模型
Figure SMS_67
；
3.4 引入气象晴雨状况、对流层参数、海风状况、洋流状况混合海上环境参数的混和影响因子，构建外部环境综合对视觉/卫星/气象导航系统的综合影响模型；
第四步：根据基于因子图的多平台信息协同导航增强方法，基于线性时变系统的可观测度分析，采用增量因子图架构，计算各组合导航系统子滤波器的权重因子：
Figure SMS_68
;
其中，
Figure SMS_69
,/>
Figure SMS_70
,/>
Figure SMS_71
分别为组合导航中视觉导航、卫星导航、气象导航的权重因子；
Figure SMS_72
为自适应信息分配因子，/>
Figure SMS_73
；
基于组合导航系统中视觉/卫星/气象导航单元的权重因子，在线选择最佳因子进行融合，自动调节各组合导航单元的信息权重，从而实现基于外部条件约束的多平台信息协同导航增强方法，具体步骤为：
4.1 基于线性时变系统的可观测度分析，计算各组合导航子滤波器状态变量可观测度：
Figure SMS_74
；
其中，
Figure SMS_75
为系统第i个状态变量在k时刻的可观测度，/>
Figure SMS_76
为系统的第i个状态变量，
Figure SMS_77
为系统的第i个状态变量的观测值，/>
Figure SMS_78
为方差计算函数；
基于步骤4.1计算得出的每个组合导航子滤波器状态变量的可观测度，根据信息守恒原则并通过归一化处理，计算出第
Figure SMS_79
个子滤波器中的第i个状态变量的信息分配权重：
Figure SMS_80
；
4.2 采用分段处理策略，设置信息分配权重的阈值，动态调整多源融合过程中随机接入的多源组合导航因子的可信度自调节函数
Figure SMS_81
；
其中，
Figure SMS_82
为可信度权值；
4.3 最优系统状态估计
Figure SMS_83
基于最大后验概率准则得到：
Figure SMS_84
，
其中，
Figure SMS_85
为后验概率，/>
Figure SMS_86
为全局函数因式分解后的局部函数，/>
Figure SMS_87
为多平台信息协同导航增强变量的最优估计，argmax(f(x))为使得 f(x)取得最大值所对应的变量点x(或x的集合)，/>
Figure SMS_88
为正比于局部函数/>
Figure SMS_89
的逐项累乘；
4.4 采用增量平滑的因子图融合算法，对于第一次检测，定义先验因子
Figure SMS_90
；构建可信度先验因子结点/>
Figure SMS_91
：
Figure SMS_92
；
其中，可信度权值
Figure SMS_93
，/>
Figure SMS_94
为可信度初始值，/>
Figure SMS_95
为可信度权值服从的高斯分布协方差矩阵，/>
Figure SMS_96
为可信度权值及其初始值的误差函数，
Figure SMS_97
为x的2-范数；
4.5 考虑可信度权值
Figure SMS_98
对接入的多源组合导航因子的影响。定义/>
Figure SMS_99
为传感器Sm与惯性导航单元组合时的因子结点：
Figure SMS_100
；
其中，
Figure SMS_101
为多平台信息协同导航增强变量因子和测量信息的误差函数；观测变量/>
Figure SMS_102
满足零均值的高斯分布，表示为/>
Figure SMS_103
；
4.6 利用两相邻时刻变量结点之间的约束，定义k及k+1时刻间的二元状态转移因子：
Figure SMS_104
;
其中，
Figure SMS_105
为两相邻时刻变量/>
Figure SMS_108
和/>
Figure SMS_110
的偏移，/>
Figure SMS_106
为偏移协方差，/>
Figure SMS_109
为两相邻时刻变量/>
Figure SMS_111
和/>
Figure SMS_112
的偏移，/>
Figure SMS_107
为两时刻偏移的误差函数；
4.7 对于可信度先验因子结点/传感器Sm与惯导组合时的因子结点/k及k+1时刻间的二元状态转移因子结点，假设为高斯噪声模型，则代价函数定义为：
Figure SMS_113
；
其中，
Figure SMS_114
为平方马氏距离，/>
Figure SMS_115
表示协方差矩阵；
基于4.4中可信度先验因子结点
Figure SMS_116
，基于4.5中传感器Sm与惯导组合时的因子结点/>
Figure SMS_117
，基于4.6中k及k+1时刻间的二元状态转移因子结点/>
Figure SMS_118
，多平台信息协同导航增强变量的最优估计为：
Figure SMS_119
，
通过高斯牛顿法求解非线性最小二乘问题，经过QR分解使用增量平滑，将最优解更新迭代直到收敛。
第五步：构建以惯导传感器为核心的组合导航模型，确定多平台信息协同导航增强系统的状态方程和量测方程；
5.1 多平台信息协同导航增强系统的状态方程为：
Figure SMS_120
；
其中，状态变量
Figure SMS_122
，/>
Figure SMS_126
、/>
Figure SMS_127
、/>
Figure SMS_123
、/>
Figure SMS_124
、/>
Figure SMS_128
分别为位置、速度、姿态、陀螺仪漂移和加速度计零偏的误差；/>
Figure SMS_129
为系统过程噪声；/>
Figure SMS_121
为过程噪声分布矩阵；/>
Figure SMS_125
为k时刻至k+1时刻的系统状态转移矩阵，下标k表示k时刻；
5.2 多平台信息协同导航增强系统的量测方程为；
Figure SMS_130
；
其中，
Figure SMS_131
为测量矢量，/>
Figure SMS_132
为量测矩阵，/>
Figure SMS_133
为测量噪声矢量，/>
Figure SMS_134
；
5.3 卡尔曼滤波算法的时间更新方程、状态更新方程如下：
Figure SMS_135
、
Figure SMS_136
、
Figure SMS_137
、
Figure SMS_138
、
Figure SMS_139
，
其中，
Figure SMS_140
是系统过程噪声方差矩阵；/>
Figure SMS_141
是系统观测噪声矩阵；/>
Figure SMS_142
为误差估计的先验协方差矩阵；/>
Figure SMS_143
为误差估计的后验协方差矩阵；/>
Figure SMS_144
是/>
Figure SMS_145
的最优估计，/>
Figure SMS_146
是卡尔曼滤波增益；
随着外界环境的变化，在线调整估计误差协方差矩阵
Figure SMS_147
以及卡尔曼滤波增益/>
Figure SMS_148
。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (6)

1.一种基于外部条件约束的多平台信息协同导航增强方法，其特征在于，包括如下步骤：
步骤1、以海上舰船平台为地面监控部分，所述地面监控部分由主控站、监测站、注入站以及通信和辅助系统组成，无人机携带惯性导航单元、视觉导航单元、卫星导航单元、辅助导航单元，具体步骤如下：
步骤（1-1）海上舰船平台以恒定速度航行，通过监测站进行晴雨状况、对流层参数、海风状况、洋流状况的数据采样，获得海面环境数据；
步骤（1-2）无人机对环境参数进行补充监测，获得海面环境数据，将海面环境数据发送至主控站；
步骤（1-3）无人机将其惯性、视觉、卫星、气象导航单元的内部参数测量值发送至舰主控站；
步骤2、基于步骤（1-1）与步骤（1-2）构建的海面环境数据，构建外部条件约束综合参数模型；
步骤3、基于步骤（1-1）中的海上舰船平台的视觉导航单元、卫星导航单元、气象导航单元，步骤（1-3）中的无人机的惯性、视觉、卫星、气象导航单元，步骤2构建的外部条件约束综合参数模型，组合各导航单元形成组合导航系统，构建组合导航系统的外部约束校准模型；
步骤4、根据基于因子图的多平台信息协同导航增强方法，基于线性时变系统的可观测度分析，采用增量因子图架构，计算组合导航系统的各导航单元子滤波器的权重因子；基于组合导航系统中视觉、卫星、气象导航单元的权重因子，在线选择最佳因子进行融合，自动调节各导航单元的信息权重，从而实现基于外部条件约束的多平台信息协同导航增强方法；
步骤5、构建以惯导传感器为核心的组合导航模型，基于卡尔曼滤波，确定多平台信息协同导航增强系统的状态方程和量测方程；根据卡尔曼滤波算法的时间更新方程、状态更新方程，随着外界环境的变化，在线调整估计误差协方差矩阵以及卡尔曼滤波增益。
2.根据权利要求1所述的一种基于外部条件约束的多平台信息协同导航增强方法，其特征在于，所述步骤2的外部条件约束综合参数模型包括：基于晴、雾、降雨、降雪的不同气象环境，构建海上气象环境参数模型；基于对流层电离参数，构建基于水平梯度模型的对流层环境参数模型；基于海上舰船平台和无人机平台风力变换，构建海面无人机风场参数模型；基于海浪运动导致反射路径阴影衰落波动效应，构建洋流状况环境参数模型。
3.根据权利要求2所述的一种基于外部条件约束的多平台信息协同导航增强方法，其特征在于，所述步骤3的计算步骤如下：
引入海上气象环境、对流层环境、海面无人机风场、洋流状态环境参数模型对视觉、卫星、气象导航单元的影响，构建视觉、卫星、气象导航校正模型，并构建外部条件对视觉、卫星、气象导航单元的综合约束参数校准矩阵。
4.根据权利要求3所述的一种基于外部条件约束的多平台信息协同导航增强方法，其特征在于，所述步骤4的具体步骤为：
步骤（4.1） 基于线性时变系统的可观测度分析，计算各导航单元子滤波器状态变量可观测度；
步骤（4.2） 基于步骤（4.1）计算得出的每个导航单元子滤波器状态变量的可观测度，根据信息守恒原则并通过归一化处理，计算出每个子滤波器中的各状态变量的信息分配权重；
步骤（4.3）基于最大后验概率计算多平台信息协同导航增强变量的最优系统状态估计；
步骤（4.4）采用增量平滑的因子图融合算法，对于第一次检测，定义先验因子，构建可信度先验因子结点；
步骤（4.5）考虑可信度权值对接入的多源组合导航因子的影响，定义传感器与惯性导航单元组合时的因子结点；
步骤（4.6）利用两相邻时刻变量结点之间的约束，定义k及k+1时刻间的二元状态转移因子；
步骤（4.7）假设为高斯噪声模型，代价函数定义为平方马氏距离；基于步骤（4.4）中可信度先验因子结点，基于步骤（4.5）中传感器与惯性导航单元组合时的因子结点，基于步骤（4.6）中k及k+1时刻间的二元状态转移因子结点，计算多平台信息协同导航增强变量的最优估计；
通过高斯牛顿法求解非线性最小二乘问题，经过QR分解使用增量平滑，将最优解更新迭代直到收敛。
5.根据权利要求1所述的一种基于外部条件约束的多平台信息协同导航增强方法，其特征在于，采用海上舰船平台中的晴雨参数测量装置，对流层参数观测装置，风场参数测量装置，洋流参数测量装置的测量数据用于协同增强多平台组合导航，提高组合导航精度结果。
6.根据权利要求5所述的一种基于外部条件约束的多平台信息协同导航增强方法，其特征在于，所述步骤1中的视觉导航单元使用基于可见光双目相机的视觉导航方法。
CN202310203746.1A 2023-03-06 2023-03-06 一种基于外部条件约束的多平台信息协同导航增强方法 Active CN116045970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310203746.1A CN116045970B (zh) 2023-03-06 2023-03-06 一种基于外部条件约束的多平台信息协同导航增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310203746.1A CN116045970B (zh) 2023-03-06 2023-03-06 一种基于外部条件约束的多平台信息协同导航增强方法

Publications (2)

Publication Number Publication Date
CN116045970A CN116045970A (zh) 2023-05-02
CN116045970B true CN116045970B (zh) 2023-06-16

Family

ID=86133276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310203746.1A Active CN116045970B (zh) 2023-03-06 2023-03-06 一种基于外部条件约束的多平台信息协同导航增强方法

Country Status (1)

Country Link
CN (1) CN116045970B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117346794B (zh) * 2023-12-05 2024-02-23 山东省科学院海洋仪器仪表研究所 一种用于浒苔跟踪的无人船组合导航系统及导航方法
CN117387443A (zh) * 2023-12-13 2024-01-12 贵州航天凯山石油仪器有限公司 一种基于惯性测量模块的导弹分离姿态测试装置及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106197408A (zh) * 2016-06-23 2016-12-07 南京航空航天大学 一种基于因子图的多源导航信息融合方法
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
US10809388B1 (en) * 2019-05-01 2020-10-20 Swift Navigation, Inc. Systems and methods for high-integrity satellite positioning
CN112987066A (zh) * 2021-05-10 2021-06-18 上海迈利船舶科技有限公司 基于多系统多源定位数据融合的海上目标定位方法
CN113984061A (zh) * 2021-10-25 2022-01-28 哈尔滨工程大学 一种基于因子图优化的uuv多海域综合导航系统设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11202111845QA (en) * 2019-11-27 2021-11-29 Earth Weather Inc Ship routing prediction system, and program used for said routing prediction system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106197408A (zh) * 2016-06-23 2016-12-07 南京航空航天大学 一种基于因子图的多源导航信息融合方法
US10809388B1 (en) * 2019-05-01 2020-10-20 Swift Navigation, Inc. Systems and methods for high-integrity satellite positioning
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
CN112987066A (zh) * 2021-05-10 2021-06-18 上海迈利船舶科技有限公司 基于多系统多源定位数据融合的海上目标定位方法
CN113984061A (zh) * 2021-10-25 2022-01-28 哈尔滨工程大学 一种基于因子图优化的uuv多海域综合导航系统设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A Comprehensive Experiment to Enhance Multidisciplinary Engineering Ability via UAVs Visual Navigation";Lu li et al.;《2020 IEEE Frontiers in Education Conference (FIE)》;第1-5页 *
"A Multi - platform Cooperative Localization Method Based on Dead Reckoning and Particle Filtering";Yongqiang Han et,al.;《Proceedings of the 38th Chinese Control Conference》;第4037-4041页 *
"卫星/ 惯性/ 视觉组合导航多源融合技术现状及发展";方文轩等;《无线电工程》;第52卷(第10期);第1813-1820页 *
"基于调零天线的无人机抗导航干扰方法";李津等;《现代电子技术》;第46卷(第5期);第25-28页 *

Also Published As

Publication number Publication date
CN116045970A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN116045970B (zh) 一种基于外部条件约束的多平台信息协同导航增强方法
US11255677B2 (en) Intelligent device navigation method and navigation system
CN111780755A (zh) 一种基于因子图和可观测度分析的多源融合导航方法
CN112697138B (zh) 一种基于因子图优化的仿生偏振同步定位与构图的方法
CN110187375A (zh) 一种基于slam定位结果提高定位精度的方法及装置
CN106093892A (zh) 基于标校卫星同时开展雷达rcs标定与外测标定系统
CN104392136A (zh) 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法
CN113739795B (zh) 一种基于偏振光/惯性/视觉组合导航的水下同步定位与建图方法
CN114018242B (zh) 一种基于偏振/太阳/惯性信息智能匹配的自主定姿方法
CN113686299B (zh) 一种海上动态目标定位与移速预测方法
CN112147651B (zh) 一种异步多车协同目标状态鲁棒估计方法
CN113031031B (zh) 一种城市峡谷内基于gnss信号精确分类的加权定位方法
CN115616643B (zh) 一种城市区域建模辅助的定位方法
CN113819904B (zh) 一种基于天顶点矢量的偏振/vio三维姿态确定方法
CN114608568A (zh) 一种基于多传感器信息即时融合定位方法
CN113359167A (zh) 一种通过惯性测量参数将gps与激光雷达融合定位的方法
CN115014321B (zh) 一种基于自适应鲁棒滤波的仿生偏振多源融合定向方法
CN104463841A (zh) 衰减系数自适应的滤波方法及滤波系统
CN116519913A (zh) 基于星载和地基平台融合的gnss-r数据土壤水分监测方法
CN111366151A (zh) 一种极地范围船舶导航的信息融合方法
CN106931966B (zh) 一种基于泰勒高阶余项拟合的组合导航方法
CN114910939A (zh) 短距离大高差rtk中对流层延迟实测气象改正方法
CN114459474A (zh) 一种基于因子图的惯性/偏振/雷达/光流紧组合导航的方法
CN110274574B (zh) 一种无人机开伞高度测量系统
CN115235475B (zh) 一种基于mcc的ekf-slam后端导航路径优化方法

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