CN117848332B - 一种车载多源融合高精度定位系统的imu噪声消除方法 - Google Patents
一种车载多源融合高精度定位系统的imu噪声消除方法 Download PDFInfo
- Publication number
- CN117848332B CN117848332B CN202410260367.0A CN202410260367A CN117848332B CN 117848332 B CN117848332 B CN 117848332B CN 202410260367 A CN202410260367 A CN 202410260367A CN 117848332 B CN117848332 B CN 117848332B
- Authority
- CN
- China
- Prior art keywords
- data
- imu
- noise
- positioning system
- sensor
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008030 elimination Effects 0.000 title claims abstract description 25
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000013524 data verification Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明涉及噪声消除领域，具体为一种车载多源融合高精度定位系统的IMU噪声消除方法，其包括以下步骤：S1、收集IMU的原始数据并进行预处理；S2、建立噪声模型来描述IMU传感器的噪声特征；S3、实时对IMU数据进行噪声补偿；S4、将经过噪声消除处理的IMU数据与GPS以及激光雷达的数据进行融合；S5、将S4中获得的IMU传感器数据与地面真值进行比较，动态校验IMU数据的准确性，对权重计算公式进行迭代。本发明通过设计多源数据融合中的权重计算公式并进行后续参数迭代修正，能为数据融合提供准确地权重数值，从而提高IMU噪声消除的效果。
Description
技术领域
本发明涉及噪声消除方法技术领域，尤其涉及一种车载多源融合高精度定位系统的IMU噪声消除方法。
背景技术
车载多源融合高精度定位系统是一种基于多种定位技术相结合的系统，这种多源融合的定位方法能够克服每种定位技术单独存在的局限性。通过多个数据源相互协作，可以减少单一定位系统异常或误差对定位结果的影响，从而提高整体定位精度。车载多源融合高精度定位系统中的IMU是一种能够测量和感知车辆的加速度和角速度的传感器装置。它通常由加速度计和陀螺仪组成，用于测量运动物体的线性加速度和角速度。但由于各种原因，IMU会产生噪声，影响定位精度。
公告号为CN115855040A的中国专利公开了一种重卡多源融合定位系统的IMU噪声抑制方法及系统，通过采集重卡IMU静态数据分析其频谱特性，并根据频谱特性设计低通滤波器，对重卡自身高频振动引起的IMU噪声进行过滤，最终采用滤波处理后的IMU数据与多源融合定位系统组合，提高系统在不同场景下的定位性能和稳定性。
但是上述已公开方案存在如下不足之处：确定不同测量结果的权重关系是数据融合的关键之一，而上述公开的专利并没有给出各测量结果的权重动态调整方式，容易因权重的不合理影响IMU噪声消除效果。
发明内容
本发明目的是针对背景技术中存在的多数据融合中无法动态且精准地调整各测量数据权重的问题，提出一种车载多源融合高精度定位系统的IMU噪声消除方法。
本发明的技术方案：一种车载多源融合高精度定位系统的IMU噪声消除方法，包括以下步骤：
S1、收集IMU的原始数据并进行预处理；
S2、利用IMU传感器的特性和测量数据的规律性，建立噪声模型来描述IMU传感器的噪声特征；
S3、根据预测的噪声模型，实时对IMU数据进行噪声补偿；
S4、将经过噪声消除处理的IMU数据与GPS以及激光雷达的数据进行融合，利用多源数据的互补性来进一步提高定位精度和噪声抑制效果，各测量数据的权重计算公式如下：
；
式中，为新权重，/>为初始权重，/>和/>均为系数常量，/>和/>数值由环境参数和传感器性能综合确定，/>为环境参数，环境参数影响因素包括雨、雪、雾、温度和湿度，和/>均为阈值常量，具体数值根据传感器在不同环境下工作情况来确定；多个权重之和等于1；
S5、将S4中获得的IMU传感器数据与地面真值进行比较，动态校验IMU数据的准确性，对权重计算公式进行迭代，不断优化权重计算公式中各项数值，得到最优的权重计算公式。
优选的，S1中，IMU的原始数据的预处理包括均值去除、校准偏差、线性化、滤波、时间戳同步和数据校验。
优选的，均值去除通过计算IMU数据的平均值，将每个采样点的数值减去平均值，以消除传感器数据中的静态偏移；校准偏差中的偏差包括IMU传感器在制造过程中存在的固有误差：零偏和比例因子误差，以及不同温度下工作的温度偏差；线性化指的是对于某些IMU传感器，输出信号与输入量之间的关系是非线性的，为了简化处理和消除非线性误差，对传感器输出进行线性化处理；滤波指的是通过应用滤波器来消除传感器数据中的噪声和不必要的波动，滤波器为低通滤波器、中值滤波器或高斯滤波器，滤波用来平滑数据，并减少噪声的影响；时间戳同步是为了确保各个传感器数据的时间戳是同步的，以便后续的数据融合操作；数据校验用来检查和修复传感器数据中的错误，包括异常值和丢失数据。
优选的，S2中，噪声模型构建通过统计学方法、机器学习或人工智能技术来实现，具体包括以下步骤：S21、输入预处理后的IMU数据；S22、对采集到的IMU数据进行分析，了解其统计特性和噪声特征；S23、基于数据分析的结果，获得IMU的噪声模型；S24、对噪声模型的参数进行估计，通过拟合噪声模型和实际数据，得到最优的参数估计值。
优选的，S22中，统计特性通过计算数据的平均值、方差、协方差得出；S23中，使用一维或多维高斯分布或随机游走模型进行建模；S24中，使用最大似然估计或最小二乘法估计来估计模型的参数。
优选的，S4中，IMU数据、GPS数据以及激光雷达数据的融合包括以下步骤：S41、对GPS数据以及激光雷达数据进行预处理；S42、通过时间戳对齐的方式实现IMU数据、GPS数据以及激光雷达数据的时间戳同步；S43、将IMU数据、GPS数据以及激光雷达数据进行空间上的对齐，使得它们在相同坐标系下具有一致的位置和方向；S44、根据数据的时间和空间关系，将IMU数据、GPS数据以及激光雷达数据进行关联；S45、选择数据融合算法来进行IMU数据、GPS数据以及激光雷达数据的融合，数据融合方法通过权重计算公式来计算各数据的权重，将不同传感器的数据进行综合。
优选的，S44中，使用时间窗口或空间距离的方法，将IMU数据与最近的GPS数据以及激光雷达数据进行匹配。
优选的，S45中，数据融合算法为卡尔曼滤波、粒子滤波或扩展卡尔玛滤波。
优选的，S5中，地面真值是参考数据或实际测量值，用于与定位系统的输出结果进行比较，以评估定位系统的精度和准确度，地面真值通过精密测量设备、高精度定位系统或其他准确测量手段获取；地面真值为位置、速度和方向这些定位参数的准确值，或者其他传感器测量结果的准确值。
与现有技术相比，本发明具有如下有益的技术效果：通过建立IMU噪声模型和动态噪声补偿来减少噪声的影响，并通过多源数据融合来提高定位精度，能综合运用传感器特性、数据建模和自适应算法等技术，以实现更精准和有效的IMU噪声消除。另外通过设计多源数据融合中的权重计算公式并进行后续参数迭代修正，能为数据融合提供准确地权重数值，从而提高IMU噪声消除的效果。
附图说明
图1为本发明一种实施例的流程图；
图2为数据预处理的示意图；
图3为IMU噪声模型构建方法流程图；
图4为数据融合方法流程图。
具体实施方式
实施例一
如图1所示，本发明提出的一种车载多源融合高精度定位系统的IMU噪声消除方法，包括以下步骤：
S1、收集IMU的原始数据并进行预处理；
S2、利用IMU传感器的特性和测量数据的规律性，建立噪声模型来描述IMU传感器的噪声特征；
S3、根据预测的噪声模型，实时对IMU数据进行噪声补偿；
S4、将经过噪声消除处理的IMU数据与GPS以及激光雷达的数据进行融合，利用多源数据的互补性来进一步提高定位精度和噪声抑制效果，各测量数据的权重计算公式如下：
；
式中，为新权重，/>为初始权重，/>和/>均为系数常量，/>和/>数值由环境参数和传感器性能综合确定，/>为环境参数，环境参数影响因素包括雨、雪、雾、温度和湿度，和/>均为阈值常量，具体数值根据传感器在不同环境下工作情况来确定；多个权重之和等于1；
S5、将S4中获得的IMU传感器数据与地面真值进行比较，动态校验IMU数据的准确性，对权重计算公式进行迭代，不断优化权重计算公式中各项数值，得到最优的权重计算公式。地面真值是参考数据或实际测量值，用于与定位系统的输出结果进行比较，以评估定位系统的精度和准确度，地面真值通过精密测量设备、高精度定位系统或其他准确测量手段获取；地面真值为位置、速度和方向这些定位参数的准确值，或者其他传感器测量结果的准确值，比如GPS的精准位置，地图数据中的准确道路形状等。
本实施例中，通过建立IMU噪声模型和动态噪声补偿来减少噪声的影响，并通过多源数据融合来提高定位精度，能综合运用传感器特性、数据建模和自适应算法等技术，以实现更精准和有效的IMU噪声消除。另外通过设计多源数据融合中的权重计算公式并进行后续参数迭代修正，能为数据融合提供准确地权重数值，从而提高IMU噪声消除的效果。
实施例二
如图2所示，本发明提出的一种车载多源融合高精度定位系统的IMU噪声消除方法，相较于实施例一，S1中，IMU的原始数据的预处理包括均值去除、校准偏差、线性化、滤波、时间戳同步和数据校验。均值去除通过计算IMU数据的平均值，将每个采样点的数值减去平均值，以消除传感器数据中的静态偏移；校准偏差中的偏差包括IMU传感器在制造过程中存在的固有误差：零偏和比例因子误差，以及不同温度下工作的温度偏差；线性化指的是对于某些IMU传感器，输出信号与输入量之间的关系是非线性的，为了简化处理和消除非线性误差，对传感器输出进行线性化处理；滤波指的是通过应用滤波器来消除传感器数据中的噪声和不必要的波动，滤波器为低通滤波器、中值滤波器或高斯滤波器，滤波用来平滑数据，并减少噪声的影响；时间戳同步是为了确保各个传感器数据的时间戳是同步的，以便后续的数据融合操作；数据校验用来检查和修复传感器数据中的错误，包括异常值和丢失数据。
本实施例中，上述的数据预处理旨在消除数据中的偏差、噪声和其他可能的误差，为后续的噪声消除和数据融合提供干净、可靠的数据。
实施例三
如图3所示，本发明提出的一种车载多源融合高精度定位系统的IMU噪声消除方法，相较于实施例一，S2中，噪声模型构建通过统计学方法、机器学习或人工智能技术来实现，具体包括以下步骤：S21、输入预处理后的IMU数据；S22、对采集到的IMU数据进行分析，了解其统计特性和噪声特征，统计特性通过计算数据的平均值、方差、协方差得出；S23、基于数据分析的结果，使用一维或多维高斯分布或随机游走模型进行建模，获得IMU的噪声模型；S24、对噪声模型的参数进行估计，使用最大似然估计或最小二乘法估计来估计模型的参数，通过拟合噪声模型和实际数据，得到最优的参数估计值。
本实施例中，将得到的噪声模型应用于新的IMU数据，并进行验证和评估，比较模型预测的噪声属性和实际观测到的噪声，检查模型的拟合程度和准确性，根据建立的噪声模型，对IMU数据进行噪声补偿，可以使用滤波器或校准算法来对IMU数据进行修正，以最大程度上减少噪声的影响。
实施例四
如图4所示，本发明提出的一种车载多源融合高精度定位系统的IMU噪声消除方法，相较于实施例一，S4中，IMU数据、GPS数据以及激光雷达数据的融合包括以下步骤：S41、对GPS数据以及激光雷达数据进行预处理；S42、通过时间戳对齐的方式实现IMU数据、GPS数据以及激光雷达数据的时间戳同步；S43、将IMU数据、GPS数据以及激光雷达数据进行空间上的对齐，使得它们在相同坐标系下具有一致的位置和方向；S44、根据数据的时间和空间关系，使用时间窗口或空间距离的方法，将IMU数据与最近的GPS数据以及激光雷达数据进行匹配，将IMU数据、GPS数据以及激光雷达数据进行关联；S45、选择数据融合算法来进行IMU数据、GPS数据以及激光雷达数据的融合，数据融合算法为卡尔曼滤波、粒子滤波或扩展卡尔玛滤波，数据融合方法通过权重计算公式来计算各数据的权重，将不同传感器的数据进行综合。
本实施例中，使用数据融合算法，得到融合后的位置和方向估计结果，这个估计值结合了IMU、GPS和激光雷达数据，具有更高的精度和可靠性。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。
Claims (9)
1.一种车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，包括以下步骤：
S1、收集IMU的原始数据并进行预处理；
S2、利用IMU传感器的特性和测量数据的规律性，建立噪声模型来描述IMU传感器的噪声特征；
S3、根据预测的噪声模型，实时对IMU数据进行噪声补偿；
S4、将经过噪声消除处理的IMU数据与GPS以及激光雷达的数据进行融合，利用多源数据的互补性来进一步提高定位精度和噪声抑制效果，各测量数据的权重计算公式如下：
；
式中，为新权重，/>为初始权重，/>和/>均为系数常量，/>和/>数值由环境参数和传感器性能综合确定，/>为环境参数，环境参数影响因素包括雨、雪、雾、温度和湿度，/>和均为阈值常量，具体数值根据传感器在不同环境下工作情况来确定；多个权重之和等于1；
S5、将S4中获得的IMU传感器数据与地面真值进行比较，动态校验IMU数据的准确性，对权重计算公式进行迭代，不断优化权重计算公式中各项数值，得到最优的权重计算公式。
2.根据权利要求1所述的车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，S1中，IMU的原始数据的预处理包括均值去除、校准偏差、线性化、滤波、时间戳同步和数据校验。
3.根据权利要求2所述的车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，均值去除通过计算IMU数据的平均值，将每个采样点的数值减去平均值，以消除传感器数据中的静态偏移；校准偏差中的偏差包括IMU传感器在制造过程中存在的固有误差：零偏和比例因子误差，以及不同温度下工作的温度偏差；线性化指的是对于某些IMU传感器，输出信号与输入量之间的关系是非线性的，为了简化处理和消除非线性误差，对传感器输出进行线性化处理；滤波指的是通过应用滤波器来消除传感器数据中的噪声和波动，滤波器为低通滤波器、中值滤波器或高斯滤波器，滤波用来平滑数据，并减少噪声的影响；时间戳同步是为了确保各个传感器数据的时间戳是同步的，以便后续的数据融合操作；数据校验用来检查和修复传感器数据中的错误，包括异常值和丢失数据。
4.根据权利要求1所述的车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，S2中，噪声模型构建通过统计学方法、机器学习或人工智能技术来实现，具体包括以下步骤：S21、输入预处理后的IMU数据；S22、对采集到的IMU数据进行分析，了解其统计特性和噪声特征；S23、基于数据分析的结果，获得IMU的噪声模型；S24、对噪声模型的参数进行估计，通过拟合噪声模型和实际数据，得到最优的参数估计值。
5.根据权利要求4所述的车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，S22中，统计特性通过计算数据的平均值、方差、协方差得出；S23中，使用一维或多维高斯分布或随机游走模型进行建模；S24中，使用最大似然估计或最小二乘法估计来估计模型的参数。
6.根据权利要求1所述的车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，S4中，IMU数据、GPS数据以及激光雷达数据的融合包括以下步骤：S41、对GPS数据以及激光雷达数据进行预处理；S42、通过时间戳对齐的方式实现IMU数据、GPS数据以及激光雷达数据的时间戳同步；S43、将IMU数据、GPS数据以及激光雷达数据进行空间上的对齐，使得它们在相同坐标系下具有一致的位置和方向；S44、根据数据的时间和空间关系，将IMU数据、GPS数据以及激光雷达数据进行关联；S45、选择数据融合算法来进行IMU数据、GPS数据以及激光雷达数据的融合，数据融合方法通过权重计算公式来计算各数据的权重，将不同传感器的数据进行综合。
7.根据权利要求6所述的车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，S44中，使用时间窗口或空间距离的方法，将IMU数据与最近的GPS数据以及激光雷达数据进行匹配。
8.根据权利要求6所述的车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，S45中，数据融合算法为卡尔曼滤波、粒子滤波或扩展卡尔玛滤波。
9.根据权利要求1所述的车载多源融合高精度定位系统的IMU噪声消除方法，其特征在于，S5中，地面真值是参考数据或实际测量值，用于与定位系统的输出结果进行比较，以评估定位系统的精度和准确度，地面真值通过精密测量设备或高精度定位系统获取；地面真值为位置、速度和方向这些定位参数的准确值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410260367.0A CN117848332B (zh) | 2024-03-07 | 2024-03-07 | 一种车载多源融合高精度定位系统的imu噪声消除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410260367.0A CN117848332B (zh) | 2024-03-07 | 2024-03-07 | 一种车载多源融合高精度定位系统的imu噪声消除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117848332A CN117848332A (zh) | 2024-04-09 |
| CN117848332B true CN117848332B (zh) | 2024-05-03 |
Family
ID=90533059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410260367.0A Active CN117848332B (zh) | 2024-03-07 | 2024-03-07 | 一种车载多源融合高精度定位系统的imu噪声消除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117848332B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106197428A (zh) * | 2016-07-10 | 2016-12-07 | 北京工业大学 | 一种利用测量信息优化分布式ekf估计过程的slam方法 |
| CN112347840A (zh) * | 2020-08-25 | 2021-02-09 | 天津大学 | 视觉传感器激光雷达融合无人机定位与建图装置和方法 |
| WO2021248641A1 (zh) * | 2020-06-10 | 2021-12-16 | 北京理工大学 | 基于多传感器信息融合的模型自适应侧向速度估计方法 |
| CN114485643A (zh) * | 2022-01-25 | 2022-05-13 | 重庆理工大学 | 一种煤矿井下移动机器人环境感知与高精度定位方法 |
| CN115435775A (zh) * | 2022-09-23 | 2022-12-06 | 福州大学 | 基于拓展卡尔曼滤波的多传感器融合slam方法 |
| CN115855040A (zh) * | 2022-11-29 | 2023-03-28 | 武汉中海庭数据技术有限公司 | 一种重卡多源融合定位系统的imu噪声抑制方法及系统 |
| WO2023082050A1 (zh) * | 2021-11-09 | 2023-05-19 | 浙江大学 | 一种基于双层滤波框架的高精度里程估计方法 |
| WO2023116797A2 (zh) * | 2021-12-22 | 2023-06-29 | 比亚迪股份有限公司 | 车载多传感器融合定位方法、计算机设备及存储介质 |
| CN117191057A (zh) * | 2023-09-01 | 2023-12-08 | 南京理工大学 | 基于时空配准和多模矢量分配融合的导航平台构建方法 |
| CN117521006A (zh) * | 2023-11-07 | 2024-02-06 | 南京理工大学 | 一种基于增量学习的因子图多源信息融合方法 |
| CN117643468A (zh) * | 2023-12-06 | 2024-03-05 | 重庆邮电大学 | 基于多源信息融合的无线跌倒检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7274504B2 (en) * | 2005-01-14 | 2007-09-25 | L-3 Communications Corporation | System and method for advanced tight coupling of GPS and inertial navigation sensors |
-
2024
- 2024-03-07 CN CN202410260367.0A patent/CN117848332B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106197428A (zh) * | 2016-07-10 | 2016-12-07 | 北京工业大学 | 一种利用测量信息优化分布式ekf估计过程的slam方法 |
| WO2021248641A1 (zh) * | 2020-06-10 | 2021-12-16 | 北京理工大学 | 基于多传感器信息融合的模型自适应侧向速度估计方法 |
| CN112347840A (zh) * | 2020-08-25 | 2021-02-09 | 天津大学 | 视觉传感器激光雷达融合无人机定位与建图装置和方法 |
| WO2023082050A1 (zh) * | 2021-11-09 | 2023-05-19 | 浙江大学 | 一种基于双层滤波框架的高精度里程估计方法 |
| WO2023116797A2 (zh) * | 2021-12-22 | 2023-06-29 | 比亚迪股份有限公司 | 车载多传感器融合定位方法、计算机设备及存储介质 |
| CN114485643A (zh) * | 2022-01-25 | 2022-05-13 | 重庆理工大学 | 一种煤矿井下移动机器人环境感知与高精度定位方法 |
| CN115435775A (zh) * | 2022-09-23 | 2022-12-06 | 福州大学 | 基于拓展卡尔曼滤波的多传感器融合slam方法 |
| CN115855040A (zh) * | 2022-11-29 | 2023-03-28 | 武汉中海庭数据技术有限公司 | 一种重卡多源融合定位系统的imu噪声抑制方法及系统 |
| CN117191057A (zh) * | 2023-09-01 | 2023-12-08 | 南京理工大学 | 基于时空配准和多模矢量分配融合的导航平台构建方法 |
| CN117521006A (zh) * | 2023-11-07 | 2024-02-06 | 南京理工大学 | 一种基于增量学习的因子图多源信息融合方法 |
| CN117643468A (zh) * | 2023-12-06 | 2024-03-05 | 重庆邮电大学 | 基于多源信息融合的无线跌倒检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多源信息融合的智能车辆同步定位与建图技术研究;才子建;《中国优秀硕士学位论文全文数据库》;20240115;正文全文 * |
| 面向智能驾驶的高精度多源融合定位综述;许智理;《导航定位与授时》;20230531;第10卷(第3期);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117848332A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105136145A (zh) | 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法 | |
| CN104011563A (zh) | 用于独立评价其数据精度的传感器系统 | |
| EP3542131A1 (en) | Self-calibrating inertial measurement system and method | |
| CN112269192B (zh) | 一种快速自适应的动态北斗监测实时解算去噪方法 | |
| CN112325880A (zh) | 分布式平台相对定位方法、装置、计算机设备和存储介质 | |
| CN116500575A (zh) | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 | |
| CN112729307A (zh) | 一种用于路径规划机器人的多传感信息融合系统及其控制方法 | |
| CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
| CN117848332B (zh) | 一种车载多源融合高精度定位系统的imu噪声消除方法 | |
| Raitoharju et al. | Partitioned update Kalman filter | |
| CN114463932A (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
| KR102438647B1 (ko) | 단일가속도와 변형률을 이용한 구조물변위측정시스템 및 변위측정방법 | |
| CN116879866B (zh) | 一种基于激光雷达三维数据的路面平整度评价方法 | |
| CN109655057B (zh) | 一种六推无人机加速器测量值的滤波优化方法及其系统 | |
| CN111339494A (zh) | 基于卡尔曼滤波的陀螺仪数据处理方法 | |
| CN110736459A (zh) | 惯性量匹配对准的角形变测量误差评估方法 | |
| CN112747773B (zh) | 基于Allan方差和随机多项式提高陀螺仪精度的方法 | |
| CN104268597A (zh) | 基于ahcif的集中式测量值扩维融合方法 | |
| CN115615456A (zh) | 基于迭代最邻近整数点集的传感器误差配准方法及设备 | |
| CN115366942A (zh) | 一种基于双传感器感知时延的地铁里程定位方法 | |
| CN104320108A (zh) | 基于ahcif的集中式测量值加权融合方法 | |
| CN114199236A (zh) | 定位数据处理的方法、装置、电子设备和自动驾驶车辆 | |
| CN114076964A (zh) | 用于借助于卡尔曼滤波器确定至少一个系统状态的方法 | |
| CN112581616B (zh) | 基于序贯分块滤波的最近邻ukf-slam方法 | |
| CN110889227B (zh) | 一种基于多传感器信息融合的飞机燃油测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |