[go: up one dir, main page]

CN108169722A - 一种未知干扰影响下传感器的系统偏差配准方法 - Google Patents

一种未知干扰影响下传感器的系统偏差配准方法 Download PDF

Info

Publication number
CN108169722A
CN108169722A CN201711236179.0A CN201711236179A CN108169722A CN 108169722 A CN108169722 A CN 108169722A CN 201711236179 A CN201711236179 A CN 201711236179A CN 108169722 A CN108169722 A CN 108169722A
Authority
CN
China
Prior art keywords
sensor
deviation
measurement
system deviation
target
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.)
Pending
Application number
CN201711236179.0A
Other languages
English (en)
Inventor
周林
付春玲
王俊
胡振涛
金勇�
李军伟
张景
张景一
靳兵
方拥军
李腾飞
张世奇
刘�英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University
Original Assignee
Henan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University filed Critical Henan University
Priority to CN201711236179.0A priority Critical patent/CN108169722A/zh
Publication of CN108169722A publication Critical patent/CN108169722A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)

Abstract

本发明所采用的技术方案是：首先通过两部传感器对同一目标的状态的滤波值，构造关于传感器系统偏差的伪量测方程；其次进行与传感器系统偏差状态转移方程的联合，构成新的传感器量测系统模型；最后通过利用与该系统对应的滤波算法进行滤波估计，从而估计出各个传感器的系统偏差。采用本发明所提出的技术方案可有效解决在机动目标的动态演化模型未知且在量测过程中受到外界未知扰动影响的问题，且可对传感器的系统偏差进行准确计算。

Description

一种未知干扰影响下传感器的系统偏差配准方法
技术领域
本发明涉及多源信息融合中的多传感器偏差配准技术领域，尤其涉及一种未知干扰影响下传感器的系统偏差配准方法。
背景技术
信息融合是一种多层次、多方面的处理过程，包括对多源数据进行检测、相关、组合和估计，从而提高状态和身份估计的精度，以及对战场态势和威胁的重要程度进行适时完整的评价。在多传感器协同跟踪中，找到合适的、最优的融合方法是数据融合的关键所在。由于单个传感器量测时会因多种因素使得量测数据不精确，因此对传感器系统偏差进行配准是一个重要的步骤。
融合系统中主要分随机偏差和系统偏差两类，随机偏差可通过滤波方法进行消除，或者通过大量数据测量和分析得到统计特性，进而削弱随机偏差对测量结果的影响。而系统偏差属于确定性的偏差且无法通过滤波方法来消除，需要利用相关算法对其估计并依据估计结果对实际的目标量测进行校准或补偿，这种方法称为系统偏差配准。
传感器的配准是指多传感器数据“无偏差”转换时所需要的处理过程，为解决多传感器的配准问题，传统的配准算法主要有离线估计法、在线估计法及联合估计法三类。传统系统偏差估计算法研究通常假设其具有一定动态演化模型且探测目标具有机动模型，但由于外界不同区域的气候、地形及照射光线的各异，外来人为干扰的增多，系统自身的非线性、多模型等问题的存在，都会导致描述系统的目标运动模型难以建立以及量测结果发生较大突变，因此，很多传统的系统偏差估计算法不再适用解决上述情况下随机性系统偏差问题。因此，对含未知干扰的系统偏差估计方法算法显得尤为重要。
在机动目标的动态演化模型难以建立且传感器受到电磁、敌机、环境等外界非常规外来干扰随机未知扰动影响的情况下，充分利用多个传感器的量测信息，并通过将含未知干扰的状态空间量测信息投影到传感器系统偏差空间，消去原始量测信息中关于系统状态和扰动带来的量测偏差，避免目标运动状态与传感器系统偏差的关联，进而设计一种无偏滤波器来实现对传感器系统偏差的无偏估计，达到对待测目标系统的量测轨迹实时配准的目的。
发明内容
本发明的目的在于提供一种未知干扰影响下传感器的系统偏差配准方法，该方法在机动目标的动态演化模型未知且在量测过程中受到外界未知扰动影响的情况下，可以准确估计传感器的系统偏差。
为实现上述目的，本发明采用如下技术方案，一种未知干扰影响下传感器的系统偏差配准方法，其特征在于，具体包括以下步骤：
步骤1：对待测目标系统进行初始化；
步骤2：建立所述待测目标系统的系统状态空间模型，所述系统状态空间模型包括系统偏差模型、目标状态模型、量测模型；
步骤3：根据所述量测模型中的量测值和卡尔曼滤波算法，将所述量测值由所述目标状态模型对应的目标状态空间转换到所述系统偏差模型对应的系统偏差空间，以构造关于所述传感器的系统偏差的伪量测方程；
步骤4：根据所述伪量测方程与系统偏差状态转移方程，进行滤波器设计；
步骤5：利用所述滤波器计算所述传感器的所述系统偏差；
步骤6：所述系统偏差得到系统偏差估算值，根据所述系统偏差估算值对所述传感器的所述量测值进行配准操作。
进一步，在本发明中，所述步骤1中，所述初始化包括对每个所述传感器的系统偏差值、所述系统状态转移方程和系统量测方程中的噪声协方差值进行设置。
进一步，在本发明中，所述步骤2中，所述系统状态空间模型中的所述传感器对应的所述系统偏差模型、所述量测模型以及所述系统状态转移模型方程分别为：
x(k+1)＝Fxx(k)+vx(k)
其中，k表示第k个采样时刻，k+1表示第k个采样时刻的下一个采样时刻，k＝1,2,…,L，L表示为设定的采样时刻数目；i表示所述传感器序号，i＝1,2,…,m，m表示所述传感器的总数；对于所述传感器i，bi(k)是在第k个采样时刻的系统偏差向量，是系统偏差状态转移矩阵；是含系统偏差的量测向量，Hi是量测矩阵，x(k)是系统状态向量，Gi是所述传感器i在量测过程中受到无任何先验知识的未知输入驱动ui(k)的控制矩阵；x(k)表示运动目标在第k个采样时刻的状态，Fx表示系统目标运动的状态转移矩阵；所述传感器i的系统噪声与观测噪声wi以及状态噪声vx协方差均已知且相互独立。
进一步，在本发明中，所述步骤3中，根据所述量测值和所述卡尔曼滤波算法，将所述量测值由所述系统状态空间转换到所述系统偏差空间，构造关于所述传感器的所述系统偏差的所述伪量测方程，利用所述传感器对所述待测目标系统的观测方程定义所述待测目标系统的无偏量测方程为：z(k)＝Hix(k)+Giui(k)+wi(k)，用所述卡尔曼滤波算法对所述传感器i进行滤波，得到k+1时刻的状态滤波值为：
其中，Ki(k)表示所述传感器i在k时刻的卡尔曼滤波增益，将式(1)变形以后得：
其中，为Ki(k+1)的广义逆，为k+1时刻的状态估计值，I为单位矩阵，为k时刻的状态估计值。
进一步，在本发明中，对于同一所述待测目标系统，具有m个所述传感器，任取两个传感器，设为传感器α，传感器β，则所述传感器α与所述传感器β的量测环境相同，则Hα＝Hβ，Gα＝Gβ；且所述传感器α与所述传感器β具有相同的所述系统状态转移方程，从而可消除所述系统状态转移方程中所述传感器α与所述传感器β的对应公共量，即得到所述系统偏差的所述伪量测方程：
其中，
所述待测目标系统，具有m个所述传感器时，具有个所述伪量测方程。
进一步，在本发明中，所述步骤4中，利用得到的所述伪量测方程结合所述传感器的所述系统偏差状态转移方程，进行滤波器设计：
zb(k+1)＝Hb(k+1)b(k+1)+W(k+1)
利用所述卡尔曼滤波算法，通过前一时刻的估计值和当前时刻的观测值得到当前时刻的估计值，即所述传感器的所述系统偏差估计值bi(k+1)。
进一步，在本发明中，所述步骤5中，在笛卡尔坐标系中，所述传感器i的系统偏差在x轴和y轴方向的系统偏差分别为xk(i)和yk(i)，则bi(k)＝x[k(i),yk(i)]T，其中，()T表示矩阵转置，利用步骤4所设计的滤波器可以得到传感器i在x轴和y轴方向的所述系统偏差估计值和
进一步，在本发明中，所述步骤6中，根据所述系统偏差估计值对所述传感器的所述量测值进行配准，配准表达式为：
其中，和分别表示在笛卡尔坐标系中感器i在第k个采样时刻待测目标系统的x轴和y轴方向配准后的量测值，和分别表示在笛卡尔坐标系中感器i在第k个采样时刻待测目标系统的x轴和y轴方向真实值；和分别表示所述卡尔曼滤波算法在x轴和y轴方向得到的所述系统偏差估计值。
进一步，在本发明中，具有步骤7：重复所述步骤2至所述步骤6，直至在所有采样时刻，对所述待测目标系统，均完成所述传感器的所述系统偏差的估计，进行量测轨迹的配准，以实现所述待测目标系统的量测轨迹实时配准。
本发明主要针对系统状态转移方程过于复杂或者不存在系统状态转移方程，并且传感器在量测过程中受到外界扰动的影响的多传感器量测系统。首先通过两部传感器对同一目标的状态的滤波值，构造关于传感器系统偏差的伪量测方程；然后进行与传感器系统偏差状态转移方程的联合，构成新的传感器量测系统模型；最后通过利用与该系统对应的滤波算法进行滤波估计，从而估计出各个传感器的系统偏差。
附图说明
图1为本发明的流程图。
具体实施方式
下面具体结合附图，对本发明的技术方案进行详细说明。
如图1所示，本发明所述的未知干扰影响下传感器的系统偏差配准方法，包括以下步骤：
(1)对待测目标系统进行初始化；
具体的对建立的待测目标系统的系统偏差和协方差值进行初始化。
具体的，所述初始化包括对每个所述传感器的系统偏差值、所述系统状态转移方程和系统量测方程中的噪声协方差值进行设置。
(2)建立所述待测目标系统的系统状态空间模块，所述系统状态空间模型包括系统偏差模型、目标状态模型、量测模型；
所述系统状态空间模型中的所述传感器i对应的所述系统偏差模型、所述量测模型以及所述系统状态转移模型方程分别为：
x(k+1)＝Fxx(k)+vx(k)
其中，k表示第k个采样时刻，k+1表示第k个采样时刻的下一个采样时刻，k＝1,2,…,L，L表示为设定的采样时刻数目；i表示所述传感器序号，i＝1,2,…,m，m表示所述传感器的总数；对于所述传感器i，bi(k)是在第k个采样时刻的系统偏差向量，是系统偏差状态转移矩阵；是含系统偏差的量测向量，Hi是量测矩阵，x(k)是系统状态向量，Gi是所述传感器i在量测过程中受到无任何先验知识的未知输入驱动ui(k)的控制矩阵；x(k)表示运动目标在第k个采样时刻的状态，Fx表示系统目标运动的状态转移矩阵；所述传感器i的系统噪声与观测噪声wi以及状态噪声vx协方差均已知且相互独立。
(3)根据所述量测模型中的量测值和卡尔曼滤波算法，将所述量测值由所述目标状态模型块对应的目标状态空间转换到所述系统偏差模型对应的系统偏差空间，以构造关于所述传感器的系统偏差的伪量测方程；
根据传感器对目标的观测方程可定义待测目标系统的无偏量测方程为：z(k)＝Hix(k)+Giui(k)+wi(k)，用卡尔曼滤波理论对传感器i进行滤波，得到k+1时刻的状态滤波值为：
其中，Ki(k)表示所述传感器i在k时刻的卡尔曼滤波增益，将上式(1)进行变形以后可得：
其中，为Ki(k+1)的广义逆，为k+1时刻的状态估计值，I为单位阵，为k时刻的状态估计值。
以两部传感器在笛卡尔坐标系对同一目标进行观测且假定处于相同的测量环境中的量测模型为例，对于同一所述待测目标系统，具有m个所述传感器，任取两个传感器，设为传感器α，传感器β，则所述传感器α与所述传感器β的量测环境相同，则Hα＝Hβ，Gα＝Gβ；且所述传感器α与所述传感器β具有相同的所述系统状态转移方程，从而可消除所述系统状态转移方程中所述传感器α与所述传感器β的对应公共量，即得到所述系统偏差的所述伪量测方程：
其中，
所述待测目标系统，具有m个所述传感器时，具有个所述伪量测方程。
传感器数量愈多对目标跟踪精度愈高，当传感器数量大于2时，可利用上述方法使传感器两两组合从而得到个伪量测方程。
(4)利用步骤(3)新得到的伪量测方程联合步骤(2)的传感器系统偏差状态转移方程，进行滤波器设计；
由步骤(3)中得到的伪量测方程联合步骤(2)的传感器系统偏差状态转移方程，进行滤波器设计：
利用所述卡尔曼滤波算法，通过前一时刻的估计值和当前时刻的观测值得到当前时刻的估计值，即所述传感器的所述系统偏差估计值bi(k+1)。
具体的，在该所述步骤4中用到的关键推导过程如下：
①计算所述传感器i的k+1时刻系统偏差预测值及其协方差矩阵Pi(k+1|k)：
②计算增益矩阵：
③计算所述传感器i的k+1时刻系统偏差估计值及其协方差矩阵Pi(k+1)：
其中，T表示矩阵的转置，-1表示矩阵的逆，另外，对于传感器i，表示k时刻系统偏差估计值，表示k+1时刻系统偏差估计值，表示k+1时刻系统偏差预测值；Pi(k)表示k时刻系统偏差协方差，Pi(k+1)表示k+1时刻系统偏差协方差，Pi(k+1|k)表示k+1时刻系统偏差预测协方差；表示k+1时刻含系统偏差的量测值，表示k+1时刻量测的估计值；表示系统偏差状态转移矩阵，Hb表示伪量测方程的量测矩阵，Ki(k+1)表示最优增益矩阵，另外Qb和Qw分别表示相应的噪声协方差。
(5)利用所述滤波器计算所述传感器的所述系统偏差；
由于传感器在笛卡尔坐标系中对目标量测，假设传感器i系统偏差包含在x轴和y轴方向的系统偏差xk(i)和yk(i)，即bi(k)＝[xk(i),yk(i)]T。利用步骤(4)所设计的滤波器可以得到传感器i在x轴和y轴方向的系统偏差估计值和
(6)所述系统偏差得到系统偏差估算值，根据所述系统偏差估算值对所述传感器的所述量测值进行配准操作，配准表达式为：
其中，和分别表示在笛卡尔坐标系中感器i在第k个采样时刻探测到机动目标的x轴和y轴方向配准后的量测值，和分别表示在笛卡尔坐标系中传感器i在第k个采样时刻探测到机动目标的x轴和y轴方向的真实值；和分别表示所提算法在x轴和y轴方向得到的系统偏差估计值。
(7)重复所述步骤2至所述步骤6，直至在所有采样时刻，对所述待测目标系统，均完成所述传感器的所述系统偏差的估计，进行量测轨迹的配准，以实现所述待测目标系统的量测轨迹实时配准。
本发明能够在在机动目标的动态演化模型难以建立及量测受外界随机未知干扰影响的复杂情况下，准确地估计出多传感器系统偏差，实现对目标量测轨迹实时配准。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明的保护范围之内。

Claims (9)

1.一种未知干扰影响下传感器的系统偏差配准方法，其特征在于，包括以下步骤：
步骤1：对待测目标系统进行初始化；
步骤2：建立所述待测目标系统的系统状态空间模型，所述系统状态空间模型包括系统偏差模型、目标状态模型、量测模型；
步骤3：根据所述量测模型中的量测值和卡尔曼滤波算法，将所述量测值由所述目标状态模型对应的目标状态空间转换到所述系统偏差模型对应的系统偏差空间，以构造关于所述传感器的系统偏差的伪量测方程；
步骤4：根据所述伪量测方程与系统偏差状态转移方程，进行滤波器设计；
步骤5：利用所述滤波器计算所述传感器的所述系统偏差；
步骤6：所述系统偏差得到系统偏差估算值，根据所述系统偏差估算值对所述传感器的所述量测值进行配准操作。
2.根据权利要求1所述的一种未知干扰影响下传感器的系统偏差配准方法，其特征在于：所述步骤1中，所述初始化包括对每个所述传感器的系统偏差值、所述系统状态转移方程和系统量测方程中的噪声协方差值进行设置。
3.根据权利要求1所述的一种未知干扰影响下传感器的系统偏差配准方法，其特征在于：所述步骤2中，所述系统状态空间模型中的所述传感器对应的所述系统偏差模型、所述量测模型以及所述系统状态转移模型方程分别为：
x(k+1)＝Fxx(k)+vx(k)
其中，k表示第k个采样时刻，k+1表示第k个采样时刻的下一个采样时刻，k＝1,2,…,L，L表示为设定的采样时刻数目；i表示所述传感器序号，i＝1,2,…,m，m表示所述传感器的总数；对于所述传感器i，bi(k)是在第k个采样时刻的系统偏差向量，是系统偏差状态转移矩阵；是含系统偏差的量测向量，Hi是量测矩阵，x(k)是系统状态向量，Gi是所述传感器i在量测过程中受到无任何先验知识的未知输入驱动ui(k)的控制矩阵；x(k)表示运动目标在第k个采样时刻的状态，Fx表示系统目标运动的状态转移矩阵；所述传感器i的系统噪声与观测噪声wi以及状态噪声vx协方差均已知且相互独立。
4.根据权利要求1所述的一种未知干扰影响下传感器的系统偏差配准方法，其特征在于：所述步骤3中，根据所述量测值和所述卡尔曼滤波算法，将所述量测值由所述系统状态空间转换到所述系统偏差空间，构造关于所述传感器的所述系统偏差的所述伪量测方程，利用所述传感器对所述待测目标系统的观测方程定义所述待测目标系统的无偏量测方程为：z(k)＝Hix(k)+Giui(k)+wi(k)，用所述卡尔曼滤波算法对所述传感器i进行滤波，得到k+1时刻的状态滤波值为：
其中，Ki(k)表示所述传感器i在k时刻的卡尔曼滤波增益，将式(1)变形以后得：
其中，为Ki(k+1)的广义逆，为k+1时刻的状态估计值，I为单位矩阵，为k时刻的状态估计值。
5.根据权利要求4所述的一种未知干扰影响下传感器的系统偏差配准方法，其特征在于：对于同一所述待测目标系统，具有m个所述传感器，任取两个传感器，设为传感器α，传感器β，则所述传感器α与所述传感器β的量测环境相同，则Hα＝Hβ，Gα＝Gβ；且所述传感器α与所述传感器β具有相同的所述系统状态转移方程，从而可消除所述系统状态转移方程中所述传感器α与所述传感器β的对应公共量，即得到所述系统偏差的所述伪量测方程：
其中，
所述待测目标系统，具有m个所述传感器时，具有个所述伪量测方程。
6.根据权利要求1所述的一种未知干扰影响下传感器的系统偏差配准方法，其特征在于：所述步骤4中，利用得到的所述伪量测方程结合所述传感器的所述系统偏差状态转移方程，进行滤波器设计：
zb(k+1)＝Hb(k+1)b(k+1)+W(k+1)
利用所述卡尔曼滤波算法，通过前一时刻的估计值和当前时刻的观测值得到当前时刻的估计值，即所述传感器的所述系统偏差估计值bi(k+1)。
7.根据权利要求1所述的一种未知干扰影响下传感器的系统偏差配准方法，其特征在于：所述步骤5中，在笛卡尔坐标系中，所述传感器i的系统偏差在x轴和y轴方向的系统偏差分别为xk(i)和yk(i)，则bi(k)＝[xk(i),yk(i)]T，其中，OT表示矩阵转置，利用步骤4所设计的滤波器可以得到传感器i在x轴和y轴方向的所述系统偏差估计值和
8.根据权利要求1所述的一种未知干扰影响下传感器的系统偏差配准方法，其特征在于：所述步骤6中，根据所述系统偏差估计值对所述传感器的所述量测值进行配准，配准表达式为：
其中，和分别表示在笛卡尔坐标系中感器i在第k个采样时刻待测目标系统的x轴和y轴方向配准后的量测值，和分别表示在笛卡尔坐标系中感器i在第k个采样时刻待测目标系统的x轴和y轴方向真实值；和分别表示所述卡尔曼滤波算法在x轴和y轴方向得到的所述系统偏差估计值。
9.根据权利要求1所述的一种未知干扰影响下传感器的系统偏差配准方法，其特征在于：具有步骤7：重复所述步骤2至所述步骤6，直至在所有采样时刻，对所述待测目标系统，均完成所述传感器的所述系统偏差的估计，进行量测轨迹的配准，以实现所述待测目标系统的量测轨迹实时配准。
CN201711236179.0A 2017-11-30 2017-11-30 一种未知干扰影响下传感器的系统偏差配准方法 Pending CN108169722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711236179.0A CN108169722A (zh) 2017-11-30 2017-11-30 一种未知干扰影响下传感器的系统偏差配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711236179.0A CN108169722A (zh) 2017-11-30 2017-11-30 一种未知干扰影响下传感器的系统偏差配准方法

Publications (1)

Publication Number Publication Date
CN108169722A true CN108169722A (zh) 2018-06-15

Family

ID=62524264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711236179.0A Pending CN108169722A (zh) 2017-11-30 2017-11-30 一种未知干扰影响下传感器的系统偏差配准方法

Country Status (1)

Country Link
CN (1) CN108169722A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765608A (zh) * 2019-10-18 2020-02-07 西安工业大学 一种用于微机电系统传感器的高精度交互两级估计算法
CN112067844A (zh) * 2020-05-17 2020-12-11 西北工业大学 Mems传感器阵列式高精度输出控制方法
CN114612757A (zh) * 2022-01-28 2022-06-10 深圳市神州云海智能科技有限公司 一种基于深度学习的多源导航图像融合方法及系统
CN120539571A (zh) * 2025-07-02 2025-08-26 中科苏州微电子产业技术研究院 面向晶圆级测试的多探针协同接触控制与调节方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090058417A1 (en) * 2007-07-20 2009-03-05 Yanasak Nathan E Test object for use with diffusion MRI and system and method of synthesizing complex diffusive geometries using novel gradient directions
WO2015000056A1 (en) * 2013-07-02 2015-01-08 Guy Martin System and method for imaging device modelling and calibration
CN104809326A (zh) * 2014-06-23 2015-07-29 方洋旺 一种异步传感器空间配准算法
CN106202926A (zh) * 2016-07-11 2016-12-07 河南大学 基于多节点协同探测的空间系统偏差配准优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090058417A1 (en) * 2007-07-20 2009-03-05 Yanasak Nathan E Test object for use with diffusion MRI and system and method of synthesizing complex diffusive geometries using novel gradient directions
WO2015000056A1 (en) * 2013-07-02 2015-01-08 Guy Martin System and method for imaging device modelling and calibration
CN104809326A (zh) * 2014-06-23 2015-07-29 方洋旺 一种异步传感器空间配准算法
CN106202926A (zh) * 2016-07-11 2016-12-07 河南大学 基于多节点协同探测的空间系统偏差配准优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANGDONG LIN 等: "Exact Multisensor Dynamic Bias Estimation with Local Tracks", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 *
ZHOU JIE 等: "Joint estimation of state and bias based on generalized systematic model", 《2015 34TH CHINESE CONTROL CONFERENCE (CCC)》 *
于凤满: "基于模型的传感器故障诊断研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765608A (zh) * 2019-10-18 2020-02-07 西安工业大学 一种用于微机电系统传感器的高精度交互两级估计算法
CN110765608B (zh) * 2019-10-18 2023-05-12 西安工业大学 一种用于微机电系统传感器的高精度交互两级估计方法
CN112067844A (zh) * 2020-05-17 2020-12-11 西北工业大学 Mems传感器阵列式高精度输出控制方法
CN114612757A (zh) * 2022-01-28 2022-06-10 深圳市神州云海智能科技有限公司 一种基于深度学习的多源导航图像融合方法及系统
CN120539571A (zh) * 2025-07-02 2025-08-26 中科苏州微电子产业技术研究院 面向晶圆级测试的多探针协同接触控制与调节方法及系统

Similar Documents

Publication Publication Date Title
CN110926460B (zh) 一种基于IMU的uwb定位异常值处理方法
CN104730537B (zh) 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法
CN101221238B (zh) 基于高斯均值移动配准的动态偏差估计方法
CN104715154B (zh) 基于kmdl准则判据的核k‑均值航迹关联方法
CN113091738A (zh) 基于视觉惯导融合的移动机器人地图构建方法及相关设备
CN110231620B (zh) 一种噪声相关系统跟踪滤波方法
CN104330083A (zh) 基于平方根无迹卡尔曼滤波的多机器人协同定位算法
CN108169722A (zh) 一种未知干扰影响下传感器的系统偏差配准方法
CN109509207B (zh) 一种对点目标和扩展目标进行无缝跟踪的方法
CN109254532A (zh) 一种面向通信时滞的多智能体分布式合作故障检测方法
Hu et al. Research on ship motion prediction algorithm based on dual-pass long short-term memory neural network
CN107633256A (zh) 一种多源测距下联合目标定位与传感器配准方法
CN105447574A (zh) 一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置
CN105785358B (zh) 一种方向余弦坐标系下带多普勒量测的雷达目标跟踪方法
CN110738275A (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN108120452B (zh) Mems陀螺仪动态数据的滤波方法
CN106707234B (zh) 一种联合时延差与角度测量的传感器网络目标定位方法
CN109471192A (zh) 一种全自动重力测试仪高精度动态数据处理方法
CN115857559A (zh) 一种纯角度目标跟踪方法及系统
Yi et al. PEBO-SLAM: Observer design for visual inertial SLAM with convergence guarantees
CN106202926B (zh) 基于多节点协同探测的空间系统偏差配准优化方法
Avitzour Novel scene calibration procedure for video surveillance systems
CN111854729B (zh) 一种基于运动信息和属性信息的航迹关联方法
Liu et al. LGC-Net: Lightweight Gyroscope Errors Compensation Network for Effective Attitude Estimation
CN110031802B (zh) 具有未知量测零偏的双红外传感器的融合定位方法

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180615