基于方差分量估计的自适应融合导航
无人机航摄系统的特点及应用前景探讨
地矿测绘2011,27(1):8~9CN53-1124/TD ISS N1007-9394 Surv ey i ng and M apping o f G eo logy andM i nera lR esources无人机航摄系统的特点及应用前景探讨*杨润书,吴亚鹏,李加明,万保峰(云南省地矿测绘院,云南昆明650218)摘要:介绍了无人机航摄系统的组成,该系统主要包括飞行平台、地面站系统、航拍摄像系统、影像处理软件4个部分,讨论该系统的特点和优势,并对其应用前景进行展望。
关键词:无人机;遥感;空间分辨率;正射影像图中图分类号:P231文献标识码:A文章编号:1007-9394(2011)01-0008-02Study about the Characters and Applicati on Foreground ofUAV Photogra mm etri c Syste mYANG Run-su,WU Y a-peng,LI Jia-m ing,WAN Bao-feng(Yunnan Institute of Survey ing and M app i ng of Geology and M ineral R esources,K un m i ng Yunnan650218,China)A bstract:Th is t h esis i n troduces the co m ponent ofUAV photogra mm etric syste m,its co m ponent i n cl u desm ai n ly t h e four parts of fli g ht p latfor m,ground stati o n syste m,aerial photog raphy syste m,and i m age pr ocessing soft w are,d iscusses characters and superiority and l o oks for w ar d the fo reground of t h e syste m.K ey words:UAV(Unm anned Aeria lVeh icle);re m ote sensing;spatial resolution;orthopho to m ap0引言无人机航摄系统以其灵活机动、操作维护简单,获取的影像空间分辨率高等优势而颇受青睐,特别是能够自主快速地获取现势性较好的彩色数码影像,因此利用其快速获取高分辨率影像是一种理想的选择。
自适应抗差滤波理论跟运用的主要进展_杨元喜
自适应抗差滤波理论及应用的主要进展杨元喜西安测绘研究所，西安雁塔路中段1号，西安710054yuanxi@摘要近十年来，中国学者发展了一种用于动态导航定位的新自适应抗差滤波理论，该理论应用抗差估计原理抵制观测异常误差的影响，构造自适应因子控制动力学模型误差的影响。
本文旨在归纳、总结自适应抗差滤波理论的主要成就。
首先介绍自适应抗差滤波的原理；随后给出四种自适应因子模型，包括三段函数模型、两段函数模型、指数函数模型以及选权函数模型；陈列了四种误差学习统计量，包括状态不符值统计量、预测残差统计量、方差分量比统计量以及速度统计量；将新的自适应抗差滤波理论与标准Kalman滤波以及其他自适应滤波理论进行了比较与分析；最后利用两个实际算例展示了自适应抗差滤波在导航中的成功应用。
关键词：自适应滤波，Kalman滤波，导航，动态定位，自适应因子，误差学习因子1. 引言自适应滤波是近年来大地测量研究领域的一个热点问题。
我国学者在自适应滤波领域做了大量的研究工作，取得了一批研究成果。
首先基于Sage滤波思想，提出了一种适用于高动态GPS定位的改进的自适应卡尔曼滤波方法，该方法数值稳定性好,存储量小,克服了滤波的发散问题（胡国荣, 欧吉坤，1999）。
目标跟踪或导航一般采用自适应滤波技术，因为相应的系统模型一般是未知（或部分未知）或随时间变化的。
与Sage-Husa自适应滤波（Deng 2003, p162-173; Mohamed and Schwarz 1999; Wang et al. 1999）以及有限记忆滤波（Panozzo, et al 2004）不同，中国学者建立了一种新的自适应抗差滤波理论（Yang et al 2001a, b），该理论应用抗差估计原理控制观测异常的影响，引进自适应因子控制动力学模型误差的影响。
基于抗差估计思想，构建了抗差自适应滤波理论体系，通过引入自适应因子平衡动力学模型信息与和动态观测信息的权比，引入观测等价权控制观测异常的影响。
一种基于方差分量估计的异常定位数据实时检测方法
第 ２ ７卷第 １期 ２１ ０ ０年 Ｏ ２月
测 绘 科 学 技 术 学 报
Ｊ ｕ ｎ ｌｏ ｏ ｔ ｓＳｃｅ ｃ ｎ ｃ ｎｏｏ ｙ ｏ ｒ ａ ｆＧｅ ｍａｉ ｉｎ ｅａ ｄ Ｔｅｈ ｌｇ ｃ
MEMS_IMU_GPS组合导航系统的实现
第5期
祝燕华等：MEMS-IMU/GPS 组合导航系统的实现
553
究具有一定温度自适应性的误差标定方法具有工程意义。
下面采用递推最小二乘自适应（ARLS）速率标定算法进行 MEMS 陀螺组件的误差标定。
综合考虑 MEMS 陀螺的零偏、安装误差和标度因数误差，则三轴 MEMS 陀螺组件的实际量测输出表示为：
MEMS 陀螺组件
MEMS 加计组件
ωb ib
—
误差
补偿 +
野值
解算捷联 姿态矩阵
剔除 f b
Cbn
fn
求解
比力方程
X
X
—
估计横滚角
和俯仰角
卡尔曼滤波器
计算 指令角速率
导航解算
— —
ωn ie
venn
速度位置输出 姿态航向输出
GPS 速度和位置
GPS 航迹角
图 1 MEMS-IMU/GPS 组合导航系统的工作原理 Fig.1 Operating principle of MEMS-IMU/GPS integrated navigation system
Wm = (I + KG )(I + θG )W + BG ≈ (I + KG + θG )W + BG
（1）
⎡0
其中， BG 为零偏矩阵， BG
= [Bgx
Bgy
Bgz ]T ； θG
为安装误差矩阵， θG
=
⎢ ⎢
−θ
gyz
⎢⎣ θgzy
差矩阵， KG = diag[Kgx Kgy Kgz ] 。式（1）可以列写为：
MEMS-IMU/GPS 组合的卡尔曼滤波器，利用加速度计倾角传感器原理估计载体的水平姿态，增强了姿态信息的
机会信号的组合导航定位在电视移动直播中的应用
机会信号的组合导航定位在电视移动直播中的应用摘要：随着互联网技术突飞猛进，互联网视频大行其道，不断推动着传统媒体向全媒体、融媒体演进。
现如今，媒体正经历一场文字、图片、音频、视频、VR/AR信息互动方式的变革。
移动直播广受青睐并成为现场直播必不可少的手段，尤其是在一些大型活动现场、体育赛事（如球赛、马拉松等）转播中，需要动用大量的无人机、无人车等获得不同方位、不同视角的画面，给观众呈现个性化的场景以及沉浸式体验。
为实现组合导航定位的自主性、隐蔽性、高精度和长航时导航能力，本文从GNSS/视觉观测紧组合定位方法、组合导航关键技术几个方面介绍相关发展状况，分析组合导航各项技术在电视移动直播导航应用中存在的关键问题，最后对组合导航技术的发展方向进行了展望。
基于此，本篇文章对机会信号的组合导航定位在电视移动直播中的应用进行研究，以供参考。
关键词：机会信号；组合导航定位；电视移动直播；应用；引言近年来，随着定位导航服务系统的发展，对目标定位的精度和连续性要求越来越高。
组合导航融合多种导航源的优势，可以获得更准确和可靠的导航结果。
GNSS/INS组合导航算法将GNSS导航系统和INS导航系统的信息有机的综合起来，尽可能利用两者的有效信息，进行信息的互补、修正与动态补偿，从而获得一种精度较高、鲁棒性较强的导航定位结果，在交通安全领域、交通运输领域、商业应用领域、社会服务领域、无人驾驶领域[有着重要应用。
考虑到预先设定的动力学模型与实际载体运动状态不符,提出自适应滤波方法，如附加模型误差参数调节法、抗差估计自适应融合法及方差分量自适应估计法等。
随着强化学习、深度强化学习等技术逐在一些基础任务如目标检测、场景感知中表现出良好的效果。
GNSS/INS自适应智能组合导航算法将人工智能技术和组合导航算法进行融合，具有更高的普适性和鲁棒性。
1GNSS/视觉观测紧组合定位方法GNSS在开阔的环境下能够实现连续的高精度导航定位并且误差不会逐渐积累，但是在GNSS弱信号或者遮挡环境下，存在定位精度严重下降甚至定位中断的问题.相反V-SLAM技术在特征丰富的复杂环境下能够实现连续导航定位，但随着运动距离的增加定位误差积累迅速，因此将GNSS和VSLAM技术联合导航定位，不仅有望提升单个导航系统的可靠性与精度，还能够在GNSS弱信号环境下实现持续的导航定位.V-SLAM技术是一种相对定位方法，基本原理为：图像经过校正后，提取图像中具有代表性的特征点，跟踪这些特征点从而估计相机的位姿，在这个过程中还同时进行位姿优化与闭环检测。
自适应卡尔曼滤波在基坑变形监测中的应用
（＋） ｆ的方差 阵 ， 为 ：
２８ ６
测绘第 ３ ４卷第 ６ ２ １ 年 １ 期 ０１ ２月
（ ４）
设 （ ＋ｆ （ ｆｋ ｘ （ １ ＝ ０‘ ， ） ＋ ） Ｔ ｍ ｌ ） × １ ｍ一
测绘第 ３ 卷第 ６ ２ １ 年 １ 月 ４ 期 ０１ ２
２７ ６
自适应卡尔曼滤波在基坑变形监测 中工大学 ，四川 成都 ６ ５；２ 陕西国土 测绘 工程 院，陕西 西安 ７０５ ） １ ｌ １０９ ． ０ １０４
［ 摘要］在现代建筑 中基坑越来越深 ，基 坑越 深带来的危险就越大 ，因此准确地监测和预报基坑 的变形趋势十
上式 为关 于 ｄａ Ｄ从的线性 方程 组 。 Ｎ ｉｇ 当 ｍ时 ， 有唯 一解 。记 ｄａ Ｄ ． Ｌ ｉｇ Ａ 的 Ｓ估计 为 乜
、● ●● ●ｊ
Ｏｘ ｉ Ｄ ＝ （ Ｄ） ０ × ） ｄａ ￣ （ × × Ｅ ｇ Ｄ
（） ８
根据 上述 各式可 求得 任意 长度 时 间段 上 的 Ｄ从 ， 并作 为动 态噪 声协方 差 阵的 实时估 计 。
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ｋａｍａ ｌ ｒｎ ｓ ｔｅ ｍｏ ｔｕ ｅ ｔｏ ｆｄ ｔ ｒｃ ｓｉｇ ｏ ｅｏ ｍａｉｎ ｍｏ ｉ ｒｎ ｎ ｐｅ ｅ ｔ ｆ ｌ ｎ ｆ ｔ ｉｇ ｉ ｈ ｓ ｓｄ ｍｅ ｄ ｏ ａａ ｐ ｏ ｅ ｓ ｆｄ ｆｒ ｔ ｎｔｉ ｇ ｉ ｒｓｎ ．Ｉ ｉ ｅ ｈ ｎ ｏ ｏ ａ ｏ ｔｄ ｉａ ｃ ｒｔ ａｈ ｍａｉａ ｄ ｌ ｄ ｎ ｉｅ ｄ ｓｇ ，ｋ ｌ ｎ ｌ ｒ ｇ ｍａ ｅ ｄ ｔ ｔｔ ｓｉ ｔ ｎ ｄ ｓ ｒ ｏ ， ｄ ｐｅ ｎ ｃ ｕ ａｅｍ ｔｅ ｔ ｌ ｃ ｍｏ ｅｓａ ｏｓ ｅ ｉｎ ａｍａ ｆｔｉ ｙ ｌａ ｏ ｓ ｅ ｅｔ ｎ ｉ ｅｎ ａ ｍａｉ ｉｔ ｔ ｎ ｏ ｏ ｉ
基于自适应EKF的BDS／GPS精密单点定位方法
基于自适应EKF的BDS／GPS精密单点定位方法赵琳;张胜宗;李亮;王雪【摘要】In order to achieve the shorter convergence period and better positioning accuracy for precise point positioning (PPP),the combination of multiple navigation satellite,such as the Beidou navigation satellite system (BDS)and the global positioning system (GPS),and the better positioning method are two ways to choose.However,since the traditional least square (LS)estimator ignores the temporal correlation of observa-tions,and the extended Kalman filter (EKF)is limited by inaccurate prior information,a novel PPP method based on adaptive extended Kalman filter (AEKF)is used to adjust the process noise with the measurement con-sistency test.The experiment results show that,compared with traditional EKF solution,the convergence period of PPP based on AEKF can be shorten by 9 minutes,and the accuracy of positioning can be increased by 33.7%.%为使精密单点定位（precise point positioning，PPP）获得更短的收敛时间和更高的定位精度，多个导航系统的集成（例如北斗卫星导航系统（Beidou navigation satellite system，BDS）与全球定位系统（global positio-ning system，GPS）的组合）和更优的定位方法是两种可行选择。
融合载体动力学特征的智能多源自主导航方法研究
融合载体动力学特征的智能多源自主导航方法研究
王巍;孟凡琛;徐小明;初未萌;吴志刚
【期刊名称】《宇航学报》
【年(卷),期】2024(45)4
【摘要】多源自主导航系统技术是新一代国家综合定位、导航与授时(PNT)体系下终端用户的重要技术发展方向。
面向新一代健壮性综合PNT体系跨场景的导航任务,多源自主导航系统面临着智能化的迫切需求。
针对复杂导航行为决策可信性问题,提出了融合载体动力学特征的智能多源自主导航基本概念,归纳了其实践中面临
的主要科学问题,系统阐述了深度融合载体动力学特征与人工智能方法的多源自主
导航理论框架与方法内涵,为智能多源自主导航系统的理论、方法及应用提供支撑。
【总页数】10页(P550-559)
【作者】王巍;孟凡琛;徐小明;初未萌;吴志刚
【作者单位】中国航天科技集团有限公司;北京航天控制仪器研究所;中山大学航空
航天学院
【正文语种】中文
【中图分类】V241.5
【相关文献】
1.一种融合奇异值主元投影特征和核主元投影特征的人耳识别方法
2.基于特征融合的视觉导航智能车辆的车道识别
3.光谱色差与主分量特征融合的石窟表面风化智
能评估4.电力智能巡检机器人视觉与激光自适应融合导航方法研究5.人工智能课程:计算思维培养的优质载体——“智能导航”项目式学习的设计、实施与测评
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第33卷 第1期测 绘 学 报Vol.33,No.1 2004年2月ACTA GEODAETICA et CARTO GRAPHICA SIN ICAFeb.,2004 文章编号:100121595(2004)0120022205中图分类号:P223 文献标识码:A基于方差分量估计的自适应融合导航杨元喜1,高为广2(1.西安测绘研究所,陕西西安710054;2.信息工程大学测绘学院,河南郑州450052)Integrated N avigation by Using V ariance ComponentEstim ates of Multi 2sensor Measurements and AdaptiveWeights of Dynamic Model Inform ationYAN G Yuan 2xi 1,G AO Wei 2guang 2(1.Xi ’an Research Institute of S urveying !and M apping ,Xi ’an 710054,China ;2.Institute of S urveying and M apping ,Inf orm ation Engineering U niversity ,Zhengz hou 450052,China )Abstract :The accuracy of the measurement vectors of the multi 2sensor is usually different.In order to balance thecontributions of the various navigation sensors to the last output ,the principle of variance components estimation is applied.An integrated navigation estimator is given at first ,based on the multi 2sensor measurements.The variance components are applied for optimal balance of the contributions of the local navigation outputs that resulted from measurement vectors of the multi 2sensors.On the basis of the integrated navigation output ,the kinematic predicts are fused by using an adaptive filtering principle.An integrated navigation example by using simulated data is per 2formed and analyzed.K ey w ords :integrated navigation ;multi 2sensor ;variance component estimation ;adaptive data fusion摘 要:多源传感器观测信息的精度一般不一致,利用方差分量估计理论可以合理地顾及各传感器观测信息在融合导航解中的权比。
首先给出基于多源观测信息的融合导航解算模式,进而基于方差分量估计讨论了各传感器观测信息在融合导航解中的合理平衡问题,然后应用自适应因子顾及动力学模型预报信息的贡献,给出了计算过程,并利用模拟数据进行了试算与比较。
收稿日期:2003209226;修回日期:2003211225基金项目:国家杰出青年基金资助项目(49825107);国家自然科学基金资助项目(40174009和40274002)作者简介:杨元喜(19562),男,江苏姜堰人,教授,主要研究方向为大地测量数据处理理论与方法。
关键词:组合导航;多传感器;方差分量估计;自适应融合1 引 言多传感器组合导航是导航定位发展的趋势。
多传感器组合导航观测信息丰富且各传感器的观测信息一般不具有相同类型的系统误差,于是多传感器融合导航可为减弱各传感器系统误差提供辅助信息,并为诊断和剔除各传感器异常误差和状态异常误差提供冗余信息,从而从整体上提高导航定位的精度和可靠性。
多传感器导航一般采用分布式滤波(distributed filtering 或decentral 2ized filtering )[1]或联邦滤波(federated filter 2ing )[2～4]。
多传感器导航的分布式滤波可分为两个阶段,首先基于观测方程和动力模型进行局部滤波,然后进行整体滤波。
这种滤波计算量大,且容错能力差[4]。
近10多年来,基于信息分享原理的联邦滤波受到了重视[2,4]。
联邦滤波的基本思想是,先利用主传感器(或称参考传感器)进行主滤波(MF= master filter),利用各独立传感器观测信息及相应的局部状态方程进行局部滤波(L F=local filter),然后基于主滤波结果和各局部滤波结果进行综合加权滤波。
从表面上看,这种滤波省时,近似最优。
但是联邦滤波法隐含一个假设前提,即各局部状态方程应该是互相独立的,实际上,多传感器的观测信息可以保证是独立的,但状态方程是载体的运动方程,既然多传感器相应于同一载体,则不可能有多个互相独立的状态方程,而且在每个观测历元均有新的状态估值,加上同一载体的运动方程误差,则多传感器的局部滤波之间均含有前一个历元的状态估值误差和载体运动方程的误差[5],但联邦滤波法在第二阶段的整体滤波时并未考虑各局部滤波输出量之间的相关性。
文献[6]研究了局部滤波器之间的相关性问题,但解算显得过于复杂,本文作者曾给出了动、静态滤波融合导航解[7],但未考虑各传感器信息的最优平衡问题。
本文采用Carlson的联邦滤波思想,提出了基于各传感器观测信息融合的滤波解,并基于方差分量估计平衡各传感器观测信息在最终融合导航结果中的权比。
这种融合滤波解能克服各局部导航解之间的相关性,从而保证了最终融合解的严格性、合理性和可靠性。
2 基于方差分量估计的多传感器融合导航 设某载体上有r个传感器1,2,…,r,对于载体导航,我们一般只关心载体的位置、速度和加速度,于是在理论上,同一载体的多个导航传感器应具有相同的位置、速度和加速度,即使多传感器不能位于同一位置,也可根据其几何关系化算至同一位置。
设在t时刻各传感器观测向量L j(t) (j=1,2,…,r),相应的协方差矩阵Σj(t),载体从t-1到t时刻的状态转移向量为X(t),则状态方程和观测方程为X(t)=Φt,t-1^X(t-1)+w(t)(1)L j(t)=A j(t)^X(t)+Δj(t)(2)式中,Φt,t-1为状态向量的转移矩阵,W(t)为状态误差向量,其协方差矩阵为Σw(t),A j(t)为设计矩阵,Δj(t)为L j(t)的误差向量。
为了合理地利用各传感器的导航解,可先由各传感器观测信息及相应的观测方程(2)求得观测历元的局部导航解或抗差导航解^X j和相应的协方差矩阵Σ^Xj或权矩阵P Xj,并进行简单融合,得^X0=P-1^X(P^X1^X1+…+P^Xr^X r)(3)式中P^X=∑rj=1P^Xj(4)然而,仅由各局部传感器的输出量^X j和P Xj 进行简单融合有时是不够的。
因为各局部传感器输出量难以可靠、合理地估计自身的可靠性,Σ^Xj 和P Xj仅反映各传感器内部观测信息的精度(离散程度),不能反映该传感器在融合导航解中的可靠性。
于是,有必要采用方差分量估计重新调整各传感器导航输出量的权矩阵。
为此,可构造如下极值条件Ω=∑rj=1V T j P j V j=min(5)式中, P j为经方差分量估计调节后的观测权矩阵。
基于此可得融合导航解为^X0=(∑rj=1A T j P j A j)-1(∑r j=1A T j P j L j)(6)利用方差分量估计原理[8,9],可得融合导航解的迭代解为 ^X k=(∑rj=1A T j P k j A j)-1(∑r j=1A T j P k j L j)=(∑rj=1N k j)-1(∑rj=1U k j)(7)式中N k j=A T j P k j A j U k j=A T j P k j L j(8)P k j=(^σ2j)kΣ-1j(9)(^σ2j)k=(V k j)T P k-1j V k jr j(10)r j=n j-tr(N k j(N k)-1)(11)N k=∑rj=1N k j(12)式中,Σ-1j为初始协方差矩阵的逆,n j,r j分别为L j的维数和多余观测数。
基于式(7)求得的^X k的协方差阵为Σ^X k=(∑rj=1N k j)-1^σ20(13)式中32第1期 杨元喜等:基于方差分量估计的自适应融合导航^σ20=∑rj=1V T j P j V j∑rj=1n j-m(14)m为未知参数个数。
如此求得的融合导航解不仅保证了融合导航解的可靠性,而且保证了各局部导航解输出量在最终融合解中的合理贡献。
3 考虑动力学模型的自适应融合导航解 由式(7)求得的融合导航解中不含有动力学模型信息,为合理利用动力学模型信息,可采用自适应估计原理[5,10]。
由式(1)可写出t时刻动力学模型信息的预报方程X(t)=Φt,t-1^X(t-1)(15)ΣX(t)=Φt,t-1Σ^X(t-1)ΦT t,t-1+Σw(t)(16)将^X k写成^X(t),Σ^X k写成Σ^X(t),则自适应融合解为^X t=(αP X(t)+P^X(t))-1(αP X(t)X(t)+P^X(t)^X(t))(17)Σ^Xt=(αP X(t)+P^X(t))-1(18)式中P X(t)=Σ-1X(t) P^X(t)=Σ-1^X(t)(19)α为自适应因子[10],其表达式为α= 1c0|ΔX|(c1-|ΔX|c1-c0)2 0|ΔX|≤c0c0<|ΔX|≤c1|ΔX|>c1(20)式中,c0=1.0～1.5,c1=3.0～4.5,|ΔX|为|ΔX|=‖X(t)-^X(t)‖/tr(ΣX(t))(21)上述基于多传感器观测信息的融合方法计算相对简单,理论严密。
基于观测信息的融合可保证各局部融合导航解之间不相关。
如果状态先验权矩阵和各传感器观测向量的先验权矩阵稳定可靠,则基于式(3)的融合解简单直观,若验前协方差矩阵或权矩阵不可靠,则必须采用方差分量估计重新估计各传感器观测向量的权矩阵,并用自适应估计方法调节状态预测信息的权矩阵。