CN117111101B - 消除双层空基导航增强自组网杠杆效应的故障检测方法 - Google Patents
消除双层空基导航增强自组网杠杆效应的故障检测方法 Download PDFInfo
- Publication number
- CN117111101B CN117111101B CN202310761054.9A CN202310761054A CN117111101B CN 117111101 B CN117111101 B CN 117111101B CN 202310761054 A CN202310761054 A CN 202310761054A CN 117111101 B CN117111101 B CN 117111101B
- Authority
- CN
- China
- Prior art keywords
- node
- fault
- nodes
- faults
- observation
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000000694 effects Effects 0.000 title claims abstract description 44
- 239000002245 particle Substances 0.000 claims abstract description 88
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000003657 Likelihood-ratio test Methods 0.000 claims abstract description 6
- 230000008030 elimination Effects 0.000 claims abstract description 4
- 238000003379 elimination reaction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 27
- 238000002955 isolation Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
-
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- 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
- G01S19/40—Correcting position, velocity or attitude
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种消除双层空基导航增强自组网杠杆效应的故障检测方法，属于导航增强技术领域，包括：对于临近空间布设的节点间协同定位的双层空基导航增强自组网，建立协同定位的中心节点运动状态方程；建立中心节点相对于导航卫星观测量和相对于其他协同节点观测量的观测方程，采用基于消除杠杆效应的改进粒子滤波的递推计算进行协同定位；所述改进粒子滤波中，基于双层结构几何构型的杠杆效应，通过构造的重要性密度，得到无故障情况下和故障情况下的似然概率密度进行似然比检验；并对检测出的故障节点进行标识和隔离。本发明实现了故障节点的检测与排除，避免了故障节点的定位偏差在网络中传播和扩散，保证了定位的精度。
Description
技术领域
本发明属于导航增强技术领域，具体涉及一种消除双层空基导航增强自组网杠杆效应的故障检测方法。
背景技术
布设在临近空间的空基导航增强自组网会受到多种潜在的异常因素的影响，真实分布未知，呈现非高斯性，从而节点在少数情况下产生较大的定位偏差，导致测距误差特征参数与误差包络特征参数不符。此时，用户继续使用误差包络特征参数所计算的保护级将无法以指定概率包络定位误差。同时，导航增强自组网中节点的协同定位机制导致节点测距误差存在相关性，飞艇的定位误差间存在复杂的非线性关联关系。同时，每个节点状态的变化都会随着这种协作关联关系在网络中传播和扩散，单一节点的异常定位误差会在多个节点的耦合作用下扩散至整个自组网中，即如果其中一个节点存在较大定位误差，该误差将通过协同定位影响自组网中的其他节点，从而产生较大的定位偏差。单个节点的异常若不及时发现和排除，则会影响临近多个节点的性能。
为保障复杂条件下的稳定组网，导航增强自组网应能够自主对故障进行检测并排除受影响的节点。由于导航增强自组网节点间协同定位，采用滤波的方式进行信息融合，故难以采用类似现有RAIM技术的快照方法。
并且，对于双层网络构型，对于下层节点而言，上层节点对其观测几何构型的影响高于同层节点，从而对定位误差有不同的影响，称为杠杆效应。杠杆效应产生的定位误差影响也会对故障检测造成影响。
发明内容
鉴于上述的分析，本发明旨在公开了一种消除双层空基导航增强自组网杠杆效应的故障检测方法，用于消除杠杆效应，实现故障节点的检测与排除。
本发明公开了一种消除双层空基导航增强自组网杠杆效应的故障检测方法，包括：
对于临近空间布设的节点间协同定位的双层空基导航增强自组网，建立协同定位的中心节点运动状态方程；
建立中心节点相对于导航卫星观测量和相对于其他协同节点观测量的观测方程，在观测方程中包括故障状态参数；
基于建立的系统状态方程和观测方程，采用基于消除杠杆效应的改进粒子滤波的递推计算进行协同定位；
所述改进粒子滤波中，基于双层结构几何构型的杠杆效应，在粒子重要性采样时，考虑当前时刻观测量中的故障对似然概率密度函数的峰值和形状的共同影响，通过构造的重要性密度，将当前观测信息加入到建议分布中产生粒子，使得抽样的粒子更接近高似然区域，得到无故障情况下和故障情况下的似然概率密度进行似然比检验；并对检测出的故障节点进行标识和隔离。
进一步地，所述空基导航增强自组网的双层结构几何构型中包括上、下两层网络；下层网络中任意三个邻居节点构成等边三角形；上层网络的每一个节点均位于由下层邻居节点构成的等边三角形的质心正上方，一个上层节点和对应的三个下层节点构成三棱锥型；
在进行节点间协同定位时，每个作为协同定位的中心节点的网络节点仅与其直接相邻的各网络节点进行相互协同；最大协同距离为下层网络中的节点与其最近的邻居节点的距离。
进一步地，构造的当前时刻的重要性密度为混合密度：
在故障情况下，当前时刻的似然密度和前一时刻状态的预测似然均引入了最新观测信息，考虑了节点的故障影响。
进一步地，中心节点运动状态方程为：
xk＝fk(xk-1,uk-1)；
其中，fk()代表状态方程；xk、xk-1分别为k、k-1时刻的节点运动状态，uk-1为状态转移噪声；
节点运动状态
其中，(xk,yk,zk)为k时刻节点的GNSS接收机天线在ECEF坐标系中的位置，为速度，/>为加速度，bk为接收机钟差，/>为钟漂；
中心节点相对协同节点及卫星的观测方程：
hs,k()代表卫星观测方程，/>为对n颗导航卫星观测的伪距误差矢量；hf,k()代表协同节点相对观测方程，/>为对m个节点相对测距误差矢量；θ为故障状态参数。
进一步地，使用θj表示与故障节点j相对应的故障状态参数；
θj＝{b,μj}；
其中b为故障偏差，μj为(n+m)×1维的故障模式矢量；当检测出第j个节点故障，则将μj中与第j个节点对应的第j行置为1(n+1≤j≤n+m)；
当故障为单故障模式时，有且只有一个与故障节点j对应的第j行为1，其他元素为0；
当故障为多故障模式时，μj中除主故障节点j对应的第j行为1时，还将由于主故障节点j连带造成的其他子故障节点对应的其他行置1。
进一步地，在导航增强自组网构型中，多故障模式包括：
(1)M1：对下层中心节点X，临近下层节点Y出现故障，上层中在连接点X、Y的线段两侧，存在两个离节点Y最近的上层节点Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M1故障；
(2)M2：对下层中心节点X，临近上层节点Y出现故障，下层中在点X到点Y射线方向的两侧，存在两个离节点Y最近的下层节点Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M2故障；
(3)M3：对上层中心节点X，临近上层节点Y出现故障，下层中在连接点X、Y的线段两侧，存在两个离节点Y最近的节点下层Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M3故障；
(4)M4：对上层中心节点X，临近下层节点Y出现故障，上层中在点X到点Y射线方向的两侧，存在四个离节点Y最近的上层节点Y1、Y2、Y3和Y4，由于主节点Y的故障导致Y1、Y2、Y3和Y4故障为M4故障。
进一步地，采用改进粒子滤波的递推计算进行协同定位过程包括：
步骤S2-1、进行包括递推时刻、节点状态、粒子集合和故障检测阈值初始化在内的粒子滤波初始化；
步骤S2-2、进行递推计算，对于当前时刻k，构造包括协同定位的全节点集合和与有节点隔离后的各隔离子集合的观测量；
步骤S2-3、分别对各个集合，利用构造的重要性密度进行重要性采样，根据k-1时刻粒子获得k时刻全节点集合与隔离子集合对应的先验粒子；
步骤S2-4、根据全节点集合的先验粒子计算的状态观测似然概率密度和故障子集合的先验粒子计算的状态观测似然概率密度，构造出故障检测的检验统计量；
步骤S2-5、利用检验统计量进行故障检测，若发现故障节点，在故障状态参数中对检测出的故障节点进行标识；
循环步骤S2-2～S2-5，先进行单个节点隔离后的故障检测，在检测出故障节点后，以故障节点为主节点，确定出相关多故障模式对应的相关节点，分别进行节点隔离后的故障检测，直至检测出所有故障节点，并在故障状态参数中进行标识后，进入步骤S2-6；
步骤S2-6、排除所有的故障节点的观测值后，利用重要性采样的粒子进行状态更新；返回步骤S2-2进行下一时刻的粒子滤波。
进一步地，步骤S2-3中重要性采样后，
全节点集合O下粒子：
其中，
为全节点集合O下的状态量，/>为全节点集合O下先验粒子，/>为全节点集合O下线性化的相对测距量观测矩阵，/>为全节点集合O下k-1时刻的状态转移噪声矢量uk-1的方差；/>为全节点集合O下,协同节点相对测距误差矢量/>的方差；
隔离子集合J下粒子：
其中，
为隔离子集合J下的状态量，/>为隔离子集合J下先验粒子，/>为隔离子集合J下线性化的相对测距量观测矩阵，/>为隔离子集合J下k-1时刻的状态转移噪声矢量uk-1的方差/>去掉第j行得到；/>为协同节点相对测距误差矢量/>的方差去掉第j行得到；/>为/>去掉第j行得到。
进一步地，步骤S2-4具体包括：
1)估计全节点集合的似然概率密度隔离子集合J的似然概率密度/>
全节点集合的先验粒子计算的状态观测似然概率密度/>
Δk、Sk分别为对全节点集合的新观测值的似然概率进行估计的观测残差和残差方差；
隔离子集合J的先验粒子计算的状态观测似然概率密度/>
分别为对隔离子集合J的新观测值的似然概率进行估计的观测残差和残差方差。
2)故障状态参数θj的计算对数似然比；
对于隔离节点j故障下的故障状态参数θj的对数似然比：
3)累加对数似然比；
w为计算检测统计量的滑动窗长度；
4)构造的检验统计量LRTk(θj)，其为累加对数似然比最大值：
进一步地，在单个节点隔离后的故障检测中，检测出故障节点后，根据故障节点为上层节点或下层节点，以及与中心节点的位置关系，确定出多故障模式的种类M1、M2、M3或M4；根据多故障模式种类所对应的节点，依次去掉主故障节点和其他子故障节点构建隔离子集合，循环步骤S2-2～S2-5的故障检测过程，利用去掉主故障节点、其他子故障节点的隔离子集合MJ的似然函数和去掉主故障节点的隔离子集合J的似然函数构造似然比，若检测出故障，则判断为该主节点故障的多节点故障；若检测不出故障，则判断为该主节点故障的单节点故障。
本发明可实现以下有益效果：
本发明公开的消除双层空基导航增强自组网杠杆效应的故障检测方法，对于节点间协同定位的双层空基导航增强自组网，考虑当前时刻观测量中的故障对似然概率密度函数的峰值和形状的共同影响，构造重要性密度，将当前观测信息加入到建议分布中产生粒子，使得抽样的粒子更接近高似然区域；再通过对数似然比检验进行故障节点的检测与排除。克服了杠杆效应的影响，避免了故障节点的定位偏差在网络中传播和扩散，保证了定位的精度。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为本发明实施例中的空基导航增强自组网的节点故障检测方法流程图；
图2为本发明实施例中的空基导航增强网络结构俯视示意图；
图3为本发明实施例中的空基导航增强网络结构侧视示意图；
图4a为本发明实施例中的每个下层网络的节点可协调的节点示意图；
图4b为本发明实施例中的每个上层网络的节点可协调的节点示意图；
图5a为本发明实施例中的故障模式M1的节点位置关系示意图；
图5b为本发明实施例中的故障模式M2的节点位置关系示意图；
图5c为本发明实施例中的故障模式M3的节点位置关系示意图；
图5d为本发明实施例中的故障模式M4的节点位置关系示意图；
图6为本发明实施例中的采用粒子滤波的递推计算进行协同定位过程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个实施例公开一种消除双层空基导航增强自组网杠杆效应的故障检测方法，如图1所示，包括：
步骤S1、对于临近空间布设的节点间协同定位的双层空基导航增强自组网，建立协同定位的中心节点运动状态方程；
步骤S2、建立中心节点相对于导航卫星观测量和相对于其他协同节点观测量的观测方程，在观测方程中包括故障状态参数；
步骤S3、基于建立的系统状态方程和观测方程，采用基于消除杠杆效应的改进粒子滤波的递推计算进行协同定位；
所述改进粒子滤波中，基于双层结构几何构型的杠杆效应，在粒子重要性采样时，考虑当前时刻观测量中的故障对似然概率密度函数的峰值和形状的共同影响，通过构造的重要性密度，将当前观测信息加入到建议分布中产生粒子，使得抽样的粒子更接近高似然区域，得到无故障情况下和故障情况下的似然概率密度进行似然比检验；并对检测出的故障节点进行标识和隔离。
如图2所示，所述空基导航增强自组网的双层结构几何构型中包括上、下两层网络；下层网络中任意三个邻居节点构成等边三角形；上层网络的每一个节点均位于由下层邻居节点构成的等边三角形的质心正上方，一个上层节点和对应的三个下层节点构成三棱锥型；图中“·”表示上层节点；表示下层节点。
每个节点均为携带相同导航传感器的、具备独立导航能力的空间飞行器；进行协同定位的节点间通过建立点对点连接进行双向测距，每个节点对包括其他协同节点位置和编队构型在内的状态进行动态感知，相互广播自身状态信息、时间校准信息和测距信息，同时利用这些信息对自身状态进行校准，以提升自身时空基准。
如图3所示，所述空间飞行器为飞艇，每个飞艇节点均围绕其指定位置，以1km为半径，进行线速度为5m/s的顺时针匀速圆周飞行；作为上层节点的飞艇的飞行高度为：25KM±5KM；作为下层节点的飞艇的飞行高度为：20KM±5KM。采用平流层飞艇构成导航增强自组网生存能力强、滞空时间长、响应速度快、覆盖范围广且费效比高，采用上下两层的自组网结构可提供较好的几何构型，提升协同精度，同时方便扩展。
在进行节点间协同定位时，每个作为协同定位的中心节点的网络节点仅与其直接相邻的各网络节点进行相互协同；最大协同距离为下层网络中的节点与其最近的邻居节点的距离。如图4a所示，每个下层网络的节点可与其相邻的6个下层网络节点和6个上层网络节点协同；如图4b所示，每个上层网络节点可与其相邻的3个下层网络节点和9个上层网络节点协同。
具体的，在步骤S1中，中心节点运动状态方程为：
xk＝fk(xk-1,uk-1)；
其中，fk()表示状态方程；xk、xk-1分别为k、k-1时刻的节点运动状态，uk-1为状态转移噪声；
节点运动状态
其中，(xk,yk,zk)为k时刻节点的GNSS接收机天线在ECEF坐标系中的位置，为速度，/>为加速度，bk为接收机钟差，/>为钟漂。
具体的，在步骤S2中，中心节点相对于导航卫星及其他协同节点的观测方程为：
yk＝hk(xk,vk,θ)；
其中，hk()表示观测方程；yk为系统观测量；vk为观测噪声矩阵，θ为故障状态参数；
当对导航卫星和其他协同节点的观测分别表示时，观测方程为：
hs,k()代表卫星观测方程，/>为对n颗导航卫星观测的伪距误差矢量；hf,k()代表协同节点相对观测方程，/>为对m个节点相对测距误差矢量；θ为故障状态参数；ρk为中心节点中GNSS接收机对n颗导航卫星观测的伪距观测值/>dk为中心节点中GNSS接收机对m个协同节点相对测距的测距观测值
将相对观测方程在fk(xk-1)处进行泰勒展开：
其中为雅各比矩阵
令
则
如此，使用作为dk线性化处理后的估计，上式右侧为线性化后的代价误差项。
更具体的，使用θj表示与故障节点j相对应的故障状态参数；
θj＝{b,μj}；
其中b为故障偏差，μj为(n+m)×1维的故障模式矢量；当检测出第j个节点故障，则将μj中与第j个节点对应的第j行置为1(n+1≤j≤n+m)；
当故障为单故障模式时，有且只有一个与故障节点j对应的第j行为1，其他元素为0；
当故障为多故障模式时，μj中除与主故障节点j对应的第j行为1时，还将由于主故障节点j连带造成的其他子故障节点对应的其他行置1。
在本实施例中，单故障模式是指：在RAIM故障检测与识别中，为保证满足误警率和漏检率这两个相互制约的指标要求，需要故障大于某一阈值，称为最小可检测误差，通常约为定位误差标准差的4倍。在导航增强自组网中，当单节点故障导致定位误差小于100米时，即便在GNSS正常工作、节点定位误差普遍较小的条件下，受影响的临近节点的定位误差仍未达到可准确进行故障检测的要求。当GNSS失效时，节点定位误差平均增大约4～5倍，则当单节点故障导致定位误差超过400～500米时，才会导致临近节点的定位误差增长到可被检测的程度。
多故障模式是指：当单故障节点的定位误差较大，会导致临近节点产生故障，出现的多个故障。当单节点故障导致临近节点故障时，根据对定位误差传播的分析，临近节点故障矢量之和在故障节点方向上；在本实施例中的上、下两层网络的增强自组网构型中，在一层上的单节点故障仅会对另一层上距离最近的节点产生影响，形成多个节点的故障。
因此，在图5所示的导航增强自组网构型中，定义以下的多故障模式：
(1)M1：M1：对下层中心节点X，临近下层节点Y出现故障，上层中在连接点X、Y的线段两侧，存在两个离节点Y最近的上层节点Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M1故障；如图5a所示；
(2)M2：对下层中心节点X，临近上层节点Y出现故障，下层中在点X到点Y射线方向的两侧，存在两个离节点Y最近的下层节点Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M2故障；如图5b所示；
(3)M3：对上层中心节点X，临近上层节点Y出现故障，下层中在连接点X、Y的线段两侧，存在两个离节点Y最近的节点下层Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M3故障；如图5c所示；
(4)M4：对上层中心节点X，临近下层节点Y出现故障，上层中在点X到点Y射线方向的两侧，存在四个离节点Y最近的上层节点Y1、Y2、Y3和Y4，由于主节点Y的故障导致Y1、Y2、Y3和Y4故障为M4故障；如图5d所示。
与传统多故障RAIM不同，导航增强自组网由于多故障模式相对固定，故在多故障模式下，先判断出主故障节点Y，再根据主故障节点为上层节点或下层节点，以及与中心节点的位置关系，确定出多故障模式的种类；采取以下策略：
对于下层中心节点X，若故障主节点Y为下层节点，上层存在两个离节点Y最近的节点Y1和Y2，排除节点{Y,Y1,Y2}，再构造似然比进行检测，若检测不出故障，则为故障模式M1；
对于下层中心节点X，若故障主节点Y为上层节点，下层存在两个离节点Y最近的节点Y1和Y2，排除节点{Y,Y1,Y2}，再构造似然比进行检测，若检测不出故障，则为故障模式M2；
对于上层中心节点X，若故障主节点Y为上层节点，下层存在两个离节点Y最近的节点Y1和Y2，排除节点{Y,Y1,Y2}，再构造似然比进行检测，若检测出不出故障，则为故障模式M3；
对于上层中心节点X，若故障主节点Y为下层节点，上层存在四个离节点Y最近的节点Y1、Y2、Y3和Y4，排除节点{Y,Y1,Y2,Y3,Y4}，再构造似然比进行检测，若检测不出故障，则为故障模式M4。
对于故障θj，可视为真实相对观测量上附加一个测距偏差：
f为故障偏差向量，单故障下f中只有一个非零元素，表示为偏差b和故障模式μj的乘积：
f＝b·μj；
其中故障模式μj为n×1的矩阵，对应故障偏差向量f中非零元素的位置为1，其他元素为0。多故障下，非零元素对应主节点j。
存在故障残差矢量：
其中为估计状态，/>表示观测量到故障残差矢量的投影矩阵，与卫星几何有关。
假设状态转移噪声矢量wk～N(0,Qk)，相对测距误差矢量rk服从均值为Sf，协方差为STRkS的联合高斯分布。
为提取故障偏差对观测误差的影响，将进行QR分解可得，
其中U∈Rm×m为分解酉矩阵，U1∈Rm×s和U2∈Rm×(m-s)；T∈Rm×s为上三角矩阵，T1∈Rs×s为T的前四行。其中m为观测量维度，s为状态量维度。
得奇偶矢量p∈R(m-s)如下：
奇偶矢量可以看作是含有故障偏差的观测误差在奇偶空间的映射：
假设p服从均值为bQμj，协方差为QTRkQ＝σ2Im-s的联合高斯分布：
其中
其中Sjj为矩阵S中的对角线元素的大小，用来表征杠杆效应，即量测对状态估计的贡献不同。不同故障模式下可能的故障偏差不同，由于杠杆效应，当故障发生时，Sjj导致定位误差概率分布不同，故障导致似然概率分布变化的速度随杠杆效应增大而增大：Sjj越大，杠杆越小，低杠杆效应节点故障导致定位误差的影响较小；Sjj越小，杠杆越大，高杠杆效应节点发生故障后其观测值对状态估计的定位误差有较大的影响，而似然概率密度分布可能更加平缓，更难于检测。故在故障检测时，应考虑由于杠杆效应，故障偏差对似然概率密度函数的峰值和形状的影响。
为此，进一步地，在上述的基于粒子滤波似然比故障检测中，基于几何构型的杠杆效应，在粒子重要性采样时，考虑故障对似然概率密度函数的峰值和形状的共同影响。
构造的当前时刻的重要性密度为混合密度：
在故障情况下，当前时刻的似然密度和前一时刻状态的预测似然均引入了最新观测信息，考虑了节点的故障影响。
具体的，无故障情况下，重要性密度如下：
重要性密度可以表达为以下混合密度：
若：
pk(yk|xk)～N(yk；0,Rk)；
令
得
N(xk；ak,∑k)N(yk；bk,Γk)＝N(xk；0,Qk)N(yk；0,Rk)；
则推导得：
采样粒子的权值满足：
在故障情况下，重要性密度如下：
其表示在故障模式μj下，包含故障观测量yk的条件下，上一时刻粒子产生新粒子的概率密度。其可以表达为以下混合密度：
其中，为先验转移密度，不受故障模式μj影响；pk(yk|xk,μj)为故障模式μj条件下的似然密度；/>为故障模式∑j下前一时刻状态的预测似然。若/>pk(yk|xk,μj)服从高斯分布：
pk(yk|xk,μj)～N(yk；f,Rk)；
由
令
得
则
/>
则由于杠杆效应，不同故障模式下可能的故障偏差不同，故障偏差会影响观测值的条件似然函数pk(yk|xk,μj)和预测似然的分布。
通过以上参数的求解，得到相关概率密度的解析式，进而表达出重要性密度函数通过重新构造的重要性密度代替传统概率密度，将当前观测信息加入到建议分布中产生粒子，使得抽样的粒子更接近高似然区域，能够更准确地表达无故障情况下和故障情况下的似然概率密度，从而解决杠杆效应下当前时刻观测量中的故障对似然概率密度函数的峰值和形状的共同影响。
如图6所示，在步骤S2中，采用粒子滤波的递推计算进行协同定位过程包括：
步骤S2-1、进行包括递推时刻、节点状态、粒子集合和故障检测阈值初始化在内的粒子滤波初始化；
在初始化中，进行递推时刻的初始化，k＝0；设置节点状态的初始化值x0、初始粒子集合初始粒子/>q(·)为重要性概率密度函数，初始权值N为粒子数。
步骤S2-2、进行递推计算，对于当前时刻k，构造包括协同定位的全节点集合和与有节点隔离后的各隔离子集合的观测量；
全节点集合此时：
状态量
观测量
线性化的相对测距量方程
其中，为k时刻的在全节点集合下的节点运动状态，/>为全节点集合下的系统观测量，θ0为无故障条件下故障状态参数；/>为线性化的相对测距量观测矩阵；
在故障θj下，隔离单个节点j的隔离子集合J，此时：
状态量
观测量
线性化的相对测距量方程
其中，为在隔离子集合J下估计的k时刻节点运动状态，/>为隔离子集合J下的系统观测量，θj为隔离节点j故障下的故障状态参数。/>表示由/>去掉第j行后形成的矩阵。/> 为中心节点中GNSS接收剩余协同节点相对测距的测距观测值/>
步骤S2-3、分别对各个集合，进行重要性采样，根据k-1时刻粒子获得k时刻全节点集合与隔离子集合对应的先验粒子；
具体的，包括：
1)根据上一时刻的粒子以及系统状态方程产生粒子；
全节点集合O下先验粒子
隔离子集合J下先验粒子
为k-1时刻的在全节点集合下的节点运动状态，/>为k-1时刻的在隔离子集合J的节点运动状态；
2)粒子权值更新
全节点集合O下,计算似然概率分布的中间参数：
其中，为全节点集合O下线性化的相对测距量观测矩阵；/>为全节点集合O下k-1时刻的状态转移噪声矢量uk-1的方差；/>为全节点集合O下,协同节点相对测距误差矢量/>的方差。/>和/>也可以用先验方差代替；
则：全节点集合O下的
根据似然概率更新粒子权值并归一化：
其中，为全节点集合下的相对测距观测量，μ0＝0；/>为k-1时刻的粒子权重。
隔离子集合J下，计算似然概率分布的中间参数：
/>
其中，为隔离子集合J下线性化的相对测距量观测矩阵；/>为隔离子集合J下k-1时刻的状态转移噪声矢量uk-1的方差/>去掉第j行得到；/>为协同节点相对测距误差矢量/>的方差去掉第j行得到。/>和/>也可以用先验方差代替。
则：隔离子集合J下的
根据似然概率更新粒子权值并归一化：
其中，为全节点集合下的观测量，/>为k-1时刻的粒子权重。
3)粒子重采样；
若有效采样大小Neff<Nth，则进行重采样，将粒子更新为新的粒子集,其中重采样后的粒子权值更新为
4)基于重采样后的粒子进行重要性采样；
全节点集合O下，计算重要性密度的中间参数：
线性化的相对测距量方程
则全节点集合O下粒子：
隔离子集合J下，计算重要性密度的中间参数：
为/>去掉第j行得到；
则隔离子集合J下粒子：
/>
步骤S2-4、根据全节点集合的先验粒子计算的状态观测似然概率密度和故障子集合的先验粒子计算的状态观测似然概率密度，构造对数似然比作为故障检测的检验统计量；
具体包括：
1)估计全节点集合的似然概率密度隔离子集合J的似然概率密度/>
全节点集合的先验粒子计算的状态观测似然概率密度/>
Δk、Sk分别为对全节点集合的新观测值的似然概率进行估计的观测残差和残差方差；
隔离子集合J的先验粒子计算的状态观测似然概率密度/>
分别为对隔离子集合J的新观测值的似然概率进行估计的观测残差和残差方差。
2)故障状态参数θj的计算对数似然比；
对于隔离节点j故障下的故障状态参数θj的对数似然比：
3)累加对数似然比；
w为计算检测统计量的滑动窗长度；
4)构造的检验统计量LRTk(θj)，其为累加对数似然比最大值：
步骤S2-5、利用检验统计量进行故障检测，若发现故障节点，在故障状态参数中对检测出的故障节点进行标识；
若LRTk(θj)>η0则存在故障，对应的节点j为单故障节点或多故障的主节点，将故障状态参数θj中的μj第j行置为1；否则不存在故障；η0为故障检测阈值；
循环步骤S2-2～S2-5，先进行单个节点隔离后的故障检测，在检测出故障节点后，以故障节点为主节点，确定出相关多故障模式对应的相关节点，分别进行节点隔离后的故障检测，直至检测出所有故障节点，并在故障状态参数中进行标识后，进入步骤S2-6；
具体的，在单个节点隔离后的故障检测中，检测出故障节点后，根据故障节点为上层节点或下层节点，以及与中心节点的位置关系，确定出多故障模式的种类M1、M2、M3或M4；根据多故障模式种类所对应的节点，依次去掉主节点和其他节点构建隔离多故障子集合MJ，循环步骤S2-2～S2-5的故障检测过程。其中，检测量变为：
对于多故障子集合MJ的故障状态参数θj的对数似然比：
其中为隔离子集合J的先验粒子计算的状态观测似然概率密度，/>为隔离多故障子集合MJ的先验粒子计算的状态观测似然概率密度。
建立对数似然比构造的检验统计量MLRTk(θj)
其中，累加对数似然比
w为计算检测统计量的滑动窗长度。
若MLRTk(θj)>η1则存在故障，对应的节点j为多故障的主节点，按照隔离多故障子集合MJ，将故障状态参数θj中的μj其他子故障节点对应的其他行置1；否则判断为该主节点故障的单节点故障；η1为故障检测阈值。
步骤S2-6、排除所有的故障节点的观测值后，利用重要性采样的粒子进行状态更新：
若为判断为单故障，利用当前隔离子集合J下的粒子；若为多故障，利用当前隔离子集合MJ下的粒子，进行当前时刻k的节点状态估计；更新当前时刻k系统状态后，返回步骤S2-2进行下一时刻的粒子滤波。
更新的当前时刻k系统状态
综上所述，本发明实施例的消除双层空基导航增强自组网杠杆效应的故障检测方法，对于节点间协同定位的双层空基导航增强自组网，考虑当前时刻观测量中的故障对似然概率密度函数的峰值和形状的共同影响，构造重要性密度，将当前观测信息加入到建议分布中产生粒子，使得抽样的粒子更接近高似然区域；再通过对数似然比检验进行故障节点的检测与排除。克服了杠杆效应的影响，避免了故障节点的定位偏差在网络中传播和扩散，保证了定位的精度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，包括：
对于临近空间布设的节点间协同定位的双层空基导航增强自组网，建立协同定位的中心节点运动状态方程；
建立中心节点相对于导航卫星观测量和相对于其他协同节点观测量的观测方程，在观测方程中包括故障状态参数；
基于建立的系统状态方程和观测方程，采用基于消除杠杆效应的改进粒子滤波的递推计算进行协同定位；
所述改进粒子滤波中，基于双层结构几何构型的杠杆效应，在粒子重要性采样时，考虑当前时刻观测量中的故障对似然概率密度函数的峰值和形状的共同影响，通过构造的重要性密度，将当前观测信息加入到建议分布中产生粒子，使得抽样的粒子更接近高似然区域，得到无故障情况下和故障情况下的似然概率密度进行似然比检验；并对检测出的故障节点进行标识和隔离；
构造的当前时刻的重要性密度为混合密度：
在故障情况下，当前时刻的似然密度和前一时刻状态的预测似然均引入了最新观测信息，考虑了节点的故障影响。
2.根据权利要求1所述的消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，
所述空基导航增强自组网的双层结构几何构型中包括上、下两层网络；下层网络中任意三个邻居节点构成等边三角形；上层网络的每一个节点均位于由下层邻居节点构成的等边三角形的质心正上方，一个上层节点和对应的三个下层节点构成三棱锥型；
在进行节点间协同定位时，每个作为协同定位的中心节点的网络节点仅与其直接相邻的各网络节点进行相互协同；最大协同距离为下层网络中的节点与其最近的邻居节点的距离。
3.根据权利要求1或2所述的消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，
中心节点运动状态方程为：
xk＝fk(xk-1,uk-1)；
其中，fk()代表状态方程；xk、xk-1分别为k、k-1时刻的节点运动状态，uk-1为状态转移噪声；
节点运动状态
其中，(xk,yk,zk)为k时刻节点的GNSS接收机天线在ECEF坐标系中的位置，为速度，/>为加速度，bk为接收机钟差，/>为钟漂；
中心节点相对协同节点及卫星的观测方程：
hs,k()代表卫星观测方程，/>为对n颗导航卫星观测的伪距误差矢量；hf,k()代表协同节点相对观测方程，/>为对m个节点相对测距误差矢量；θ为故障状态参数。
4.根据权利要求3所述的消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，
使用θj表示与故障节点j相对应的故障状态参数；
θj＝{b,μj}；
其中b为故障偏差，μj为(n+m)×1维的故障模式矢量；当检测出第j个节点故障，则将μj中与第j个节点对应的第j行置为1，n+1≤j≤n+m；
当故障为单故障模式时，有且只有一个与故障节点j对应的第j行为1，其他元素为0；
当故障为多故障模式时，μj中除主故障节点j对应的第j行为1时，还将由于主故障节点j连带造成的其他子故障节点对应的其他行置1。
5.根据权利要求4所述的消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，
在导航增强自组网构型中，多故障模式包括：
(1)M1：对下层中心节点X，临近下层节点Y出现故障，上层中在连接点X、Y的线段两侧，存在两个离节点Y最近的上层节点Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M1故障；
(2)M2：对下层中心节点X，临近上层节点Y出现故障，下层中在点X到点Y射线方向的两侧，存在两个离节点Y最近的下层节点Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M2故障；
(3)M3：对上层中心节点X，临近上层节点Y出现故障，下层中在连接点X、Y的线段两侧，存在两个离节点Y最近的下层节点Y1和Y2，由于主节点Y的故障导致Y1和Y2故障为M3故障；
(4)M4：对上层中心节点X，临近下层节点Y出现故障，上层中在点X到点Y射线方向的两侧，存在四个离节点Y最近的上层节点Y1、Y2、Y3和Y4，由于主节点Y的故障导致Y1、Y2、Y3和Y4故障为M4故障。
6.根据权利要求5所述的消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，
采用改进粒子滤波的递推计算进行协同定位过程包括：
步骤S2-1、进行包括递推时刻、节点状态、粒子集合和故障检测阈值初始化在内的粒子滤波初始化；
步骤S2-2、进行递推计算，对于当前时刻k，构造包括协同定位的全节点集合和与有节点隔离后的各隔离子集合的观测量；
步骤S2-3、分别对各个集合，利用构造的重要性密度进行重要性采样，根据k-1时刻粒子获得k时刻全节点集合与隔离子集合对应的先验粒子；
步骤S2-4、根据全节点集合的先验粒子计算的状态观测似然概率密度和故障子集合的先验粒子计算的状态观测似然概率密度，构造出故障检测的检验统计量；
步骤S2-5、利用检验统计量进行故障检测，若发现故障节点，在故障状态参数中对检测出的故障节点进行标识；
循环步骤S2-2～S2-5，先进行单个节点隔离后的故障检测，在检测出故障节点后，以故障节点为主节点，确定出相关多故障模式对应的相关节点，分别进行节点隔离后的故障检测，直至检测出所有故障节点，并在故障状态参数中进行标识后，进入步骤S2-6；
步骤S2-6、排除所有的故障节点的观测值后，利用重要性采样的粒子进行状态更新；返回步骤S2-2进行下一时刻的粒子滤波。
7.根据权利要求6所述的消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，
步骤S2-3中重要性采样后，
全节点集合O下粒子：
其中，
为全节点集合O下的状态量，/>为全节点集合O下先验粒子，/>为全节点集合O下线性化的相对测距量观测矩阵，/>为全节点集合O下k-1时刻的状态转移噪声矢量uk-1的方差；/>为全节点集合O下,协同节点相对测距误差矢量/>的方差；
隔离子集合J下粒子：
其中，
为隔离子集合J下的状态量，/>为隔离子集合J下先验粒子，/>为隔离子集合J下线性化的相对测距量观测矩阵，/>为隔离子集合J下k-1时刻的状态转移噪声矢量uk-1的方差/>去掉第j行得到；/>为协同节点相对测距误差矢量/>的方差去掉第j行得到；为/>去掉第j行得到。
8.根据权利要求7所述的消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，
步骤S2-4具体包括：
1)估计全节点集合的似然概率密度隔离子集合J的似然概率密度/>
全节点集合的先验粒子计算的状态观测似然概率密度/>
Δk、Sk分别为对全节点集合的新观测值的似然概率进行估计的观测残差和残差方差；
隔离子集合J的先验粒子计算的状态观测似然概率密度/>
分别为对隔离子集合J的新观测值的似然概率进行估计的观测残差和残差方差；
2)故障状态参数θj的计算对数似然比；
对于隔离节点j故障下的故障状态参数θj的对数似然比：
3)累加对数似然比；
w为计算检测统计量的滑动窗长度；
4)构造的检验统计量LRTk(θj)，其为累加对数似然比最大值：
9.根据权利要求8所述的消除双层空基导航增强自组网杠杆效应的故障检测方法，其特征在于，
在单个节点隔离后的故障检测中，检测出故障节点后，根据故障节点为上层节点或下层节点，以及与中心节点的位置关系，确定出多故障模式的种类M1、M2、M3或M4；根据多故障模式种类所对应的节点，依次去掉主故障节点和其他子故障节点构建隔离子集合，循环步骤S2-2～S2-5的故障检测过程，利用去掉主故障节点、其他子故障节点的隔离子集合MJ的似然函数和去掉主故障节点的隔离子集合J的似然函数构造似然比，若检测出故障，则判断为该主故障节点的多节点故障；若检测不出故障，则判断为该主故障节点的单节点故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310761054.9A CN117111101B (zh) | 2023-06-26 | 2023-06-26 | 消除双层空基导航增强自组网杠杆效应的故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310761054.9A CN117111101B (zh) | 2023-06-26 | 2023-06-26 | 消除双层空基导航增强自组网杠杆效应的故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117111101A CN117111101A (zh) | 2023-11-24 |
| CN117111101B true CN117111101B (zh) | 2024-03-22 |
Family
ID=88797282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310761054.9A Active CN117111101B (zh) | 2023-06-26 | 2023-06-26 | 消除双层空基导航增强自组网杠杆效应的故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117111101B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1965219A1 (en) * | 2007-03-01 | 2008-09-03 | Selex Communications S.P.A. | Method and system for predicting the performance of satellite navigation systems |
| CN104267415A (zh) * | 2014-09-23 | 2015-01-07 | 北京航空航天大学 | 基于贝叶斯决策的故障识别方法及装置 |
| CN105549033A (zh) * | 2015-12-07 | 2016-05-04 | 郑州威科姆科技股份有限公司 | 一种基于最小二乘残差边缘检验的完好性处理方法 |
| CN106338753A (zh) * | 2016-09-22 | 2017-01-18 | 北京航空航天大学 | 一种基于地面站/星间链路/gnss联合测量的地球同步轨道星座定轨方法 |
| CN106886039A (zh) * | 2015-12-11 | 2017-06-23 | 南开大学 | 基于城市三维地图的地面数字电视广播与导航卫星混合粒子滤波定位方法 |
| CN110133689A (zh) * | 2019-05-24 | 2019-08-16 | 中国科学院国家授时中心 | 自适应用户自主完好性监测方法 |
| CN114265090A (zh) * | 2021-12-21 | 2022-04-01 | 北京理工大学 | 基于贝叶斯检验的接收机自主完好性监测方法 |
| WO2022194117A1 (zh) * | 2021-03-17 | 2022-09-22 | 哈尔滨工程大学 | 一种基于统计观测局地化均权重粒子滤波数据同化方法 |
| CN115201858A (zh) * | 2022-07-06 | 2022-10-18 | 北京理工大学 | 一种地月系平动点导航星座完好性监测方法 |
| CN115420284A (zh) * | 2022-11-08 | 2022-12-02 | 北京航空航天大学 | 一种组合导航系统故障检测与识别方法 |
| CN115540907A (zh) * | 2022-09-27 | 2022-12-30 | 南京航空航天大学 | 一种基于面向星间差分的gps/bds/ins紧组合导航的多故障检测与剔除方法 |
| CN115561782A (zh) * | 2022-11-18 | 2023-01-03 | 北京航空航天大学 | 一种基于奇偶矢量投影的组合导航中卫星故障检测方法 |
| DE102021119891A1 (de) * | 2021-07-30 | 2023-02-02 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Authentifizierung einer Sendeeinheit durch eine Empfängereinheit |
| CN115790652A (zh) * | 2022-11-22 | 2023-03-14 | 东南大学 | 一种里程计/双天线gnss空间在线标定方法 |
| CN116299597A (zh) * | 2023-05-18 | 2023-06-23 | 北京航空航天大学 | 一种基于改进粒子滤波算法的导航增强协同定位方法 |
| CN116482716A (zh) * | 2023-06-26 | 2023-07-25 | 北京航空航天大学 | 一种空基导航增强自组网的节点故障检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074558A1 (en) * | 2003-11-26 | 2006-04-06 | Williamson Walton R | Fault-tolerant system, apparatus and method |
| US7289906B2 (en) * | 2004-04-05 | 2007-10-30 | Oregon Health & Science University | Navigation system applications of sigma-point Kalman filters for nonlinear estimation and sensor fusion |
| DE102007044671B4 (de) * | 2007-09-18 | 2013-02-21 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Schätzung von Parametern eines in einer dynamischen Mehrwegeumgebung empfangenen GNSS-Navigationssignals |
| GB0901685D0 (en) * | 2009-01-31 | 2009-03-11 | Qinetiq Ltd | Navigation system integrity |
| US11480690B2 (en) * | 2020-06-09 | 2022-10-25 | Swift Navigation, Inc. | System and method for satellite positioning |
-
2023
- 2023-06-26 CN CN202310761054.9A patent/CN117111101B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1965219A1 (en) * | 2007-03-01 | 2008-09-03 | Selex Communications S.P.A. | Method and system for predicting the performance of satellite navigation systems |
| CN104267415A (zh) * | 2014-09-23 | 2015-01-07 | 北京航空航天大学 | 基于贝叶斯决策的故障识别方法及装置 |
| CN105549033A (zh) * | 2015-12-07 | 2016-05-04 | 郑州威科姆科技股份有限公司 | 一种基于最小二乘残差边缘检验的完好性处理方法 |
| CN106886039A (zh) * | 2015-12-11 | 2017-06-23 | 南开大学 | 基于城市三维地图的地面数字电视广播与导航卫星混合粒子滤波定位方法 |
| CN106338753A (zh) * | 2016-09-22 | 2017-01-18 | 北京航空航天大学 | 一种基于地面站/星间链路/gnss联合测量的地球同步轨道星座定轨方法 |
| CN110133689A (zh) * | 2019-05-24 | 2019-08-16 | 中国科学院国家授时中心 | 自适应用户自主完好性监测方法 |
| WO2022194117A1 (zh) * | 2021-03-17 | 2022-09-22 | 哈尔滨工程大学 | 一种基于统计观测局地化均权重粒子滤波数据同化方法 |
| DE102021119891A1 (de) * | 2021-07-30 | 2023-02-02 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Authentifizierung einer Sendeeinheit durch eine Empfängereinheit |
| CN114265090A (zh) * | 2021-12-21 | 2022-04-01 | 北京理工大学 | 基于贝叶斯检验的接收机自主完好性监测方法 |
| CN115201858A (zh) * | 2022-07-06 | 2022-10-18 | 北京理工大学 | 一种地月系平动点导航星座完好性监测方法 |
| CN115540907A (zh) * | 2022-09-27 | 2022-12-30 | 南京航空航天大学 | 一种基于面向星间差分的gps/bds/ins紧组合导航的多故障检测与剔除方法 |
| CN115420284A (zh) * | 2022-11-08 | 2022-12-02 | 北京航空航天大学 | 一种组合导航系统故障检测与识别方法 |
| CN115561782A (zh) * | 2022-11-18 | 2023-01-03 | 北京航空航天大学 | 一种基于奇偶矢量投影的组合导航中卫星故障检测方法 |
| CN115790652A (zh) * | 2022-11-22 | 2023-03-14 | 东南大学 | 一种里程计/双天线gnss空间在线标定方法 |
| CN116299597A (zh) * | 2023-05-18 | 2023-06-23 | 北京航空航天大学 | 一种基于改进粒子滤波算法的导航增强协同定位方法 |
| CN116482716A (zh) * | 2023-06-26 | 2023-07-25 | 北京航空航天大学 | 一种空基导航增强自组网的节点故障检测方法 |
Non-Patent Citations (9)
| Title |
|---|
| Case study of Bayesian RAIM algorithm integrated with Spatial Feature Constraint and Fault Detection and Exclusion algorithms for multi-sensor positioning;Gabela, Allison Kealy, Mark Hedley and Bill Moran;《Journal of the Institute of Navigation》;20210610;第68卷(第02期);333-351 * |
| Leveraged fault identification method for receiver autonomous integrity monitoring;Yuan Sun, Jun Zhang, Rui Xue;《Chinese Journal of Aeronautics》;20150619;第28卷(第04期);1217-1225 * |
| 一种新的UPF算法在导航定位中的研究;戴卿;常允艳;;《西安航空学院学报》;20160120;第34卷(第01期);第13-16页 * |
| 基于分簇的GEO/LEO双层卫星网络故障发现策略研究;林琳;《中国优秀硕士学位论文全文数据库 信息科学辑》;20150515(第05期);I136-613 * |
| 基于粒子滤波和似然比的接收机自主完好性监测算法;王尔申;庞涛;曲萍萍;张芝贤;;《南京航空航天大学学报》;20150215;第47卷(第01期);46-51 * |
| 基于粒子滤波的INS/GPS组合导航数据融合及故障诊断;纪龙;《中国优秀硕士学位论文全文数据库 信息科学辑》;20160315(第03期);I136-2669 * |
| 民航GPS地基区域完好性监视系统设计与实现;朱衍波, 张晓林, 薛瑞等;《北京航空航天大学学报》;20060730(第07期);797-801 * |
| 粒子群优化粒子滤波的接收机自主完好性监测;王尔申;曲萍萍;庞涛;蓝晓宇;陈佳美;;《北京航空航天大学学报》;20160905;第42卷(第12期);2572-2578 * |
| 遗传粒子滤波的GPS接收机自主完好性监测;王尔申;张淑芳;蔡明;庞涛;;《西安电子科技大学学报》;20140514;第42卷(第01期);第136-141页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117111101A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7440013B2 (ja) | 車両環境マッピング方法、ならびに、対応するシステム、車両およびコンピュータプログラム | |
| Tanil et al. | Sequential integrity monitoring for Kalman filter innovations-based detectors | |
| Joerger et al. | Kalman filter-based integrity monitoring against sensor faults | |
| KR100964793B1 (ko) | 센서의 고장 검출 및 분리 방법 그리고 이를 이용한 센서의고장 적응 방법 | |
| US10768312B1 (en) | Integrity analysis method based on kinematic-to-kinematic relative positioning scenario | |
| CN116482716B (zh) | 一种空基导航增强自组网的节点故障检测方法 | |
| CN116299597B (zh) | 一种基于改进粒子滤波算法的导航增强协同定位方法 | |
| CN108682140B (zh) | 一种基于压缩感知和自回归模型的增强型异常检测方法 | |
| CN112230247A (zh) | 一种用于城市复杂环境下gnss完好性监测方法 | |
| Xu et al. | Fault detection for multi‐source integrated navigation system using fully convolutional neural network | |
| Li et al. | Visual measurement integrity monitoring for UAV localization | |
| CN117111101B (zh) | 消除双层空基导航增强自组网杠杆效应的故障检测方法 | |
| Shen et al. | Multi-UAV cluster-based cooperative navigation with fault detection and exclusion capability | |
| Bhamidipati et al. | Distributed cooperative SLAM-based integrity monitoring via a network of receivers | |
| CN111505668A (zh) | 动对动平台局域增强gnss卫星b类星历故障完好性监测方法 | |
| CN114265090A (zh) | 基于贝叶斯检验的接收机自主完好性监测方法 | |
| Latif et al. | Multi-robot synergistic localization in dynamic environments | |
| Rife | Collaboration-enhanced receiver integrity monitoring with common residual estimation | |
| Li et al. | Fault detection approach applied to inertial navigation system/air data system integrated navigation system with time‐offset | |
| CN113219452B (zh) | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 | |
| Andersen et al. | Filtering in hybrid dynamic Bayesian networks | |
| CN115236700A (zh) | 基于卫星伪距的因子图导航故障检测方法 | |
| CN113376664A (zh) | 一种无人蜂群协同导航多故障检测方法 | |
| Moradi et al. | A new method for detection of a distributed event in wireless sensor networks | |
| Qiang et al. | Multi-sensor fusion approach with fault detection and isolation based on two-state probability ratio |
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 |