买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学

摘要：本发明公开了基于KF卡尔曼滤波的低空无人机航迹定位修正方法，包括：步骤1，从ADS‑B广播获取北斗无人机定位信息数据，包括x,y,z方向坐标与速度和加速度向量；步骤2，将步骤1中的数据作为原始数据，考虑UAV运动状态为xyz三个方向的匀速直线运动，定义其状态向量与观测向量，将原始和向量数据通过线性卡尔曼滤波器得到滤后序列；步骤3，基于步骤2得到的序列，将线性卡尔曼滤波器改进为无迹卡尔曼滤波器，将步骤1中的数据作为原始数据，考虑UAV运动状态为xyz三个方向的匀加速直线运动，进行无迹卡尔曼滤波的更新，得到修正后的定位信息。定位精度显著提高，且可以减小在城市等复杂环境下定位精度的偏差。

主权项：1.基于KF的低空无人机航迹定位修正方法，其特征在于，包括：步骤1，从ADS-B广播获取北斗无人机定位信息数据，包括x,y,z方向坐标与速度和加速度向量；步骤2，将步骤1中的数据作为原始数据，考虑UAV运动状态为xyz三个方向的匀速直线运动，定义其状态向量与观测向量，将原始数据和向量数据通过线性卡尔曼滤波器得到滤后序列；步骤3，基于步骤2得到的序列，将线性卡尔曼滤波器改进为无迹卡尔曼滤波器，将步骤1中的数据作为原始数据，考虑UAV运动状态为xyz三个方向的匀加速直线运动，进行无迹卡尔曼滤波的更新，得到修正后的定位信息；步骤2中，所有运动系统的状态空间模型表示为：Xk+1＝FXk+γWkAk＝HXk+Vk其中，Xk表示k时刻的真实状态向量，F称为状态转移矩阵，γ称为过程噪声驱动矩阵，而Wk则是k时刻输入的噪声，服从高斯分布，均值为0，方差记为Q；Ak表示k时刻的观测状态向量，H称为观测矩阵，Vk是传感器本身产生的观测噪声，均值为0，方差为R；卡尔曼滤波器最核心的性能指标是求取状态值Xk的最小方差估计值，由射影定理推知所求估计值即为Xk在观测值A1、A2……Ak序列方向上的投影；在初始状态X0预先知道，不依赖于Wk和Vk的前提下，线性卡尔曼滤波器被归结为如下公式：状态预测：状态更新： 滤波增益矩阵：Kk+1＝Pk+1|kHT[HPk+1HT+R]-1协方差阵预测：Pk+1|k＝FPk|kFT+γQγT协方差阵更新：Pk+1|k+1＝[I-Kk+1H]Pk+1|k其中，表示Xk+1在Xk方向的投影，等效看成基于k时刻的状态值对k+1时刻状态的预测值,εk+1表示k+1时刻观测值与根据实际状态预测值的残差，HT表示矩阵的转置，I表示单位矩阵；初始值的设置P0|0＝P0；Kk+1表示k+1时刻的Kalman增益，其值表征预测的优劣，与协方差阵更新优劣Pk+1|k，观测质量优劣R以及观测矩阵H共同决定，目的是合理地使用观测值序列Ak。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于KF的低空无人机航迹定位修正方法