介绍了两种差分 G PS定位模型 ,它们是码差分定位和 RTK ( real tim e kinem atic)定位 ,讨论了多径效应对码差分定位和 RTK定位精度的影响。利用 Javad G80采集数据 ,最后通过分析这些数据的统计特性 ,得到的计算结果表明 :影响差分 GP...介绍了两种差分 G PS定位模型 ,它们是码差分定位和 RTK ( real tim e kinem atic)定位 ,讨论了多径效应对码差分定位和 RTK定位精度的影响。利用 Javad G80采集数据 ,最后通过分析这些数据的统计特性 ,得到的计算结果表明 :影响差分 GPS定位系统精度的主要原因是多径效应和接收机噪声。展开更多
常规实时动态定位(Real Time Kinematic,RTK)模糊度解算策略是基于当前时刻观测数据快速确定模糊度,在后续最小二乘方程中将该模糊度作为已知值,该方法会导致后续定位结果存在系统性的偏差甚至错误。针对该问题,设计了基于Kalman滤波的...常规实时动态定位(Real Time Kinematic,RTK)模糊度解算策略是基于当前时刻观测数据快速确定模糊度,在后续最小二乘方程中将该模糊度作为已知值,该方法会导致后续定位结果存在系统性的偏差甚至错误。针对该问题,设计了基于Kalman滤波的RTK解算方法,该方法以固定的模糊度为已知量进行强制约束来提高模糊度解算的可靠性。基于实测数据验证分析表明,该方法在超短和中长基线下具有定位精度稳定的优点。展开更多
传统的视觉同步定位与建图(simultaneous localization and mapping,SLAM)算法大多数建立在假设场景是静态的基础之上,这种假设限制了视觉SLAM在现实场景的应用。针对传统SLAM算法在动态环境下定位精度低、鲁棒性差的问题,提出了一种实...传统的视觉同步定位与建图(simultaneous localization and mapping,SLAM)算法大多数建立在假设场景是静态的基础之上,这种假设限制了视觉SLAM在现实场景的应用。针对传统SLAM算法在动态环境下定位精度低、鲁棒性差的问题,提出了一种实时动态视觉SLAM算法。首先所提出的算法以ORBSLAM3为基础,新增了一个语义线程,该线程与其他线程并行运行,可以避免语义线程运行较慢而影响跟踪线程的运行。然后使用移动概率更新和传播语义信息,将其保存在地图中,并且使用数据关联算法从跟踪中去除动态点。最后使用公共TUM数据集来评估,证明了所提出的算法在动态环境下的鲁棒性和实时性优于现有的算法。展开更多
文摘介绍了两种差分 G PS定位模型 ,它们是码差分定位和 RTK ( real tim e kinem atic)定位 ,讨论了多径效应对码差分定位和 RTK定位精度的影响。利用 Javad G80采集数据 ,最后通过分析这些数据的统计特性 ,得到的计算结果表明 :影响差分 GPS定位系统精度的主要原因是多径效应和接收机噪声。
文摘常规实时动态定位(Real Time Kinematic,RTK)模糊度解算策略是基于当前时刻观测数据快速确定模糊度,在后续最小二乘方程中将该模糊度作为已知值,该方法会导致后续定位结果存在系统性的偏差甚至错误。针对该问题,设计了基于Kalman滤波的RTK解算方法,该方法以固定的模糊度为已知量进行强制约束来提高模糊度解算的可靠性。基于实测数据验证分析表明,该方法在超短和中长基线下具有定位精度稳定的优点。
文摘传统的视觉同步定位与建图(simultaneous localization and mapping,SLAM)算法大多数建立在假设场景是静态的基础之上,这种假设限制了视觉SLAM在现实场景的应用。针对传统SLAM算法在动态环境下定位精度低、鲁棒性差的问题,提出了一种实时动态视觉SLAM算法。首先所提出的算法以ORBSLAM3为基础,新增了一个语义线程,该线程与其他线程并行运行,可以避免语义线程运行较慢而影响跟踪线程的运行。然后使用移动概率更新和传播语义信息,将其保存在地图中,并且使用数据关联算法从跟踪中去除动态点。最后使用公共TUM数据集来评估,证明了所提出的算法在动态环境下的鲁棒性和实时性优于现有的算法。
