-
公开(公告)号：CN114459477A
公开(公告)日：2022-05-10
申请号：CN202210234293.4
申请日：2022-03-09
Applicant: 东南大学
Abstract: 本发明提供了一种基于改进的PSO‑ANFIS辅助的SINS/DVL紧组合导航技术，包括：建立水下潜航过程中SINS/DVL紧组合导航系统的状态方程和量测方程；在水面借助GNSS并通过变分贝叶斯卡尔曼滤波算法收集样本数据，获取包含各种异常测量类型的新息、马氏距离、量测噪声协方差矩阵作为ANFIS的输入信息，获取DVL绝对误差作为期望输出；通过粒子群优化算法优化ANFIS模型参数，训练得到更优的ANFIS模型；在水下航行时，采用训练得到的ANFIS模型对DVL的四波束绝对误差进行在线预测；进一步地，基于ANFIS预测结果，通过异常判别机制监测误差的特征变化，有选择的补偿DVL测量值，用于组合导航系统量测更新过程。本发明能够提高复杂水下环境中SINS/DVL紧组合导航系统的定位精度和鲁棒性。
-
公开(公告)号：CN111024064B
公开(公告)日：2021-10-19
申请号：CN201911163364.0
申请日：2019-11-25
Applicant: 东南大学
Abstract: 本发明公开了一种改进Sage‑Husa自适应滤波的SINS/DVL组合导航方法，其主要目的在于解决外部量测噪声未知情况下基于SINS/DVL的组合导航问题。本发明的主要步骤包括：空间模型建立、滤波状态更新、滤波增益计算及量测更新、量测噪声方差阵计算和可变滑动窗处理等。本发明可以解决外部量测噪声未知情况下的SINS/DVL组合导航精度差和稳定性差的问题。相比目前普遍采用的基于Sage‑Husa的SINS/DVL的组合导航方法，本方法能够准确估计外界量测噪声，进一步提高组合导航精度和系统稳定性。
-
公开(公告)号：CN111578936A
公开(公告)日：2020-08-25
申请号：CN202010385732.2
申请日：2020-05-09
Applicant: 东南大学
Abstract: 本发明公开了一种基于IMM-UKF的惯性/超短基线多参数标定方法，具体步骤包括：以空间任意点为原点建立投影坐标系，在此基础上建立惯性、超短基线、卫星定位、深度计各传感器位置、姿态间的矢量关系及方位表达，选定9维待估计参数为状态量，构建系统与观测模型；设置IMM中各模型初始概率并计算各滤波器初始状态及协方差矩阵；根据系统及观测模型采用三个UKF分别进行滤波，并用贝叶斯假设检验方法模型更新；根据权重输出交互，输出最终滤波结果。与现有惯性/超短基线标定方法相比，本发明能实现应答器位置、惯性/超短基线杆臂和安装误差角9维参数的同时标定，有效提高复杂环境下惯性/超短基线标定参数的收敛速度、精度及鲁棒性。
-
公开(公告)号：CN111323012A
公开(公告)日：2020-06-23
申请号：CN202010334588.X
申请日：2020-04-24
Applicant: 东南大学
Abstract: 本发明公开了一种载体高动态情况下的INS辅助DVL测速误差补偿方法，包括：首先更新INS的姿态、速度和位置信息；其次在DVL发射时刻，记录INS姿态、速度信息；在DVL接收时刻，利用DVL发射时刻与DVL接收时刻INS分别输出的姿态、速度信息补偿校正DVL测速信息；最后对校正后的DVL测速信息与INS输出信息进行卡尔曼滤波融合，输出组合导航结果，同时对INS进行反馈校正，重复上述步骤，直到导航任务结束。本发明能有效地提高载体高动态情况下的DVL测速精度，从而提高INS/DVL组合导航精度。
-
公开(公告)号：CN110567454A
公开(公告)日：2019-12-13
申请号：CN201910847266.2
申请日：2019-09-08
Applicant: 东南大学
Abstract: 本发明公开了一种基于SINS/DVL紧组合的水下航行器导航方法，具体包括以下步骤：步骤1：根据SINS/DVL系统的采集数据，建立状态方程；步骤2：根据步骤1中的状态方程建立量测方程；步骤3：对DVL波束信息缺失处理；步骤4：DVL波束信息受到洋流影响处理；步骤5：基于卡尔曼滤波的数据融合处理：根据步骤1和步骤2中的状态方程和量测方程，建立卡尔曼递推估计，将卡尔曼递推估计得到的状态向量反馈到SINS结果中便得到了最终的位置和速度信息。本发明能够在复杂的环境下抑制组合导航误差发散，为未来SINS/DVL紧组合方向的研究提供参考价值。
-
Patent Agency Ranking
公开(公告)号：CN110375731A
公开(公告)日：2019-10-25
申请号：CN201910583501.X
申请日：2019-07-01
Applicant: 东南大学
Abstract: 本发明公开了一种混合交互式多模型滤波方法，包括：首先建立应用对象的系统模型与观测模型，根据外信息噪声统计特性变化情况，建立总模型集并采用临近的三个模型描述当前噪声特性；采用滑动窗口对历史序列中鲁棒滤波实时噪声方差阵进行存储，根据平滑后的噪声统计特性自适应选择合适的模型；设置各模型的初始概率及各滤波器的混合初始状态、协方差矩阵，根据系统模型、观测模型进行状态估计与协方差矩阵更新过程，并采用贝叶斯假设检验方法进行模型更新；根据权重进行输出交互过程，输出最终滤波结果。以惯性/多普勒组合导航系统为例，本发明能有效地缓解多普勒测速信息中存在的噪声突变型误差及野值的干扰。
-
公开(公告)号：CN109975760A
公开(公告)日：2019-07-05
申请号：CN201910241067.7
申请日：2019-03-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于双矢量重构的基阵安装误差角高精度标定方法和装置，适用于多个接收阵元基阵的安装误差角校正，也适用于各类雷达天线基阵安装误差校正。本发明采用高精度水下定位的方法对水下目标应答器进行高精度定位，得到目标应答器在参考坐标系下的参考真值把载有收发器的母船在1‑2倍应答器深度的半径范围内环绕水下应答器缓慢航行，在航行过程中水下应答器进行USBL解算同时记录USBL载体在参考坐标系下的坐标值通过3个点构建2个共点的矢量，通过对构建矢量进行相关性判断，达到对USBL收发基阵安装误差估计精度的控制。本发明能够快速有效提高收发基阵与安装基座之间的安装误差角的估计精度，从而提高阵列定位系统的定位精度。
-
公开(公告)号：CN104655131B
公开(公告)日：2017-07-18
申请号：CN201510063634.6
申请日：2015-02-06
Applicant: 东南大学
IPC: G01C21/16
Abstract: 本文件公开声明了一种基于迭代强跟踪球面最简相径容积卡尔曼滤波(Iterated Strong Tracking Spherical Simplex‑Radial Cubature Kalman Filter,ISTSSRCKF)的初始对准方法，采用SSR规则选取CKF的容积点；将强跟踪滤波中的渐消因子引入到CKF的时间和量测更新方程之中；再将Gauss‑Newton迭代算法引入并改进迭代过程中相应的新息方差和协方差。对于在大失准角和晃动基座条件下的初始对准问题，本发明采用SSR规则采样减少了高阶CKF中过多的采样点，引入强跟踪算法克服了模型不准确时CKF性能下降的问题，使用迭代过程充分利用最新量测信息，从而有效地降低状态估计误差，获得优于标准CKF的初始对准精度。
-
公开(公告)号：CN106054134A
公开(公告)日：2016-10-26
申请号：CN201610340104.6
申请日：2016-05-20
Applicant: 东南大学
IPC: G01S5/22
CPC classification number: G01S5/22
Abstract: 本发明公开了一种基于TDOA的快速定位方法，其主要目的在于解决被测目标在近距、远距多场景下依靠多个信号接收器探测的时间差进行位置求解的问题。本发明的主要步骤包括：坐标与距离方程的建立、中心距离的求解、目标坐标的求解、建立距离约束和球面关系约束，求解目标坐标的修正解。本发明可以解决水下航行器被动式探测、定位问题，也可用于无线电定位、超声波定位、室内定位等其他基于TDOA的定位问题。相比于目前普遍采用的Chan算法，解决了近距、远距算法不统一，存在模糊解的问题，精度和稳定性均得到进一步提高。比较于Taylor算法，无需外部初值和递归运算，大大减小运算量，而精度和稳定性不变。
-
公开(公告)号：CN115628748B
公开(公告)日：2025-04-29
申请号：CN202211298410.X
申请日：2022-10-23
Applicant: 东南大学
IPC: G01C21/32 , G01C21/34 , G01C21/00 , G01S17/88 , G06Q10/047
Abstract: 本发明公开了一种基于分层混合代价地图的改进Q‑learning路径规划方法，包括：基于输入点云，对负障碍、斜面障碍和路面平整度的可通行性分析。再根据不同地形的可通行性，建立多层代价地图，每层代价地图对应不同的代价函数，包括可通行区域图、负障碍代价地图、斜面代价地图和平整度代价地图。根据多层代价地图建立排斥势场，根据目标位姿点建立吸引势场，合成排斥势场和吸引势场对Q表格进行初始化。再应用最小转弯半径圆弧段生成Q‑learning的动作空间，经过训练，得到可供无人车直接行走的平滑路径。本发明考虑崎岖复杂地形，可规划出履带式无人车直接通行的路径，并且基于多层代价的人工势场对Q表格赋予初值，可加快算法收敛速度。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.028 seconds)
