CN116399368A - 一种惯导系统高精度自寻北修正方法 - Google Patents
一种惯导系统高精度自寻北修正方法 Download PDFInfo
- Publication number
- CN116399368A CN116399368A CN202310250074.XA CN202310250074A CN116399368A CN 116399368 A CN116399368 A CN 116399368A CN 202310250074 A CN202310250074 A CN 202310250074A CN 116399368 A CN116399368 A CN 116399368A
- Authority
- CN
- China
- Prior art keywords
- north
- self
- seeking
- error
- inertial navigation
- 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 63
- 238000012937 correction Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 79
- 230000001133 acceleration Effects 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000005096 rolling process Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- 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
-
- 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
- G01C21/18—Stabilised platforms, e.g. by gyroscope
Abstract
本发明提供了一种惯导系统高精度自寻北修正方法，包括：进行惯导系统自寻北，采集自寻北过程数据及基准数据，获取陀螺角速率增量和加表加速度增量；获取卡尔曼滤波估计的量测量和自寻北对准误差；根据陀螺角速率增量和加表加速度增量、以及卡尔曼滤波估计的量测量和自寻北对准误差进行特征提取，设置模型训练输入和输出；根据模型训练输入和输出采用深度学习LSTM模型进行模型训练，获取自寻北误差训练模型；基于自寻北误差训练模型，根据惯导系统实时解算的陀螺角速率增量、加表加速度增量和量测量获取实时预测的自寻北对准误差，根据实时预测的自寻北对准误差修正自寻北结果。本发明能够解决传统卡尔曼滤波方法自寻北精度不足的技术问题。
Description
技术领域
本发明涉及惯导高精度对准导航技术领域，尤其涉及一种惯导系统高精度自寻北修正方法。
背景技术
在导弹、舰船、发射车等需要高精度导航基准的武器装备上，惯导系统高精度自寻北是导航关键技术，对对准精度要求极高，一般都是角秒级，因此在现有惯性器件的基础上，提高惯导对准自寻北精度至关重要。
传统惯导系统自寻北多采用卡尔曼滤波估计方法，在静态环境下，以位置速度不变作为观测量依据进行卡尔曼滤波估计修正，达到快速对准的目的。该方法可以有效估计出陀螺及加表造成的姿态线性误差，却很难对陀螺及加表的一些非线性或随机误差进行估计修正，因此迫切需要提出一种方法，在现有惯性器件及传统对准算法的基础上，提高对准自寻北精度，以支撑武器装备发展。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。
本发明提供了一种惯导系统高精度自寻北修正方法，该惯导系统高精度自寻北修正方法包括：进行惯导系统自寻北，采集自寻北过程数据及基准数据，对陀螺和加表输出进行预处理获取陀螺角速率增量和加表加速度增量；进行惯导系统自寻北卡尔曼滤波估计，获取卡尔曼滤波估计的量测量和自寻北对准误差；根据陀螺角速率增量和加表加速度增量、以及卡尔曼滤波估计的量测量和自寻北对准误差进行特征提取，设置模型训练输入和模型训练输出；根据模型训练输入和模型训练输出采用深度学习LSTM模型进行模型训练，获取自寻北误差训练模型；基于自寻北误差训练模型，根据惯导系统实时解算的陀螺角速率增量、加表加速度增量和量测量获取实时预测的自寻北对准误差，根据实时预测的自寻北对准误差修正自寻北结果。
进一步地，根据
获取陀螺角速率增量，其中，/>
为陀螺角速率增量，ΔT为数据预处理间隔时间周期，/>
为陀螺测量角速度，T为IMU采样周期。
进一步地，
获取加表加速度增量，/>
为加表加速度增量，ΔT为数据预处理间隔时间周期，/>
为加表测量比力，T为IMU采样周期。
进一步地，根据
获取卡尔曼滤波估计的自寻北对准误差，其中，Δγ、Δθ、Δψ分别为卡尔曼滤波解算的自寻北对准滚转角误差、俯仰角误差、航向角误差；γ、θ、ψ分别为实时导航解算获取的滚动角、俯仰角、航向角；γRef、θRef、ψRef分别为基准滚动角、基准俯仰角、基准航向角。
进一步地，设置模型训练输入为
其中，Z(·)表示采用z-score进行数据归一化处理，满足
μ表示原始数据x的均值，σ表示原始数据x的标准差；/>
分别表示陀螺角速率增量/>
在x、y、z轴方向的分量；/>
分别表示加表加速度增量/>
在x、y、z轴方向的分量；Zk为卡尔曼滤波估计的量测量。
进一步地，设置模型训练输出为YOUT＝(Δγ，Δθ，Δψ)，其中，Δγ、Δθ、Δψ分别为卡尔曼滤波解算的自寻北对准滚转角误差、俯仰角误差、航向角误差。
进一步地，自寻北误差训练模型的损失函数为
其中，Ypred为模型训练过程中的预测值，a为供训练的所有数据条次数量。
进一步地，对惯导系统实时解算的陀螺角速率增量、加表加速度增量和量测量进行归一化处理后，输入自寻北误差训练模型进行自寻北对准误差的实时预测输出。
进一步地，根据
进行自寻北对准误差修正，其中，γp、θp、ψp分别为经自寻北误差补偿后的滚动角、俯仰角、航向角；γ、θ、ψ分别为实时导航解算获取的滚动角、俯仰角、航向角；Δγ′，Δθ′，Δψ′分别为实时预测的自寻北对准滚转角误差、俯仰角误差、航向角误差。
应用本发明的技术方案，提供了一种惯导系统高精度自寻北修正方法，该惯导系统高精度自寻北修正方法通过采集自寻北过程数据及基准数据，采用深度学习LSTM模型(Long short-term memory，长短时记忆网络模型)训练获取自寻北误差训练模型，基于自寻北误差训练模型进行自寻北对准误差的实时预测输出，并对自寻北结果进行修正。本发明的自寻北修正方法提高了对准精度，且修正过程完全自主。与现有技术相比，本发明的技术方案能够解决传统卡尔曼滤波方法自寻北精度不足的技术问题。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明的具体实施例提供的惯导系统高精度自寻北修正方法的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
如图1所示，根据本发明的具体实施例提供了一种惯导系统高精度自寻北修正方法，该惯导系统高精度自寻北修正方法包括：
进行惯导系统自寻北，采集自寻北过程数据及基准数据，对陀螺和加表输出进行预处理获取陀螺角速率增量和加表加速度增量；
进行惯导系统自寻北卡尔曼滤波估计，获取卡尔曼滤波估计的量测量和自寻北对准误差；
根据陀螺角速率增量、加表加速度增量、量测量和自寻北对准误差进行特征提取，设置模型训练输入和模型训练输出；
根据模型训练输入和模型训练输出采用深度学习LSTM模型进行模型训练，获取自寻北误差训练模型；
基于自寻北误差训练模型，根据惯导系统实时解算的陀螺角速率增量、加表加速度增量和量测量获取实时预测的自寻北对准误差，根据实时预测的自寻北对准误差修正自寻北结果。
应用此种配置方式，提供了一种惯导系统高精度自寻北修正方法，该惯导系统高精度自寻北修正方法通过采集自寻北过程数据及基准数据，采用深度学习LSTM模型训练获取自寻北误差训练模型，基于自寻北误差训练模型进行自寻北对准误差的实时预测输出，并对自寻北结果进行修正。本发明的自寻北修正方法提高了对准精度，且修正过程完全自主。与现有技术相比，本发明的技术方案能够解决传统卡尔曼滤波方法自寻北精度不足的技术问题。
进一步地，在本发明中，为了实现惯导系统高精度自寻北修正，首先进行惯导系统自寻北，采集自寻北过程数据及基准数据，对陀螺和加表输出进行预处理获取陀螺角速率增量和加表加速度增量。
作为本发明的一个具体实施例，设置数据预处理间隔时间周期Δv，分别根据
和
计算陀螺角速率增量和加表加速度增量，其中，/>
为陀螺角速率增量，/>
为加表加速度增量，ΔT为数据预处理间隔时间周期，/>
为陀螺测量角速度，/>
为加表测量比力，T为IMU采样周期。当t＝n×ΔT时，间隔周期需要重启数据，进行IMU增量初始化，此时/>
进一步地，在对陀螺和加表输出进行预处理后，进行惯导系统自寻北卡尔曼滤波估计，获取卡尔曼滤波估计的量测量和自寻北对准误差。
在该步骤中，采用传统卡尔曼滤波估计方法，进行惯导系统自寻北卡尔曼滤波估计，实时记录保存卡尔曼滤波估计的量测量Zk，并计算基于传统方法的自寻北对准误差
其中，Δγ、Δθ、Δψ分别为卡尔曼滤波解算的自寻北对准滚转角误差、俯仰角误差、航向角误差；γ、θ、ψ分别为实时导航解算获取的滚动角、俯仰角、航向角；γRef、θRef、ψRef分别为基准滚动角、基准俯仰角、基准航向角。
进一步地，在本发明中，在获取卡尔曼滤波估计的量测量和自寻北对准误差后，根据陀螺角速率增量、加表加速度增量、量测量和自寻北对准误差进行特征提取，设置模型训练输入和模型训练输出。
作为本发明的一个具体实施例，分别对陀螺角速率增量、加表加速度增量和量测量进行归一化处理，将归一化处理后的数据用作模型训练输入，将卡尔曼滤波解算的自寻北对准误差用作模型输出。
具体地，设置模型训练输入为
其中，Z(·)表示采用z-score进行数据归一化处理，满足
μ表示原始数据x的均值，σ表示原始数据x的标准差；/>
分别表示陀螺角速率增量/>
在x、y、z轴方向的分量；/>
分别表示加表加速度增量/>
在x、y、z轴方向的分量；Zk为卡尔曼滤波估计的量测量；设置模型训练输出为YOUT＝(Δγ，Δθ，Δψ)。
进一步地，在本发明中，在设置模型训练输入和输出后，根据模型训练输入和输出采用深度学习LSTM模型进行模型训练，获取自寻北误差训练模型。
作为本发明的一个具体实施例，设置自寻北误差训练模型的回看值为l，损失函数为
其中，Ypred为模型训练过程中的预测值，a为供训练的所有数据条次数量。
该实施例采用的是平方损失函数，此外，设置模型训练的训练次数为epoch，在满足训练次数后，可得到自寻北误差训练模型为F(p1，p2，p3…ps)，其中p1，p2，p3…ps为训练得到的各项参数，s为整数。
进一步地，在本发明中，在获取自寻北误差训练模型后，基于自寻北误差训练模型，根据惯导系统实时解算的陀螺角速率增量、加表加速度增量和量测量获取实时预测的自寻北对准误差，根据实时预测的自寻北对准误差修正自寻北结果。
作为本发明的一个具体实施例，将训练好的自寻北误差训练模型F(p1，p2，p3…pn)导入对准应用软件进行应用。在对准过程中，惯导系统实时解算陀螺角速率增量、加表加速度增量和量测量，并对实时解算的陀螺角速率增量、加表加速度增量和量测量进行归一化处理，用作模型输入。设置预测周期为ΔT，当时间大于等于(l×ΔT)时，根据自寻北误差训练模型进行实时预测，实时预测输出YPred＝(Δγ′，Δθ′，Δψ′)，其中，Δγ′，Δθ′，Δψ′分别为实时预测的自寻北对准滚转角误差、俯仰角误差、航向角误差。
进一步，根据实时预测的自寻北对准误差修正自寻北结果，具体地，根据
进行自寻北对准误差修正，其中，γp、θp、ψp分别为经自寻北误差补偿后的滚动角、俯仰角、航向角；γ、θ、ψ分别为实时导航解算获取的滚动角、俯仰角、航向角。
本发明的惯导系统高精度自寻北修正方法在传统对准的基础上，对数据进行进一步处理，提高了对准精度。本发明基于采集的自寻北过程数据及基准数据，采用深度学习LSTM模型进行自寻北误差模型训练，得到自寻北误差训练模型。利用训练得到的模型，在传统自寻北基础上，进行自寻北对准误差实时预测，最后对自寻北结果进行修正，在传统自寻北基础上提高了对准精度，该过程完全自主。
为了对本发明有进一步地了解，下面结合图1对本发明的惯导系统高精度自寻北修正方法进行详细说明。
如图1所示，根据本发明的具体实施例提供了一种惯导系统高精度自寻北修正方法，包括以下步骤。
步骤一，进行惯导系统自寻北，采集自寻北过程数据及基准数据；
根据
和
计算陀螺角速率增量和加表加速度增量。
步骤二，采用传统卡尔曼滤波估计方法，进行惯导系统自寻北卡尔曼滤波估计，实时记录保存卡尔曼滤波估计的量测量Zk，并计算基于传统方法的自寻北对准误差
步骤三，分别对陀螺角速率增量、加表加速度增量和量测量进行归一化处理，将归一化处理后的数据用作模型训练输入
将卡尔曼滤波解算的自寻北对准误差用作模型训练输出YOUT＝(Δγ，Δθ，Δψ)。
步骤四，根据模型训练输入和输出采用深度学习LSTM模型进行模型训练，设置自寻北误差训练模型F(p1，p2，p3…pn)的回看值为l，损失函数为
步骤五，将训练好的自寻北误差训练模型F(p1，p2，p3…pn)导入对准应用软件进行应用。在对准过程中，惯导系统实时解算陀螺角速率增量、加表加速度增量和量测量，并对实时解算的陀螺角速率增量、加表加速度增量和量测量进行归一化处理，用作模型输入。设置预测周期为ΔT，当时间大于等于(i×ΔT)时，根据自寻北误差训练模型进行实时预测，输出实时预测的自寻北对准误差YPred＝(Δγ′，Δθ′，Δψ′)。
步骤六，根据
进行自寻北对准误差修正。
综上所述，本发明提供了一种惯导系统高精度自寻北修正方法，该惯导系统高精度自寻北修正方法通过采集自寻北过程数据及基准数据，采用深度学习LSTM模型训练获取自寻北误差训练模型，基于自寻北误差训练模型进行自寻北对准误差的实时预测输出，并对自寻北结果进行修正。本发明的自寻北修正方法提高了对准精度，且修正过程完全自主。与现有技术相比，本发明的技术方案能够解决传统卡尔曼滤波方法自寻北精度不足的技术问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种惯导系统高精度自寻北修正方法，其特征在于，所述惯导系统高精度自寻北修正方法包括：
进行惯导系统自寻北，采集自寻北过程数据及基准数据，对陀螺和加表输出进行预处理获取陀螺角速率增量和加表加速度增量；
进行惯导系统自寻北卡尔曼滤波估计，获取卡尔曼滤波估计的量测量和自寻北对准误差；
根据所述陀螺角速率增量和加表加速度增量、以及所述卡尔曼滤波估计的量测量和自寻北对准误差进行特征提取，设置模型训练输入和模型训练输出；
根据所述模型训练输入和模型训练输出采用深度学习LSTM模型进行模型训练，获取自寻北误差训练模型；
基于所述自寻北误差训练模型，根据惯导系统实时解算的陀螺角速率增量、加表加速度增量和量测量获取实时预测的自寻北对准误差，根据所述实时预测的自寻北对准误差修正自寻北结果。
2.根据权利要求1所述的惯导系统高精度自寻北修正方法，其特征在于，根据
获取陀螺角速率增量，其中，/>
为陀螺角速率增量，ΔT为数据预处理间隔时间周期，/>
为陀螺测量角速度，T为IMU采样周期。
3.根据权利要求1所述的惯导系统高精度自寻北修正方法，其特征在于，
获取加表加速度增量，/>
为加表加速度增量，ΔT为数据预处理间隔时间周期，/>
为加表测量比力，T为IMU采样周期。
4.根据权利要求1至3中任一项所述的惯导系统高精度自寻北修正方法，其特征在于，根据
获取卡尔曼滤波估计的自寻北对准误差，其中，Δγ、Δθ、Δψ分别为卡尔曼滤波解算的自寻北对准滚转角误差、俯仰角误差、航向角误差；γ、θ、ψ分别为实时导航解算获取的滚动角、俯仰角、航向角；γRef、θRef、ψRef分别为基准滚动角、基准俯仰角、基准航向角。
5.根据权利要求1所述的惯导系统高精度自寻北修正方法，其特征在于，设置模型训练输入为
6.根据权利要求1所述的惯导系统高精度自寻北修正方法，其特征在于，设置模型训练输出为YOUT＝(Δγ，Δθ，Δψ)，其中，Δγ、Δθ、Δψ分别为卡尔曼滤波解算的自寻北对准滚转角误差、俯仰角误差、航向角误差。
7.根据权利要求1所述的惯导系统高精度自寻北修正方法，其特征在于，所述自寻北误差训练模型的损失函数为
其中，Ypred为模型训练过程中的预测值，a为供训练的所有数据条次数量。
8.根据权利要求1所述的惯导系统高精度自寻北修正方法，其特征在于，对惯导系统实时解算的陀螺角速率增量、加表加速度增量和量测量进行归一化处理后，输入所述自寻北误差训练模型进行自寻北对准误差的实时预测输出。
9.根据权利要求1至8中任一项所述的惯导系统高精度自寻北修正方法，其特征在于，根据
进行自寻北对准误差修正，其中，γp、θp、ψp分别为经自寻北误差补偿后的滚动角、俯仰角、航向角；γ、θ、ψ分别为实时导航解算获取的滚动角、俯仰角、航向角；Δγ′，Δθ′，Δψ′分别为实时预测的自寻北对准滚转角误差、俯仰角误差、航向角误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310250074.XA CN116399368A (zh) | 2023-03-13 | 2023-03-13 | 一种惯导系统高精度自寻北修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310250074.XA CN116399368A (zh) | 2023-03-13 | 2023-03-13 | 一种惯导系统高精度自寻北修正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116399368A true CN116399368A (zh) | 2023-07-07 |
Family
ID=87006621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310250074.XA Pending CN116399368A (zh) | 2023-03-13 | 2023-03-13 | 一种惯导系统高精度自寻北修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116399368A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117029796A (zh) * | 2023-10-09 | 2023-11-10 | 武汉优米捷光电子制造有限责任公司 | 一种基于单轴旋转方案的高精度mems寻北方法 |
-
2023
- 2023-03-13 CN CN202310250074.XA patent/CN116399368A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117029796A (zh) * | 2023-10-09 | 2023-11-10 | 武汉优米捷光电子制造有限责任公司 | 一种基于单轴旋转方案的高精度mems寻北方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107525503B (zh) | 基于双天线gps和mimu组合的自适应级联卡尔曼滤波方法 | |
| Li et al. | An improved optimal method for initial alignment | |
| CN108592943B (zh) | 一种基于opreq方法的惯性系粗对准计算方法 | |
| Chen et al. | New rapid transfer alignment method for SINS of airborne weapon systems | |
| CN116399368A (zh) | 一种惯导系统高精度自寻北修正方法 | |
| CN111795708B (zh) | 晃动基座条件下陆用惯性导航系统的自适应初始对准方法 | |
| CN114858189A (zh) | 捷联惯导系统陀螺漂移等效补偿方法 | |
| Jameian et al. | A robust and fast self-alignment method for strapdown inertial navigation system in rough sea conditions | |
| Wang et al. | State transformation extended Kalman filter for SINS based integrated navigation system | |
| CN113108781B (zh) | 一种应用于无人船行进间的改进粗对准方法 | |
| CN109506674B (zh) | 一种加速度的校正方法及装置 | |
| CN105606093A (zh) | 基于重力实时补偿的惯性导航方法及装置 | |
| CN108692727B (zh) | 一种带有非线性补偿滤波器的捷联惯导系统 | |
| Klein et al. | INS fine alignment with low-cost gyroscopes: Adaptive filters for different measurement types | |
| CN109682397B (zh) | 一种不受历史数据影响快速收敛的地面静态对准方法 | |
| Gu et al. | A Kalman filter algorithm based on exact modeling for FOG GPS/SINS integration | |
| Hong et al. | In-flight alignment of SDINS under large initial heading error | |
| CN114964224B (zh) | 一种微惯导系统误差自主抑制方法 | |
| CN113739806B (zh) | 利用参数识别的惯导系统阻尼方法 | |
| Yuan et al. | Dynamic initial alignment of the MEMS-based low-cost SINS for AUV based on unscented Kalman filter | |
| Bayat et al. | An augmented strapdown inertial navigation system using jerk and jounce of motion for a flying robot | |
| Lee et al. | An efficient attitude reference system design using velocity differential vectors under weak acceleration dynamics | |
| CN108981753B (zh) | 基于多惯组信息约束的地面对准方法、系统及存储介质 | |
| Zhao et al. | Multiple model adaptive estimation algorithm for SINS/CNS integrated navigation system | |
| CN110779551A (zh) | 一种基于加性四元数的两阶段线性对准在线切换方法 |
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 |