CN117760457A - 多imusgnss集成导航系统的故障监测方法和装置 - Google Patents
多imusgnss集成导航系统的故障监测方法和装置 Download PDFInfo
- Publication number
- CN117760457A CN117760457A CN202311370187.XA CN202311370187A CN117760457A CN 117760457 A CN117760457 A CN 117760457A CN 202311370187 A CN202311370187 A CN 202311370187A CN 117760457 A CN117760457 A CN 117760457A
- Authority
- CN
- China
- Prior art keywords
- sub
- kalman filter
- target
- fault monitoring
- kalman
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012360 testing method Methods 0.000 claims abstract description 154
- 238000005259 measurement Methods 0.000 claims abstract description 120
- 238000009826 distribution Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000012806 monitoring device Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本申请公开了一种多IMUSGNSS集成导航系统的故障监测方法和装置,属于导航系统技术领域。所述多IMUSGNSS集成导航系统的故障监测方法包括:将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至所述目标IMU传感器对应的子卡尔曼滤波器,获取所述子卡尔曼滤波器输出的多个测试统计值;基于各所述子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值;基于各所述子卡尔曼滤波器对应的多个测试统计值和各所述子卡尔曼滤波器对应的故障监测阈值,分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态。
Description
技术领域
本申请属于导航系统技术领域,尤其涉及一种多IMUSGNSS集成导航系统的故障监测方法和装置。
背景技术
在基于GNSS传感器和多重IMU传感器对飞行器和车辆等进行导航的过程中,需要对IMU传感器进行故障检测,以更新飞行器或车辆的导航方案。相关技术中存在基于卡尔曼滤波检测IMU传感器故障的方法,但该方法无法满足高安全自动驾驶车辆运行所需的导航连续性概率要求,从而导致了导航系统的可用性不高;且该方法的故障检测的精准度和准确度不高。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种多IMUSGNSS集成导航系统的故障监测方法和装置,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性,检测的精准度和准确度较高。
第一方面,本申请提供了一种多IMUSGNSS集成导航系统的故障监测方法,该方法包括:
将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至所述目标IMU传感器对应的子卡尔曼滤波器,获取所述子卡尔曼滤波器输出的多个测试统计值;所述多个测试统计值与所述多个GNSS伪距测量值一一对应;
基于各所述子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值;所述连续性风险概率基于所述子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定;
基于各所述子卡尔曼滤波器对应的多个测试统计值和各所述子卡尔曼滤波器对应的故障监测阈值,分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态,所述工作状态包括正常状态或异常状态。
根据本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法,基于各子卡尔曼滤波器输出的多个测试统计值以及导航数据获取连续性风险概率,然后基于多个测试统计值和连续性风险概率确定各子卡尔曼滤波器对应的故障监测阈值,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性;基于各子卡尔曼滤波器对应的多个测试统计值和故障监测阈值的大小确定IMU传感器的工作状态,检测的精准度和准确度较高。
本申请一个实施例的多IMUSGNSS集成导航系统的故障监测方法,所述基于各所述子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值,包括:
基于多个所述子卡尔曼滤波器中第一目标子卡尔曼滤波器输出的第一测试统计值,所述多个子卡尔曼滤波器中第二目标子卡尔曼滤波器输出的第二测试统计值,以及所述多个GNSS伪距测量值中目标GNSS伪距测量值,获取所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器之间的相关性统计值;
其中,所述第一测试统计值与所述目标GNSS伪距测量值相对应,所述第二目标子卡尔曼滤波器为所述多个子卡尔曼滤波器中除所述第一目标子卡尔曼滤波器的任一子卡尔曼滤波器,所述第二测试统计值与所述目标GNSS伪距测量值相对应;所述相关性统计值用于表征在所述目标GNSS伪距测量值分别输入至所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器的情况下,所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器的滤波特性之间的相似程度;
基于多个所述子卡尔曼滤波器之间的多个相关性统计值和所述连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值。
本申请一个实施例的多IMUSGNSS集成导航系统的故障监测方法,所述基于多个所述子卡尔曼滤波器中第一目标子卡尔曼滤波器输出的第一测试统计值,所述多个子卡尔曼滤波器中第二目标子卡尔曼滤波器输出的第二测试统计值,以及所述多个GNSS伪距测量值中目标GNSS伪距测量值,获取所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器之间的相关性统计值,包括:
基于所述第一测试统计值和所述第二测试统计值的转置向量,计算得到所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器之间的相关性统计值。
本申请一个实施例的多IMUSGNSS集成导航系统的故障监测方法,所述连续性风险概率基于所述子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定,包括:
在所述子卡尔曼滤波器的工作状态为正常状态,且所述子卡尔曼滤波器对应的卡尔曼滤波收敛的情况下,所述子卡尔曼滤波器对应的多个测试统计值的所述概率分布为正态分布;
基于所述正态分布和所述导航数据确定所述连续性风险概率。
本申请一个实施例的多IMUSGNSS集成导航系统的故障监测方法,所述将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至所述目标IMU传感器对应的子卡尔曼滤波器,获取所述子卡尔曼滤波器输出的多个测试统计值,包括:
分别获取各所述GNSS伪距测量值与所述IMU伪距测量值之间的差值;
基于多个所述差值,计算得到所述子卡尔曼滤波器对应的多个测试统计值。
本申请一个实施例的多IMUSGNSS集成导航系统的故障监测方法,在所述获取所述子卡尔曼滤波器输出的多个测试统计值之前,所述方法还包括:
获取所述IMU传感器测量得到的实际测量值,所述实际测量值包括所述IMU传感器对应的加速度和所述IMU传感器对应的角速度中的至少一种;
基于所述实际测量值,计算得到所述IMU传感器对应的目标位置信息,所述目标位置信息包括所述IMU传感器对应的经度、维度和高度中的至少一种;
基于所述目标位置信息和所述IMU传感器对应的观测矩阵的乘积,计算得到所述IMU伪距测量值。
本申请一个实施例的多IMUSGNSS集成导航系统的故障监测方法,所述IMU传感器对应的目标位置信息基于如下公式计算得到:
其中,为所述目标位置信息,Φk为基于所述实际测量值得到的状态传递矩阵,为预测状态向量,/>为过程噪声向量。
本申请一个实施例的多IMUSGNSS集成导航系统的故障监测方法,所述基于各所述子卡尔曼滤波器对应的多个测试统计值和各所述子卡尔曼滤波器对应的故障监测阈值,分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态,包括:
在所述子卡尔曼滤波器对应的多个测试统计值中至少一个测试统计值大于所述子卡尔曼滤波器对应的故障监测阈值的情况下,确定所述子卡尔曼滤波器对应的IMU传感器的工作状态为异常状态。
本申请一个实施例的多IMUSGNSS集成导航系统的故障监测方法,在所述分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态之后,所述方法还包括:
在所述多个IMU传感器对应的工作状态均为异常状态的情况下,确定所述导航系统对应的工作状态为异常状态。
第二方面,本申请提供了一种多IMUSGNSS集成导航系统的故障监测装置,该装置包括:
第一处理模块,用于将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至所述目标IMU传感器对应的子卡尔曼滤波器,获取所述子卡尔曼滤波器输出的多个测试统计值;所述多个测试统计值与所述多个GNSS伪距测量值一一对应;
第二处理模块,用于基于各所述子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值;所述连续性风险概率基于所述子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定;
第三处理模块,用于基于各所述子卡尔曼滤波器对应的多个测试统计值和各所述子卡尔曼滤波器对应的故障监测阈值,分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态,所述工作状态包括正常状态或异常状态。
根据本申请实施例提供的多IMUSGNSS集成导航系统的故障监测装置,基于各子卡尔曼滤波器输出的多个测试统计值以及导航数据获取连续性风险概率,然后基于多个测试统计值和连续性风险概率确定各子卡尔曼滤波器对应的故障监测阈值,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性;基于各子卡尔曼滤波器对应的多个测试统计值和故障监测阈值的大小确定IMU传感器的工作状态,检测的精准度和准确度较高。
第三方面,本申请提供了一种电子设备,包括存储器、处理器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,所述处理器执行所述计算机程序时实现如上述第一方面所述的多IMUSGNSS集成导航系统的故障监测方法。
第四方面,本申请提供了一种非暂态计算机可读存储介质,其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上述第一方面所述的多IMUSGNSS集成导航系统的故障监测方法。
第五方面,本申请提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的多IMUSGNSS集成导航系统的故障监测方法。
本申请实施例中的上述一个或多个技术方案,至少具有如下技术效果之一:
基于各子卡尔曼滤波器输出的多个测试统计值以及导航数据获取连续性风险概率,然后基于多个测试统计值和连续性风险概率确定各子卡尔曼滤波器对应的故障监测阈值,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性;基于各子卡尔曼滤波器对应的多个测试统计值和故障监测阈值的大小确定IMU传感器的工作状态,检测的精准度和准确度较高。
进一步地,通过获取多个子卡尔曼滤波器之间的多个相关性统计值,然后基于多个相关性统计值和连续性风险概率,确定各子卡尔曼滤波器对应的故障监测阈值,基于所有子卡尔曼滤波器共同确定连续性风险概率,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法的流程示意图之一;
图2是本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法的原理示意图之一;
图3是本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法的流程示意图之二;
图4是本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法的原理示意图之二;
图5是本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法的原理示意图之三;
图6是本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法的原理示意图之四;
图7是本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法的原理示意图之五;
图8是本申请实施例提供的多IMUSGNSS集成导航系统的故障监测装置的结构示意图;
图9是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
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合图1至图7描述本申请实施例的多IMUSGNSS集成导航系统的故障监测方法。
需要说明的是,多IMUSGNSS集成导航系统的故障监测方法的执行主体可以为服务器,或者可以为多IMUSGNSS集成导航系统的故障监测装置,或者还可以为用户的终端,包括但不限于移动终端和非移动终端。
例如,移动终端包括但不限于手机、PDA智能终端、平板电脑以及车载智能终端等;非移动终端包括但不限于PC端等。
如图1所示,该多IMUSGNSS集成导航系统的故障监测方法,包括:步骤110、步骤120和步骤130。
需要说明的是,该多IMUSGNSS集成导航系统的故障监测方法可以应用于导航系统,以对飞行器或车辆等进行导航。
步骤110、将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至目标IMU传感器对应的子卡尔曼滤波器,获取子卡尔曼滤波器输出的多个测试统计值;多个测试统计值与多个GNSS伪距测量值一一对应。
在该步骤中,如图2示例了分散的基于卡尔曼滤波器的多个IMU传感器和GNSS传感器的导航系统的框图。
该系统可以包括GNSS传感器和多个IMU传感器。
GNSS(Global Navigation Satellite System,全球导航卫星系统)传感器可以获取飞行器或车辆的位置信息和速度信息等,其中,位置信息可以包括经纬度和高度等,速度信息可以包括东向和北向等信息。
GNSS伪距测量值可以为在GNSS进行导航和定位时,基于卫星发播的伪随机码与接收机复制码,测量的测站到卫星之间含有时钟误差和大气层折射延迟的距离值。
基于一个GNSS传感器,可以获取多个GNSS伪距测量值。
GNSS伪距测量值可以用于表征卫星到当前位置的距离信息。
IMU(Inertial measurement unit,惯性测量单元)传感器可以检测和测量加速度与旋转运动。
IMU传感器可以包括加速度计和角速度计等,其中,角速度计可以为陀螺仪。
IMU伪距测量值可以基于IMU传感器的位置信息到当前位置的距离计算得到。
目标IMU传感器为多个IMU传感器中的任一IMU传感器。
导航系统可以包括多个子卡尔曼滤波器。
多个子卡尔曼滤波器与多个IMU传感器一一对应。
可以将多个GNSS伪距测量值和目标IMU传感器对应的IMU伪距测量值一同输入至目标IMU传感器对应的子卡尔曼滤波器。
如图2所示,例如,IMU2传感器与子卡尔曼滤波器2相对应,可以将IMU2传感器的伪距测量值输入至子卡尔曼滤波器2。
基于多个GNSS伪距测量值和IMU伪距测量值,子卡尔曼滤波器可以输出多个测试统计值。
多个测试统计值与多个GNSS伪距测量值一一对应。
在一些实施例中,步骤110可以包括:
分别获取各GNSS伪距测量值与IMU伪距测量值之间的差值;
基于多个差值,计算得到子卡尔曼滤波器对应的多个测试统计值。
在该实施例中,测试统计值可以为一个卡尔曼滤波器新息向量。
卡尔曼滤波器新息向量可以基于GNSS伪距测量值与IMU伪距测量值之间的差值计算得到。
可以基于各GNSS伪距测量值和IMU伪距测量值之间的差值,获取多个差值,然后将多个差值确定为多个测试统计值。
在实际执行过程中,可以基于如下公式获取卡尔曼滤波器新息向量:
其中,为卡尔曼滤波器新息向量,即测试统计值,i为多个IMU传感器中第i个IMU传感器,k为第k颗卫星,zk为GNSS伪距测量值,/>为IMU传感器对应的位置信息,Hk为观测矩阵,基于观测矩阵和IMU传感器对应的位置信息的乘积可以得到IMU伪距测量值。
如图4所示,GNSS伪距测量值可以用于表征卫星到当前位置的距离,特别地,可以将可观测的第k颗卫星(Sat k)到当前位置的距离定义为zk。
在一些实施例中,在获取子卡尔曼滤波器输出的多个测试统计值之前,该多IMUSGNSS集成导航系统的故障监测方法还可以包括:
获取IMU传感器测量得到的实际测量值,实际测量值包括IMU传感器对应的加速度和IMU传感器对应的角速度中的至少一种;
基于实际测量值,计算得到IMU传感器对应的目标位置信息,目标位置信息包括IMU传感器对应的经度、维度和高度中的至少一种;
基于目标位置信息和IMU传感器对应的观测矩阵的乘积,计算得到IMU伪距测量值。
在该实施例中,IMU传感器可以测量得到实际测量值。
其中,实际测量值可以包括IMU传感器对应的加速度和IMU传感器对应的角速度中的至少一种。
IMU传感器对应的加速度可以基于IMU传感器中的加速度计测量得到。
IMU传感器对应的角速度可以基于IMU传感器中的角速度计测量得到。
IMU传感器对应的目标位置信息用于表征IMU传感器所在的位置信息和高度信息等。
目标位置信息可以包括IMU传感器对应的经度、纬度和高度中的至少一种。
IMU传感器对应的目标位置信息可以基于实际测量值计算得到。
在一些实施例中,IMU传感器对应的目标位置信息可以基于如下公式计算得到:
其中,为目标位置信息,Φk为基于实际测量值得到的状态传递矩阵,/>为预测状态向量,/>为过程噪声向量。
在一些实施例中,可以基于如下公式更新目标位置信息:
其中,为更新的目标位置信息,Kk为卡尔曼增益,zk为GNSS伪距测量值,Hk为观测矩阵。
在实际执行过程中,在每个子卡尔曼滤波器执行导航方案预测和更新过程之后,合成卡尔曼滤波器可以集成从每个子卡尔曼滤波器计算出的导航方案来计算最终的导航方案。
步骤120、基于各子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各子卡尔曼滤波器对应的故障监测阈值;连续性风险概率基于子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定。
在该步骤中,连续性风险概率可以基于用户提前设定。
连续性风险概率用于表征子卡尔曼滤波器对应的故障监视器的测试统计值超过故障监测阈值并错误声明故障的概率。
其中,可以将使用每个测试统计值检测故障的模块确定为子卡尔曼滤波器对应的故障监视器。
如图5所示,在基于GNSS传感器获取到m个GNSS伪距测量值的情况下,基于一个IMU传感器可以获取m个测试统计值,在系统包括n个IMU传感器以及n个子卡尔曼滤波器的情况下,可以最终计算出m*n个测试统计值,即可以确定m*n个故障监视器。
连续性风险概率可以基于子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定。
各子卡尔曼滤波器均对应有连续性风险概率。
在导航系统中,可以预设导航所满足的连续性风险概率,通过将预设的导航连续性风险概率分配给多个IMU故障监视器,以满足最终导航连续性概率要求。
连续性风险概率的上限值为系统的导航要求。
其中,系统的导航要求为经过滤波器后的导航数据是否在符合要求的可接受范围之内,例如,连续性风险概率可以设置为5%。
如图7所示,在多个IMU传感器的数量为2的情况下,两个子卡尔曼滤波器各自对应的测试统计值都超出相应的故障检测阈值之外的阴影区域。
在一些实施例中,连续性风险概率基于子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定,可以包括:
在子卡尔曼滤波器的工作状态为正常状态,且子卡尔曼滤波器对应的卡尔曼滤波收敛的情况下,子卡尔曼滤波器对应的多个测试统计值的概率分布为正态分布;
基于正态分布和导航数据确定连续性风险概率。
在该实施例中,子卡尔曼滤波器的工作状态可以包括正常状态或异常状态。
在子卡尔曼滤波器没有发生故障,且子卡尔曼滤波器对应的卡尔曼滤波器收敛的情况下,子卡尔曼滤波器对应的多个测试统计值的概率分布均为正态分布。
图6示例了在没有IMU传感器故障的状态下的测试统计值的概率分布,基于相应概率分布中的连续性风险概率,可以确定故障监测阈值。
在连续性风险概率不同的情况下,故障监测阈值也不同。
在实际执行过程中,对于一个子卡尔曼滤波器,基于标准差σ法则,分布小于2σ标准差内数据的概率为95%,可以基于95%的概率得到故障监测阈值T=2σ。
在一些实施例中,步骤120可以包括:
基于多个子卡尔曼滤波器中第一目标子卡尔曼滤波器输出的第一测试统计值,多个子卡尔曼滤波器中第二目标子卡尔曼滤波器输出的第二测试统计值,以及多个GNSS伪距测量值中目标GNSS伪距测量值,获取第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值;第一测试统计值与目标GNSS伪距测量值相对应,第二目标子卡尔曼滤波器为多个子卡尔曼滤波器中除第一目标子卡尔曼滤波器的任一子卡尔曼滤波器,第二测试统计值与目标GNSS伪距测量值相对应;相关性统计值用于表征在目标GNSS伪距测量值分别输入至第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器的情况下,第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器的滤波特性之间的相似程度;
基于多个子卡尔曼滤波器之间的多个相关性统计值和连续性风险概率,确定各子卡尔曼滤波器对应的故障监测阈值。
在该实施例中,目标GNSS伪距测量值为多个GNSS伪距测量值中的任一伪距测量值。
第一目标子卡尔曼滤波器为多个子卡尔曼滤波器中的任一子卡尔曼滤波器。
将目标GNSS伪距测量值以及与第一目标子卡尔曼滤波器对应的IMU伪距测量值输入至第一目标子卡尔曼滤波器,可以获取第一目标子卡尔曼滤波器输出的第一测试统计值。
第一测试统计值与目标GNSS伪距测量值相对应。
第二目标子卡尔曼滤波器与第一目标子卡尔曼滤波器不同。
第二目标子卡尔曼滤波器为多个子卡尔曼滤波器中除第一目标子卡尔曼滤波器的任一子卡尔曼滤波器。
将目标GNSS伪距测量值以及与第二目标子卡尔曼滤波器对应的IMU伪距测量值输入至第二目标子卡尔曼滤波器,可以获取第二目标子卡尔曼滤波器输出的第二测试统计值。
第二测试统计值与目标GNSS伪距测量值相对应。
基于第一测试统计值和第二测试统计值,可以获取第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值。
相关性统计值用于表征在目标GNSS伪距测量值分别输入至第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器的情况下,第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器的滤波特性之间的相似程度。
在多个子卡尔曼滤波器的数量为n的情况下,将目标GNSS伪距测量值分别输入至n个子卡尔曼滤波器,可以获取n个子卡尔曼滤波器输出的n个测试统计值,进而分别获取第一目标子卡尔曼滤波器与n-1个子卡尔曼滤波器之间的相关性统计值。
在多个GNSS伪距测量值的数量为m的情况下,将m个GNSS伪距测量值分别输入至第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器,可以获取第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的m个相关性统计值。
在一些实施例中,基于多个子卡尔曼滤波器中第一目标子卡尔曼滤波器输出的第一测试统计值,多个子卡尔曼滤波器中第二目标子卡尔曼滤波器输出的第二测试统计值,以及多个GNSS伪距测量值中目标GNSS伪距测量值,获取第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值,可以包括:
基于第一测试统计值和第二测试统计值的转置向量,计算得到第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值。
在该实施例中,第一测试统计值与第一目标子卡尔曼滤波器相对应。
第二测试统计值与第二目标子卡尔曼滤波器相对应。
第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值可以基于第一测试统计值和第二测试统计值的转置向量计算得到。
在实际执行过程中,将目标GNSS伪距测量值输入至第一目标子卡尔曼滤波器,可以获取第一目标子卡尔曼滤波器输出的第一测试统计值:
其中,qk,1为第一测试统计值,Hk,1为第一目标子卡尔曼滤波器对应的观测矩阵,Φk,1为第一目标子卡尔曼滤波器对应的状态转移矩阵,为第一目标子卡尔曼滤波器对应IMU传感器的目标位置信息,/>为第一目标子卡尔曼滤波器对应的过程噪声向量,vk为第一目标子卡尔曼滤波器对应的量测更新噪声。
将目标GNSS伪距测量值输入至第二目标子卡尔曼滤波器,可以获取第二目标子卡尔曼滤波器输出的第二测试统计值:
其中,qk,2为第二测试统计值,Hk,2为第二目标子卡尔曼滤波器对应的观测矩阵,Φk,2为第二目标子卡尔曼滤波器对应的状态转移矩阵,为第二目标子卡尔曼滤波器对应IMU传感器的目标位置信息,/>为第二目标子卡尔曼滤波器对应的过程噪声向量,vk为第二目标子卡尔曼滤波器对应的量测更新噪声。
基于第一测试统计值和第二测试统计值的转置向量,可以计算得到第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值:
其中,
其中,E[qk,1qk,2 T]为第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值,qk,1为第一测试统计值,Hk,1为第一目标子卡尔曼滤波器对应的观测矩阵,Φk,1为第一目标子卡尔曼滤波器对应的状态转移矩阵,为第一目标子卡尔曼滤波器对应IMU传感器的目标位置信息,/>为第一目标子卡尔曼滤波器对应的过程噪声向量,vk为第一目标子卡尔曼滤波器对应的量测更新噪声,qk,2为第二测试统计值,Hk,2为第二目标子卡尔曼滤波器对应的观测矩阵,Φk,2为第二目标子卡尔曼滤波器对应的状态转移矩阵,/>为第二目标子卡尔曼滤波器对应IMU传感器的目标位置信息,/>为第二目标子卡尔曼滤波器对应的过程噪声向量,vk为第二目标子卡尔曼滤波器对应的量测更新噪声,Kk为卡尔曼增益,Rk为观测噪声协方差矩阵(即量测更新噪声vk的平方的期望值)。
在一些实施例中,可以基于第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值,获取第一测试统计值和第二测试统计值之间的联合概率分布。
如图7所示,在相关性统计值增大的情况下,联合概率分布的斜率也增大,在相关性统计值减小的情况下,联合概率分布的斜率也减小。
联合概率分布基于相关性统计值的变化而变化。
在第一测试统计值和第二测试统计值均超过相应阈值的每个子卡尔曼滤波器的阈值成为系统所需的连续性风险概率也根据相关性统计值而变化。
在实际执行过程中,在得到第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值之后,可以基于连续性风险概率为5%对应的故障监测阈值T、第一测试统计值以及第二测试统计值,分别得到第一目标子卡尔曼滤波器对应的故障监测阈值T1,以及第二目标子卡尔曼滤波器对应的故障监测阈值T2。
在故障监测阈值T1和T2内的第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器的新息的相关性统计值在故障监测阈值T之内。
根据本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法,通过获取多个子卡尔曼滤波器之间的多个相关性统计值,然后基于多个相关性统计值和连续性风险概率,确定各子卡尔曼滤波器对应的故障监测阈值,基于所有子卡尔曼滤波器共同确定连续性风险概率,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性。
步骤130、基于各子卡尔曼滤波器对应的多个测试统计值和各子卡尔曼滤波器对应的故障监测阈值,分别确定各子卡尔曼滤波器对应的IMU传感器的工作状态,工作状态包括正常状态或异常状态。
在该步骤中,多个子卡尔曼滤波器对应多个IMU传感器。
IMU传感器的工作状态可以包括正常状态或异常状态。
例如,在IMU传感器发生故障的情况下,IMU传感器的工作状态可以为异常状态。
发明人在研发过程中发现,相关技术中存在基于卡尔曼滤波检测IMU传感器故障的方法,但该方法无法满足高安全自动驾驶车辆运行所需的导航连续性概率要求,从而导致了导航系统的可用性不高;且该方法的故障检测的精准度和准确度不高。
在本申请中,基于各子卡尔曼滤波器输出的多个测试统计值以及导航数据获取连续性风险概率,然后基于多个测试统计值和连续性风险概率确定各子卡尔曼滤波器对应的故障监测阈值,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性;
基于各子卡尔曼滤波器对应的多个测试统计值和故障监测阈值的大小确定IMU传感器的工作状态,检测的精准度和准确度较高。
根据本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法,基于各子卡尔曼滤波器输出的多个测试统计值以及导航数据获取连续性风险概率,然后基于多个测试统计值和连续性风险概率确定各子卡尔曼滤波器对应的故障监测阈值,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性;基于各子卡尔曼滤波器对应的多个测试统计值和故障监测阈值的大小确定IMU传感器的工作状态,检测的精准度和准确度较高。
在一些实施例中,步骤130可以包括:
在子卡尔曼滤波器对应的多个测试统计值中至少一个测试统计值大于子卡尔曼滤波器对应的故障监测阈值的情况下,确定子卡尔曼滤波器对应的IMU传感器的工作状态为异常状态。
在该实施例中,在多个测试统计值中的至少一个测试统计值中检测到一个故障的情况下,相应的IMU传感器被声明为故障。
子卡尔曼滤波器对应的连续性风险概率可以表示为在多个测试统计值中是否检测到异常的事件的集合的并集,如下式所示:
Pr1=P((FA1,1∪…∪FA1,m)|nominal)
其中,FA1,1~FA1,m表示一组事件,指示在子卡尔曼滤波器1到m中的每个测试统计值中检测到异常,Pr为m子卡尔曼滤波器中发生故障的概率。
在一些实施例中,在步骤130之后,该多IMUSGNSS集成导航系统的故障监测方法还可以包括:
在多个IMU传感器对应的工作状态均为异常状态的情况下,确定导航系统对应的工作状态为异常状态。
在该实施例中,导航系统可以包括多个IMU传感器。
各子卡尔曼滤波器对应的IMU传感器不同。
对于多个具有不同IMU传感器的子卡尔曼滤波器,在一个子卡尔曼滤波器对应的IMU传感器的工作状态为异常状态的情况下,具有另一个IMU传感器的子卡尔曼滤波器也可以连续用于导航。
在所有IMU传感器的工作状态均为异常状态的情况下,将导航系统对应工作状态确定为异常状态。
在使用n个不同的子卡尔曼滤波器时,系统的最终连续性风险概率可以表示为每个子卡尔曼滤波器对应的IMU传感器是否故障的集合的交集,如下式所示:
Pr=P((Cr1∩…∩Crn)|nominal)
其中,Cr1~Crn表示一个集合,表示每个子卡尔曼滤波器对应的IMU传感器是否故障,P表示所有子卡尔曼滤波器均发生故障的概率。
根据本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法,在导航系统中设置有多个IMU传感器的情况下,在所有IMU传感器的工作状态均异常的情况下,将导航系统的工作状态确定为异常,提高了导航系统的容错率,有助于增加系统的可用性。
下面结合图2对本申请的提供的多IMUSGNSS集成导航系统的故障监测方法的执行逻辑进行具体说明。
接收GNSS传感器发送的多个GNSS伪距测量值,以及多个IMU传感器发送的多个IMU伪距测量值;
将多个GNSS伪距测量值和与子卡尔曼滤波器对应的IMU伪距测量值分别输入到子卡尔曼滤波器;
计算各子卡尔曼滤波器中用于故障检测的测试统计值,并计算多个测试统计值之间的相关性统计值;
然后基于相关性统计值,确定能够匹配导航连续性要求的每个子卡尔曼滤波器对应的故障监测阈值;
通过比较各子卡尔曼滤波器对应的多个测试统计值与故障监测阈值的大小来检测IMU传感器的故障。
下面对本申请提供的多IMUSGNSS集成导航系统的故障监测装置进行描述,下文描述的多IMUSGNSS集成导航系统的故障监测装置与上文描述的多IMUSGNSS集成导航系统的故障监测方法可相互对应参照。
本申请实施例提供的多IMUSGNSS集成导航系统的故障监测方法,执行主体可以为多IMUSGNSS集成导航系统的故障监测装置。本申请实施例中以多IMUSGNSS集成导航系统的故障监测装置执行多IMUSGNSS集成导航系统的故障监测方法为例,说明本申请实施例提供的多IMUSGNSS集成导航系统的故障监测装置。
本申请实施例还提供一种多IMUSGNSS集成导航系统的故障监测装置。
如图8所示,该多IMUSGNSS集成导航系统的故障监测装置,包括:第一处理模块810、第二处理模块820和第三处理模块830。
第一处理模块810,用于将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至目标IMU传感器对应的子卡尔曼滤波器,获取子卡尔曼滤波器输出的多个测试统计值;多个测试统计值与多个GNSS伪距测量值一一对应;
第二处理模块820,用于基于各子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各子卡尔曼滤波器对应的故障监测阈值;连续性风险概率基于子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定;
第三处理模块830,用于基于各子卡尔曼滤波器对应的多个测试统计值和各子卡尔曼滤波器对应的故障监测阈值,分别确定各子卡尔曼滤波器对应的IMU传感器的工作状态,工作状态包括正常状态或异常状态。
根据本申请实施例提供的多IMUSGNSS集成导航系统的故障监测装置,基于各子卡尔曼滤波器输出的多个测试统计值以及导航数据获取连续性风险概率,然后基于多个测试统计值和连续性风险概率确定各子卡尔曼滤波器对应的故障监测阈值,放宽了分配给每个子卡尔曼滤波器的导航连续性要求,进而提高了导航系统的可用性;基于各子卡尔曼滤波器对应的多个测试统计值和故障监测阈值的大小确定IMU传感器的工作状态,检测的精准度和准确度较高。
在一些实施例中,第二处理模块820还可以用于:
基于多个子卡尔曼滤波器中第一目标子卡尔曼滤波器输出的第一测试统计值,多个子卡尔曼滤波器中第二目标子卡尔曼滤波器输出的第二测试统计值,以及多个GNSS伪距测量值中目标GNSS伪距测量值,获取第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值;第一测试统计值与目标GNSS伪距测量值相对应,第二目标子卡尔曼滤波器为多个子卡尔曼滤波器中除第一目标子卡尔曼滤波器的任一子卡尔曼滤波器,第二测试统计值与目标GNSS伪距测量值相对应;相关性统计值用于表征在目标GNSS伪距测量值分别输入至第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器的情况下,第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器的滤波特性之间的相似程度;
基于多个子卡尔曼滤波器之间的多个相关性统计值和连续性风险概率,确定各子卡尔曼滤波器对应的故障监测阈值。
在一些实施例中,第二处理模块820还可以用于:
基于第一测试统计值和第二测试统计值的转置向量,计算得到第一目标子卡尔曼滤波器和第二目标子卡尔曼滤波器之间的相关性统计值。
在一些实施例中,第二处理模块820还可以用于:
在子卡尔曼滤波器的工作状态为正常状态,且子卡尔曼滤波器对应的卡尔曼滤波收敛的情况下,子卡尔曼滤波器对应的多个测试统计值的概率分布为正态分布;
基于正态分布和导航数据确定连续性风险概率。
在一些实施例中,第一处理模块810还可以用于:
分别获取各GNSS伪距测量值与IMU伪距测量值之间的差值;
基于多个差值,计算得到子卡尔曼滤波器对应的多个测试统计值。
在一些实施例中,多IMUSGNSS集成导航系统的故障监测装置还可以包括第四处理模块,用于:
在获取子卡尔曼滤波器输出的多个测试统计值之前,获取IMU传感器测量得到的实际测量值,实际测量值包括IMU传感器对应的加速度和IMU传感器对应的角速度中的至少一种;
基于实际测量值,计算得到IMU传感器对应的目标位置信息,目标位置信息包括IMU传感器对应的经度、维度和高度中的至少一种;
基于目标位置信息和IMU传感器对应的观测矩阵的乘积,计算得到IMU伪距测量值。
在一些实施例中,第四处理模块还可以用于基于如下公式确定IMU传感器对应的目标位置信息:
其中,为目标位置信息,Φk为基于实际测量值得到的状态传递矩阵,/>为预测状态向量,/>为过程噪声向量。
在一些实施例中,第三处理模块830还可以用于:
在子卡尔曼滤波器对应的多个测试统计值中至少一个测试统计值大于子卡尔曼滤波器对应的故障监测阈值的情况下,确定子卡尔曼滤波器对应的IMU传感器的工作状态为异常状态。
本申请实施例中的多IMUSGNSS集成导航系统的故障监测装置可以是电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device,MID)、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digitalassistant,PDA)等,还可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的多IMUSGNSS集成导航系统的故障监测装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为IOS操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的多IMUSGNSS集成导航系统的故障监测装置能够实现图1至图7的方法实施例实现的各个过程,为避免重复,这里不再赘述。
在一些实施例中,如图9所示,本申请实施例还提供一种电子设备900,包括处理器901、存储器902及存储在存储器902上并可在处理器901上运行的计算机程序,该程序被处理器901执行时实现上述多IMUSGNSS集成导航系统的故障监测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
另一方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述多IMUSGNSS集成导航系统的故障监测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
又一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述多IMUSGNSS集成导航系统的故障监测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
又一方面,本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述多IMUSGNSS集成导航系统的故障监测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种多IMUSGNSS集成导航系统的故障监测方法,其特征在于,包括:
将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至所述目标IMU传感器对应的子卡尔曼滤波器,获取所述子卡尔曼滤波器输出的多个测试统计值;所述多个测试统计值与所述多个GNSS伪距测量值一一对应;
基于各所述子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值;所述连续性风险概率基于所述子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定;
基于各所述子卡尔曼滤波器对应的多个测试统计值和各所述子卡尔曼滤波器对应的故障监测阈值,分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态,所述工作状态包括正常状态或异常状态。
2.根据权利要求1所述的多IMUSGNSS集成导航系统的故障监测方法,其特征在于,所述基于各所述子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值,包括:
基于多个所述子卡尔曼滤波器中第一目标子卡尔曼滤波器输出的第一测试统计值,所述多个子卡尔曼滤波器中第二目标子卡尔曼滤波器输出的第二测试统计值,以及所述多个GNSS伪距测量值中目标GNSS伪距测量值,获取所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器之间的相关性统计值;
其中,所述第一测试统计值与所述目标GNSS伪距测量值相对应,所述第二目标子卡尔曼滤波器为所述多个子卡尔曼滤波器中除所述第一目标子卡尔曼滤波器的任一子卡尔曼滤波器,所述第二测试统计值与所述目标GNSS伪距测量值相对应;所述相关性统计值用于表征在所述目标GNSS伪距测量值分别输入至所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器的情况下,所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器的滤波特性之间的相似程度;
基于多个所述子卡尔曼滤波器之间的多个相关性统计值和所述连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值。
3.根据权利要求2所述的多IMUSGNSS集成导航系统的故障监测方法,其特征在于,所述基于多个所述子卡尔曼滤波器中第一目标子卡尔曼滤波器输出的第一测试统计值,所述多个子卡尔曼滤波器中第二目标子卡尔曼滤波器输出的第二测试统计值,以及所述多个GNSS伪距测量值中目标GNSS伪距测量值,获取所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器之间的相关性统计值,包括:
基于所述第一测试统计值和所述第二测试统计值的转置向量,计算得到所述第一目标子卡尔曼滤波器和所述第二目标子卡尔曼滤波器之间的相关性统计值。
4.根据权利要求1-3任一项所述的多IMUSGNSS集成导航系统的故障监测方法,其特征在于,所述连续性风险概率基于所述子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定,包括:
在所述子卡尔曼滤波器的工作状态为正常状态,且所述子卡尔曼滤波器对应的卡尔曼滤波收敛的情况下,所述子卡尔曼滤波器对应的多个测试统计值的所述概率分布为正态分布;
基于所述正态分布和所述导航数据确定所述连续性风险概率。
5.根据权利要求1-3任一项所述的多IMUSGNSS集成导航系统的故障监测方法,其特征在于,所述将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至所述目标IMU传感器对应的子卡尔曼滤波器,获取所述子卡尔曼滤波器输出的多个测试统计值,包括:
分别获取各所述GNSS伪距测量值与所述IMU伪距测量值之间的差值;
基于多个所述差值,计算得到所述子卡尔曼滤波器对应的多个测试统计值。
6.根据权利要求1-3任一项所述的多IMUSGNSS集成导航系统的故障监测方法,其特征在于,在所述获取所述子卡尔曼滤波器输出的多个测试统计值之前,所述方法还包括:
获取所述IMU传感器测量得到的实际测量值,所述实际测量值包括所述IMU传感器对应的加速度和所述IMU传感器对应的角速度中的至少一种;
基于所述实际测量值,计算得到所述IMU传感器对应的目标位置信息,所述目标位置信息包括所述IMU传感器对应的经度、维度和高度中的至少一种;
基于所述目标位置信息和所述IMU传感器对应的观测矩阵的乘积,计算得到所述IMU伪距测量值。
7.根据权利要求6所述的多IMUSGNSS集成导航系统的故障监测方法,其特征在于,所述IMU传感器对应的目标位置信息基于如下公式计算得到:
其中,为所述目标位置信息,Φk为基于所述实际测量值得到的状态传递矩阵,/>为预测状态向量,/>为过程噪声向量。
8.根据权利要求1-3任一项所述的多IMUSGNSS集成导航系统的故障监测方法,其特征在于,所述基于各所述子卡尔曼滤波器对应的多个测试统计值和各所述子卡尔曼滤波器对应的故障监测阈值,分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态,包括:
在所述子卡尔曼滤波器对应的多个测试统计值中至少一个测试统计值大于所述子卡尔曼滤波器对应的故障监测阈值的情况下,确定所述子卡尔曼滤波器对应的IMU传感器的工作状态为异常状态。
9.根据权利要求1-3任一项所述的多IMUSGNSS集成导航系统的故障监测方法,其特征在于,在所述分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态之后,所述方法还包括:
在所述多个IMU传感器对应的工作状态均为异常状态的情况下,确定所述导航系统对应的工作状态为异常状态。
10.一种多IMUSGNSS集成导航系统的故障监测装置,其特征在于,包括:
第一处理模块,用于将获取的GNSS传感器对应多个GNSS伪距测量值以及多个IMU传感器中目标IMU传感器对应的IMU伪距测量值分别输入至所述目标IMU传感器对应的子卡尔曼滤波器,获取所述子卡尔曼滤波器输出的多个测试统计值;所述多个测试统计值与所述多个GNSS伪距测量值一一对应;
第二处理模块,用于基于各所述子卡尔曼滤波器对应的多个测试统计值和连续性风险概率,确定各所述子卡尔曼滤波器对应的故障监测阈值;所述连续性风险概率基于所述子卡尔曼滤波器对应的多个测试统计值的概率分布和导航数据确定;
第三处理模块,用于基于各所述子卡尔曼滤波器对应的多个测试统计值和各所述子卡尔曼滤波器对应的故障监测阈值,分别确定各所述子卡尔曼滤波器对应的IMU传感器的工作状态,所述工作状态包括正常状态或异常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370187.XA CN117760457A (zh) | 2023-10-20 | 2023-10-20 | 多imusgnss集成导航系统的故障监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370187.XA CN117760457A (zh) | 2023-10-20 | 2023-10-20 | 多imusgnss集成导航系统的故障监测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117760457A true CN117760457A (zh) | 2024-03-26 |
Family
ID=90324412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311370187.XA Pending CN117760457A (zh) | 2023-10-20 | 2023-10-20 | 多imusgnss集成导航系统的故障监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117760457A (zh) |
-
2023
- 2023-10-20 CN CN202311370187.XA patent/CN117760457A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2664994C (en) | Hybrid ins/gnss system with integrity monitoring and method for integrity monitoring | |
US5760737A (en) | Navigation system with solution separation apparatus for detecting accuracy failures | |
Jafari | Optimal redundant sensor configuration for accuracy increasing in space inertial navigation system | |
RU2673504C2 (ru) | Определение курса для гибридного навигационного решения на основе магнитно-откалиброванных измерений | |
US6639549B2 (en) | Fault detection and exclusion for global position systems | |
KR100203969B1 (ko) | 안정보장 감시 추정 항법장치 | |
CN101395443B (zh) | 混合定位方法和设备 | |
US20100271259A1 (en) | Methods and Systems to Diminish False-Alarm Rates in Multi-Hypothesis Signal Detection Through Combinatoric Navigation | |
Arana et al. | Efficient integrity monitoring for kf-based localization | |
CN109085619A (zh) | 多模gnss系统的定位方法及装置、存储介质、接收机 | |
Jafari et al. | Inertial navigation accuracy increasing using redundant sensors | |
CN111736188B (zh) | 一种卫星定位方法、装置、电子设备和存储介质 | |
KR101503001B1 (ko) | 지상설비 안테나와 기저선 길이 예측값을 이용한 위성항법시스템의 고장 판단 시스템 및 그 방법 | |
CN111736194A (zh) | 组合惯性导航系统及导航数据处理方法 | |
US6298316B1 (en) | Failure detection system | |
CN115267855A (zh) | 一种gnss-ins紧组合中异常值探测方法和平差定位方法 | |
Da et al. | A new failure detection approach and its application to GPS autonomous integrity monitoring | |
CN115453579A (zh) | 基于北斗ppp-rtk的合成星历a类故障完好性监测方法及装置 | |
CN115468585A (zh) | 一种组合导航数据的完好性检测方法及系统 | |
CN108507590B (zh) | 定速评估方法及系统、车载终端 | |
CN111679307B (zh) | 一种卫星定位信号解算方法及装置 | |
CN115561782B (zh) | 一种基于奇偶矢量投影的组合导航中卫星故障检测方法 | |
CN117760457A (zh) | 多imusgnss集成导航系统的故障监测方法和装置 | |
JP2010197353A (ja) | 計算機装置 | |
CN115291253A (zh) | 一种基于残差检测的车辆定位完好性监测方法及系统 |
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 |