一种动态目标定位方法技术

本发明专利技术公开了一种动态目标定位方法，利用惯性测量单元和超宽带模块实时采集数据，过程中重复以下步骤：利用当前时刻采集的数据初始化状态估计和误差协方差矩阵；对误差协方差矩阵SVD分解计算容积点；通过非线性状态模型对容积点进行评估得到传播的体积点；利用体积点更新预测状态和误差协方差。基于更新的预测状态和误差协方差，采用第一卡尔曼滤波器进行预测量更新和卡尔曼增益计算，采用第二卡尔曼滤波器更新状态估计和误差协方差矩阵。采用联邦滤波框架融合两个卡尔曼滤波器的局部估计信息，再更新状态估计和误差协方差矩阵。本发明专利技术在确保了定位精度的同时，减小了滤波算法的计算量；解决了计算过程中产生的舍入误差导致的收敛性问题。收敛性问题。收敛性问题。

【技术实现步骤摘要】
一种动态目标定位方法


[0001]本专利技术涉及导航定位领域，尤其是一种在定位盲区利用基于SVD的衍生容积卡尔曼滤波器和联邦滤波框架进行动态目标定位的方法。

技术介绍

[0002]实现动态目标定位在数学上可以转化成状态滤波问题。目前存在很多用于状态融合的算法，例如基于滤波的方法，统计推断法，以及人工智能方法。其中，扩展卡尔曼滤波器(EKF)是用于非线性系统的最常用状态估计算法。该滤波算法采用一种近似思想，通过泰勒展开式将非线性系统转换为线性系统。但是，当系统的非线性程度较高时，EKF将产生较大的截断误差，从而导致融合结果不准确。无迹卡尔曼滤波器(UKF)使用有限数量的sigma点来近似概率分布，其主要思想就是“近似概率分布要比近似非线性函数更容易”。该方法是将系统作为“黑箱”模型来处理，因此无需考虑非线性的具体模式。因此，UKF是姿态估计和多传感器信息融合最常用的方法之一。在高维系统中，UKF仍需要合理地调整参数以获得更好的滤波效果，这在实际系统中是十分困难的。
[0003]Ienkaran Arasaratnam和Simon Hayk本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态目标定位方法，其特征在于，包括：利用惯性测量单元和超宽带模块实时采集数据，在采集数据过程中重复以下步骤以得到连续的位姿信息：利用当前时刻采集的数据初始化状态估计和误差协方差矩阵；对误差协方差矩阵SVD分解计算容积点；通过非线性状态模型对容积点进行评估得到传播的体积点；利用体积点更新预测状态和误差协方差；基于更新的预测状态和误差协方差，采用第一卡尔曼滤波器进行预测量更新和卡尔曼增益计算，采用第二卡尔曼滤波器更新状态估计和误差协方差矩阵；采用联邦滤波框架融合两个卡尔曼滤波器的局部估计信息，再更新状态估计和误差协方差矩阵。2.如权利要求1所述的动态目标定位方法，其特征在于，每一次计算位姿信息时更新的状态估计和误差协方差矩阵，用于初始化下一次位姿信息计算时的状态估计和误差协方差矩阵。3.如权利要求1所述的动态目标定位方法，其特征在于，所述利用当前时刻采集的数据初始化状态估计和误差协方差矩阵，包括：初始化当前时刻的状态向量；根据当前时刻惯性测量单元采集的数据信息计算当前时刻的状态向量；根据当前时刻超宽带模块采集的测量数据计算当前时刻的测量向量；根据当前时刻的状态向量和测量向量初始化当前时刻的状态估计和误差协方差矩阵。4.如权利要求1所述的动态目标定位方法，其特征在于，所述对误差协方差矩阵SVD分解计算容积点，包括：解计算容积点，包括：ζ
j
被设置为：P
K
为初始化的误差协方差矩阵，S
k
为过渡参数，为容积点，为初始化的状态估计，m为容积点总数，m＝2n，n为状态量的维数，Σ是P
K
的奇异值...

【专利技术属性】
技术研发人员：俞成浦，许尔霈，邱凡朔，封蕴籍，郭云龙，
申请(专利权)人：北京理工大学重庆创新中心，
类型：发明
国别省市：