一、多传感器信息融合技术在舰船组合导航系统中的应用（论文文献综述）
王勇军[1]（2021）在《融合多源信息的小型多旋翼无人机位姿估计方法研究》文中指出小型多旋翼飞行器在整个航空领域扮演着越来越重要的角色,其关键技术是飞控系统中的位姿测量以及航姿的控制。本文针对低成本多旋翼无人机位姿精确量测需求,提出并解决了以下两个关键技术问题:1)如何精确可靠地测量无人机载体位姿并消除（或补偿）传感器的测量误差;2)如何利用多源信息融合进一步提高无人机载体位姿估计精度。针对上述关键问题,其相关理论与方法的研究具有重要的学术价值和现实意义,具体的研究内容及创新点可归纳为以下几个方面。（1）为解决无人机传感测量系统的误差问题,首先针对三轴磁强计、三轴加速度计和三轴陀螺仪的误差,给出了统一的三轴矢量传感器误差模型,分析了航姿角度误差及非对准误差,并通过理论分析指出,基于矢量模值不变特性的标量检验法校正传感器会对姿态角造成不可忽视的剩余误差。为此考虑结合三轴磁强计与三轴加速度计采用双矢量内积法和两步法来校正传感器误差及非对准误差。但是矢量内积法需要约束参考矢量,两步法校正非对准误差要求误差补偿矩阵是正交矩阵。因此,提出用于校正三轴矢量传感器的双内积法。双内积法结合标量校验法与矢量内积法的优点,构建双内积误差目标函数,通过对目标函数进行优化求解,得到的补偿矩阵能解决磁强计与机体坐标系及其他传感器之间的非对准误差,且在受测量噪声影响时仍能保持较好的校正效果。（2）三轴陀螺仪的误差大多在动态情况下才能显式的表出,校正三轴磁强计与三轴加速度的方法仅对陀螺仪的零偏等部分误差校正有效。为此提出了标定小型多旋翼无人机航姿测量系统中三轴MEMS陀螺仪的矢量外积算法。该算法能从本质上统一现有各种基于重力矢量的陀螺仪标定方法,表达式更为简洁,过程计算更方便,而且无需速率转台或其他精密基准,适合于使用环境下对三轴MEMS陀螺仪进行现场标定。通过数值模拟和六旋翼无人机现场标定及飞行实验表明,该方法能精确计算陀螺仪的各误差系数,且与采用转台标定方法的精度相当。将矢量外积标定法和递推数据滤波算法结合可获得稳定的姿态角数据,有利于无人机的飞行控制和载荷任务执行。（3）针对多旋翼无人机中姿态融合算法的问题,设计基于MARG传感器的航姿信息滤波结构,分析并改进无人机姿态融合滤波算法,验证姿态信息融合滤波器能提高无人机导航系统输出的姿态信息精度。针对无人机受运动加速度干扰的问题,为提高水平姿态信息融合的精度,提出一种基于矢量观测的运动加速度干扰抑制姿态融合算法。在此基础上,设计一种抑制加速度和磁场双干扰的矢量并行全姿态滤波器结构,将其与各种常用传感器滤波融合算法结合,不仅能对强干扰和持久性干扰具有更好的抑制性能,而且还可以提高多旋翼无人机的航姿估计可靠性和导航信息精度。（4）针对机载多源信息融合系统,设计多级分散滤波结构,采用联邦卡尔曼滤波算法进行信息融合。通过研究联邦滤波算法中信息分配系数的关键计算方法,分析现有基于协方差和故障概率的信息分配方法不能同时兼顾系统精度和容错性的缺陷,提出一种基于权衡因子的自适应信息分配方法。通过仿真验证,比较三种方法的融合误差,证明所提方法的可行性及可靠性。在联邦滤波算法的基础上,以GPS/电子罗盘/SINS/气压计组合导航系统的高程信息测量为例,给出系统的数学模型,完成信息融合并进行无人机飞行实验,证明了该方法可保障多旋翼无人机在复杂近地面环境下导航状态估计的精度与可靠性。
黑梦娜[2]（2021）在《无人机高度多传感器信息融合技术》文中提出随着现代社会信息化与智能化的迅速发展,无人机及其相关技术也得到了更大范围的应用与研究,这也对无人机飞行控制系统的控制精度与安全性能提出了新的挑战。无人机飞行控制系统是一类多传感器控制系统,因此多传感器信息融合方法作为一种处理多源数据的有效手段,已经在无人机高度控制系统中已经得到广泛使用,其中Kalman滤波由于性能稳定以及计算简单是信息融合技术中最常用的方法之一,但传统Kalman滤波由于种种条件限制在大多数实际应用中难以发展。为了提升无人机高度控制系统在高度方向上的精度以及确保无人机在故障发生情况下对真实状态的有效跟踪,本文基于卡尔曼滤波原理提出了改进Kalman滤波的多层多源信息融合方法和改进扩展Kalman滤波的强跟踪融合方法,保障了无人机高度飞行系统的精确性与鲁棒性。本文的工作主要体现在以下两个方面。（1）引入了改进的Kalman滤波多层信息融合方法,选择无人机高度控制系统常用的3种测高传感器,结合不同传感器的测量特点建立对应的高度观测模型,为高度数据融合做好前期工作;融合算法首先利用ARIMA模型算法对三种传感器的原始测量数据降噪处理,然后利用递推加权最小二乘法对降噪后的三种传感器高度数据进行加权融合以实现改进算法的第一层融合,后借助Kalman滤波将第一次三个传感器的融合结果进行第二层融合,仿真结果对比分析可得,经过两层融合得到的高度数据精度更高,计算分析得到,该算法与未采取融合算法的数据对比得,高度估计值的均方根误差减小50.7%,最大偏差减小59.8%,可以论证得出:最终的融合结果在垂直方向上的定位精度得到有效改善,并且初步具备对异常情况的处理能力。（2）引入了基于扩展Kalman改进的强跟踪滤波方法,并应用于无人机飞行系统中的故障检测与诊断。为了实现对无人机真实飞行状态的有效跟踪,通过扩展Kalman引入了强跟踪滤波算法的理论:一是引入一类新的单重次优渐消因子的强跟踪滤波器。用新息序列计算时变渐消因子,并将其对滤波增益矩阵进行实时修正,该算法侧重于跳过模型参数的更新估计,直接实现对状态的修正估计;二是提出一类新的多重渐消因子的强跟踪滤波器,通过多个渐消因子对不同的数据通道进行渐消,进一步提高系统的跟踪能力;其中多重渐消因子的计算并未采取利用先验信息设计比例的传统方法,而是通过一种新的相对精确的次优算法来计算渐消因子,不仅实现了在线更新渐消因子,也大大节省了计算工作量,最后对跳变型故障与渐变型故障这两种故障情况进行仿真模拟,得到了几种不同算法下系统状态的跟踪效果图,结果显示本文提出的改进次优渐消因子强跟踪滤波算法在性能和精度方面都达到了更优的效果。
何静[3]（2021）在《多源融合导航系统仿真平台设计与实现》文中认为随着导航定位技术在当前社会生活中的广泛应用,人们对导航定位系统的实时性和精确性提出了更高的要求。多源融合导航系统凭借数据来源的多样性和提供服务的精确性等特点,受到了越来越多研究者的关注。在实际应用中,多源融合导航系统不仅能够将多源异构的信息数据进行融合处理,提高系统冗余度及系统性能,还能综合不同信息源数据的优劣势,保障信息的完整性。然而,当前的多源融合导航系统往往面临信息源冲突和信息融合冗余等问题,导致最终定位、导航、授时服务的质量存在较大提升空间。基于上述原因,在深入研究多源融合导航系统相关技术的基础上,本文设计并实现了多源融合导航系统的仿真平台。本文的主要研究内容如下:（1）设计了多源融合导航系统仿真平台的体系架构。在分析目前融合导航技术存在问题的基础上,剖析仿真平台需求,完成了多源融合导航仿真平台的整体功能设计并对各子模块的详细功能进行分析。（2）对常用的导航定位系统进行了分析,研究了多源融合技术及融合导航算法并扩充融合算法库。在对多种导航系统的相关原理和误差来源分析的基础上,建立了相应的数学模型和误差模型;同时,研究了INS/GNSS、INS/CNS、INS/GNSS/视觉导航三种常用的融合导航算法,扩充了融合算法库中的常见内置算法。（3）改进了两种基于神经网络的融合算法。为了解决GNSS信号失锁导致的单一惯性导航系统定位误差较大的问题,本文改进了一种基于神经网络的INS/GNSS融合导航算法;同时,基于IMM及RNN改进了INS/GNSS/视觉载体信息的融合定位方法。并对两种融合导航算法进行了仿真、对比及分析,验证方法的可行性及有效性。（4）实现了一个可配置、可重构和可复现的多源融合导航系统仿真平台,并对仿真平台进行了功能测试和性能测试。仿真分析和实例验证的结果都表明了相较于当前的导航系统平台,本文提出的多源融合导航系统仿真平台在模块间耦合性、可扩展性及容错性等方面均得到了较大改善。
曾彪[4]（2021）在《基于多传感器信息融合的机器人建图研究与实现》文中指出移动机器人建图研究,是近年来快速发展的移动机器人领域中,最为基础与核心的技术。机器人要实现复杂环境下的精确运行,就要以高精度点云地图作为参照。机器人在环境中的自主运动过程可分为以下几个步骤:由各类传感器采集环境数据,将原始数据传输到工控机的机器人操作系统中,按预定规则进行数据运算处理,得到动作指令或姿态位置数据,其中动作指令被传输到电机驱动部分,姿态位置等数据则进行存储及下一步处理。本文提出了一种以三维固态激光雷达为主要传感器,以GPS（Global Position System）高精度定位仪、IMU（Inertial Measurement Units）惯性测量仪为辅助的多传感器信息融合建图方式。在自主搭建的履带式移动机器人硬件平台上,进行多传感器融合建图方法的验证与改良,通过评估不同融合方式在室外建图中的效果,完成了移动机器人的室外建图验证与改进,在一定程度上提升了移动机器人室外建立高精度地图的性能。本文主要包含三部分内容:（1）履带式移动机器人硬件平台的搭建。此机器人平台的预设应用场景为:室外固定路线的自主巡逻。机器人平台搭载了嵌入式工控机、三维固态激光雷达、GPS高精度定位仪、低延时高清图传模块、超声波避障传感器、IMU惯性测量仪等,以三维固态激光雷达作为主传感器进行基础的建图试验。本文采购的硬件模块充分考虑了复杂的室外环境,具有较好的性能参数与场景适用性。（2）机器人传感器系统理论阐述。基于成熟的ROS（Robot Operating System）机器人操作系统,和搭建的移动机器人硬件平台,将各种传感器采集到的信号,分别发送给工控机进行预处理:由三维固态激光雷达对行进路线的周围环境进行扫描建图,获得三维点云地图;由GPS高精度定位仪按照1Hz的频率获取实时经纬度和高度;由IMU惯性测量仪获得机器人的加速度与方位角等。通过改良的传感器位置布局与信号预处理方式,使机器人具备较好的环境探测能力。（3）多种传感器信息融合处理理论与实验测试。阐述了多源融合基础理论、多源融合方式分类、融合的具体方法与过程等。通过在室外道路的建图试验,对比不同信息融合方法对机器人建图性能的影响,最终完成了机器人室外道路建图的融合方法验证,实现了一定程度的性能改进。
杨毅[5]（2020）在《无人船组合导航系统信息融合研究》文中研究说明为建设海洋强国,推动海洋科技发展,无人船领域研究得到了广泛关注。无人船作为一种自主导航控制的海上智能化平台,组合导航系统信息融合技术成为提高导航系统精度和可靠性的关键。本文基于分布式滤波算法进行无人船组合导航系统信息融合研究,解决组合导航信息融合中的异步多速率问题、不可靠测量问题等,提高了组合导航系统的可靠性与精确性。首先,通过捷联惯导系统、全球定位系统、电子罗盘组成无人船组合导航系统,采用联邦卡尔曼滤波器进行组合导航系统的信息融合,解决了局部故障干扰对组合导航系统可靠性的影响;针对联邦卡尔曼滤波信息分配原则对滤波精度的影响,采用最优自适应因子求取方法来表示信息分配因子,研究一种最优自适应联邦卡尔曼滤波算法,增加了联邦卡尔曼滤波器的自适应性。仿真结果和比较分析验证了所采用的最优自适应联邦卡尔曼滤波算法的可靠性和优越性。然后,为解决无人船组合导航系统信息融合过程中的不可靠测量问题,通过创新序列定义衡量方法判断量测信息的可靠性,降低了不可靠测量问题对导航精度的影响;针对噪声的相关性影响,根据正交投影定理构造局部卡尔曼滤波器,采用最优分布式融合算法进行组合导航系统信息融合,实现了无人船组合导航系统的高精度导航。仿真结果和比较分析验证了所采用的信息融合算法的有效性与优越性。最后,为解决无人船组合导航系统信息融合过程中的异步多速率问题,采用多尺度系统模型,实现了无人船组合导航异步多速率系统的信息融合,提高了无人船组合导航系统的可靠性与精确性;针对噪声相关性影响下滤波器间交叉协方差计算量大的问题,采用一种基于协方差交叉的最优分布式融合算法,提高了信息融合后的导航精度。仿真结果和比较分析验证了所采用的信息融合算法的有效性和优越性。
李洪兵[6]（2020）在《基于传感器信息融合的室外履带机器人导航研究》文中提出进入21世纪后,高新科技飞速发展,已成为衡量一个国家综合国力的标准之一。而机器人技术作为高新技术领域的前沿,吸引着各国学者专家投入大量资金和精力不断的进行深入研究。室外移动机器人作为移动机器人分支的一种,可代替人类完成较多危险的任务,尤其在民用和军事货物运输、无人驾驶、救灾救援和宇宙探索等领域已取得不少的成果。因此室外移动机器人逐渐成为机器人的领域中热点课题之一。由于室外是一种复杂、动态、不确定或未知的非结构化环境,在此环境下进行导航工作时,如采用单一传感器所获得的信息会存在缺陷,因此需要以传感器组合的方式实现机器人全面感知周围环境信息,但与此同时会导致信息“冗余”现象的出现,传感器信息融合算法为这一现象提供了有效的解决方案。本文以室外履带机器人作为实验研究平台,针对于加速度计不同状况下对姿态解算影响的问题,及对于室外机器人导航过程中单一传感器进行导航效果不理想的问题,设计以GPS/IMU的组合导航系统并进行相关研究。并展开如下的相关工作:首先,对国内外移动机器人的发展历程,机器人常见的导航方式和传感器信息融合技术进行介绍。其次,根据研究需求建立了履带机器人二维运动学模型,总结履带机器人的典型运动方式并进行公式推导,并介绍了导航系统中的GPS系统原理,建立IMU中加速度计、陀螺仪和磁力计的误差模型。再次,介绍机器人姿态解算中常用坐标系及坐标系变换的方法,分析比较了各个方法的优点与不足,阐述了关于姿态解算常用的基于四元数的互补滤波法和梯度下降法,提出一种改进梯度下降法,提高了导航过程中航向角的精度和系统实时性。之后阐述了常见的组合导航模式,并详细给出各种模式的工作原理及优缺点。依据课题研究需求选择在松组合模式下进行组合导航研究。对于组合导航中常用的加权融合、卡尔曼滤波算法和扩展卡尔曼滤波算法等方法的理论进行介绍和公式推导,采用自适应加权算法作同质融合处理,选择以扩展卡尔曼滤波算法作为信息融合主体处理GPS/IMU组合导航系统所带的问题,验证扩展卡尔曼滤波算法在所设计的组合导航系统中的可行性。
张奂[7]（2020）在《基于无人机的视觉导航与信息融合方法研究》文中研究表明无人机系统对导航系统的稳定性和可靠性有着很高的需求,由于计算机视觉技术的发展,其计算速度的增加、成本的降低等使视觉导航成为了可靠的导航方式。典型的惯性/卫星组合导航系统需要卫星外源信息,易受到电磁干扰等外界影响,且惯导系统具有误差随时间累积的缺点,针对无人机的飞行特性及其对导航系统的需求,在组合导航系统中增加不依赖于卫星的自主导航方式-视觉导航。使用不同的导航传感器进行组合可以提高系统的导航精度,但需要克服不同导航传感器量测频率不同等问题,且系统复杂性的提高也会导致故障概率大大增加,需要提高多源信息融合方法的容错性。本文围绕基于无人机的视觉导航算法和多源信息融合两个方面展开了研究,具体内容如下:图像配准是实现视觉导航的基础,首先对几种常用的特征提取方法进行详细的推导,包括FAST角点、ORB特征和SIFT特征。其中SIFT特征具有尺度不变性、旋转不变性等优点,但是在图像发生仿射时稳定性较差,为了解决这个问题,本文给出了相应的改进方法。考虑到MSA算子具有较好的仿射不变性,但是计算量较大,因此考虑构造基于图像区块的MSA算子,在SIFT特征点为圆心的圆形区域内计算MSA特征向量,为了不改变原特征的旋转不变性,在计算MSA特征向量时计算范围与中心处特征点的梯度幅值成正比。将SIFT特征的描述子与MSA特征向量相结合构造SIFT+MSA组合特征,利用该组合特征进行图像配准。为了验证改进SIFT特征的图像配准性能,利用无人机采集图像与人为加入仿射变换的图像进行配准,仿真实验结果表明SIFT+MSA组合特征与SIFT特征相比,虽然计算量有所增加,但是匹配精度得到了提高。在实现了精准的图像匹配的基础上,验证无人机仅使用视觉传感器进行运动估计的可行性。从理论上详细推导了基于序列图像利用单应性矩阵分解获得无人机运动参数的算法,利用模拟的无人机飞行数据对算法进行仿真验证,分析了针对不同高斯噪声和不同特征点分布对位姿估计结果的影响,高斯噪声也就是特征点匹配的精度越高,位姿估计的误差波动越小;特征点越不相关,位姿估计的误差越小。仅利用视觉传感器可以估计出无人机的位姿信息,但会受到运动状态、外界环境等限制,一般以自主性强、更新频率高且估计精度较高的惯导系统以主导航系统,以视觉导航为辅助导航系统,对惯导结果进行修正。传统的松耦合算法是对惯导和视觉导航两个导航系统独立的进行运动估计,计算量大且融合效果一般,本文给出两种基于视觉/惯导的紧耦合算法-多状态约束卡尔曼滤波和滑动窗口滤波,将视觉传感器中的数据与惯导得到的原始数据融合起来进行估计,虽然这样导致计算的复杂度增加,但是可以更好的提取出原始数据中包含的导航信息。利用相同的样本集,对比分析两种算法位姿解算结果的误差特性,并分析特征跟踪长度对MSCKF定位精度的影响,通过对比得到两种算法的使用场景,SWF具有更好的鲁棒性,但是计算量远大于MSCKF,MSCKF更加适用于无人机等计算资源有限的场景。为了解决无人机多传感器组合导航系统间断融合的问题,以及提高无人机导航系统对传感器故障的适应能力,将交互式多模型理论引入到联邦滤波器中。对混合交互式多模型对于传感器故障的处理能力进行验证,对比分析加入残差卡方故障诊断的卡尔曼滤波和混合交互式多模型对传感器故障的处理能力,仿真结果表明无论是噪声突变故障还是渐变故障,混合交互式多模型算法都表现了出更好的性能。基于混合交互式多模型对噪声优异的容错性能,将其加入到联邦滤波器中,在子滤波器中使用交互式多模型代替卡尔曼滤波,以提高无人机组合导航系统的抗干扰能力,通过仿真结果验证了改进的混合多模型联邦滤波在某个导航传感器发生故障时可以进行有效的处理,降低了精度较差的传感器发生故障时对整个无人机导航系统的影响。
杨立财[8]（2020）在《GNSS/INS融合定位滤波方法研究及应用》文中研究说明无人驾驶、人工智能已经成为了当今人们研究的前沿技术,在智能车感知层面,定位的重要性不言而喻,智能车需要知道自己相对于外界环境的精确位置,才能准确的在道路上行驶。全球定位系统（GNSS）和惯性导航系统（INS）的组合,可以提供高精度的导航定位信息,是智能车在定位中的最佳方案之一,而在传感器融合时,选取合适的滤波算法也至关重要。因此,在智能车技术的发展过程中,能够提高定位精度的研究都具有很重要的意义。针对智能车定位,论文围绕GNSS/INS传感器融合滤波方法及其在北斗智能车中的应用展开了研究,取得了以下成果:（1）阐述全球卫星导航系统的组成以及卫星轨道模型,分析了卫星定位的三个主要误差来源及其误差特性。同时也介绍了用户接收机的PVT信息解算方法以及坐标转换方法。（2）系统的介绍了各种GNSS定位方法,包括常用的PPP、RTK和RTD定位技术。梳理了惯性导航系统的基本原理和误差来源;阐述了基于GNSS/INS组合系统的定位原理,选取松组合模型为传感器组合方式,实现了不同传感器的融合定位。同时介绍了传感器融合的原理和常用的传感器数据融合方法。（3）通过分析KF、EKF、UKF三种滤波模型的滤波理论及其适用范围,分别构建了EKF滤波模型和UKF滤波模型;并研究了相关的滤波算法,设定实验场景模拟复杂环境下的道路,利用实车数据对算法进行验证。GNSS/INS组合滤波后位置误差在1m以内,速度误差维持在0.5m/s左右,相较于滤波前位置误差提升了75.10%,速度误差提升了51.60%,与滤波前相比,位置、速度精度都得到了提高。（4）使用北斗智能小车搭载的GNSS传感器和INS传感器获取实测数据,将EKF和UKF滤波算法应用于GNSS/INS融合定位中,通过将两种滤波结果进行对比分析,UKF滤波结果相比EKF滤波,东方向、北方向标准差分别减小了0.062m和0.188m,水平方向位置误差提升了25.51%。可以得出在智能小车传感器融合中UKF滤波效果优于EKF滤波,证明了UKF滤波算法在GNSS/INS传感器融合的有效性和可靠性。
刘娟花[9]（2019）在《多尺度数据融合算法及其应用研究》文中研究指明分别在多个尺度上对多个传感器的信息进行融合,不仅可获得比单个传感器更优的性能,而且与单尺度上的融合相比,多尺度数据融合能更好地刻画出目标的本质特性。MEMS陀螺是一种可以测量角速度的传感器,具有很多吸引人的优点。但噪声大,准确度不高也是不争的事实。于是如何去除MEMS陀螺仪中的噪声,并提高其精度就成为近年来的研究热点。对多MEMS陀螺应用多尺度数据融合算法,可以显着提高系统的精度及可靠性。本文证明了前人提出的多尺度数据融合算法的有效性,设计了 一种新的多尺度融合算法,讨论了多尺度数据融合中的重要技术问题,并通过对多个MEMS陀螺的融合应用,经仿真和硬件实验验证了本文多尺度融合算法的优越性。主要创新点和工作如下:1.从小波分析理论出发,证明了平稳和非平稳情况下的数据融合定理。从数学上解释了多尺度数据融合算法优于经典加权算法的原理,为该算法的推广应用奠定了数学基础。2.结合小波域多尺度数据融合算法的原理、具体步骤及存在问题等,设计了基于小波包的多尺度数据融合算法,并用实测数据通过仿真实验,比较了小波多尺度数据融合和小波包多尺度数据融合。3.分析了多MEMS陀螺数据融合中的小波基、分解层数、加权因子等的选择方法,通过仿真实验验证了其可行性。4.比较了基于时间序列分析、基于小波去噪和基于小波变换的多尺度融合这三种融合方法不同方面的性能。另外,还比较了多尺度融合和前向线性预测（Forward Linear Prediction,FLP）融合方法,结果均表明本文所提出的多尺度融合方法的独特性和有效性。将上述研究成果应用于我们设计并制作的一套多MEMS陀螺仪数据融合实时处理系统平台中,对4个MEMS陀螺仪所采集的原始数据进行实时处理。分别在静态和动态环境下对该集成系统进行了测试,实验结果表明:该系统运行稳定可靠,将MEMS陀螺的精度提高了 1个量级。本文的研究工作不仅为有关多尺度融合系统的分析奠定了理论基础,还为算法的推广应用提供了实验依据。
朱云峰[10]（2019）在《基于多源信息融合的无人机相对导航技术研究》文中研究指明智能集群化是当前无人机领域的重要发展方向,相对导航与定位作为其中的核心技术是无人机完成任务的关键。这其中包含两层含义,其一是获取无人机之间的相对导航信息可以保证自主编队飞行的一致性和安全性;其二是多机通过配置不同的传感器载荷实现能力互补,共同对目标进行相对定位,可以提升无人机的任务能力和整体效能。本文针对多机协同相对导航中这两个方面的问题展开研究,在综合分析相对导航系统需求的基础上,研究了基于多源信息融合的相对导航问题,旨在提高无人机相对导航系统的综合性能。本文首先针对SINS/DGPS组合相对导航展开研究,提出了一种惯性/卫星高精度相对导航算法。研究了惯性导航系统相对状态递推模型,并推导了相对姿态四元数和相对速度误差方程。针对卫星导航系统,研究了基于移动基准站的DGPS模型以及整周模糊度的求解方法。基于全并行分布式的系统框架,研究设计了二级滤波器的融合结构,有效提高了惯性/卫星相对导航系统的解算精度。然后,为了进一步提高无人机相对导航的可靠性,文中引入测距测角信息对SINS/DGPS进行辅助。文中研究了无源/有源导航系统的相对定位模型,提出了一种基于双层嵌套式结构的融合算法,有效地削弱了系统对数据链的依赖,提高了容错能力。接着,针对无人机与非合作目标间的相对定位问题,本文研究分析了列文伯格-马夸尔特优化的思想并对迭代卡尔曼滤波算法进行改进,提出了一种LM-IEKF算法。考虑到由于信号相关特性而引入的乘性噪声问题,进一步提出了基于量测噪声自适应修正的Modified LM-IEKF方法,从而提升了系统的导航精度。为了提高相对导航系统在GPS拒止情况下的自适应能力,对多传感器协同的全源相对导航算法展开了研究。提出了一种基于集中式融合架构的自适应重构滤波算法,从而达到全源相对导航系统对兼容性、灵活扩展性和容错性的要求。同时,提出了基于全并行分布式融合架构的多模型滤波算法,实现了相对导航系统在多个模型间的灵活切换。通过残差检测的方法,有效地对失效传感器或量测野值进行隔离,提高了导航信息的质量。最后,设计了半物理实验平台和综合仿真软件,对文中研究的算法进行了验证与评估,结果表明:本文提出的算法可以提高相对导航系统在精度、可靠性和自适应能力等多方面的综合性能,为多源信息融合技术在无人机相对导航领域的应用提供了重要的参考。
二、多传感器信息融合技术在舰船组合导航系统中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多传感器信息融合技术在舰船组合导航系统中的应用（论文提纲范文）
（1）融合多源信息的小型多旋翼无人机位姿估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景与意义 |
| §1.2 国内外研究现状 |
| §1.2.1 小型多旋翼无人机的发展必然 |
| §1.2.2 位姿传感器误差补偿技术研究现状 |
| §1.2.3 无人机位姿多源信息融合技术研究现状 |
| §1.3 多旋翼无人机位姿估计的关键问题分析 |
| §1.4 论文的主要研究内容与结构安排 |
| §1.4.1 主要研究内容 |
| §1.4.2 论文章节安排 |
| 第二章 位姿测量系统中三轴磁强计和加速度计的组合校正 |
| §2.1 位姿测量系统坐标系 |
| §2.1.1 参考坐标系 |
| §2.1.2 无人机姿态角描述 |
| §2.1.3 方向余弦、欧拉角和四元数的关系 |
| §2.2 无人机航姿传感器误差分析 |
| §2.2.1 三轴矢量场传感器误差 |
| §2.2.2 航姿角度误差 |
| 2.3 三轴加速度计和磁强计组合校正 |
| §2.3.1 标量校验法 |
| §2.3.2 标量校验法校正矢量传感器 |
| §2.3.3 标量校验法校正小结 |
| §2.4 双矢量传感器的两步校正算法 |
| §2.4.1 矢量内积法 |
| §2.4.2 两步法校正 |
| §2.4.3 两步法数值模拟及实验验证 |
| §2.5 三轴矢量传感器校正的双内积法 |
| §2.5.1 基于双内积的校正误差原理 |
| §2.5.2 非线性优化算法实现 |
| §2.6 三轴矢量传感器校正算法数值仿真 |
| §2.7 实验验证 |
| §2.7.1 模块实验流程及结果 |
| §2.7.2 多模块实验测试 |
| §2.7.3 无人机悬停实验 |
| §2.7.4 实验分析 |
| §2.8 本章小结 |
| 第三章 基于矢量参考的三轴陀螺仪误差标定方法 |
| §3.1 MEMS陀螺仪的原理及误差模型分析 |
| §3.1.1 三轴MEMS陀螺仪的结构及原理 |
| §3.1.2 三轴陀螺仪误差模型 |
| §3.2 基于矢量外积标定三轴陀螺仪 |
| §3.2.1 陀螺仪现场标定方法分析 |
| §3.2.2 基于重力矢量的陀螺仪标定算法 |
| §3.2.3 陀螺仪矢量外积标定算法 |
| §3.3 数值模拟 |
| §3.3.1 叉积标定法积分形式数值模拟 |
| §3.3.2 积分形式叉积标定法与Fong标定法数值对比 |
| §3.3.3 叉积标定法微分形式数值模拟 |
| §3.3.4 仿真分析 |
| §3.4 实验验证 |
| §3.4.1 采用转台的标定 |
| §3.4.2 叉积法标定 |
| §3.5 本章小结 |
| 第四章 多旋翼无人机航姿抗干扰融合滤波方法 |
| §4.1 多旋翼无人机航姿信息融合结构与算法设计 |
| §4.1.1从Kalman到 Sage-Husa自适应滤波算法 |
| §4.1.2 基于矢量参考的互补滤波算法设计 |
| §4.2 多旋翼无人机航姿解算与信息融合 |
| §4.2.1 基于陀螺仪的姿态解算 |
| §4.2.2 基于加速度计与磁强计的姿态解算 |
| §4.2.3 航姿信息融合系统建模 |
| §4.2.4 姿态信息融合算法验证 |
| §4.3 多旋翼无人机运动加速度补偿算法设计 |
| §4.3.1 算法思想及流程 |
| §4.3.2 算法验证 |
| §4.4 加速度和磁场干扰抑制算法设计 |
| §4.4.1 双干扰模式下的误差模型 |
| §4.4.2 干扰抑制算法设计 |
| §4.5 抗干扰航姿融合滤波算法验证与分析 |
| §4.5.1 实验配置及流程 |
| §4.5.2 实验算法验证 |
| §4.6 本章小结 |
| 第五章 多旋翼无人机位姿信息融合及容错方法 |
| §5.1 多旋翼无人机位姿信息融合结构设计 |
| §5.1.1 多旋翼无人机位姿信息融合结构方案设计 |
| §5.1.2 无人机位置-速度融合结构模型 |
| §5.1.3 无人机高度-速度融合结构模型 |
| §5.2 基于多传感器信息的联邦卡尔曼滤波 |
| §5.2.1 联邦卡尔曼滤波基本原理 |
| §5.2.2 联邦滤波器的等价性分析 |
| §5.2.3 联邦滤波器与集中滤波器的性能对比 |
| §5.3 容错联邦滤波器信息分配及算法流程 |
| §5.3.1 信息分配原则 |
| §5.3.2 信息分配系数对融合性能的影响 |
| §5.3.3 基于权衡因子的自适应信息分配策略 |
| §5.3.4 信息分配流程及仿真分析 |
| §5.3.5 无人机飞行验证 |
| §5.4 本章小结 |
| 第六章 总结和展望 |
| §6.1 本文的主要工作与创新 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读博士期间的主要研究成果 |
（2）无人机高度多传感器信息融合技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 第1章 绪论 |
| 1.1 本文研究背景及意义 |
| 1.2 无人机多传感器数据融合概况 |
| 1.2.1 数据融合的研究现状 |
| 1.2.2 无人机高度多感器信息融合的研究现状 |
| 1.2.3 Kalman滤波在无人机信息融合中的应用 |
| 1.3 无人机故障检测与诊断技术概述 |
| 1.3.1 故障检测与诊断的概念 |
| 1.3.2 故障诊断技术的发展现状 |
| 1.4 论文结构与内容安排 |
| 第2章 无人机导航控制基本理论 |
| 2.1 高度概念 |
| 2.1.1 几种常用高度介绍 |
| 2.1.2 几种高度之间的关系 |
| 2.2 无人机的几个坐标系 |
| 2.2.1 地球中心坐标系(ECEF) |
| 2.2.2 当地地理坐标系(NED) |
| 2.2.3 机体坐标系 |
| 2.3 各坐标系之间的转换 |
| 2.3.1 地球中心坐标系转换为NED坐标系 |
| 2.3.2 NED坐标系到机体坐标系下的转换 |
| 2.3.3 姿态角的四元素表示 |
| 2.3.4 高度运动方程 |
| 2.4 无人机高度传感器观测模型 |
| 2.4.1 无线电高度表 |
| 2.4.2 差分GPS |
| 2.4.3 气压高度计 |
| 2.5 本章小结 |
| 第3章 基于Kalman滤波的高度信息融合方法 |
| 3.1 经典Kalman滤波 |
| 3.1.1 Kalman滤波基本原理 |
| 3.1.2 Kalman滤波局限性 |
| 3.2 最优加权与递推最小二乘法结合 |
| 3.2.1 递推最小二乘法 |
| 3.2.2 递推加权最小二乘法 |
| 3.3 ARIMA模型 |
| 3.3.1 ARIMA的组合模型 |
| 3.3.2 时间序列平稳性分析 |
| 3.3.3 自相关函数与偏自相关函数 |
| 3.3.4 ARIMA建模流程 |
| 3.4 改进Kalman滤波的融合算法 |
| 3.4.1 ARIMA模型降噪 |
| 3.4.2 第一层融合 |
| 3.4.3 第二层融合 |
| 3.5 仿真实验与分析 |
| 3.5.1 参数设置 |
| 3.5.2 ARIMA模型降噪效果分析 |
| 3.5.3 第一层融合结果对比分析 |
| 3.5.4 第二层融合结果对比分析 |
| 3.5.5 气压计常值偏差分析 |
| 3.5.6 误差分析 |
| 3.6 本章小结 |
| 第4章 基于强跟踪滤波的故障诊断技术 |
| 4.1 基于强跟踪滤波器的故障诊断方法 |
| 4.1.1 扩展Kalman滤波在故障检测中的应用 |
| 4.1.2 扩展Kalman滤波存在的问题 |
| 4.1.3 强跟踪滤波的引入 |
| 4.1.4 强跟踪滤波的原理 |
| 4.2 一类新的带次优渐消因子的强跟踪滤波器(SFEKF) |
| 4.2.1 次优渐消因子的引入 |
| 4.2.2 次优渐消因子的计算 |
| 4.2.3 SFEKF的工作过程 |
| 4.3 一类新的带多重渐消因子的强跟踪滤波器(SMFEKF) |
| 4.3.1 多重渐消因子的引入 |
| 4.3.2 多重渐消因子的计算 |
| 4.4 仿真与分析 |
| 4.4.1 参数设置 |
| 4.4.2 跳变型故障仿真结果与分析 |
| 4.4.3 渐变型故障仿真结果与分析 |
| 4.4.4 误差分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文工作的总结 |
| 5.2 今后工作的展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）多源融合导航系统仿真平台设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 融合导航现状 |
| 1.2.2 导航系统平台现状 |
| 1.3 本文的研究内容及章节安排 |
| 第二章 多源融合导航系统仿真平台的设计 |
| 2.1 系统总体分析 |
| 2.1.1 仿真平台功能分析 |
| 2.1.2 仿真平台的性能分析 |
| 2.2 多源融合导航系统仿真平台的构架 |
| 2.3 多源融合导航系统的设计 |
| 2.3.1 平台模式及操作流程 |
| 2.3.2 仿真平台设计 |
| 2.4 本章小结 |
| 第三章 多源融合算法库的相关技术与算法 |
| 3.1 多源融合模型的相关技术 |
| 3.1.1 数据预处理 |
| 3.1.2 初始对准 |
| 3.1.3 多源融合算法解算技术 |
| 3.2 多源融合导航算法库设计及算法 |
| 3.2.1 捷联惯性导航算法 |
| 3.2.2 INS/GNSS松耦合算法 |
| 3.2.3 INS/CNS融合导航 |
| 3.2.4 INS/GNSS/视觉融合导航 |
| 3.3 本章小结 |
| 第四章 基于神经网络的多源融合导航算法 |
| 4.1 神经网络模型介绍 |
| 4.1.1 循环神经网络 |
| 4.1.2 长短期记忆网络 |
| 4.2 基于LSTM的 INS/GNSS融合算法 |
| 4.2.1 算法结构及公式 |
| 4.2.2 算法仿真设计及结果分析 |
| 4.3 基于RNN的 GPS/INS/相机融合算法 |
| 4.3.1 交互式多模型-无迹卡尔曼滤波 |
| 4.3.2 INS/GNSS/视觉融合方法结构 |
| 4.4 本章小结 |
| 第五章 多源融合导航系统仿真平台实现及验证 |
| 5.1 多源融合导航仿真平台介绍及设计实现 |
| 5.1.1 内部结构设计 |
| 5.1.2 多源融合导航系统仿真平台主页面 |
| 5.1.3 导航数据载入模块 |
| 5.1.4 轨迹模拟发生器 |
| 5.1.5 多源融合导航算法库 |
| 5.1.6 算法解算结果显示 |
| 5.2 多源融合导航系统仿真平台验证 |
| 5.2.1 仿真平台测试方案 |
| 5.2.2 仿真平台功能测试 |
| 5.2.3 多源融合导航系统仿真平台性能测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
（4）基于多传感器信息融合的机器人建图研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外现状与发展趋势 |
| 1.2.1 机器人定位建图技术 |
| 1.2.2 多传感器融合处理技术 |
| 1.3 本文主要研究内容与章节编排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文章节编排 |
| 第二章 履带式移动机器人硬件平台 |
| 2.1 引言 |
| 2.2 移动平台性能需求分析 |
| 2.3 各功能模块选型与性能参数 |
| 2.3.1 履带式线控底盘 |
| 2.3.2 大容量长续航锂电池 |
| 2.3.3 嵌入式工控计算机 |
| 2.3.4 三维固态激光雷达 |
| 2.3.5 GPS高精度定位模块 |
| 2.3.6 超声波避障传感器 |
| 2.3.7 IMU惯性传感器 |
| 2.3.8 高清数字图传 |
| 2.4 本章小结 |
| 第三章 机器人环境探测系统理论 |
| 3.1 引言 |
| 3.2 ROS机器人操作系统 |
| 3.3 移动机器人结构模型与传感器分布 |
| 3.4 固态激光雷达扫描特性及点云输出 |
| 3.5 GPS定位理论 |
| 3.6 IMU惯性测量理论 |
| 3.7 超声波避障传感器探测信号 |
| 3.8 本章小结 |
| 第四章 以激光雷达为主传感器的多源融合建图 |
| 4.1 激光SLAM基础 |
| 4.2 Mid-70的激光SLAM |
| 4.3 多传感器空间配准与时间同步 |
| 4.4 多源融合类型与数据融合过程 |
| 4.4.1 数据级融合 |
| 4.4.2 决策级融合 |
| 4.4.3 特征级融合 |
| 4.5 激光雷达与超声波融合 |
| 4.6 多种传感器融合建图及方法改进 |
| 4.7 本章小结 |
| 第五章 基于多源融合的机器人建图实现与改进 |
| 5.1 引言 |
| 5.2 室外测试场地及测试条件 |
| 5.3 实验环境搭建及操作步骤 |
| 5.4 实验结果及分析 |
| 5.4.1 固态激光雷达建图实验 |
| 5.4.2 激光雷达与IMU融合建图 |
| 5.4.3 多种传感器融合建图实验 |
| 5.4.4 结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）无人船组合导航系统信息融合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人船组合导航研究现状 |
| 1.2.2 无人船信息融合技术研究现状 |
| 1.3 本文的研究内容 |
| 2 信息融合基础理论 |
| 2.1 捷联惯导系统原理及误差分析 |
| 2.1.1 捷联惯导系统基本原理 |
| 2.1.2 捷联惯导系统误差分析 |
| 2.2 卡尔曼滤波理论 |
| 2.2.1 卡尔曼滤波基本方程 |
| 2.2.2 卡尔曼滤波关键引理 |
| 2.3 最优自适应卡尔曼滤波算法 |
| 2.4 本章小结 |
| 3 基于最优自适应联邦卡尔曼滤波的无人船组合导航信息融合 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 组合导航系统数学模型 |
| 3.3.1 状态方程 |
| 3.3.2 观测方程 |
| 3.4 最优自适应联邦卡尔曼滤波器 |
| 3.4.1 联邦卡尔曼滤波器 |
| 3.4.2 自适应信息分配因子 |
| 3.5 仿真研究 |
| 3.6 本章小结 |
| 4 具有不可靠测量信息的无人船组合导航信息融合 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 最优分布式信息融合 |
| 4.3.1 可靠测量下的局部卡尔曼滤波器 |
| 4.3.2 不可靠测量下的局部卡尔曼滤波器 |
| 4.3.3 不可靠测量下的最优分布式滤波器 |
| 4.4 仿真研究 |
| 4.5 本章小结 |
| 5 异步多速率下的无人船组合导航信息融合 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 多尺度系统模型 |
| 5.4 基于协方差交叉的最优分布式信息融合 |
| 5.5 仿真研究 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（6）基于传感器信息融合的室外履带机器人导航研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室外移动机器人现状 |
| 1.2.2 组合导航系统现状 |
| 1.3 信息融合技术 |
| 1.3.1 信息融合技术现状 |
| 1.3.2 信息融合的主要方法和分类 |
| 1.3.3 机器人技术中的信息融合 |
| 1.4 本文研究内容 |
| 第2章 室外履带机器人导航系统研究 |
| 2.1 引言 |
| 2.2 履带机器人结构 |
| 2.3 履带机器人模型 |
| 2.4 履带机器人运动学分析 |
| 2.4.1 直线运动 |
| 2.4.2 原地旋转运动 |
| 2.4.3 圆弧运动 |
| 2.5 履带机器人组合导航系统 |
| 2.5.1 GPS系统 |
| 2.5.2 惯性导航系统 |
| 2.6 本章小结 |
| 第3章 基于改进梯度下降法的机器人姿态解算研究 |
| 3.1 引言 |
| 3.2 常用坐标系及坐标变换 |
| 3.2.1 常用坐标系 |
| 3.2.2 常用坐标系变换描述方法 |
| 3.3 互补滤波法 |
| 3.3.1 互补滤波 |
| 3.3.2 基于四元数的互补滤波法 |
| 3.4 梯度下降法 |
| 3.4.1 梯度下降法 |
| 3.4.2 基于四元数的梯度下降法 |
| 3.5 改进梯度下降法 |
| 3.6 本章小结 |
| 第4章 基于传感器信息融合的机器人组合导航算法研究 |
| 4.1 引言 |
| 4.2 组合导航模式设计 |
| 4.2.1 松组合模式 |
| 4.2.2 紧组合模式 |
| 4.2.3 超紧组合模式 |
| 4.3 信息融合算法 |
| 4.3.1 自适应加权融合算法 |
| 4.3.2 卡尔曼滤波 |
| 4.3.3 扩展卡尔曼滤波 |
| 4.4 基于松组合模式的组合导航算法 |
| 4.5 本章小结 |
| 第5章 室外履带机器人组合导航实验及分析 |
| 5.1 引言 |
| 5.2 室外机器人系统硬件 |
| 5.3 姿态解算实验 |
| 5.4 GPS/IMU组合导航实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 在校期间发表论文和参加科研情况 |
（7）基于无人机的视觉导航与信息融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视觉导航技术 |
| 1.2.2 多源信息融合技术 |
| 1.3 本文主要内容及章节安排 |
| 第2章 基于特征的图像配准方法及改进 |
| 2.1 基于特征点的图像配准方法 |
| 2.1.1 特征点 |
| 2.1.2 ORB特征 |
| 2.1.3 SIFT特征 |
| 2.2 基于SIFT特征的改进 |
| 2.2.1 多尺度自卷积MSA算子 |
| 2.2.2 SIFT+MSA组合特征 |
| 2.2.3 特征匹配 |
| 2.2.4 仿真实验与结果分析 |
| 2.3 本章小结 |
| 第3章 基于序列图像的无人机运动估计 |
| 3.1 相机与图像 |
| 3.1.1 针孔相机模型 |
| 3.1.2 双目相机模型 |
| 3.2 基于序列图像的无人机运动估计 |
| 3.2.1 坐标转换矩阵 |
| 3.2.2 单应性矩阵的求取 |
| 3.2.3 由单应性矩阵求取无人机导航参数 |
| 3.2.4 仿真实验与结果分析 |
| 3.3 本章小结 |
| 第4章 多状态约束视觉/惯性组合导航算法 |
| 4.1 MSCKF算法 |
| 4.1.1 状态向量 |
| 4.1.2 状态模型 |
| 4.1.3 状态增广 |
| 4.1.4 量测模型 |
| 4.1.5 滤波更新 |
| 4.2 SWF算法 |
| 4.3 仿真实验与结果分析 |
| 4.3.1 MSCKF和 SWF算法可行性验证 |
| 4.3.2 MSCKF和 SWF算法精度对比 |
| 4.3.3 特征跟踪长度对MSCKF误差的影响 |
| 4.4 本章小结 |
| 第5章 无人机多源信息融合与故障处理 |
| 5.1 应用于无人机的典型导航方法 |
| 5.1.1 惯性导航 |
| 5.1.2 GPS |
| 5.1.3 视觉导航 |
| 5.2 混合交互式多模型算法 |
| 5.2.1 混合交互式多模型算法原理 |
| 5.2.2 仿真实验与结果分析 |
| 5.3 故障处理 |
| 5.3.1 残差卡方故障检测 |
| 5.3.2 改进的混合交互式多模型算法 |
| 5.3.3 仿真实验与结果分析 |
| 5.4 基于混合多模型结构的非等间隔无重置联邦滤波 |
| 5.4.1 非等间隔联邦滤波 |
| 5.4.2 基于混合多模型结构的非等间隔无重置联邦滤波 |
| 5.4.3 仿真实验与结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（8）GNSS/INS融合定位滤波方法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 GNSS/INS传感器融合研究现状 |
| 1.2.2 滤波理论研究现状 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 全球导航卫星系统基本理论 |
| 2.1 全球卫星导航系统 |
| 2.1.1 全球卫星导航系统概述 |
| 2.1.2 卫星坐标计算 |
| 2.2 卫星定位误差模型 |
| 2.2.1 卫星定位的误差源 |
| 2.2.2 误差特性 |
| 2.3 PVT解算方法 |
| 2.3.1 用户位置信息计算 |
| 2.3.2 坐标变换 |
| 2.4 本章小结 |
| 第3章 GNSS/INS组合导航定位系统 |
| 3.1 GNSS定位技术 |
| 3.1.1 PPP定位 |
| 3.1.2 RTK定位技术 |
| 3.1.3 RTD定位技术 |
| 3.2 惯性导航系统基本理论 |
| 3.2.1 惯性导航原理 |
| 3.2.2 惯性定位的误差源 |
| 3.3 多传感器数据融合 |
| 3.3.1 多传感器信息融合简介 |
| 3.3.2 常用多传感器数据融合的方法 |
| 3.4 基于GNSS/INS组合导航的定位系统 |
| 3.4.1 传感器组合定位方式 |
| 3.4.2 不同传感器的定位融合实现 |
| 3.5 本章小结 |
| 第4章 多传感器数据融合滤波方法研究 |
| 4.1 卡尔曼滤波 |
| 4.2 扩展卡尔曼滤波 |
| 4.2.1 非线性系统模型 |
| 4.2.2 扩展卡尔曼滤波 |
| 4.3 无损卡尔曼滤波及其算法研究 |
| 4.3.1 无损卡尔曼滤波算法原理 |
| 4.3.2 无损卡尔曼滤波算法流程 |
| 4.4 实验研究 |
| 4.4.1 实验数据来源及实验方案 |
| 4.4.2 实验设备介绍 |
| 4.4.3 实验分析 |
| 4.5 本章小结 |
| 第5章 基于GNSS/INS融合滤波算法的北斗智能小车定位应用 |
| 5.1 硬软件平台组成介绍 |
| 5.1.1 智能小车传感器设置 |
| 5.1.2 软件平台设计方案 |
| 5.2 实车实验 |
| 5.2.1 数据采集 |
| 5.2.2 定位效果 |
| 5.3 GNSS/INS组合滤波方法在智能小车定位中的应用 |
| 5.3.1 实验环境及小车运行轨迹 |
| 5.3.2 研究分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
（9）多尺度数据融合算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 多传感器信息融合概述 |
| 1.2.1 信息融合的概念和优点 |
| 1.2.2 信息融合的模型 |
| 1.2.3 信息融合的方法 |
| 1.2.4 信息融合技术的研究现状 |
| 1.3 多尺度数据融合有关技术及进展 |
| 1.3.1 多尺度系统估计理论研究概况 |
| 1.3.2 多尺度数据融合的应用及研究现状 |
| 1.3.3 多尺度数据融合概念的演变 |
| 1.4 MEMS陀螺仪中漂移信号处理方法研究现状 |
| 1.5 陀螺仪中的多尺度数据融合及需要解决的问题 |
| 1.6 本文的主要研究内容及结构安排 |
| 2 多尺度数据融合算法及其有效性的证明 |
| 2.1 引言 |
| 2.2 小波分解原子时算法 |
| 2.2.1 常见时间尺度 |
| 2.2.2 原子时算法 |
| 2.2.3 小波分解原子时算法的提出 |
| 2.2.4 小波分解原子时算法有待解决的问题 |
| 2.2.5 小波分解原子时算法的基本原理 |
| 2.3 预备知识 |
| 2.3.1 原子钟的噪声特性 |
| 2.3.2 相关说明 |
| 2.4 随机信号数据融合的理论体系 |
| 2.4.1 平稳单尺度数据融合 |
| 2.4.2 平稳多尺度数据融合 |
| 2.4.3 非平稳单尺度数据融合 |
| 2.4.4 非平稳多尺度数据融合 |
| 2.5 非平稳多尺度数据融合定理的证明 |
| 2.6 分析与讨论 |
| 2.7 本章小结 |
| 3 多尺度数据融合算法的小波包实现 |
| 3.1 引言 |
| 3.2 小波变换和小波包变换 |
| 3.3 小波包的基本理论 |
| 3.3.1 正交小波包的定义与性质 |
| 3.3.2 小波包的子空间分解 |
| 3.3.3 小波库及小波包基的定义 |
| 3.3.4 小波包的分解与重构算法 |
| 3.3.5 最优小波包基的概念 |
| 3.3.6 最优基的快速搜索 |
| 3.4 基于小波包的多尺度数据融合方案 |
| 3.4.1 基于小波变换的多尺度数据融合算法 |
| 3.4.2 基于小波包的多尺度数据融合方案 |
| 3.5 基于小波包的多尺度陀螺融合实验研究 |
| 3.5.1 MEMS陀螺概述 |
| 3.5.2 MEMS陀螺随机误差分析 |
| 3.5.3 MEMS陀螺随机误差的Allan方差分析 |
| 3.5.4 MEMS陀螺漂移的数学模型 |
| 3.5.5 MEMS陀螺信号实时小波处理方法 |
| 3.5.6 基于小波包的多尺度陀螺融合算法仿真实验 |
| 3.6 本章小结 |
| 4 小波多尺度数据融合中关键技术 |
| 4.1 MEMS陀螺噪声特性与小波熵 |
| 4.1.1 MEMS陀螺误差及噪声特性 |
| 4.1.2 小波熵 |
| 4.2 常见的小波簇 |
| 4.2.1 小波基的性质 |
| 4.2.2 常用小波基 |
| 4.3 基于小波变换的数据融合中小波基的选取 |
| 4.3.1 小波基选取原则 |
| 4.3.2 小波基的比较 |
| 4.3.3 小波簇的选取 |
| 4.3.4 陀螺数据融合效果评价 |
| 4.3.5 最佳小波基选取实验 |
| 4.4 小波分解层数的设定 |
| 4.5 数据融合加权因子的选择 |
| 4.6 本章小结 |
| 5 多尺度融合与其它MEMS陀螺信号处理方法的比较 |
| 5.1 MEMS陀螺仪噪声抑制方法研究概述 |
| 5.1.1 MEMS陀螺仪噪声抑制方法研究现状 |
| 5.1.2 卡尔曼滤波和小波阈值去噪法的缺点 |
| 5.1.3 多尺度数据融合算法的优点 |
| 5.2 MEMS陀螺数据处理中的多传感器数据融合 |
| 5.2.1 多尺度融合 |
| 5.2.2 卡尔曼滤波融合 |
| 5.2.3 小波阈值融合 |
| 5.3 基于仿真信号对三种融合方法的比较 |
| 5.3.1 仿真信号的产生 |
| 5.3.2 第一组仿真实验(Chirp信号+高斯白噪声) |
| 5.3.3 第二组仿真实验(Chirp信号+有色噪声) |
| 5.4 基于实测信号对三种融合方法的比较 |
| 5.5 三种融合方法比较的结论 |
| 5.6 多尺度数据融合与FLP(前向线性预测)方法的比较 |
| 5.6.1 FLP算法 |
| 5.6.2 基于FLP滤波的多传感器融合方法 |
| 5.6.3 FLP滤波融合结果和分析 |
| 5.7 本章小结 |
| 6 多尺度数据融合系统设计与验证 |
| 6.1 系统的总体设计方案 |
| 6.1.1 系统需求分析 |
| 6.1.2 系统整体框图 |
| 6.1.3 系统中的主要器件选型 |
| 6.2 硬件电路设计 |
| 6.2.1 陀螺仪模块 |
| 6.2.2 协处理器模块 |
| 6.2.3 主处理器模块 |
| 6.2.4 系统实物图 |
| 6.3 系统软件设计 |
| 6.3.1 接口部分 |
| 6.3.2 融合处理部分 |
| 6.4 实验研究 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 本文的主要研究成果 |
| 7.2 创新研究 |
| 7.3 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表和收录的论文 |
| 攻读博士学位期间获奖 |
| 攻读博士学位期间参加的科研项目 |
（10）基于多源信息融合的无人机相对导航技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相对导航技术的发展及其应用现状 |
| 1.2.1 相对导航技术的发展 |
| 1.2.2 多源信息融合算法在相对导航中的研究现状 |
| 1.2.3 全源相对导航技术的发展现状 |
| 1.3 关键问题分析 |
| 1.4 论文的研究内容及结构编排 |
| 第二章 基于SINS/DGPS无人机相对导航研究 |
| 2.1 引言 |
| 2.2 无人机集群相对导航系统架构研究 |
| 2.2.1 导航系统性能需求分析 |
| 2.2.2 基于全并行分布式结构的系统框架设计 |
| 2.3 相对惯性导航系统状态递推模型研究 |
| 2.3.1 相对导航运动学模型 |
| 2.3.2 相对姿态四元数误差方程 |
| 2.3.3 相对速度误差方程 |
| 2.4 基于移动基准站的DGPS相对导航模型研究 |
| 2.4.1 DGPS量测模型研究 |
| 2.4.2 整周模糊度的求解 |
| 2.5 基于二级滤波模型的高精度SINS/DGPS组合算法研究 |
| 2.5.1 相对导航系统融合架构设计 |
| 2.5.2 高精度相对状态估计算法研究 |
| 2.5.3 算法仿真验证与分析 |
| 2.6 本章小结 |
| 第三章 测距测角辅助的高可靠性相对导航算法研究 |
| 3.1 引言 |
| 3.2 AOA/ROA型传感器量测模型研究 |
| 3.3 测距测角的双层嵌套式融合结构设计 |
| 3.4 SINS/DGPS/AOA/ROA相对导航算法研究 |
| 3.4.1 局部绝对状态滤波器模型建立 |
| 3.4.2 相对状态跟踪器模型建立 |
| 3.4.3 算法仿真验证与分析 |
| 3.5 本章小结 |
| 第四章 基于扩展卡尔曼滤波的状态估计改进方法 |
| 4.1 引言 |
| 4.2 基于迭代优化的扩展卡尔曼滤波状态估计方法 |
| 4.3 Levenberg-Marquardt优化的迭代扩展卡尔曼滤波算法研究 |
| 4.3.1 IEKF算法和高斯-牛顿迭代方法的一致性分析 |
| 4.3.2 基于LM优化的IEKF融合方法改进 |
| 4.3.3 LM-IEKF算法的仿真验证与分析 |
| 4.4 包含乘性噪声自适应修正的状态估计方法研究 |
| 4.4.1 乘性噪声误差模型研究 |
| 4.4.2 基于残差在线统计的量测噪声自适应修正方法 |
| 4.4.3 Modified LM-IEKF算法仿真验证与分析 |
| 4.5 本章小结 |
| 第五章 基于多传感器协同的全源相对导航算法研究 |
| 5.1 引言 |
| 5.2 全源相对导航系统需求分析及架构设计 |
| 5.2.1 系统性能需求分析 |
| 5.2.2 多传感器协同信息融合结构研究 |
| 5.3 集中式融合架构下的全源自适应融合算法研究 |
| 5.3.1 采用量测模块化分类的增广状态滤波模型建立 |
| 5.3.2 基于模式因子的自适应动态重构滤波算法研究 |
| 5.3.3 算法仿真验证与分析 |
| 5.4 并行分布式融合架构下的全源自适应融合算法研究 |
| 5.4.1 针对异类多源信息的全并行分布式滤波模型建立 |
| 5.4.2 基于异步航迹融合的多模型滤波方法实现 |
| 5.4.3 算法仿真验证与分析 |
| 5.5 本章小结 |
| 第六章 多源信息融合的相对导航系统验证平台 |
| 6.1 引言 |
| 6.2 合作目标相对导航系统移动平台实验设计与验证 |
| 6.2.1 相对导航系统移动平台设计与搭建 |
| 6.2.2 传感器数据处理方法 |
| 6.2.3 基于SINS/DGPS组合的相对导航算法验证 |
| 6.3 非合作目标相对导航系统仿真验证平台实现 |
| 6.3.1 系统仿真验证平台总体方案 |
| 6.3.2 仿真系统功能模块设计 |
| 6.3.3 多传感器协同的相对导航系统仿真实现 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文的主要工作与创新 |
| 7.1.1 本文的主要工作和研究内容 |
| 7.1.2 本文的主要贡献与创新之处 |
| 7.2 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、多传感器信息融合技术在舰船组合导航系统中的应用（论文参考文献）
- [1]融合多源信息的小型多旋翼无人机位姿估计方法研究[D]. 王勇军. 桂林电子科技大学, 2021
- [2]无人机高度多传感器信息融合技术[D]. 黑梦娜. 西安邮电大学, 2021(02)
- [3]多源融合导航系统仿真平台设计与实现[D]. 何静. 电子科技大学, 2021(01)
- [4]基于多传感器信息融合的机器人建图研究与实现[D]. 曾彪. 电子科技大学, 2021(01)
- [5]无人船组合导航系统信息融合研究[D]. 杨毅. 大连海事大学, 2020(01)
- [6]基于传感器信息融合的室外履带机器人导航研究[D]. 李洪兵. 新疆大学, 2020(07)
- [7]基于无人机的视觉导航与信息融合方法研究[D]. 张奂. 哈尔滨工程大学, 2020(05)
- [8]GNSS/INS融合定位滤波方法研究及应用[D]. 杨立财. 成都理工大学, 2020(04)
- [9]多尺度数据融合算法及其应用研究[D]. 刘娟花. 西安理工大学, 2019
- [10]基于多源信息融合的无人机相对导航技术研究[D]. 朱云峰. 南京航空航天大学, 2019