CN117451034B - 一种自主导航的方法、装置、存储介质及电子设备 - Google Patents
一种自主导航的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117451034B CN117451034B CN202311787620.XA CN202311787620A CN117451034B CN 117451034 B CN117451034 B CN 117451034B CN 202311787620 A CN202311787620 A CN 202311787620A CN 117451034 B CN117451034 B CN 117451034B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- information data
- target information
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 claims description 71
- 230000004927 fusion Effects 0.000 claims description 27
- 230000001133 acceleration Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 description 8
- 238000013441 quality evaluation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000001303 quality assessment method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
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
本申请提供了一种自主导航的方法、装置、存储介质及电子设备,该方法包括:获取多个数据传感器中各个数据传感器对应采集的多种目标信息数据;基于所述多种目标信息数据的质量分值确定目标数据传感器,其中,所述目标数据传感器包括:观测类传感器和惯导类传感器;对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果。本申请的一些实施例可以实现传感器的灵活切换,降低故障率,提升导航精准度。
Description
技术领域
本申请涉及导航定位技术领域,具体而言,涉及一种自主导航的方法、装置、存储介质及电子设备。
背景技术
随着无人设备的发展,其被广泛应用在不同的领域中。为了满足不同领域的需求以及适应不同的环境,实现无人设备的自主导航十分重要。
目前,无人设备在智能化组合导航的方法中,导航专家系统在收到导航信息和异常检测结果等输入信息时,首先由推理机控制知识库中的规则开始运行,读取当前各测距源的状态,生成中间事实并将其保存至综合数据库,然后推理机根据各测距源的实时状态,对知识库中的规则进行匹配,选择当前最佳的导航融合模式。然而知识库中的规则有限无法保证推理结果的精准度,且上述推理过程较为复杂,推理效率有待提升。
因此,如何提供一种既高效又精准的自主导航的方法的技术方案成为亟需解决的技术问题。
发明内容
本申请的一些实施例的目的在于提供一种自主导航的方法、装置、存储介质及电子设备,通过本申请的实施例的技术方案可以实现传感器的自动切换,提升了自主导航的精准度和效率。
第一方面,本申请的一些实施例提供了一种自主导航的方法,包括:获取多个数据传感器中各个数据传感器对应采集的多种目标信息数据;基于所述多种目标信息数据的质量分值确定目标数据传感器,其中,所述目标数据传感器包括:观测类传感器和惯导类传感器;对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果。
本申请的一些实施例通过采集的多个数据传感器的信息数据,从多个数据传感器中确定目标数据传感器,最后通过目标数据传感器采集的传感器数据确定无人机设备的导航定位结果。本申请的一些实施例可以从多个数据传感器中筛选出有效的目标数据传感器并切换至目标数据传感器采集数据,以此可以实现传感器的自动切换,提升了自主导航的精准度和效率。
在一些实施例,所述基于所述多种目标信息数据的质量分值确定目标数据传感器,包括:依据设定的数据检测规则确定所述多种目标信息数据;其中,所述多种目标信息数据中包括:观测信息数据和惯性导航数据;对所述多种目标信息数据进行质量评分,获取所述多种目标信息数据中各种目标信息数据对应的分值;其中,所述各种目标信息数据对应的分值包括:所述观测信息数据的分值和所述惯性导航数据的分值;将所述观测信息数据的分值中最大值对应的数据传感器作为所述观测类传感器;并将所述惯性导航数据的分值中最大值对应的数据传感器作为所述惯导类传感器。
本申请的一些实施例通过对各种信息数据进行检测得到正常的多种目标信息数据,然后对多种目标信息数据进行质量评分,从中选择出分值最大值对应的目标数据传感器。本申请实施例可以通过信息数据对传感器进行评估,以此可以快速得到正常的精准度较高的目标数据传感器,进而提升导航定位的精准度。
在一些实施例,所述依据设定的数据检测规则确定所述多种目标信息数据,包括:获取所述各个数据传感器的各种数据检测规则;将所述各个数据传感器采集的各种信息数据与对应的所述各种数据检测规则进行对比,得到所述各种信息数据的检测值;将所述检测值为目标值的信息数据作为所述多种目标信息数据。
本申请的一些实施例通过数据传感器对应的数据检测规则对信息数据进行检测得到检测值,将检测值为目标值的信息数据作为多种目标信息数据。本申请实施例通过数据检测规则对数据检测可以确认信息数据是否正常,进而确认数据传感器是否正常,降低了故障率。
在一些实施例,所述对所述多种目标信息数据进行质量评分,获取所述多种目标信息数据中各种目标信息数据对应的分值,包括:利用故障检测函数对所述各种目标信息数据进行质量评分,得到所述各种目标信息数据的各初始分值;获取所述各种目标信息数据对应的数据传感器的各分数上限值;将所述各初始分值与所述各分数上限值相乘,得到所述各种目标信息数据对应的分值。
本申请的一些实施例通过故障检测函数对目标信息数据进行初始评分,之后与不同数据传感器对应的分数上限值进行结合确定目标信息数据对应的最终的分值,可以有效实现对数据传感器的质量检测,效率较高。
在一些实施例,所述利用故障检测函数对所述各种目标信息数据进行质量评分,得到所述各种目标信息数据的各初始分值,包括:将所述各种目标信息数据对应的卡尔曼滤波递推过程和求解过程分别对应的状态信息和协方差信息输入至所述故障检测函数中,输出各质量评分值;将所述各质量评分值与预设标准值进行对比,确定所述各初始分值,其中,所述预设标准值包括第一标准值和第二标准值。
本申请的一些实施例通过故障检测函数得到的各质量评分值后与预设标准值对比确定各初始分值,可以有效实现对数据传感器的质量检测,效率较高。
在一些实施例,所述将所述各质量评分值与预设标准值进行对比,确定所述各初始分值,包括:若所述各质量评分值小于所述第一标准值,则所述各初始分值为1;若所述各质量评分值不小于所述第二标准值,则所述各初始分值为0;若所述各质量评分值不小于所述第一标准值,且所述各质量评分值小于所述第二标准值,则利用目标线性公式计算得到所述各初始分值。
本申请的一些实施例通过将各质量评分值与预设标准值对比,输出初始分值,既简便又高效。
在一些实施例,所述对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果,包括:获取所述观测类传感器和所述惯导类传感器分别采集的所述无人设备的位置数据、速度数据、加速度数据、角加速度数据和航向数据,以及所述惯导类传感器采集的水平位姿数据;利用融合算法对所述位置数据、所述速度数据、所述加速度数据、所述角加速度数据、所述航向数据和所述水平位姿数据进行融合,确定所述导航定位结果中的设备姿态数据、设备位置数据和设备速度数据。
本申请的一些实施例通过对航向数据传感器和惯导传感器采集的数据进行融合得到导航定位结果,精准度较高。
第二方面,本申请的一些实施例提供了一种自主导航的装置,包括:数据采集模块,用于获取多个数据传感器中各个数据传感器对应采集的多种目标信息数据;切换模块,用于基于所述多种目标信息数据的质量分值确定目标数据传感器,其中,所述目标数据传感器包括:观测类传感器和惯导类传感器;融合模块,用于对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果。
第三方面,本申请的一些实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时可实现如第一方面任一实施例所述的方法。
第四方面,本申请的一些实施例提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现如第一方面任一实施例所述的方法。
第五方面,本申请的一些实施例提供一种计算机程序产品,所述的计算机程序产品包括计算机程序,其中,所述的计算机程序被处理器执行时可实现如第一方面任一实施例所述的方法。
附图说明
为了更清楚地说明本申请的一些实施例的技术方案,下面将对本申请的一些实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请的一些实施例提供的一种自主导航系统图;
图2为本申请的一些实施例提供的自主导航的方法流程图之一;
图3为本申请的一些实施例提供的A与q bad和q fail的关系示意图;
图4为本申请的一些实施例提供的自主导航的方法流程图之二;
图5为本申请的一些实施例提供的一种自主导航的装置组成框图;
图6为本申请的一些实施例提供的一种电子设备示意图。
具体实施方式
下面将结合本申请的一些实施例中的附图,对本申请的一些实施例中的技术方案进行描述。
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定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
相关技术中,当前在无人设备(如:无人机、无人车和机器人)技术领域,导航算法通常使用多种技术和传感器来实现高效的自主导航。
常用的导航技术如下:
全球导航卫星系统(GNSS)可以包括:如GPS、GLONASS、Galileo和Beidou,GNSS可以用于提供位置和时间信息。这些卫星系统是导航的基础,尤其适用于户外环境。
惯性导航即惯性测量单元( IMU),包括:加速度计和陀螺仪;其用于测量加速度和角速度,从而实现跟踪设备的运动。IMU通常与其他传感器(如GNSS)融合,以提高导航的准确性。
视觉传感器即摄像机和其他视觉传感器,用于地标识别、SLAM(同时定位与地图构建)和视觉里程计。这些技术有助于设备在室内和复杂环境中导航。
激光雷达用于测量距离和环境建模,特别适用于避障和三维环境感知。
超声波传感器用于短距离障碍物检测,常用于避障和近距离导航。
毫米波雷达可以提供高分辨率的障碍物检测,适用于无人车和无人机的自主导航。
磁力计和磁场传感器:用于测量地磁场,提供航向信息,有助于定向导航。
无线通信:通信技术可以用于与其他设备或基站进行通信,以获取额外的导航信息或更新导航参数。
卡尔曼滤波和扩展卡尔曼滤波:这些滤波技术用于将来自不同传感器的信息融合在一起,以估计设备的状态和位置。
深度学习和机器学习:这些技术可用于物体识别、目标跟踪、SLAM的改进和导航决策。
现有技术中在对无人设备进行导航时,通过分析无人设备的类型和所处的环境,根据具体应用的需求和环境条件从上述技术中进行组合和定制,以实现自主导航和遥感任务。但是,组合和定制后的技术通常固定于无人设备上,无法进行其他技术的切换。当某一技术对应的传感器故障后则无人设备无法继续实现导航定位。
由上述相关技术可知,现有技术中的导航定位中的传感器无法进行灵活切换,无法降低故障率,进而导航的精准度和效率无法保障。
鉴于此,本申请的一些实施例提供了一种自主导航的方法,该方法通过对多个数据传感器采集的各种信息数据进行故障检测诊断和质量评估后,从多个数据传感器中选择出最合适的观测类传感器和惯导类传感器,进而切换到最优的观测类传感器和惯导类传感器进行无人设备的数据采集,最后通过数据融合确定无人设备的导航定位结果。本申请实施例涉及到多种冗余观测传感器(也就是多个数据传感器)的数据质量评估、故障诊断和相应的传感器切换策略,可以实现传感器的灵活切换,解决了由传感器故障引起的无人设备导航定位精准度和效率较低的问题,适应性较高。
下面结合附图1示例性阐述本申请的一些实施例提供的自主导航的系统的整体组成结构。
如图1所示,本申请的一些实施例提供了一种自主导航系统图,该自主导航系统可以部署在无人设备(如,无人机)上,该自主导航系统包括:数据采集层110、传感器切换层120、传感器融合层130和导航输出140。其中,数据采集层110包括多个数据传感器。多个数据传感器可以包括观测类传感器,如:磁罗盘定位传感器111、视觉传感器112、RTK(Real -time kinematic)测量仪113、GPS定位传感器114和气压计115;以及惯性导航类传感器,如:FPC IMU和BOARD IMU。传感器切换层120包括:故障诊断模块121、航向观测数据质量评估模块1221、位置速度观测数据质量评估模块1222和观测传感器冗余切换模块123;以及IMU数据质量评估模块124和惯导传感器冗余切换模块125。传感器融合层130包括位置速度数据融合、航向数据融合和水平位姿数据融合。
其中,磁罗盘定位传感器111、视觉传感器112、RTK测量仪113属于航向类传感器;视觉传感器112、RTK测量仪113、GPS定位传感器114属于水平位置速度类传感器;视觉传感器112、RTK测量仪113、GPS定位传感器114和气压计115属于高度位置速度类传感器。航向类传感器用于采集无人设备的航向数据等,水平位置速度类传感器和高度位置速度类传感器可以用于采集无人设备的位置数据、速度数据、加速度数据和角加速度数据等。航向观测数据质量评估模块1221可以对航向类传感器采集的数据进行质量评估,位置速度观测数据质量评估模块1222可以对水平位置速度类传感器和高度位置速度类传感器采集的数据进行质量评估。在后续选择观测类传感器时可以根据实际情况选择出一种或多种数据传感器的组合对无人设备进行数据采集,结合惯导类传感器实现对无人设备的融合导航定位。IMU至少包含陀螺仪(Gyroscope)、加速度计(Accelermeters),可选地还包含磁力计,用于获取水平位姿数据。
在本申请的一些实施例中,为了便于说明本申请的实现过程,图1所示的数据采集层110的部署方式仅为一个具体示例。数据采集层110的传感器的数量和类型可以根据实际情况进行灵活设定,本申请实施例并不局限于此。另外,传感器切换层120、传感器融合层130的模块可以也可以根据实际情况进行设计,本申请实施例并不局限于此。
在本申请的一些实施例中,数据采集层110中的多个数据传感器可以采集无人设备的多种信息数据。多种信息数据中可以包括:观测类数据和IMU数据。
在本申请的一些实施例中,传感器切换层120可以对多种信息数据进行分析后,故障诊断模块121对数据传感器进行故障诊断;之后航向观测数据质量评估模块1221、位置速度观测数据质量评估模块1222和IMU数据质量评估模块124分别对正常的数据传感器采集的目标信息数据进行质量评估,确定出目标数据传感器。最后,将无人设备的工作传感器切换为目标数据传感器。目标数据传感器可以包括:航向数据传感器、位置速度传感器(作为观测类传感器的一个具体示例)和惯导传感器(作为惯导类传感器的一个具体示例)。其中,通过观测传感器冗余切换模块123和惯导传感器冗余切换模块125实现传感器切换。
在本申请的一些实施例中,传感器融合层130可以对航向数据传感器、位置速度传感器和惯导传感器分别采集的位置速度、航向数据进行融合,以及可以对惯导传感器中陀螺仪和加速度计分别采集的水平位姿数据融合得到无人设备的导航定位结果,并由导航输出140输出导航定位结果。
下面结合附图2示例性阐述本申请的一些实施例提供的自主导航的实现过程。
请参见附图2,图2为本申请的一些实施例提供的一种自主导航的方法流程图,该自主导航的方法包括:
S210,获取多个数据传感器中各个数据传感器对应采集的多种目标信息数据。
例如,在本申请的一些实施例中,获取图1中的所有数据传感器采集得到的不同的多种目标信息数据。其中,多种目标信息数据是按照预设周期获取的当前采集的最新的数据。
S220,基于所述多种目标信息数据的质量分值确定目标数据传感器,其中,所述目标数据传感器包括:观测类传感器和惯导类传感器。
由于传感器类别和型号多种多样,其特性和精度也随之变化。传感器通常用于采集环境信息、物理参数和状态数据。这些数据对于决策制定和控制过程至关重要。如果传感器出现故障,可能会导致错误的数据采集,从而影响到系统的准确性和性能,进而可能会导致系统不稳定、错误操作或出现其他危险情况。因此,在本申请的一些实施例中,通过对图1中的传感器采集的各种信息数据进行检测,确定正常的符合要求的目标数据传感器,对后续系统的稳定性和准确性提供保障。
需要说明的是,在本申请的一些实施例中,图1中的自主导航系统通过对信息数据进行分析需要确定观测类传感器和惯导类传感器。观测类传感器包含航向传感器和位置速度传感器,位置速度传感器还可以包括水平位置速度传感器和高度位置速度传感器。在本申请的另一些实施例中,若观测类传感器和惯导类传感器中的一种传感器是唯一确定的,此时可以通过S220所提供的方法确定另一种传感器即可。为了便于说明,下述以需要确定观测类传感器和惯导类传感器为例进行阐述。
在本申请的一些实施例中,S220可以包括:
S221,依据设定的数据检测规则确定所述多种目标信息数据;其中,所述多种目标信息数据中包括:观测信息数据和惯性导航数据。
例如,在本申请的一些实施例中,故障诊断模块121对传感器采集的各种信息数据进行数据更新检测、数据合法性检测和数据合理性检测后,得到多种目标信息数据。其中,观测类传感器对应的为观测信息数据,惯性导航类传感器对应的为惯性导航数据。数据更新检测为检测当前采集的数据是否为最新周期下的数据。数据合法性检测和数据合理性检测为检测当前采集的数据是否符合数据标准要求,如不存在数据偏离和数据为空的情况。
在本申请的一些实施例中,S221可以包括:获取所述各个数据传感器的各种数据检测规则;将所述各个数据传感器采集的各种信息数据与对应的所述各种数据检测规则进行对比,得到所述各种信息数据的检测值;将所述检测值为目标值的信息数据作为所述多种目标信息数据。
例如,在本申请的一些实施例中,不同的传感器对应的数据检测规则不同,可以根据实际情况进行灵活配置。故障诊断模块121可以根据传感器的特性配置数据检测规则,如:检测内容、检测频率、失效标准和恢复标准等。例如,IMU数据检测规则的配置内容中,合理数据的范围为[(20, -20), (20, -20), (30, -10)],失效标准为100个连续错误数据;对磁罗盘定位传感器111的数据检测规则配置中,合理数据的范围为(700, 200),失效标准为20个连续数据等。通过将数据传感器采集的信息数据与其配置的数据检测规则进行对比,确定该信息数据是否满足设定的范围和标准,将满足数据检测规则的检测值赋值为1(作为目标值的一个具体示例),否则赋值为0。一种信息数据对应一个检测值。也就是说,检测值为1表征传感器处于正常状态,其采集的信息数据为有效数据(作为多种目标信息数据的一个具体示例),检测值为0表征传感器处于故障状态,其采集的信息数据为无效数据。
S222,对所述多种目标信息数据进行质量评分,获取所述多种目标信息数据中各种目标信息数据对应的分值;其中,所述各种目标信息数据对应的分值包括:所述观测信息数据的分值和所述惯性导航数据的分值。
例如,在本申请的一些实施例中,对S221中的故障诊断模块121检测出的有效数据进行质量评分,以此可以选择出当前导航最优的目标数据传感器。
在本申请的一些实施例中,S222可以包括:
S2221,利用故障检测函数对所述各种目标信息数据进行质量评分,得到所述各种目标信息数据的各初始分值。
例如,在本申请的一些实施例中,根据各种目标信息数据和故障检测函数,得到每种目标信息数据对应的初始分值。
在本申请的一些实施例中,S2221可以包括:将所述各种目标信息数据对应的卡尔曼滤波递推过程和更新过程分别对应的状态信息和协方差信息输入至所述故障检测函数中,输出各质量评分值;将所述各质量评分值与预设标准值进行对比,确定所述各初始分值,其中,所述预设标准值包括第一标准值和第二标准值。
例如,在本申请的一些实施例中,利用卡尔曼滤波公式对目标信息数据进行处理,获取卡尔曼滤波递推过程中的状态信息和协方差信息,以及卡尔曼滤波解算后得到的状态信息和协方差信息,然后将上述信息输入至故障检测函数中得到质量评分值。具体的,故障检测函数的公式为:
式中,n为状态维数,和P k|k-1分别为卡尔曼滤波递推过程中的状态信息和协方差信息;/>和P k分别为卡尔曼滤波解算后得到的状态信息和协方差信息。q为质量分值,q数值越小,则可以认为传感器数据质量越高。
同时,设置预设标准值:即第一标准值q bad和即第二标准值q fail,其中,q bad<q fail。将q与q bad和q fail对比,得到初始分值A。
需要说明的是,q bad和q fail可以根据卡方分布模型得出,其变量包括自由度和通过概率。在一种实施方式中,自由度为n = 1,定义bad通过概率为0.05,则q bad= 3.84;定义fail通过概率为0.005,则q fail= 7.88。具体的,可以根据实际情况确定q bad和q fail的取值,本申请实施例在此不作具体限定。
在本申请的一些实施例中,S2221可以包括:若所述各质量评分值小于所述第一标准值,则所述各初始分值为1;若所述各质量评分值不小于所述第二标准值,则所述各初始分值为0;若所述各质量评分值不小于所述第一标准值,且所述各质量评分值小于所述第二标准值,则利用目标线性公式计算得到所述各初始分值。
例如,在本申请的一些实施例中,q<q bad,则认为数据传感器的数据质量极佳,A =1;如果q bad≤q<q fail, 则认为传感器数据质量不佳但是尚可接受,A∈(0,1),其由一个线性公式(作为目标线性公式的一个具体示例)计算得出;如果q≥q fail则认为传感器数据质量已经下降至不可使用的程度,A = 0。具体的,A的数值与q bad和q fail的关系图如图3所示。
S2222,获取所述各种目标信息数据对应的数据传感器的各分数上限值;将所述各初始分值与所述各分数上限值相乘,得到所述各种目标信息数据对应的分值。
例如,在本申请的一些实施例中,基于传感器的固有测量精度,可以预先设置各个传感器的分数上限值。例如,以高度观测传感器为例,其分数上限值C设置如表1:
表1
通过表1中设置的目的是保证精度更高的高度传感器的优先级,在所有高度传感器均状态良好时,精度更高的传感器可以在冗余排序中胜出并得到使用。可以理解的是,分数上限值C的设置可以根据实际情况进行灵活调整,本申请实施例在此不作具体限定。通过上述得到的初始分值A与对应的C相乘可以得到最终的传感器采集的目标信息数据对应的分值F。例如,磁罗盘定位传感器111(简称磁罗盘)作为一种航向传感器其分数上限值Cmag=0.8,其实时数据经过卡尔曼滤波检测计算为Amag= 0.7,则其最终分数为Fmag=Amag×Cmag= 0.56。
S223,将所述观测信息数据的分值中最大值对应的数据传感器作为所述观测类传感器;并将所述惯性导航数据的分值中最大值对应的数据传感器作为所述惯导类传感器。
例如,在本申请的一些实施例中,如果所有参与排序的航向类传感器分数分别为磁罗盘航向Fmag= 0.56,视觉航向(也就是视觉传感器112)Fvision= 0.72,RTK航向(也就是RTK测量仪113)FRTK= 0.80,则最高分数Fmax=MAX(Fmag,Fvision,FRTK) = 0.80,即选择RTK测量仪113作为航向数据传感器(作为观测类传感器的一个具体示例)。可以理解的是,位置速度传感器和惯导传感器(作为惯导类传感器的一个具体示例)的选择方式与航向数据传感器的选择原理相同,为避免重复在此不作赘述。在确定好航向数据传感器、位置速度传感器和惯导传感器后,将自主导航系统的传感器进行切换,如切换为RTK测量仪113和FPCIMU(也就是惯导传感器)。可以理解的是,由图1可知,在一些实施方式中观测类传感器中的一种传感器可以同时作为航向数据传感器和位置速度传感器,如RTK测量仪113。在实际应用中可以依据上述得到的分值选择出最优的航向数据传感器和位置速度传感器的类型。
S230,对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果。
例如,获取分值最大值对应的观测类传感器,分值中最大值对应的惯导传感器,将二者得到的航向数据以及位置速度数据进行融合;在上述步骤中确定分值中最大值对应的惯性导航传感器(也就是惯导传感器)后,对其包含的陀螺仪和加速度计各自得到的水平位姿数据进行水平位姿数据融合。利用最终融合后的结果确定无人设备的导航定位结果。
例如,在本申请的一些实施例中,将航向数据传感器、位置速度传感器和惯导传感器各自采集的数据进行融合,实现对无人设备的精准导航定位。传感器数据的类型可以根据实际采集情况进行确定,本申请实施例在此不作具体限定。
在本申请的一些实施例中,S230可以包括:获取所述观测类传感器和所述惯导类传感器分别采集的所述无人设备的位置数据、速度数据、加速度数据、角加速度数据和航向数据,以及所述惯导类传感器采集的水平位姿数据;利用融合算法对位置数据、速度数据、加速度数据、角加速度数据、航向数据和水平位姿数据进行融合,确定所述导航定位结果中的设备姿态数据、设备位置数据和设备速度数据。
例如,在本申请的一些实施例中,将RTK测量仪113和FPC IMU分别采集的与位置、速度、加速度、航向相关的数据进行融合,并对FPC IMU包含的陀螺仪和加速度计分别采集得到是水平位姿数据融合,得到无人设备的导航定位结果。具体的,经过以上冗余传感器的排序和切换之后, 实际上每种观测量输入给传感器融合层的只有一个传感器观测(也就是RTK测量仪113和FPC IMU)。最后实现传感器数据融合的算法有很多,如互补滤波、EKF、EKSF等融合算法。通过融合算法对两者采集的传感器数据融合即可得到导航定位结果。例如,可以采用自适应的卡尔曼滤波算法进行融合计算,得到导航定位结果。
下面结合附图4示例性阐述本申请的一些实施例提供的自主导航的具体过程。
请参见附图4,图4为本申请的一些实施例提供的一种自主导航的方法流程图。
下面示例性阐述上述过程。
S410,定时获取多个数据传感器中各个数据传感器采集的各种信息数据。
例如,按照预设周期获取数据传感器采集的信息数据。预设周期可以灵活设定,如3h、5h等。
S420,将各种信息数据与对应的各个数据传感器的各种数据检测规则进行对比,得到各种信息数据的检测值。
S430,将检测值为目标值的信息数据作为多种目标信息数据。
S440,将各种目标信息数据对应的卡尔曼滤波递推过程和求解过程分别对应的状态信息和协方差信息输入至故障检测函数中,输出各质量评分值。
S450,将各质量评分值与预设标准值进行对比,确定各初始分值。
S460,将各初始分值与数据传感器的各分数上限值相乘,得到各种目标信息数据对应的分值。
S470,将观测信息数据中属于航向类的分值中最大值对应的数据传感器作为航向数据传感器,属于位置速度类的分值中最大值对应的数据传感器作为位置速度传感器。
S480,将惯性导航数据的分值中最大值对应的数据传感器作为惯导传感器。
S490,利用融合算法对航向数据传感器、位置速度传感器和惯导类传感器分别采集的传感器数据进行融合,得到无人设备的导航定位结果。
需要说明的是,由于数据传感器的数据是按照预设周期采集的,因此S410~S490是在不同的周期内需要进行重复执行的,以便于在每个预设周期内可以通过轮询操作选择出最优的目标数据传感器,通过对最优的目标数据传感器采集的数据进行融合,实现对无人设备在每个预设周期内的精准定位。可以理解的是,S410~S490的具体实现过程可以参照上文提供的方法实施例,为避免重复,此处适当省略详细描述。
通过上述本申请提供的一些实施例可以根据对多个数据传感器的故障和数据传感器的数据质量检测,自行对冗余传感器进行排序、切换、融合的导航算法,能够给出合理、稳定、精确的导航结果,适应性较广。
请参考图5,图5示出了本申请的一些实施例提供的自主导航的装置的组成框图。应理解,该自主导航的装置与上述方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该自主导航的装置的具体功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
图5的自主导航的装置包括至少一个能以软件或固件的形式存储于存储器中或固化在自主导航的装置中的软件功能模块,该自主导航的装置包括:数据采集模块510,用于获取多个数据传感器中各个数据传感器对应采集的多种目标信息数据;切换模块520,用于基于所述多种目标信息数据的质量分值确定目标数据传感器,其中,所述目标数据传感器包括:观测类传感器和惯导类传感器;融合模块530,用于对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果。
在本申请的一些实施例中,切换模块520,用于依据设定的数据检测规则确定所述多种目标信息数据;其中,所述多种目标信息数据中包括:观测信息数据和惯性导航数据;对所述多种目标信息数据进行质量评分,获取所述多种目标信息数据中各种目标信息数据对应的分值;其中,所述各种目标信息数据对应的分值包括:所述观测信息数据的分值和所述惯性导航数据的分值;将所述观测信息数据的分值中最大值对应的数据传感器作为所述观测类传感器;并将所述惯性导航数据的分值中最大值对应的数据传感器作为所述惯导类传感器。
在本申请的一些实施例中,切换模块520,用于获取所述各个数据传感器的各种数据检测规则;将所述各个数据传感器采集的各种信息数据与对应的所述各种数据检测规则进行对比,得到所述各种信息数据的检测值;将所述检测值为目标值的信息数据作为所述多种目标信息数据。
在本申请的一些实施例中,切换模块520,用于利用故障检测函数对所述各种目标信息数据进行质量评分,得到所述各种目标信息数据的各初始分值;获取所述各种目标信息数据对应的数据传感器的各分数上限值;将所述各初始分值与所述各分数上限值相乘,得到所述各种目标信息数据对应的分值。
在本申请的一些实施例中,切换模块520,用于将所述各种目标信息数据对应的卡尔曼滤波递推过程和求解过程分别对应的状态信息和协方差信息输入至所述故障检测函数中,输出各质量评分值;将所述各质量评分值与预设标准值进行对比,确定所述各初始分值,其中,所述预设标准值包括第一标准值和第二标准值。
在本申请的一些实施例中,切换模块520,用于若所述各质量评分值小于所述第一标准值,则所述各初始分值为1;若所述各质量评分值不小于所述第二标准值,则所述各初始分值为0;若所述各质量评分值不小于所述第一标准值,且所述各质量评分值小于所述第二标准值,则利用目标线性公式计算得到所述各初始分值。
在本申请的一些实施例中,融合模块530,用于获取所述观测类传感器和所述惯导类传感器分别采集的所述无人设备的位置数据、速度数据、加速度数据、角加速度数据和航向数据,以及所述惯导类传感器采集的水平位姿数据;利用融合算法对所述位置数据、所述速度数据、所述加速度数据、所述角加速度数据、所述航向数据和所述水平位姿数据进行融合,确定所述导航定位结果中的设备姿态数据、设备位置数据和设备速度数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
本申请的一些实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时可实现如上述实施例提供的上述方法中的任意实施例所对应方法的操作。
本申请的一些实施例还提供了一种计算机程序产品,所述的计算机程序产品包括计算机程序,其中,所述的计算机程序被处理器执行时可实现如上述实施例提供的上述方法中的任意实施例所对应方法的操作。
如图6所示,本申请的一些实施例提供一种电子设备600,该电子设备600包括:存储器610、处理器620以及存储在存储器610上并可在处理器620上运行的计算机程序,其中,处理器620通过总线630从存储器610读取程序并执行所述程序时可实现如上述任意实施例的方法。
处理器620可以处理数字信号,可以包括各种计算结构。例如复杂指令集计算机结构、结构精简指令集计算机结构或者一种实行多种指令集组合的结构。在一些示例中,处理器620可以是微处理器。
存储器610可以用于存储由处理器620执行的指令或指令执行过程中相关的数据。这些指令和/或数据可以包括代码,用于实现本申请实施例描述的一个或多个模块的一些功能或者全部功能。本公开实施例的处理器620可以用于执行存储器610中的指令以实现上述所示的方法。存储器610包括动态随机存取存储器、静态随机存取存储器、闪存、光存储器或其它本领域技术人员所熟知的存储器。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。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定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种自主导航的方法,其特征在于,包括:
获取多个数据传感器中各个数据传感器对应采集的多种目标信息数据;
基于所述多种目标信息数据的质量分值确定目标数据传感器,其中,所述目标数据传感器包括:观测类传感器和惯导类传感器;
对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果;
其中,所述多种目标信息数据为所述多个数据传感器采集的信息数据中检测值为目标值的数据;
所述分值是通过如下方法获取的:
将所述多种目标信息数据中各种目标信息数据对应的卡尔曼滤波递推过程和求解过程分别对应的状态信息和协方差信息输入至故障检测函数中,输出各质量评分值;
将所述各质量评分值与预设标准值进行对比,确定各初始分值,其中,所述预设标准值包括第一标准值和第二标准值;
获取所述各种目标信息数据对应的数据传感器的各分数上限值;
将所述各初始分值与所述各分数上限值相乘,得到所述各种目标信息数据对应的分值。
2.如权利要求1所述的方法,其特征在于,所述基于所述多种目标信息数据的质量分值确定目标数据传感器,包括:
依据设定的数据检测规则确定所述多种目标信息数据,其中,所述多种目标信息数据中包括:观测信息数据和惯性导航数据;
对所述多种目标信息数据进行质量评分,获取所述多种目标信息数据中各种目标信息数据对应的分值;其中,所述各种目标信息数据对应的分值包括:所述观测信息数据的分值和所述惯性导航数据的分值;
将所述观测信息数据的分值中最大值对应的数据传感器作为所述观测类传感器;并将所述惯性导航数据的分值中最大值对应的数据传感器作为所述惯导类传感器。
3.如权利要求2所述的方法,其特征在于,所述依据设定的数据检测规则确定所述多种目标信息数据,包括:
获取所述各个数据传感器的各种数据检测规则;
将所述各个数据传感器采集的各种信息数据与对应的所述各种数据检测规则进行对比,得到所述各种信息数据的检测值;
将所述检测值为目标值的信息数据作为所述多种目标信息数据。
4.如权利要求1所述的方法,其特征在于,所述将所述各质量评分值与预设标准值进行对比,确定所述各初始分值,包括:
若所述各质量评分值小于所述第一标准值,则所述各初始分值为1;
若所述各质量评分值不小于所述第二标准值,则所述各初始分值为0;
若所述各质量评分值不小于所述第一标准值,且所述各质量评分值小于所述第二标准值,则利用目标线性公式计算得到所述各初始分值。
5.如权利要求1-3中任一项所述的方法,其特征在于,所述对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果,包括:
获取所述观测类传感器和所述惯导类传感器分别采集的所述无人设备的位置数据、速度数据、加速度数据、角加速度数据和航向数据,以及所述惯导类传感器采集的水平位姿数据;
利用融合算法对所述位置数据、所述速度数据、所述加速度数据、所述角加速度数据、所述航向数据和所述水平位姿数据进行融合,确定所述导航定位结果中的设备姿态数据、设备位置数据和设备速度数据。
6.一种自主导航的装置,其特征在于,所述装置用于执行如权利要求1所述的方法,包括:
数据采集模块,用于获取多个数据传感器中各个数据传感器对应采集的多种目标信息数据;
切换模块,用于基于所述多种目标信息数据的质量分值确定目标数据传感器,其中,所述目标数据传感器包括:观测类传感器和惯导类传感器;
融合模块,用于对所述目标数据传感器采集的传感器数据进行融合,确定无人设备的导航定位结果。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中,所述计算机程序被处理器运行时执行如权利要求1-5中任意一项权利要求所述的方法。
8.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序,其中,所述计算机程序被所述处理器运行时执行如权利要求1-5中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787620.XA CN117451034B (zh) | 2023-12-25 | 2023-12-25 | 一种自主导航的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787620.XA CN117451034B (zh) | 2023-12-25 | 2023-12-25 | 一种自主导航的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117451034A CN117451034A (zh) | 2024-01-26 |
CN117451034B true CN117451034B (zh) | 2024-04-02 |
Family
ID=89580284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311787620.XA Active CN117451034B (zh) | 2023-12-25 | 2023-12-25 | 一种自主导航的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117451034B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109099912A (zh) * | 2017-08-11 | 2018-12-28 | 黄润芳 | 室外精确定位导航方法、装置、电子设备及存储介质 |
CN111982106A (zh) * | 2020-08-28 | 2020-11-24 | 北京信息科技大学 | 导航方法、装置、存储介质及电子装置 |
CN112105961A (zh) * | 2019-07-26 | 2020-12-18 | 深圳市大疆创新科技有限公司 | 基于多数据融合的定位方法、可移动平台及存储介质 |
CN113405545A (zh) * | 2021-07-20 | 2021-09-17 | 阿里巴巴新加坡控股有限公司 | 定位方法、装置、电子设备及计算机存储介质 |
CN114252077A (zh) * | 2021-12-17 | 2022-03-29 | 南京理工大学 | 基于联邦滤波器的双gps/sins的组合导航方法及系统 |
WO2023023936A1 (zh) * | 2021-08-24 | 2023-03-02 | 华为技术有限公司 | 定位方法和定位装置 |
CN115752471A (zh) * | 2022-11-17 | 2023-03-07 | 亿航智能设备(广州)有限公司 | 一种传感器数据的处理方法、设备及计算机可读存储介质 |
CN116105725A (zh) * | 2022-12-13 | 2023-05-12 | 涟漪位置(广州)科技有限公司 | Gnss/ins冗余组合导航方法、模组、系统及介质 |
CN116429121A (zh) * | 2023-03-31 | 2023-07-14 | 深圳市正浩创新科技股份有限公司 | 基于多传感器的定位方法、装置、自移动设备及存储介质 |
CN116698019A (zh) * | 2022-02-25 | 2023-09-05 | 北京三快在线科技有限公司 | 一种基于多传感器的组合导航方法及装置 |
-
2023
- 2023-12-25 CN CN202311787620.XA patent/CN117451034B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109099912A (zh) * | 2017-08-11 | 2018-12-28 | 黄润芳 | 室外精确定位导航方法、装置、电子设备及存储介质 |
CN112105961A (zh) * | 2019-07-26 | 2020-12-18 | 深圳市大疆创新科技有限公司 | 基于多数据融合的定位方法、可移动平台及存储介质 |
CN111982106A (zh) * | 2020-08-28 | 2020-11-24 | 北京信息科技大学 | 导航方法、装置、存储介质及电子装置 |
CN113405545A (zh) * | 2021-07-20 | 2021-09-17 | 阿里巴巴新加坡控股有限公司 | 定位方法、装置、电子设备及计算机存储介质 |
WO2023023936A1 (zh) * | 2021-08-24 | 2023-03-02 | 华为技术有限公司 | 定位方法和定位装置 |
CN114252077A (zh) * | 2021-12-17 | 2022-03-29 | 南京理工大学 | 基于联邦滤波器的双gps/sins的组合导航方法及系统 |
CN116698019A (zh) * | 2022-02-25 | 2023-09-05 | 北京三快在线科技有限公司 | 一种基于多传感器的组合导航方法及装置 |
CN115752471A (zh) * | 2022-11-17 | 2023-03-07 | 亿航智能设备(广州)有限公司 | 一种传感器数据的处理方法、设备及计算机可读存储介质 |
CN116105725A (zh) * | 2022-12-13 | 2023-05-12 | 涟漪位置(广州)科技有限公司 | Gnss/ins冗余组合导航方法、模组、系统及介质 |
CN116429121A (zh) * | 2023-03-31 | 2023-07-14 | 深圳市正浩创新科技股份有限公司 | 基于多传感器的定位方法、装置、自移动设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
组合导航系统离线信息融合算法;邱吉冰;蒋志翔;;计算机工程与设计;20080516(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117451034A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Autonomous UAVs for structural health monitoring using deep learning and an ultrasonic beacon system with geo‐tagging | |
CN112639502B (zh) | 机器人位姿估计 | |
CN106406320B (zh) | 机器人路径规划方法及规划路线的机器人 | |
Atia et al. | A low-cost lane-determination system using GNSS/IMU fusion and HMM-based multistage map matching | |
CN111983936B (zh) | 一种无人机半物理仿真系统及测评方法 | |
JP2018155732A (ja) | 自己位置推定装置 | |
CN109752725A (zh) | 一种低速商用机器人、定位导航方法及定位导航系统 | |
García et al. | Real evaluation for designing sensor fusion in UAV platforms | |
CN111947644B (zh) | 一种室外移动机器人定位方法、系统及其电子设备 | |
CN111025366B (zh) | 基于ins及gnss的网格slam的导航系统及方法 | |
CN111679680A (zh) | 一种无人机自主着舰方法及系统 | |
CN109612462A (zh) | 多传感器数据融合定位方法及其安防机器人 | |
Wang et al. | High-performance inertial measurements using a redundant array of inexpensive gyroscopes (RAIG) | |
Adam et al. | Fusion of fixation and odometry for vehicle navigation | |
Daniec et al. | Embedded micro inertial navigation system | |
CN113218389B (zh) | 一种车辆定位方法、装置、存储介质及计算机程序产品 | |
Anousaki et al. | Simultaneous localization and map building of skid-steered robots | |
CN117451034B (zh) | 一种自主导航的方法、装置、存储介质及电子设备 | |
Selloum et al. | Robustification of a map aided location process using road direction | |
Al Hage et al. | Bounding localization errors with Student distribution for road vehicles | |
Aravind et al. | Enhancing GPS Position Estimation Using Multi-Sensor Fusion and Error-State Extended Kalman Filter | |
Rossmann et al. | Navigation of mobile robots in natural environments: Using sensor fusion in forestry | |
CN114740505A (zh) | 一种定位处理方法及装置 | |
Li et al. | Indoor Localization for an Autonomous Model Car: A Marker-Based Multi-Sensor Fusion Framework | |
Bando et al. | GNSS fault detection with unmodeled error |
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 |