CN117493775A - 数据链的相对导航方法、装置、电子设备及存储介质 - Google Patents

数据链的相对导航方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117493775A
CN117493775A CN202311841074.3A CN202311841074A CN117493775A CN 117493775 A CN117493775 A CN 117493775A CN 202311841074 A CN202311841074 A CN 202311841074A CN 117493775 A CN117493775 A CN 117493775A
Authority
CN
China
Prior art keywords
current moment
measurement value
value
measurement
state
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.)
Granted
Application number
CN202311841074.3A
Other languages
English (en)
Other versions
CN117493775B (zh
Inventor
董飞
杨东森
王鹏
刘巍巍
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.)
Beijing Hualongtong Technology Co ltd
Original Assignee
Beijing Hualongtong Technology Co ltd
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 Beijing Hualongtong Technology Co ltd filed Critical Beijing Hualongtong Technology Co ltd
Priority to CN202311841074.3A priority Critical patent/CN117493775B/zh
Publication of CN117493775A publication Critical patent/CN117493775A/zh
Application granted granted Critical
Publication of CN117493775B publication Critical patent/CN117493775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)

Abstract

本申请实施例提供了一种数据链的相对导航方法、装置、电子设备及存储介质，涉及无线电相对导航领域，其中，所述方法包括：先获取当前时刻平台传感器的量测信息；再对当前时刻量测信息中的原始状态量测值进行预处理，得到当前时刻的状态量测值；最后基于系统级序贯卡尔曼滤波模型，根据当前时刻的状态量测值、平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定平台在当前时刻的状态目标值，以用于平台导航。本申请对平台传感器量测的信息进行自适应预处理，得到了更为准确的状态量测值，进而根据状态量测值得到的状态目标值也更加准确，因此，提高了平台相对导航信息的精度。

Description

数据链的相对导航方法、装置、电子设备及存储介质
技术领域
本申请涉及无线电相对导航领域，具体涉及一种数据链的相对导航方法、装置、电子设备及存储介质。
背景技术
随着相对导航技术的高速发展，其应用领域也在扩大，在航空、航天、大地测量和监测等众多领域得到了广泛的成功应用。
相对导航技术是相对导航系统网内各成员在其时钟近乎同步的情况下，利用数据链周期地在系统分配给其时隙内发送精确参与定位与识别（PPLI）电文信息。收到PPLI消息的网内成员，利用自身及导航源的时间计算出PPLI消息到达的时间TOA，从而计算出导航源与自身的距离。系统通过逻辑选择出几何关系良好的导航源，结合自身平台提供的传感器导航信息，解算其在相对坐标系中的位置。
由于目前数据链相对导航中平台导航信息种类多、变化大，因此由平台传感器得到的导航信息的观测量连续性低、可靠性较差，从而导致无法依据观测量准确解算出平台在相对坐标系中的位置等状态值。
发明内容
有鉴于此，本申请实施例提供一种数据链的相对导航方法、装置、电子设备及存储介质，以提高相对导航信息的精度。
一方面，本申请提供一种数据链的相对导航方法，包括：
获取当前时刻平台传感器的量测信息，所述量测信息包括平台在当前时刻的原始状态量测值；
对所述当前时刻的原始状态量测值进行预处理，得到当前时刻的状态量测值；所述预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种；
基于系统级序贯卡尔曼滤波模型，根据所述当前时刻的状态量测值、所述平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定所述平台在当前时刻的状态目标值，以用于所述平台导航。
在本申请一种可能的实现方式中，所述量测信息携带传感器类别标识，所述数据有效性处理，包括：
根据所述量测信息携带的传感器类别标识，确定所述原始状态量测值的类别；
基于预置的数据有效性对照表，根据所述类别，确定所述原始状态量测值对应的数据有效性区间，所述数据有效性对照表表征了所述原始状态量测值的类别与数据有效性区间的对应关系；
若所述原始状态量测值不满足所述数据有效性区间，则设置所述当前时刻的状态量测值等于上一时刻的原始状态量测值。
在本申请一种可能的实现方式中，所述平台传感器至少包括第一传感器和第二传感器，所述第一传感器和所述第二传感器为相同类别的传感器，所述准确性处理，包括：
基于用户测距精度公式，根据第一用户测距精度因子，计算所述第一传感器的第一用户测距精度，根据第二用户测距精度因子，计算所述第二传感器的第二用户测距精度，所述量测信息包括所述第一传感器的第一用户测距精度因子，以及所述第二传感器的第二用户测距精度因子；
根据所述第一用户测距精度和所述第二用户测距精度，分别计算得到第一原始状态量测值的第一权重、第二原始状态量测值的第二权重，所述原始状态量测值包括所述第一原始状态量测值和所述第二原始状态量测值；
根据所述第一原始状态量测值、所述第一权重、所述第二原始状态量测值，以及所述第二权重，计算得到所述当前时刻的状态量测值。
在本申请一种可能的实现方式中，所述降噪处理，包括：
根据所述当前时刻的预测协方差矩阵、所述当前时刻的原始状态量测值，以及所述当前时刻的量测预测值，计算得到当前时刻的量测预测噪声；
根据所述当前时刻的原始状态量测值的原始量测噪声协方差矩阵的最大值和最小值，与所述当前时刻的量测预测噪声的大小关系，更新所述原始量测噪声协方差矩阵，得到所述当前时刻的状态量测值。
在本申请一种可能的实现方式中，所述根据所述当前时刻的原始状态量测值的原始量测噪声协方差矩阵的最大值和最小值，与所述当前时刻的量测预测噪声的大小关系，更新所述原始量测噪声协方差矩阵，得到所述当前时刻的状态量测值，包括：
若所述当前时刻的量测预测噪声大于所述原始量测噪声协方差矩阵的最大值，则将所述原始量测噪声协方差矩阵更新为所述最大值，得到所述当前时刻的量测噪声协方差矩阵，以及所述当前时刻的状态量测值；
若所述当前时刻的量测预测噪声不大于所述原始量测噪声协方差矩阵的最小值，则根据当前时刻的自适应因子更新所述原始量测噪声协方差矩阵，得到所述当前时刻的量测噪声协方差矩阵，以及所述当前时刻的状态量测值。
在本申请一种可能的实现方式中，所述量测信息包括多个传感器的子量测信息，所述当前时刻的原始状态量测值包括多个原始状态子量测值；所述对角化处理，包括：
对当前时刻的各原始状态子量测值中的量测噪声协方差矩阵进行对角化处理，得到当前时刻的状态子量测值，所述当前时刻的状态量测值包括多个所述当前时刻的状态子量测值。
在本申请一种可能的实现方式中，所述基于系统级序贯卡尔曼滤波模型，根据所述当前时刻的状态量测值、所述平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定所述平台在当前时刻的状态目标值，包括：
基于所述卡尔曼滤波模型中的系统状态模型，根据所述平台在上一时刻的状态目标值，得到所述平台在当前时刻的状态预测值，根据所述上一时刻的协方差矩阵，得到当前时刻的预测协方差矩阵；
基于所述卡尔曼滤波模型中的系统量测模型，根据所述当前时刻的状态量测值中的当前时刻的量测噪声协方差矩阵，以及所述当前时刻的预测协方差矩阵，确定当前时刻的滤波增益矩阵；
根据所述当前时刻的状态预测值、所述当前时刻的滤波增益矩阵，以及所述当前时刻的状态量测值，确定所述平台在当前时刻的状态目标值。
一方面，本申请提供一种数据链的相对导航装置，包括：
第一获取模块，用于获取当前时刻平台传感器的量测信息，所述量测信息包括平台在当前时刻的原始状态量测值；
第一预处理模块，用于对所述当前时刻的原始状态量测值进行预处理，得到当前时刻的状态量测值；所述预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种；
第一确定模块，用于基于系统级序贯卡尔曼滤波模型，根据所述当前时刻的状态量测值、所述平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定所述平台在当前时刻的状态目标值，以用于所述平台导航。
一方面，本申请实施例提供了一种电子设备，电子设备包括存储器、处理器以及存储于存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述数据链的相对导航方法中的步骤。
一方面，本申请提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述数据链的相对导航方法中的步骤。
本申请实施例提供了一种数据链的相对导航方法、装置、电子设备及存储介质，本申请对平台传感器量测的当前时刻的原始状态量测值进行预处理，得到准确度更高的当前时刻的状态量测值，因此基于准确度高的当前时刻的状态量测值，得到的平台在当前时刻的状态目标值准确度更高。本申请对平台传感器量测的信息进行自适应预处理，提高了相对导航信息的精度和可靠性，进而提高相对导航精度和可信度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。
图1a为本申请实施例提供的数据链的相对导航系统的第一种场景示意图。
图1b为本申请实施例提供的数据链的相对导航系统的第二种场景示意图。
图2为本申请实施例提供的数据链的相对导航方法的第一种流程示意图。
图3为本申请实施例提供的第一种滤波流程框架。
图4为本申请实施例提供的第二种滤波流程框架。
图5为本申请实施例提供的数据链的相对导航方法的第二种流程示意图。
图6为本申请实施例提供的传统方法的定位结果图。
图7为本申请实施例提供的本申请方法的定位结果图。
图8为本申请实施例提供的数据链的相对导航方法的第三种流程示意图。
图9为本申请实施例提供的系统整体处理流程框架图。
图10为本申请实施例提供的数据链的相对导航装置的结构示意图。
图11为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例中的数据链的相对导航方法的执行主体可以为本申请实施例提供的数据链的相对导航装置，或者集成了该数据链的相对导航装置的服务器设备、物理主机或者用户设备（User Equipment，UE）等不同类型的电子设备，其中，数据链的相对导航装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理（Personal Digital Assistant，PDA）等终端设备。
该电子设备可以采用单独运行的工作方式，或者也可以采用设备集群的工作方式。
参见图1a，图1a是本申请实施例所提供的数据链的相对导航系统的第一种场景示意图。其中，该数据链的相对导航系统可以包括电子设备100，电子设备100中集成有数据链的相对导航装置。例如，该电子设备可以获取当前时刻平台传感器的量测信息；再对量测信息中当前时刻的原始状态量测值进行预处理，得到当前时刻的状态量测值；再基于系统级序贯卡尔曼滤波模型，根据当前时刻的状态量测值、平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定平台在当前时刻的状态目标值，以用于平台导航。
另外，如图1a所示，该数据链的相对导航系统还包括传感器200，用于获取平台在各个时刻的状态信息，其中平台在各个时刻的状态信息包括但不局限于纬度、经度、高度、速度、横滚角、俯仰角、航向角等信息。
如图1b所示，图1b是本申请实施例所提供的数据链的相对导航系统的第二种场景示意图，平台是飞机400，飞机400上装载着卫星导航传感器，卫星导航传感器根据卫星300的定位信息以及自身的状态信息，得到飞机400的量测信息。
需要说明的是，图1a和图1b所示的数据链的相对导航系统的场景示意图仅仅是一个示例，本申请实施例描述的数据链的相对导航系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着数据链的相对导航系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
下面，开始介绍本申请实施例提供的数据链的相对导航方法，本申请实施例中以电子设备作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体。
请参阅图2，图2为本申请实施例提供的数据链的相对导航方法的第一种流程示意图，应用于上述电子设备，该数据链的相对导航方法包括：
步骤201、获取当前时刻平台传感器的量测信息。
其中，量测信息包括平台在当前时刻的原始状态量测值。
在本申请中，平台包括但不局限于飞机、汽车等装载传感器的平台。
在本申请中，传感器的种类包括但不局限于卫星导航、惯性导航、组合导航、塔康等传感器。
在本申请中，当前时刻的原始状态量测值可以是平台的纬度、经度、高度、速度、横滚角、俯仰角、航向角等，具体的原始状态量测值在此不做限定。
其中，当前时刻的平台传感器的量测信息可以是传感器直接量测得到的信息，也可以是传感器将直接量测的信息经过一系列处理后得到的信息，具体情况根据传感器的功能来决定，在此不做限定。
步骤202、对当前时刻量测信息中的原始状态量测值进行预处理，得到当前时刻的状态量测值。
其中，当前时刻为t，t=k，k大于或等于1，为说明方便，在本申请中默认k时刻为当前时刻。
其中，预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种。
其中，预处理可以是数据有效性处理、准确性处理、降噪处理，以及对角化处理中的任意一种、或者任意多种在此不做限定。且它们在预处理中的前后顺序也不做限定，满足实际应用场景即可。
在一种实施例中，量测信息携带传感器类别标识，数据有效性处理，包括：根据量测信息携带的传感器类别标识，确定原始状态量测值的类别；基于预置的数据有效性对照表，根据类别，确定原始状态量测值对应的数据有效性区间，数据有效性对照表表征了原始状态量测值的类别与数据有效性区间的对应关系；若原始状态量测值不满足数据有效性区间，则设置当前时刻的状态量测值等于上一时刻的原始状态量测值。
该数据有效性处理方法可以包括以下几个步骤：
步骤一：根据量测信息携带的传感器类别标识，确定原始状态量测值的类别。
其中，传感器的类别标识表征传感器的类别，例如：卫星导航、惯性导航、组合导航、塔康等都有自己不同的标识，其中，类别标识可以是传感器出厂前设置好，也可以是出厂后用户自行设置的，在此不做限定。
由于不同类别的传感器测量的状态量不同，且平台传感器的量测信息中会携带传感器类别标识，因此根据传感器类别标识，可以确定原始状态量测值的类别。
例如，卫星导航主要测量的是位置、惯性导航主要测量的角度等，卫星导航传感器的标识为001，惯性导航传感器标识为002，当平台传感器量测的量测信息携带的传感器标识为001时，对应的原始状态量测值的类别是经纬度。
步骤二：基于预置的数据有效性对照表，根据原始状态量测值的类别，确定原始状态量测值对应的数据有效性区间。
其中，数据有效性对照表表征了原始状态量测值的类别与数据有效性区间的对应关系。
上一步确定了原始状态量测值的类别后，可以基于预置的数据有效性对照表，根据原始状态量测值的类别，确定原始状态量测值对应的数据有效性区间。
表1 数据有效性对照表
步骤三：若原始状态量测值不满足数据有效性区间，则设置当前时刻的状态量测值等于上一时刻的原始状态量测值。
若原始状态量测值不在其数据有效性区间的范围内，则当前时刻的状态量测值等于上一时刻的原始状态量测值，即当前时刻的状态量测值等于上一时刻的原始状态量测值；若原始状态量测值在其数据有效性区间的范围内，则当前时刻的状态量测值不变，即当前时刻的原始状态量测值等于当前时刻的状态量测值。
例如：若当前时刻的原始状态量测值中经度值是时，则当前时刻的状态量测值中的经度值等于当前时刻的原始状态量测值中的经度值/>；若当前时刻原始状态量测值中纬度值是/>时，则当前时刻的状态量测值中纬度值等于上一时刻的原始状态量测值中的纬度值。
本申请对原始状态量测值进行数据有效性，过滤掉一些误差较大的原始状态量测值，得到了有效性更高的当前时刻状态量测值，进而提高了相对导航的可靠性。
在实际应用场景中，一般会使用多个相同功能，但是不同型号或厂家的传感器来量测同一个状态，例如：传感器1和传感器2都是量测平台的运动速度的，但是由于传感器1和传感器2来自不同的厂家，因此，它们量测数据精度不同。为解决这一问题本申请提供了一种解决思路。
在本申请中，传感器的类别用来区分传感器的功能，例如，相同功能的传感器则它们的类别相同。
在一种实施例中，平台传感器至少包括第一传感器和第二传感器，第一传感器和第二传感器为相同类别的传感器，准确性处理，包括：基于用户测距精度公式，根据第一用户测距精度因子，计算第一传感器的第一用户测距精度，根据第二用户测距精度因子，计算第二传感器的第二用户测距精度，量测信息包括第一传感器的第一用户测距精度因子，以及第二传感器的第二用户测距精度因子；根据第一用户测距精度和第二用户测距精度，分别计算得到第一原始状态量测值的第一权重、第二原始状态量测值的第二权重，原始状态量测值包括第一原始状态量测值和第二原始状态量测值；根据第一原始状态量测值、第一权重、第二原始状态量测值，以及第二权重，计算得到当前时刻的状态量测值。
该准确性处理方法可以包括以下几个步骤：
步骤一：基于用户测距精度公式，根据量测信息中的第一用户测距精度因子，计算第一传感器的第一用户测距精度，根据量测信息中的第二用户测距精度因子，计算第二传感器的第二用户测距精度。
其中，量测信息包括第一传感器的第一用户测距精度因子，以及第二传感器的第二用户测距精度因子。
由于不同的定位传感器给出的量测信息的同时给出了用户测距精度因子N，则根据N值用以下公式估算用户测距精度URA。
（公式1）
例如：第一传感器的第一用户测距精度因子为6，则第一用户测距精度为24，第二传感器的第二用户测距精度因子为8，则第二用户测距精度/>为26。
步骤二：根据第一用户测距精度、第二用户测距精度，计算得到原始状态量测值中第一原始状态量测值的第一权重、第二原始状态量测值的第二权重。
再根据用户测距精度值按公式2计算权重：
（公式2），其中，/>表示第x个原始状态量测值的权重，/>代表第i个原始状态量测值的户测距精度，/>代表第x个传感器的户测距精度。
由公式2可以计算得到原始状态量测值中第一原始状态量测值的第一权重为、第二原始状态量测值的第二权重/>。
步骤三：根据第一原始状态量测值、第一权重、第二原始状态量测值，以及第二权重，计算得到当前时刻的状态量测值。
由此，可根据上述公式3计算得到当前时刻的状态量测值。
本申请针对不同的传感器信息，选择相应的传感器误差特性，并根据实际使用环境，赋予相应的权重值，提高了状态量测值的精度，进而提高了相对导航的精度。
由于传感器在实际应用的时候会产生一定的量测噪声，而量测噪声会给原始状态量测值带来一定的误差，因此，需要对原始状态量测值进行降噪处理，得到准确性更高的状态量测值。
由于量测噪声在卡尔曼预处理滤波器中体现为量测噪声协方差矩阵的取值，因此对原始状态量测值进行降噪处理，实际上是对原始状态量测值中的原始量测噪声协方差矩阵的大小进行调节。
在一种实施例中，降噪处理，包括：根据当前时刻的预测协方差矩阵、当前时刻的原始状态量测值，以及当前时刻的量测预测值，计算得到当前时刻的量测预测噪声；根据当前时刻的原始状态量测值的原始量测噪声协方差矩阵的最大值和最小值，与当前时刻的量测预测噪声的大小关系，更新原始量测噪声协方差矩阵，得到当前时刻的状态量测值。
该降噪处理方法可以包括以下几个步骤：
步骤一：根据当前时刻的预测协方差矩阵、当前时刻的原始状态量测值，以及当前时刻的量测预测值，计算得到当前时刻的量测预测噪声。
首先建立独立的传感器量测信息预处理滤波器。预处理滤波器按照标准卡尔曼滤波器建立。
再由公式4可计算得到当前时刻的量测预测噪声：
（公式4），其中，/>表示k时刻第/>个量测预测噪声，/>为量测预测误差，/>为量测协方差矩阵，/>为k时刻第/>个状态量测量值对应的量测矩阵，其中，/>为量测矩阵是已知的，/>可基于卡尔曼滤波模型中的系统状态模型，根据k-1时刻的第i个原始状态量测量值的协方差矩阵/>得到，是系统的初始参数或根据系统的初始参数计算得到的。
（公式5），/>表示k时刻第个i原始状态量测值，/>表示k时刻第i个原始状态预测值。
由于，根据公式4、5可知，可根据当前时刻的预测协方差矩阵Pk,k-1、当前时刻的原始状态量测值Zk，以及当前时刻的量测预测值，计算当前时刻的量测预测噪声/>。
步骤二：根据当前时刻的原始状态量测值的原始量测噪声协方差矩阵的最大值和最小值，与当前时刻的量测预测噪声的大小关系，更新原始量测噪声协方差矩阵，得到当前时刻的状态量测值。
由于状态量测值=真实量测值+量测噪声，其中，量测噪声v(k)∈（0，Rk），因此，对当前时刻的原始状态量测值进行降噪其实是对当前时刻的原始状态量测值中的量测噪声进行调整，由于量测噪声v(k)呈（0，Rk）正态分布，因此，改变量测噪声v(k)就是改变量测噪声v(k)的协方差矩阵Rk。
（公式6），其中，/>为/>时刻的第/>个经过降噪处理处理的状态量测值的量测噪声阵，/>、/>分别表示第/>个量测的量测噪声方差阵的上下限，/>为k时刻的自适应因子，/>为k-1时刻的自适应因子。其中，/>（公式7），/>称为渐消因子，取/>，b的取值根据实际操作经验确定，本申请中b取0.9。
由公式6可知，可根据当前时刻的原始状态量测值的原始量测噪声协方差矩阵的最大值和最小值，与当前时刻的量测预测噪声的大小关系，更新原始量测噪声协方差矩阵，得到当前时刻的状态量测值。
在一种实施例中，根据当前时刻的原始状态量测值的原始量测噪声协方差矩阵的最大值和最小值，与当前时刻的量测预测噪声的大小关系，更新原始量测噪声协方差矩阵，得到当前时刻的状态量测值，包括：若当前时刻的量测预测噪声大于原始量测噪声协方差矩阵的最大值，则将所述原始量测噪声协方差矩阵更新为所述最大值，得到所述当前时刻的量测噪声协方差矩阵，以及所述当前时刻的状态量测值；若当前时刻的量测预测噪声不大于原始量测噪声协方差矩阵的最小值，则根据当前时刻的自适应因子更新所述原始量测噪声协方差矩阵，得到所述当前时刻的量测噪声协方差矩阵，以及所述当前时刻的状态量测值。
由公式6可知，若当前时刻的量测预测噪声大于原始量测噪声协方差矩阵的最大值/>，则当前时刻的状态量测值中的当前时刻的量测噪声协方差矩阵为/>。
若当前时刻的量测预测噪声小于原始量测噪声协方差矩阵的最小值/>，则当前时刻的状态量测值中的当前时刻的量测噪声协方差矩阵为/>；否则，当前时刻的状态量测值中的当前时刻的量测噪声协方差矩阵为/>。
本申请提前对原始状态量测值进行降噪处理，降低了当前时刻状态量测值的噪声，进而提高了相对导航的精度。
在一种实施例中，量测信息包括多个传感器的子量测信息，当前时刻的原始状态量测值包括多个原始状态子量测值；对角化处理，包括：对当前时刻的各原始状态子量测值中的量测噪声协方差矩阵进行对角化处理，得到当前时刻的状态子量测值，当前时刻的状态量测值包括多个当前时刻的状态子量测值。
为有效地避免了高阶滤波器解算的弊端，本申请的系统级序贯卡尔曼滤波模型将量测值更新分解为N个子量测值更新，对不同传感器导航信息的状态量，分别进行分块滤波处理，例如：（公式8），其中，噪声/>与/>之间互不相关，/>为状态量测值。
若各子量测值对应的量测噪声协方差矩阵不是对角阵时，需要先对当前时刻的各原始状态子量测值中的量测噪声协方差矩阵进行对角化处理。
对角化处理的详细方法如下：
首先对状态子量测值中的量测噪声协方差矩阵进行如下三角分解：/>（公式9），其中，/>为非奇异上三角（或下三角）矩阵。以/>同时左右乘量测方程两边，可得（公式10），将公式10简写为/>，其中记，/>，/>，/>，则当前时刻的状态子量测值的量测噪声方差阵为
。
本申请对不同种类的传感器量测信息进行了分类预处理，并建立了系统级序贯卡尔曼滤波模型，且考虑了量测噪声协方差矩阵时变后非对称的情况，与常规卡尔曼滤波模型相比其进行了N次递推最小二乘估计，有效地避免了高阶滤波器解算的弊端，增强了数值计算的稳定性及滤波框架的鲁棒性，极大地满足了数据链相对导航应用中对于时间低延迟的要求。
步骤203、基于系统级序贯卡尔曼滤波模型，根据当前时刻的状态量测值、平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定平台在当前时刻的状态目标值，以用于平台导航。
在一种实施例中，基于系统级序贯卡尔曼滤波模型，根据当前时刻的状态量测值、平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定平台在当前时刻的状态目标值，包括：基于卡尔曼滤波模型中的系统状态模型，根据平台在上一时刻的状态目标值，得到平台在当前时刻的状态预测值，根据上一时刻的协方差矩阵，得到当前时刻的预测协方差矩阵；基于卡尔曼滤波模型中的系统量测模型，根据当前时刻的状态量测值中的当前时刻的量测噪声协方差矩阵，以及当前时刻的预测协方差矩阵，确定当前时刻的滤波增益矩阵；根据当前时刻的状态预测值、当前时刻的滤波增益矩阵，以及当前时刻的状态量测值，确定平台在当前时刻的状态目标值。
首先，基于卡尔曼滤波模型中的系统状态模型，根据平台在上一时刻的状态目标值，计算得到平台在当前时刻的状态预测值，根据上一时刻的协方差矩阵，计算得到当前时刻的预测协方差矩阵。
卡尔曼滤波模型中的系统状态模型：，其中，/>为系统噪声向量，/>为系统噪声分配矩阵，/>为/>时刻的真实状态目标值，/>为已知的系统状态转移矩阵，/>为k时刻的真实状态预测值。
滤波模型中最优一步预测结果：，（公式11），（公式12），其中，/>为/>时刻的状态目标值，/>为k时刻的状态预测值；/>为/>时刻的协方差矩阵，/>为k时刻的预测协方差矩阵，/>为系统噪声向量/>的协方差矩阵。
由上述公式11可知，可将平台在上一时刻的状态目标值代入公式11中得到平台在当前时刻的状态预测值/>；可将根据上一时刻的协方差矩阵/>代入公式12中得到当前时刻的预测协方差矩阵/>。
再基于当前时刻的状态量测值中的当前时刻的量测噪声协方差矩阵，以及当前时刻的预测协方差矩阵，确定当前时刻的滤波增益矩阵。
其中，卡尔曼滤波模型中的系统量测模型：，其中，/>为k时刻的状态量测值，/>为k时刻的真实状态目标值，/>为k时刻的量测噪声，其中，量测噪声v(k)呈（0，Rk）正态分布，/>为系统参数中的k时刻量测矩阵，/>为量测噪声/>对应的量测噪声协方差矩阵。
由于（公式13），其中，/>为滤波增益矩阵，/>为k时刻的预测协方差矩阵。
因此，将当前时刻的量测噪声协方差矩阵，以及当前时刻的预测协方差矩阵带入公式13中，可得到当前时刻的滤波增益矩阵/>。
最后，根据当前时刻的状态预测值、当前时刻的滤波增益矩阵、当前时刻的状态量测值，确定平台在当前时刻的状态目标值。
（公式14），其中，/>为k时刻的状态目标值，/>为k时刻的状态量测值。
因此，将当前时刻的状态预测值、当前时刻的滤波增益矩阵/>、当前时刻的状态量测值/>代入公式14中，可计算得到平台在当前时刻的状态目标值/>。
如图3所示，本申请中确定当前时刻的状态最优估值的过程主要可以分为两个阶段，一个是预测外推，一个是量测更新。
上述步骤202为预处理阶段，主要是对原始状态量测值进行预处理，得到更为精确的状态量测值。
上述步骤203为预测外推阶段和测量更新阶段，预测外推阶段使用系统模型和上一时刻的状态目标值，预测当前时刻的最优一步预测值，使用系统模型和上一时刻的协方差矩阵，预测当前时刻的预测协方差矩阵。
在量测更新阶段，使用系统量测模型和预测外推阶段得到的当前时刻的最优一步预测值及其协方差矩阵，通过计算滤波增益矩阵以及系统量测值与预测值二者的差值，调节当前时刻状态目标值，以达到更准确的结果。
本申请实施例提供了一种数据链的相对导航方法，首先对平台传感器量测的当前时刻的原始状态量测值进行预处理，得到准确度更高的当前时刻的状态量测值，因此基于准确度高的当前时刻的状态量测值，得到的平台在当前时刻的状态目标值准确度更高。本申请对平台传感器量测的信息进行自适应预处理，得到了更为准确的状态量测值，进而根据状态量测值得到的状态目标值也更加准确，因此，提高了平台相对导航信息的精度。
如图4所示，本申请提供的数据链的相对导航处理方法实际上是一个迭代预测和更新的过程，其中，、/>分别表示第/>个子量测及其量测噪声，/>表示k时刻经第/>个子量测更新后的状态目标值，/>表示k时刻经第/>个子量测更新后的状态均方误差阵。
因此，在一种实施例中，在确定平台在当前时刻的状态目标值之后，还包括：根据当前时刻的滤波增益矩阵、当前时刻的预测协方差矩阵，确定当前时刻的协方差矩阵；获取下一时刻平台传感器量测的量测信息，量测信息包括平台在下一时刻的原始状态量测值；对下一时刻的原始状态量测值进行预处理，得到下一时刻的状态量测值；预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种；基于系统级序贯卡尔曼滤波模型，根据下一时刻的状态量测值、平台在当前时刻的状态目标值，以及当前时刻的协方差矩阵，确定平台在下一时刻的状态目标值，以用于平台导航。
请参阅图5，图5为本申请实施例提供的数据链的相对导航方法的第二种流程示意图，应用于上述电子设备，在步骤203之后，还包括：
步骤501、根据当前时刻的滤波增益矩阵、当前时刻的预测协方差矩阵，确定当前时刻的协方差矩阵。
由于当前时刻的预测协方差矩阵是预测的协方差矩阵，因此需要更新当前时刻的预测协方差矩阵，得到更加准确的当前时刻的协方差矩阵。
（公式15），其中，/>为k时刻的当前时刻的协方差矩阵。
因此，将当前时刻的滤波增益矩阵、当前时刻的预测协方差矩阵/>代入公式15中，计算可得到当前时刻的协方差矩阵/>。
步骤502、获取下一时刻平台传感器量测的量测信息，量测信息包括平台在下一时刻的原始状态量测值。
获取k+1时刻平台传感器量测的量测信息，获取方法参考上文中步骤201，在此不做赘述。
步骤503、对下一时刻的原始状态量测值进行预处理，得到下一时刻的状态量测值。
其中，预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种。
预处理的方法参考上文中步骤202，在此不做赘述。
步骤504、基于系统级序贯卡尔曼滤波模型，根据下一时刻的状态量测值、平台在当前时刻的状态目标值，以及当前时刻的协方差矩阵，确定平台在下一时刻的状态目标值，以用于平台导航。
首先，基于卡尔曼滤波模型中的系统状态模型，根据平台在当前时刻的状态目标值，得到平台在下一时刻的状态预测值，根据当前时刻的协方差矩阵，得到下一时刻的预测协方差矩阵。
由上述公式11可知，可将平台在当前时刻的状态目标值代入公式11中得到平台在下一时刻的状态预测值/>；可将根据当前时刻的协方差矩阵/>代入公式12中得到下一时刻的预测协方差矩阵/>，具体方法请参考上文中步骤203。
再基于下一时刻的状态量测值中的下一时刻量测噪声协方差矩阵，以及下一时刻的预测协方差矩阵，确定当下一时刻的滤波增益矩阵。
由上文公式13可知，将下一时刻量测噪声协方差矩阵，以及下一时刻的预测协方差矩阵/>带入公式13中，可得到下一时刻的滤波增益矩阵/>，具体计算方法请参考上文中步骤203。
最后根据下一时刻的状态预测值、下一时刻的滤波增益矩阵、下一时刻的状态量测值，确定平台在下一时刻的状态目标值。
由上文中公式14可知，将下一时刻的状态预测值、下一时刻的滤波增益矩阵/>、下一时刻的状态量测值/>代入公式14中，可计算得到平台在下一时刻的状态目标值/>，具体计算方法请参考上文中步骤203。
如图6所示为本申请实施例提供的传统方法的定位结果图，如图7所示为本申请实施例提供的本申请方法的定位结果图。由图6和图7对比可以看出，传统方法得到的导航定位结果波动较大，而本申请方法得到的导航定位结果波动较小，且本申请方法得到的东向定位结果由54m提高至14m（CEP）、北向定位结果定为精度由47m提高至10m（CEP）。因此，基于本申请方法得到的状态目标值不仅更加准确，且可靠性更高。
本申请实施例提供了一种数据链的相对导航方法，可以根据上一时刻的状态目标值预测得到当前时刻的状态预测值，再根据当前时刻的滤波增益矩阵更新当前时刻的状态预测值，得到更为准确的当前时刻状态目标值；再根据当前时刻的状态目标值预测得到下一时刻的状态预测值，再根据下一时刻的滤波增益矩阵更新下一时刻的状态预测值，得到更为准确的下一时刻状态目标值，如此迭代更新，得到各个时刻的状态目标值，且状态目标值的准确度随着迭代更新次数增多而提高。
如图8所示，图8为本申请实施例提供的数据链的相对导航方法的第三种流程示意图，本申请的数据链的相对导航方法分为以下几个步骤：
步骤1，对本机平台导航信息进行传感器信息在线感知。在线感知包括对本地传感器的导航信息进行分类，根据类型判断数据有效性，对有效的数据赋予不同权重，提高量测信息的利用率。
步骤1.1，对接收到的本机平台导航信息进行分类，在线实时获取不同工作机理的传感器信号，在时空域实现精准聚合。根据不同的信号，区分出传感器种类，如卫星导航、惯性导航、组合导航、塔康等。
步骤1.2，对上述信息进行有效性判断。采用逻辑值函数（logistic function，用布尔代数表示的一种数学函数，满足条件为1，不满足条件为0），对诸如纬度、经度、高度、速度、横滚角、俯仰角、航向角等信息进行有效性判断。数据有效性判断的具体方法请参考上文。
步骤1.3，对上述处理后的信息进行标记。针对不同的传感器信息，选择相应的传感器误差特性，并根据实际使用环境，赋予相应的权重值。对于同一类型的传感器进行权重分配，例如不同的定位传感器给出的定位结果的同时给出了用户测距精度因子N，则根据N值用以下公式估算用户测距精度URA，再根据值按下式计算权重，再根据权重对原始状态量测值进行准确性处理，准确性处理处理的详细方法参考上文。
步骤2，对步骤1中得到的传感器导航信息进行可信度处理。
步骤2.1，图9为系统整体处理流程框架图，其中，表示关于时间参数t的系统噪声向量，/>表示关于时间参数t的系统状态向量，/>表示关于时间参数t的确定性量测矩阵，表示关于时间参数t的量测噪声，/>表示关于时间参数t的量测值。首先建立独立的传感器量测信息预处理滤波器，预处理滤波器按照标准卡尔曼滤波器建立，对零均值高斯白噪声进行处理，量测噪声在卡尔曼预处理滤波器中体现为量测噪声协方差矩阵Rk取值。
步骤2.2，将上述传感器导航信息输入到预处理滤波器中。依据实际情况设置不同量测的渐消因子b值，对预滤波器进行参数调节。
步骤2.3，利用预处理滤波器对上述导航信息进行滤波降噪优化。
步骤2中的传感器导航信息进行可信度处理就是上文中预处理中的降噪处理，在此不做赘述。
步骤3，对相对导航系统进行高可信度的序贯滤波外推与解算。
对相对导航系统进行高可信度的序贯滤波外推与解算可以参考上文中步骤203的详细解释，在此不做赘述。
在上述实施例方法的基础上，本实施例将从数据链的相对导航装置的角度进一步进行描述，请参阅图10，图10具体描述了本申请实施例提供的数据链的相对导航装置的结构示意图，数据链的相对导航装置1000可以包括：
第一获取模块1001，用于获取当前时刻平台传感器的量测信息，量测信息包括平台在当前时刻的原始状态量测值；
第一预处理模块1002，用于对当前时刻的原始状态量测值进行预处理，得到当前时刻的状态量测值；预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种；
第一确定模块1003，用于基于系统级序贯卡尔曼滤波模型，根据所述当前时刻的状态量测值、所述平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定所述平台在当前时刻的状态目标值，以用于所述平台导航。
在本申请的一些实施例中，第一确定模块1003，还包括：
第一确定子模块，用于基于所述卡尔曼滤波模型中的系统状态模型，根据所述平台在上一时刻的状态目标值，得到所述平台在当前时刻的状态预测值，根据所述上一时刻的协方差矩阵，得到当前时刻的预测协方差矩阵；
第二确定子模块，用于基于所述卡尔曼滤波模型中的系统量测模型，根据所述当前时刻的状态量测值中的当前时刻的量测噪声协方差矩阵，以及所述当前时刻的预测协方差矩阵，确定当前时刻的滤波增益矩阵；
第三确定子模块，用于根据所述当前时刻的状态预测值、所述当前时刻的滤波增益矩阵，以及所述当前时刻的状态量测值，确定所述平台在当前时刻的状态目标值。
在本申请的一些实施例中，第一确定模块1003之后还包括：
第二确定模块，用于根据当前时刻的滤波增益矩阵、当前时刻的预测协方差矩阵，确定当前时刻的协方差矩阵；
第二获取模块，用于获取下一时刻平台传感器量测的量测信息，量测信息包括平台在下一时刻的原始状态量测值；
第二预处理模块，用于对下一时刻的原始状态量测值进行预处理，得到下一时刻的状态量测值；预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种；
第三确定模块，用于基于所述系统级序贯卡尔曼滤波模型，根据所述下一时刻的状态量测值、所述平台在当前时刻的状态目标值，以及所述当前时刻的协方差矩阵，确定所述平台在下一时刻的状态目标值，以用于所述平台导航。
此外，为了更好实施本申请实施例中数据链的相对导航方法，在数据链的相对导航方法基础之上，本申请实施例还提供一种电子设备，参阅图11，图11示出了本申请实施例电子设备的一种结构示意图，具体的，本申请实施例提供的电子设备包括处理器1101，处理器1101用于执行存储器1102中存储的计算机程序时实现如图1至图9对应任意实施例中数据链的相对导航方法的各步骤；或者，处理器1101用于执行存储器1102中存储的计算机程序时实现如图10对应实施例中各模块的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1102中，并由处理器1101执行，以完成本申请实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
电子设备可包括，但不仅限于处理器1101、存储器1102。本领域技术人员可以理解，示意仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子备还可以包括输入输出设备、网络接入设备、总线等，处理器1101、存储器1102、输入输出设备以及网络接入设备等通过总线相连。
处理器1101可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
存储器1102可用于存储计算机程序和/或模块，处理器1101通过运行或执行存储在存储器1102内的计算机程序和/或模块，以及调用存储在存储器1102内的数据，实现计算机装置的各种功能。存储器1102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据（比如音频数据、视频数据等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
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，上述描述的投放选址的确定装置、电子设备及其相应单元的具体工作过程，可以参考如图1至图9对应任意实施例中数据链的相对导航方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1至图9对应任意实施例中数据链的相对导航方法中的步骤，具体操作可参考如图1至图9对应任意实施例中数据链的相对导航方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1至图9对应任意实施例中数据链的相对导航方法中的步骤，因此，可以实现本申请如图1至图9对应任意实施例中数据链的相对导航方法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请实施例所提供的一种数据链的相对导航方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种数据链的相对导航方法，其特征在于，包括：
获取当前时刻平台传感器的量测信息，所述量测信息包括平台在当前时刻的原始状态量测值；
对所述当前时刻的原始状态量测值进行预处理，得到当前时刻的状态量测值；所述预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种；
基于系统级序贯卡尔曼滤波模型，根据所述当前时刻的状态量测值、所述平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定所述平台在当前时刻的状态目标值，以用于所述平台导航。
2.如权利要求1所述的数据链的相对导航方法，其特征在于，所述量测信息携带传感器类别标识，所述数据有效性处理，包括：
根据所述量测信息携带的传感器类别标识，确定所述原始状态量测值的类别；
基于预置的数据有效性对照表，根据所述类别，确定所述原始状态量测值对应的数据有效性区间，所述数据有效性对照表表征了所述原始状态量测值的类别与数据有效性区间的对应关系；
若所述原始状态量测值不满足所述数据有效性区间，则设置所述当前时刻的状态量测值等于上一时刻的原始状态量测值。
3.如权利要求1所述的数据链的相对导航方法，其特征在于，所述平台传感器至少包括第一传感器和第二传感器，所述第一传感器和所述第二传感器为相同类别的传感器，所述准确性处理，包括：
基于用户测距精度公式，根据第一用户测距精度因子，计算所述第一传感器的第一用户测距精度，根据第二用户测距精度因子，计算所述第二传感器的第二用户测距精度，所述量测信息包括所述第一传感器的第一用户测距精度因子，以及所述第二传感器的第二用户测距精度因子；
根据所述第一用户测距精度和所述第二用户测距精度，分别计算得到第一原始状态量测值的第一权重、第二原始状态量测值的第二权重，所述原始状态量测值包括所述第一原始状态量测值和所述第二原始状态量测值；
根据所述第一原始状态量测值、所述第一权重、所述第二原始状态量测值，以及所述第二权重，计算得到所述当前时刻的状态量测值。
4.如权利要求1所述的数据链的相对导航方法，其特征在于，所述降噪处理，包括：
根据所述当前时刻的预测协方差矩阵、所述当前时刻的原始状态量测值，以及所述当前时刻的量测预测值，计算得到当前时刻的量测预测噪声；
根据所述当前时刻的原始状态量测值的原始量测噪声协方差矩阵的最大值和最小值，与所述当前时刻的量测预测噪声的大小关系，更新所述原始量测噪声协方差矩阵，得到所述当前时刻的状态量测值。
5.如权利要求4所述的数据链的相对导航方法，其特征在于，所述根据所述当前时刻的原始状态量测值的原始量测噪声协方差矩阵的最大值和最小值，与所述当前时刻的量测预测噪声的大小关系，更新所述原始量测噪声协方差矩阵，得到所述当前时刻的状态量测值，包括：
若所述当前时刻的量测预测噪声大于所述原始量测噪声协方差矩阵的最大值，则将所述原始量测噪声协方差矩阵更新为所述最大值，得到所述当前时刻的量测噪声协方差矩阵，以及所述当前时刻的状态量测值；
若所述当前时刻的量测预测噪声不大于所述原始量测噪声协方差矩阵的最小值，则根据当前时刻的自适应因子更新所述原始量测噪声协方差矩阵，得到所述当前时刻的量测噪声协方差矩阵，以及所述当前时刻的状态量测值。
6.如权利要求1所述的数据链的相对导航方法，其特征在于，所述量测信息包括多个传感器的子量测信息，所述当前时刻的原始状态量测值包括多个原始状态子量测值；所述对角化处理，包括：
对当前时刻的各原始状态子量测值中的量测噪声协方差矩阵进行对角化处理，得到当前时刻的状态子量测值，所述当前时刻的状态量测值包括多个所述当前时刻的状态子量测值。
7.如权利要求1所述的数据链的相对导航方法，其特征在于，所述基于系统级序贯卡尔曼滤波模型，根据所述当前时刻的状态量测值、所述平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定所述平台在当前时刻的状态目标值，包括：
基于所述卡尔曼滤波模型中的系统状态模型，根据所述平台在上一时刻的状态目标值，得到所述平台在当前时刻的状态预测值，根据所述上一时刻的协方差矩阵，得到当前时刻的预测协方差矩阵；
基于所述卡尔曼滤波模型中的系统量测模型，根据所述当前时刻的状态量测值中的当前时刻的量测噪声协方差矩阵，以及所述当前时刻的预测协方差矩阵，确定当前时刻的滤波增益矩阵；
根据所述当前时刻的状态预测值、所述当前时刻的滤波增益矩阵，以及所述当前时刻的状态量测值，确定所述平台在当前时刻的状态目标值。
8.一种数据链的相对导航装置，其特征在于，包括：
第一获取模块，用于获取当前时刻平台传感器的量测信息，所述量测信息包括平台在当前时刻的原始状态量测值；
第一预处理模块，用于对所述当前时刻的原始状态量测值进行预处理，得到当前时刻的状态量测值；所述预处理至少包括数据有效性处理、准确性处理、降噪处理，以及对角化处理中的至少一种；
第一确定模块，用于基于系统级序贯卡尔曼滤波模型，根据所述当前时刻的状态量测值、所述平台在上一时刻的状态目标值，以及上一时刻的协方差矩阵，确定所述平台在当前时刻的状态目标值，以用于所述平台导航。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器以及存储于所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的数据链的相对导航方法中的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的数据链的相对导航方法中的步骤。
CN202311841074.3A 2023-12-29 2023-12-29 数据链的相对导航方法、装置、电子设备及存储介质 Active CN117493775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311841074.3A CN117493775B (zh) 2023-12-29 2023-12-29 数据链的相对导航方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311841074.3A CN117493775B (zh) 2023-12-29 2023-12-29 数据链的相对导航方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117493775A true CN117493775A (zh) 2024-02-02
CN117493775B CN117493775B (zh) 2024-05-14

Family

ID=89676772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311841074.3A Active CN117493775B (zh) 2023-12-29 2023-12-29 数据链的相对导航方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117493775B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108844536A (zh) * 2018-04-04 2018-11-20 中国科学院国家空间科学中心 一种基于量测噪声协方差矩阵估计的地磁导航方法
WO2019114757A1 (zh) * 2017-12-15 2019-06-20 蔚来汽车有限公司 多传感器目标信息融合的优化方法及装置、计算机设备和记录介质
CN116540274A (zh) * 2023-04-28 2023-08-04 南方科技大学 一种自适应组合导航方法和装置、电子设备及存储介质
CN116608859A (zh) * 2023-05-17 2023-08-18 南京信息工程大学 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备
CN116756513A (zh) * 2023-07-05 2023-09-15 大庆石油管理局有限公司 一种塔架式抽油机数据滤波算法
CN116840777A (zh) * 2023-06-13 2023-10-03 山东省计算中心（国家超级计算济南中心） 自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统
CN117053802A (zh) * 2023-06-30 2023-11-14 电子科技大学 一种基于旋转mems imu的车载导航系统定位误差减小的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019114757A1 (zh) * 2017-12-15 2019-06-20 蔚来汽车有限公司 多传感器目标信息融合的优化方法及装置、计算机设备和记录介质
CN108844536A (zh) * 2018-04-04 2018-11-20 中国科学院国家空间科学中心 一种基于量测噪声协方差矩阵估计的地磁导航方法
CN116540274A (zh) * 2023-04-28 2023-08-04 南方科技大学 一种自适应组合导航方法和装置、电子设备及存储介质
CN116608859A (zh) * 2023-05-17 2023-08-18 南京信息工程大学 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备
CN116840777A (zh) * 2023-06-13 2023-10-03 山东省计算中心（国家超级计算济南中心） 自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统
CN117053802A (zh) * 2023-06-30 2023-11-14 电子科技大学 一种基于旋转mems imu的车载导航系统定位误差减小的方法
CN116756513A (zh) * 2023-07-05 2023-09-15 大庆石油管理局有限公司 一种塔架式抽油机数据滤波算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘进一;杜岳峰;张硕;朱忠祥;毛恩荣;陈雨;: "基于GNSS/MIMU/DR的农业机械组合导航定位方法", 农业机械学报, no. 1, 15 October 2016 (2016-10-15) *
刘韬;徐爱功;隋心;: "自适应抗差KF-UKF的超宽带导航定位方法", 测绘科学, no. 12, 20 December 2017 (2017-12-20) *

Also Published As

Publication number Publication date
CN117493775B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
JP7344389B2 (ja) 協調測位方法、装置、機器及び記憶媒体
CN110849369B (zh) 机器人跟踪方法、装置、设备及计算机可读存储介质
CN112285676A (zh) 激光雷达与imu外参标定方法及装置
CN110956255A (zh) 难样本挖掘方法、装置、电子设备及计算机可读存储介质
CN110426057B (zh) 一种磁力计数据校准的方法及磁力计数据校准装置
CN111460375A (zh) 定位数据有效性确定方法、装置、设备和介质
CN115616937B (zh) 自动驾驶仿真测试方法、装置、设备和计算机可读介质
CN112949519B (zh) 目标检测方法、装置、设备及存储介质
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN113935402B (zh) 时差定位模型的训练方法、装置及电子设备
CN109814101B (zh) 一种航空器位置预测的方法及装置
CN110850450A (zh) 一种卫星钟差参数的自适应估计方法
CN117493775B (zh) 数据链的相对导航方法、装置、电子设备及存储介质
CN111565065B (zh) 一种无人机基站部署方法、装置及电子设备
US20230401670A1 (en) Multi-scale autoencoder generation method, electronic device and readable storage medium
CN114299192B (zh) 定位建图的方法、装置、设备和介质
CN111123323B (zh) 一种提高便携设备定位精度的方法
CN113917506A (zh) 模糊度固定方法、装置、电子设备及自动驾驶设备
CN113920174A (zh) 点云配准方法、装置、设备、介质和自动驾驶车辆
CN113568004A (zh) 用于确定对估计的局部状态矢量的更新的估计器
KR102386857B1 (ko) 식별 db 구축을 위한 시뮬레이션을 이용한 측정 유사 영상 생성 방법 및 그 장치
CN112146659A (zh) 一种组合导航系统的滤波方法、装置及存储介质
CN114399555B (zh) 数据在线标定方法、装置、电子设备和计算机可读介质
CN112996105B (zh) 一种基于同时定位与标定的目标定位方法及装置
JP7491065B2 (ja) 状態推定装置、及び状態推定方法、状態推定プログラム

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