基于UWB/PDR的航向发散自适应修正算法研究
DOI:
CSTR:
作者:
作者单位:

1.重庆邮电大学 自主导航与微系统重庆市重点实验室 重庆 400065;2.重庆邮电大学 智能传感技术与微系统重庆市高校工程研究中心 重庆400065

作者简介:

通讯作者:

中图分类号:

TP391

基金项目:

国家自然科学基金(61901069);重庆市教委基础研究项目(KJQN202000605)资助


Research on adaptive correction algorithm of heading divergence based on UWB/PDR
Author:
Affiliation:

1. Autonomous Navigation and Microsystem Chongqing Key Laboratory,Chongqing University of Post and Telecommunications,Chongqing 400065, China;2. Chongqing Engineering Research Center of Intelligent Sensing Technology and Microsystem, Chongqing University of Post and Telecommunications, Chongqing 400065, China

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    为解决航位推算(PDR)算法累积误差过大并且长航时航向发散的问题,提出了一种基于UWB/PDR自适应扩展卡尔曼滤波(EKF)融合算法。该算法通过UWB定位值和PDR实时解算位置得到自适应校准因子,通过在常规的EKF算法的基础上增加自适应校准因子动态调整UWB观测值的权重来校准位置误差。并用UWB的实时测距对PDR的航向发散进行周期性修正。实验结果表明:自适应EKF融合算法相较于纯PDR航向发散误差降低了63.9%,相较于标准EKF融合算法发散误差降低了31.1%,同时定位百米误差降至0.33m。

    Abstract:

    To solve the problem of excessive cumulative error and long heading divergence in the position projection (PDR) algorithm, an adaptive extended Kalman filter (EKF) fusion algorithm based on UWB/PDR is proposed. The adaptive calibration factor can be achieved from the UWB positioning value and the PDR real-time position solution, and the position error is calibrated by dynamically adjusting the weight of the UWB observation with the adaptive calibration factor based on the conventional EKF algorithm. And the real-time ranging of the UWB is used to periodically correct the heading divergence of the PDR. The experimental results show the heading dispersion error is reduced by 63.9% with the adaptive EKF fusion algorithm compared to the pure PDR and 31.1% compared to the general EKF fusion algorithm, Moreover, the positioning 100m error is reduced to 0.33m.

    参考文献
    相似文献
    引证文献
引用本文

刘 宇,谢 宇,彭 慧,邹新海,李汪润,赵博隆.基于UWB/PDR的航向发散自适应修正算法研究[J].电子测量技术,2022,45(3):98-103

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2024-06-14
  • 出版日期:
文章二维码