矢量道路数据辅助惯性导航定位的技术与方法研究

正在战时或其他非常规的无源环境下,无法采用卫星导航定位方式对惯性导航系统的累积误差进行修正,基于此本文研究了基于矢量道路数据的辅助惯性导航(aided inertial navigation system,AINS)定位的基本理论和方法。首先利用GPS-RTK移动测量技术获取相应导航区域高精度的矢量道路数据,并进行数据的模型构建     

激光SLAM移动机器人室内定位研究

针对目前室内移动导航定位精度低和累积误差大的问题，提出了一种激光雷达（LiDAR）和惯性测量单元（IMU）相融合的导航定位系统。首先，该方法是从LiDAR扫描测量中提取环境特征和构建地图，然后，由IMU采集的姿态信息通过卡尔曼滤波，补偿由于LiDAR扫描引起的位置和姿态输出的误差，以提高机器人移动的定位精度。试验结果表明，该方法可以提高室内移动机器人定位和构建地图的精度和稳健性。     

一种城市环境下GNSS/MEMS IMU车载实时精密定位方法

针对城市环境下全球导航卫星系统(global navigation satellite system,GNSS)信号严重遮挡和微机械惯性测量单元(micro-electro-mechanical system inertial measurement unit,MEMS IMU)误差快速累积导致GNSS/惯性导航系统(inertial navigation system,INS)组合定位精度下降的问题,提出了一种GNSS载波相位实时动态差分(real time kinematic,RTK)+载波相位时间差分(time-differenced carrier phase,TDCP)/INS实时精密定位方法。在观测条件良好时,采用固定模糊度的RTK与INS紧组合;当信号严重遮挡RTK解算失败但TDCP解算成功时,使用TDCP观测值与INS紧组合;若TDCP解算失败,采用INS推算导航。在武汉大学校园及周边开展车载实验,结果表明,在除了隧道等密闭环境以外的城市道路上,多系统GNSS的TDCP解算成功率接近90%。在RTK解算失败的连续时间小于45 s的复杂环境下,TDCP/INS组合定位的平...     

神经网络在SINS/GPS组合定位中的应用

地籍测量中,单一系统无法满足定位要求,组合定位技术应运而生. 其中,捷联惯性导航系统(SINS)和GPS组合定位应用最为广泛.在卫星信号受到干扰失效区域,系统进入纯SINS解算,定位误差会逐渐累积,无法满足定位精度要求. 针对此问题,提出一种长短期记忆(LSTM)神经网络辅助的组合定位算法. 根据LSTM神经网络能够有效运用于长距离时间序列的特性,在GPS有效区域,用卡尔曼滤波(KF)算法对SINS/GPS信号进行数据融合得到精确定位信息,同时利用惯性测量单元(IMU)、GPS和SINS输出信息对神经网络进行训练;在GPS失效区域,利用训练好的神经网络预测GPS位置信息,使得系统能继续用卡尔曼滤波器滤波. 最后结合地籍测量特点,设计了仿真实验,证明了该算法在GPS信号失效时可以有效抑制系统误差发散、提高定位精度,在不同运动状态下依然可以满足定位精度要求、鲁棒性强.      

车载移动测量中定位定姿系统误差校正与补偿研究

讨论了全球导航卫星系统(global navigation satellite system,GNSS)/里程计(odometer,ODO)/惯性导航系统(inertial navigation system,INS)组合定位定姿中误差校正与ODO/INS组合导航两个方面的问题。针对里程计刻度因子和安装误差角的校正,在不改变原GNSS/INS滤波器的基础上,设计了GNSS/INS与INS/ODO两级卡尔曼滤波器级联结构,将INS导航误差与里程计刻度因子误差、安装误差角分别列入两个滤波器的系统状态中,在GNSS连续观测和固定模糊度条件下,利用里程计和惯导里程增量之差作为INS/ODO卡尔曼滤波器的外部观测,对误差进行校正。另一方面,使用校正过的里程计和安装误差角,在GNSS失锁条件下对INS进行观测和修正。跑车实验结果表明,本文算法可以有效校正里程计刻度因子和定位定姿(positioning and orientaton system,POS)安装误差角,同时大幅提高GNSS失锁条件下的定位精度,配合平滑卡尔曼滤波器,可将城市移动测量两分钟GNSS失锁条件下的定位误差控制在0.5m以内。     

城市环境下智能手机车载GNSS/MEMS IMU紧组合定位算法

针对城市环境下卫星信号遮挡严重,智能手机全球导航卫星系统(global navigation satellite system,GNSS)定位难以保证连续性和可靠性的问题,提出了一种基于智能手机内置传感器数据的GNSS/微机械惯性测量单元（microelectro-mechanical system inertial measurement unit,MEMS IMU)紧组合车载导航算法。算法使用惯性导航系统机械编排进行时间更新,在车辆运动模型约束的基础上,使用伪距、多普勒频移和载波相位时间差分计算的航向角作为观测值进行测量更新。采用3部不同型号的智能手机进行车载试验分析,结果表明：城市场景下紧组合滤波定位算法平面位置精度统计约为5～6 m,高程方向约为5 m,且在GNSS信号失锁的隧道场景下具有短时间推算功能。该算法受GNSS观测条件的影响较小,大幅提升了城市复杂环境下智能手机车载定位的连续性和可靠性。     

运动状态下MEMS IMU随机误差的Allan方差分析方法

在车载全球卫星导航系统（global navigation satellite system,GNSS）/微机械系统（micro-electro mechanical system,MEMS）惯性测量单元（inertial measurement unit,IMU）组合导航滤波解算时,通常使用MEMS厂商标定的加速度计和陀螺仪的随机模型参数（简称为标称参数）。这些标称参数由传感器厂商在静止状态或通过实验室转台设备来测定,是否适用于运动状态下的组合导航滤波解算并获得最优的定位精度,需要进一步研究和评估。本文提出了一种运动状态下MEMS IMU随机误差的Allan方差分析方法,将不同精度等级的IMU安装在同一车载平台上同步采集观测数据,用高精度IMU观测数据提取车辆运动信息,然后从低精度MEMS IMU观测数据中剔除车辆运动信息得到类似静止的观测数据,进行Allan方差分析,获得运动状态下的MEMS随机模型参数,并将其应用于GNSS/惯性导航系统（inertial navigation system,INS）组合导航解算。试验结果表明,采用运动状态下标定的随机模型参数,组合导航的定位精度优...     

封闭环境下限制误差发散的高精度导航定位

基于GNSS系统的导航定位设备在封闭或受阻环境下导航精度受限,为此,提升地下空间或室内定位精度,摆脱对GNSS的依赖是当前的研究热点。针对该问题,本文研究了LiDAR+IMU+DMI多源传感器导航定位技术,通过将LiDAR控制标靶数据带入卡尔曼滤波方程,计算IMU+DMI组合的误差状态向量,限制其误差发散,从而获取设备的高精度位置。该技术能使移动检测设备完全摆脱对GNSS信号的依赖,实现地下封闭空间移动测量设备精确定位,便于地下空间检测。通过在武汉某地铁试验表明,本文算法适用于地下、室内空间封闭环境中无GNSS信号的移动测量设备高精度导航定位。     

机载LiDAR系统定位方程、误差分析与精度评定

本文从机载LiDAR系统几何定位方程出发、基于误差传播规律推导了机载LiDAR系统的综合误差计算公式,分别研究了IMU测角、GPS、激光测距、扫描角等多种误差源对激光脚点定位精度的影响规律,从理论上分析了机载LiDAR系统定位精度.本文的结果对实际应用具有重要的参考价值.     

机载激光LiDAR RIEGL LMS-Q1560扫描系统飞行及预处理研究

LiDAR(Light Detection and Ranging)系统是一种能够直接快速且高精度获取DSM(数字表面模型)数据的激光探测及测距系统,从功能上讲,LiDAR是一种集激光,全球定位系统(GPS)和惯性导航系统(INS)三种技术于一身的系统,也就是将定位及定向测量相结合的激光测量系统.本文主要介绍了我公司通过实验生产,获取及预处理机载激光LIDAR RIEGL LMS-Q1560扫描系统点云数据的方法.