一、C.GPS时间测量值（论文文献综述）
蔡泽宇[1]（2021）在《水稻联合收获机产量监测系统设计与试验》文中研究说明谷物联合收获机的产量监测是精准农业的重要环节,对我国建设绿色、高效和节约型的大田农业具有举足轻重的作用。产量监测技术受现有测量方法的限制,存在产量监测系统的测产平均误差无法小于2%的瓶颈,同时我国研究人员对光电式产量监测技术的研究较少,在产量监测技术的产业化发展中与国外存在着巨大差距。在此背景下提出了本课题的目标:研制出基于光电式传感器的谷物产量监测系统,系统在大田作业的产量测量的平均误差达到目前商用化测产系统的水平。论文为了实现联合收获机实际大田作业的产量监测,本论文提出了基于占空比测量的产量监测方法。基于该方法利用对射式光电传感器设计并研制了产量监测系统。在系统硬件、软件开发的基础上,利用EDEM仿真对谷物随刮板运动时的堆积形状进行分析,得到谷物堆积的理论模型。并通过理论模型推导了占空比测量值与谷物质量的正比例函数关系,最后利用台架试验的测量数据拟合得到全局模型和局部模型。在软件设计过程中,对产量图构建方法进行研究。本文在不依赖第三方API接口条件下,提出了依赖于数组的产量数据填充方法。首先将田块区域网格化,利用作业过程中GPS坐标的相对位移,生成联合收获机的轨迹图。随后在轨迹的基础上将产量数据沿着轨迹并以割幅长度在数组中填充数据,最后将网格化的数组通过连续的颜色可视化。通过第三方测产系统获得了用于产量图构建的关键数据。基于该数据集,设计了产量图构建软件。软件能够实现生成车辆的轨迹图、作业过程的水分分布图、谷物的湿产量分布图和干产量分布图的功能。最后,为了对产量监测系统的性能进行验证,分别进行了台架试验和大田试验。台架试验对建模的全局和局部模型进行了验证,结果表明,本文的产量监测系统在测量较少的谷物质量中具有较大不确定性;但在较多谷物的产量监测中,系统的多次累计误差会被平均从而获得极高的准确性。大田试验中,先对空载下的刮板信号、作业中的异常信号分别进行研究,其中本文产量监测系统中异常信号出现概率为1.12%,来源可能为粮仓中滑落的谷物、谷物中的杂质和机身的振动。通过测量数据与过磅数据拟合函数的修正后,对产量监测系统进行性能验证。结果表明,产量监测系统的测量值与实际称重最大相对误差为3.83%,平均误差为1.84%,达到国外商业化产量监测系统的水平。
王威雄[2]（2021）在《守时系统国际时间比对数据融合方法研究》文中研究指明高精度时间比对是国际标准时间UTC产生中的重要环节,也是精密时间用户向国家标准时间溯源的基本手段。UTC（NTSC）作为全球参与UTC计算的重要守时系统之一,其国际比对链路必须保证连续、稳定、可靠运行。UTC（NTSC）基准系统现有多条相互独立的卫星双向时间比对（TWSTFT）和GNSS时间比对链路,但在UTC比对中目前仍以单一手段为主,在链路切换或故障时可靠性还有提升空间。因此,如何融合现有冗余时间比对数据来提高国际时间比对链路的稳定性和可靠性是当前研究的一项重要工作,另外,对多模GNSS时间比对进行融合处理从而提升单系统时间比对性能,以及将GNSS时间比对与TWSTFT融合来改善TWSTFT中的周日效应也是当前时频领域的热点问题。本文利用我国时间基准UTC（NTSC）系统现有的多种时间比对手段,通过不同的数据融合算法就时间比对数据融合涉及的时间比对原理及误差项修正、融合模型的建立及参数估计、对融合结果的性能评估等方面进行研究,并采用实际算例进行验证。主要研究工作和贡献如下:（1）介绍了用于融合处理的时间比对技术的基本原理和性能评估方法。首先梳理了TWSTFT、GNSS共视和精密单点定位（PPP）时间比对的基本原理和误差项来源,具体给出了每种方法对应的误差修正方式;分析了直接校准和间接校准的硬件时延校准方法,重点讨论了间接校准中利用GNSS移动校准站以及基于链路双差校准的流程及相应的不确定度分析,并利用实际数据进行了验证。结果表明,利用GNSS移动校准站实现了对亚欧TWSTFT链路的成功校准,实际校准不确定度在当前1.5ns的校准不确定度范围内。已校准的PPP链路可通过链路双差校准的方式对GPS共视链路进行校准,校准不确定度约为3.0ns。（2）研究了基于Vondrak-Cepek组合滤波的北斗共视和TWSTFT融合方法。为提高守时链路可靠性并减小卫星双向时间比对中的周日效应,利用北斗共视链路没有周日效应的特点,通过Vondrak-Cepek组合滤波方法对不同基线长度链路间的北斗共视时间比对结果分别与硬件SATRE TWSTFT和软件接收机SDR TWSTFT结果进行了融合处理。采用时间偏差和幅值频谱两个指标以及GPS PPP时间比对链路分别对融合结果进行内外符合评估。结果表明,经过Vondrak-Cepek滤波的融合结果中周日效应基本消失,融合后24小时频谱分量幅值相比融合前最少减小84%以上;融合结果平均时间为1d的时间偏差稳定度相比融合前SATRE和SDR TWSTFT的稳定度明显提高,对长基线NTSC-PTB的平均增益因子为1.83（1为零增益）,对短基线NTSC-NIM链路的平均增益因子为1.64;融合解与GPS PPP链路差值（DCD）结果的标准差也明显减小,NTSC-PTB SATRE双向链路DCD标准差由融合前0.95ns减小为0.35ns,NTSC-NIM SATRE双向链路由1.02ns减小为0.61ns,融合后链路噪声得到明显改善。（3）从Kalman滤波方法“预测-修正”的思想出发,提出了基于Kalman滤波的TWSTFT和GPS PPP时间比对融合算法。以短期稳定度好且分辨率高的GPS PPP结果的一阶差分量作为长期稳定度好但分辨率低的TWSTFT结果的平均频率变化量,与TWSTFT数据一起作为Kalman滤波的组合观测量,通过滤波参数的选取优化获得融合观测的状态估计,即融合时间比对结果,并从质量控制方面对Kalman滤波观测值残差的正态性进行了检验与分析。通过在不同基线长度上的试验结果表明,Kalman滤波观测值残差近似服从正态分布,融合结果中的周日效应基本消失且短期稳定度明显提高,在平均时间32小时内对不同基线长度的SATRE TWSTFT的TDEV增益因子约为5 8,对SDR TWSTFT的增益因子约为4 6;融合结果与参考链路的DCD偏差小于300ps,保证了融合解与参考链路的一致性,提升了国际时间比对链路的可靠性。（4）利用联邦滤波算法并行化计算和高容错性的特点,提出了基于容错联邦Kalman滤波的多模GNSS共视时间比对融合算法。随着全球各GNSS系统的不断建设,GNSS观测数据充分冗余,多模GNSS融合时间比对成为当前热点之一。本文首先在长短基线上对GPS、Galileo、GLONASS以及北斗二号系统的共视性能进行了分析,结果表明Galileo系统共视性能优于或与GPS系统相似,优于当前星座状态下的GLONASS和北斗二号系统;采用已校准的GPS PPP链路对单星座结果进行双差校准后,利用各链路特性对联邦Kalman滤波主滤波器和子滤波器关键参数进行赋值,同时在Kalman滤波的状态方程中引入量测噪声系数来对量测噪声进行动态调整,当子系统发生故障时对故障进行实时检测和隔离,最后获得性能更佳的融合结果;将融合解与单Galileo共视、标准差加权以及GPS PPP时间比对结果进行对比分析,通过不同基线长度上的大量算例表明,相较其他方法的时间比对结果,容错联邦Kalman滤波融合解在减小时间比对链路噪声水平,提高时间比对链路稳定度和可靠性上都具有明显的优势。
刘纯斐[3]（2021）在《实时再生模拟器与高精度时间间隔测量的研究与实现》文中研究表明卫星导航产业正随着科技的腾飞而迅速发展,作为卫星导航产业中必不可少的定位授时终端—GPS接收机的需求日益增加。如何科学有效地验证GPS接收机的性能也逐渐成为导航产业的热门问题。GPS模拟器能够有效帮助GPS接收机进行验证仿真,是分析GPS接收机性能的重要工具,所以对于GPS模拟器的研究与实现具有较大的工程意义。本文通过FPGA+ARM平台进行GPS L1频点的实时再生模拟器设计,完成对GPS L1信号的再生和时间同步两大功能,主要的研究内容如下:1)根据GPS ICD文件规定,深入研究了GPS L1的信号体制,对GPS接收部分的数字基带信号处理进行理论分析与代码实现,完成对GPS卫星信号的捕获跟踪,实时提取当前卫星信号的载波、C/A码和导航电文,并解算出定位结果。在GPS接收部分的基础上设计了GPS L1频点的再生式模拟器,利用DDS技术实时生成载波和C/A码,同ARM提取出来的导航电文进行调制,最终实现GPS L1信号的再生。测试结果表明,本文设计的系统可以正常对GPS信号进行捕获跟踪和信号再生,解算出的定位精度优于3m,再生式模拟器生成的模拟再生信号定位精度优于5m。2)针对本地秒脉冲和标准秒脉冲时间间隔的测量需求,先利用FPGA内部的进位结构完成延迟单元内插,测量小于系统时钟的时间间隔。再与脉冲计数法相结合,解决延迟单元内插法测量量程较小的问题。最后使用非线性校准的码密度测试,解决延迟内插法中延迟单元大小不均的问题。经实际测试表明,该方法能够实现对本地秒脉冲和标准秒脉冲时间间隔的高精度测量,提供时间同步所需要的稳定高精度时间间隔测量数值。3)使用高精度时间间隔测量技术和晶振驯服技术结合的方法,实现了利用标准秒脉冲信号对本地的时钟源驯服控制,完成本地时钟源与GPS卫星时钟的时间同步。利用FPGA将时间间隔输出值实时转换为压控值,再通过DAC7512将压控值转化为压控电压对本地晶振进行控制。实验结果表明,使用该方法得到的同步秒脉冲与标准秒脉冲相比,精度优于700ps,且本地晶振能够长期保持稳定状态。
朱明红[4]（2021）在《基于低成本IMU的通用多传感器集成动态定位关键技术研究》文中认为车辆的高精度实时导航定位是驾驶辅助等汽车行驶安全控制、交通诱导管理等智能交通乃至车路协同控制等车联网研究的核心技术。近年来,随着智能交通的迅猛发展,车辆导航系统在全球范围内有着巨大的市场需求。同时,传感器信息融合技术的发展也使得车载自主导航集成系统的实现成为可能。目前,应用在大多数民用导航上的现代多传感器集成系统通常由GPS接收器、IMU和/或其他传感器（如,里程计、照相机等）组成。然而,车辆的行驶环境复杂多变,对导航定位系统的精度和可靠性具有很高的要求,而价格高昂的导航定位系统不利于大规模应用。随着低成本传感器技术的不断提高,越来越多的研发工作旨在以不牺牲导航性能为前提,力求建立一个经济有效的导航系统。因此,发展基于低成本传感器的车用导航定位系统具有重要意义。本论文围绕车用导航定位系统的高精度定位需求和价位局限性,提出了一种基于低成本IMU的通用多传感器集成策略（Generic Multi-sensor Integration Strategy,GMIS）。该多传感器集成系统主要以组合多个低成本IMU和GPS接收机而设计实现,为低成本、高性能多传感器惯性导航系统树立了良好的典范,并为后续的学术研究工作奠定了经济实用的基础。GMIS的特点主要表现为:1)基于刚体运动学建立了核心系统模型;2)在卡尔曼滤波中,将所有传感器（包括IMU）的测量输出直接作为原始量测值,而不进行微分运算。与传统的基于误差状态的集成策略相比,GMIS的主要竞争优势可总结为:1)由于对刚体角速度和加速度测量冗余度的增加,使得IMU测量噪声对最终导航解的影响可以得到有效缓解;2)在GMIS下,卡尔曼滤波的状态矢量和量测矢量可以扩展到融合多个惯性传感器和所有其他类型传感器的测量值;3)可以通过单个测量值和过程噪声的相应量测残差,直接对原始传感器数据（测量噪声分析）和虚拟零均值过程噪声（过程噪声分析）进行误差分析。本论文主要从GMIS的实现与改进,以及卡尔曼滤波随机模型的提高等角度展开技术研究。论文的主要研究工作如下:1.传统的集成策略中,惯性传感器采用先验的误差模型,而低成本IMU的时变噪声模型具有高温度敏感性和动态激励,这对集成系统极其不利。不同于传统的集成策略,本论文充分利用刚体的运动学原理,建立三维动力学模型作为卡尔曼滤波的核心系统模型,使得在IMU数据间隔或特定的有限时间间隔内实现严格的轨迹跟踪,从根本上缓解了低成本IMU的时变误差对惯性导航解的影响。同时,GMIS允许所有传感器（包括IMU）的测量值直接且独立地参与卡尔曼滤波量测更新,因此,本论文对卡尔曼滤波中所有IMU阵列的量测和系统误差进行独立建模,从而解除了传统集成策略中惯性导航机械编排对IMU测量值的严重依赖。通过对GMIS性能边界的分析,验证GMIS的可行性和可靠性。2.由于车辆在运动过程中必然会经历不同的运动形式,而机动过程由人力控制,先验信息很少且难以用数学公式精确描述,一般的三维动力学模型无法实现机动车辆在不同运动形式之间的平滑过渡,这将严重影响导航定位解的精度。针对平滑过渡问题,本论文提出两种方案以实现不同运动状态间的平滑过渡。第一种方案:充分利用直线和圆周速度、加速度的变化以及系统姿态的变化,开发一种实用的机制,实现不同运动形式之间的切换。第二种方案:建立一种基于“当前”统计Singer加速度模型（“Current”Statistical Singer Acceleration Model,CSSAM）的三维动力学模型,实现机动车辆的平稳过渡。通过实验仿真数据,验证所提出的两种方案的有效性。3.卡尔曼滤波中存在着各种误差源,为了能够对这些误差源进行独立的分析,本论文采用一种新方式来研究卡尔曼滤波中的随机信息,即将系统新息矢量分为三组独立的残差:量测向量残差、过程噪声向量残差以及排除过程噪声影响的预测状态向量残差,从而建立线性最优滤波的新模型,同时介绍相关的卡尔曼滤波质量分析方法。4.卡尔曼滤波中过程噪声向量和量测噪声向量的先验随机模型的改进始终是一个巨大的挑战。针对传感器量测中的随机误差以及惯性导航中的过程噪声,本论文提出一种通用的随机模型调整方法,充分利用所有时刻的量测残差和过程噪声残差以及量测冗余贡献,改进现有的后验方差-协方差分量估计算法,从而实现与过程噪声和量测噪声矢量相关的各方差分量的估计。同时,利用改进的方差-协方差分量估计（Variance-covariance Components Estimation,VCE）算法计算各传感器（尤其是IMU）的量测权重,从而确定融合算法中各测量值的配比,使得在合理分配每一个量测值作用的同时又能简化量测模型,降低计算量。5.最后,本论文设计并进行有效的车载道路试验,采集实验数据,一一验证本论文所提出的各项关键技术的有效性。数据结果充分证明了本论文所提出的基于低成本IMU的通用多传感器集成策略的可靠性和可行性,以及重点验证了应用改进的后验方差分量估计算法对该通用多传感器集成策略性能上的重大提升。
胡伟强[5]（2020）在《基于双边双程的多星编队星间高精度测量技术研究》文中进行了进一步梳理微小卫星编队是航天领域最为活跃的新技术领域之一。微小卫星编队由数颗物理上相互分离的微小卫星组成,通过星间通信等技术实现卫星之间的相互协作,具有成本低、研制周期短、构型灵活、生存周期长、测量基线长等优点。星间相对测量的性能是影响微小卫星编队能力的决定性因素,主要测量方法包括GPS间接测量和RF自主测量。GPS间接测量虽然技术成熟,但由于GPS信号覆盖范围有限,在中、高轨道以及深空等环境下无法使用,而RF自主测量是通过装载在卫星上的无线电信号收发装置实现编队内部的自主测量,并且可以结合应用场景,设计相适应的测量机制,能够克服GPS间接测量的问题。然而,目前关于星间RF自主测量方法的研究,主要是针对双星编队展开的,尚缺少适用于微小卫星多星编队的可扩展、高精度的多星测量体制,成为制约多星编队发展的瓶颈问题。针对上述情况,本课题提出基于双边双程测量的多星编队星间相对测量体制。围绕测量体制展开研究,以双边双程测量方法的原理为基础,结合卫星编队场景,从理论上对测量性能进行了深入分析,包括频率源的频率偏差、电离层延时、硬件延时、卫星高动态、观测噪声等因素对测距精度的影响。然后在理论分析的基础上,设计并实现了基于该测量体制的星间测量系统,搭建了相应的测试平台,对测量体制进行了实验验证。测试结果表明多星编队星间相对测量系统可以正常、稳定的运行,且在90d BHz载噪比、频率准确度0.5ppm和阿伦方差0.8ppb频率源、时隙时长3s的条件下,测距结果的均值误差为厘米级,均方差为分米级,与理论分析的结果相符合。
卢帅[6]（2020）在《GPS/MEMS组合车载测姿技术研究》文中研究说明随着无人驾驶技术的快速发展,精准、安全的无人驾驶技术需要精确、稳定的车辆运动方向参数,车辆姿态角描述了车辆在三维空间中的运动方向,在自动导航控制中起到关键性作用。近年来,无人导航系统对车辆姿态角的要求越来越高,尤其是在复杂运行环境中传统的GPS（Global Positioning System,全球定位系统）姿态测量系统和惯性导航系统（Inertial Navigation System,INS）已经无法满足应用需求。此外,虽然GPS姿态测量系统具有精度高、成本低的特点,但存在易受遮挡环境影响、更新频率低等缺陷,惯性传感器虽然短时精度高,动态性能好,但存在累计漂移误差。针对以上问题,本文基于GPS姿态测量平台,研究了一种由微机电系统（Microelectro Mechanical Systems,MEMS）传感器辅助车辆姿态角测量方法,并针对复杂环境下车载测姿进行了误差消除算法研究,提高了复杂环境下车辆姿态角测量的精度和稳定性。首先,针对复杂环境车载测姿结果存在不稳定、误差大等问题,分析了复杂环境车载测姿存在的误差特性,提出了使用自适应抗差Kalman算法和MEMS辅助GPS姿态测量算法来消除误差。设计了基于GPS单差整周模糊度的自适应抗差卡尔曼滤波器来消除观测模型误差和运动随机误差。研究了基于MEMS的误差消除算法,利用MEMS测姿结果辅助浮点解固定,提高了复杂环境车辆姿态角测量可靠性和稳定性。其次,基于扩展卡尔曼滤波进行了GPS/MEMS组合测姿技术研究,首先建立了松组合测姿模型,选择MEMS测量姿态角误差和传感器误差构建状态方程,使用GPS测姿结果和加速度计测量值为测量方程,进行卡尔曼滤波更新,得到松组合姿态角。此外,推导了伪距双差和伪距率差分方程作为紧组合滤波器测量方程,使用MEMS和GPS噪声误差作为状态方程进行紧组合姿态角最优估计,提高了组合测姿系统的稳定性。最后,在硬件和软件上进行了算法实现工作,设计了硬件和软件系统架构,介绍了算法流程和程序设计方案。并且搭建了实验平台进行算法测试,分别进行了误差消除算法测试和组合测姿算法测试,测试结果表明在直线、转弯和遮挡环境中,本文研究的GPS/MEMS组合车载测姿技术有效地提高了车辆姿态角求解可靠性和稳定性。
周磊[7]（2020）在《基于卡尔曼估计的车前路面工况2.5D实时重构技术研究》文中研究表明应急救援车辆特殊的工作性质及应用场合决定了其在面对复杂路况时仍旧需要保持行驶的平顺性,而提高车辆行驶平顺性的一个有效途径是通过轴前预瞄控制技术调节主动悬架。目前,对轴前预瞄控制的研究多集中在控制算法上,而对轴前预瞄控制输入信息获取方法的研究则有很大空白。为此,本文基于2.5D重构技术及数据融合技术对车前路面工况进行了重构,并从中提取了车辆预测轨迹上的高程信息作为预瞄控制的输入信息。本文结合国家重点研发计划项目“高机动多功能应急救援车辆关键技术研究与应用示范”（编号:2016YFC0802900）,研究了车前路面工况信息的2.5D重构方法及路面工况高程信息的提取方法。全文的主要研究工作如下:（1）完成了车前路面工况重构系统的硬件搭建和软件设计。根据需求对传感器进行了选择并在合适的位置安装各传感器,然后基于Win10系统通过编程实现了系统的软件设计。（2）为了提高系统稳定性及车辆位姿估计精度,建立了车辆坡路运动模型,并基于该模型的辅助实现了车辆位姿估计。首先建立了车辆坡路运动模型,并根据该模型分析了道路坡度对车辆位置估计的影响,然后基于车辆坡路运动模型的辅助应用扩展卡尔曼滤波方法实现了车辆位姿估计。针对GPS位置信息出现异常值的情况,提出了基于马氏距离减小GPS异常值影响的方法。（3）针对传统方法无法平衡车前路况信息获取的实时性与精度问题,提出了基于2.5D重构技术及数据融合技术的车前路面工况重构方法。首先分析了系统测量误差并建立了误差传递模型,然后构建了车前路况局部高程图并根据位姿数据及点云数据对高程图进行更新。为了提高精度,采用了卡尔曼滤波方法对高程值进行估计。最后基于Grid Map库实现了对车前路况数据的存储,并基于OpenGL库实现了车前路况数据的可视化。（4）考虑到轴前预瞄控制的输入信息为车前路面工况的高程信息,提出了一种车前路况高程信息提取的方法。本文根据实际情况,将车轮与地面接触的部分近似为一个椭圆,把椭圆范围内所有网格高程值的加权均值作为车轮接地处的高程值。在选取权重时,以椭圆范围内每个网格距离椭圆中心距离的远近作为权重,即距离越大,权重越小。（5）通过实验验证了方法的有效性和实用性。本文基于所搭建的硬件平台完成了车辆位姿估计实验、车前路况重构实验及车前路况高程信息提取实验。实验结果表明了本文所用的方法是有效的,能够在满足实时性要求的情况下保证路况信息的精度。
赵尚煜[8]（2020）在《基于GPS/INS车载组合导航技术的自动驾驶轨迹跟踪控制算法研究》文中进行了进一步梳理随着互联网、大数据、通信技术和人工智能的深入推进,现代社会正在加速迈向智能化,自动驾驶技术正借着这股浪潮快速发展,这将对解决当前的交通拥堵和交通安全问题发挥重要的作用。轨迹跟踪控制作为自动驾驶车辆的关键技术之一,是确保车辆在复杂多变的道路环境中安全有效行驶的基础。为了满足更高级别自动驾驶的要求,轨迹跟踪控制的精度和平稳性需要进一步提高,这不仅需要对更有效的控制算法展开研究,还需要高精度定位系统的支持。在此背景下,本课题根据现有条件提出了基于GPS/INS车载组合导航技术的自动驾驶轨迹跟踪控制算法研究,最终实现了试验车对期望参考轨迹的准确稳定跟随。本文的主要研究内容包括:（1）本文对传统的基于模型预测控制（Model Predictive Control,MPC）的侧向运动控制算法进行了改进。在建立的车路位姿误差动态方程基础上,提出了一种考虑侧向位移预瞄的预测模型,这使得MPC侧向运动控制器仅用原来一半的预测时域就可以近似实现等效的预瞄时间,从而能够有效的降低计算量,提高算法的实时性。此外,在设计MPC侧向运动控制器的过程中,一方面借鉴了最优预瞄控制的思想,充分利用了未来的期望路径信息。另一方面,通过将车辆的稳态转向转角作为参考控制输入引入代价函数,实现了前馈控制的效果,从而提高了路径跟踪精度。（2）为了在轨迹跟踪控制中达到各路径点相应的期望车速,本文设计了车辆纵向运动分层控制算法,包括一个基于车辆逆模型的底层加速度控制器和在此基础之上设计的滚动时域线性二次型车速跟踪控制器,它通过动态规划的方法反向迭代求解控制率,相较于等效的无约束MPC输出跟踪控制器在节省计算资源方面具有一定的优势。此外,本文还设计了纵侧向协调策略,基于模糊逻辑融入了驾驶员的经验和知识,使得MPC侧向运动控制器的预瞄时间能够根据当前车速以及道路曲率等因素的变化做出相应的动态调整,从而有效保证了复杂工况下轨迹跟踪控制效果。（3）为了稳定可靠地为轨迹跟踪控制算法提供必要的车辆位置姿态等信息,本文设计了一种考虑车辆特性的组合导航定位算法。它使用误差状态卡尔曼滤波算法对全球定位系统和惯性导航系统的数据进行松耦合,并且通过设计观测方程充分利用在CAN总线上所获取的车速信息以及车辆在运动过程中受到的非完整约束来抑制定位误差的累积。此外,在卫星信号较长时间中断的极限场景下,通过建立基于车辆动力学的航迹推算模型并且使用扩展卡尔曼滤波算法进行多传感器数据融合,有效地提高了的组合导航定位系统的可用性。（4）本文基于某国产SUV车型搭建了实车试验平台,开发了试验车底盘线控算法,并针对实车实验中遇到的问题做出了相应的算法改进,包括对转向系统滞后性的补偿以及对参考路径点搜索算法的优化,最后通过实车试验验证了本文提出的基于GPS/INS车载组合导航技术的自动驾驶轨迹跟踪控制算法的有效性。
许强[9]（2020）在《GNSS数据融合定位解算技术研究》文中指出2020年我国正式实现了北斗卫星导航系统（Bei Dou Navigation Satellite System,BDS）的全球组网,开启了我国卫星导航发展的新纪元。在这个万物互联的时代下,时空信息作为物联网的基础,人们对位置信息的要求不断提高,定位环境也变得越来越苛刻。在复杂的定位环境中,卫星信号会受到城市高楼、道路高架桥、隧道山体和森林的遮蔽,传统的卫星接收机难以满足各类场景下的定位要求。为此本文将全球定位系统（Global Positioning System,GPS）与BDS结合,构成GPS/BDS组合定位系统,提高了卫星导航系统的信息冗余。同时引入惯性导航系统（Inertial Navigation System,INS）,以全球导航卫星系统（Global Navigation Satellite System,GNSS）结合INS组合导航的方式,来解决卫星信号丢失时的定位难题,从而提高卫星导航系统在复杂多变环境中的定位导航能力。本文围绕GPS/BDS组合定位系统和GNSS/INS组合导航系统展开以下两部分内容的研究:（1）构建BDS/GPS双系统融合定位将两种不同的定位系统组合在一起,增加可见卫星的数量,可以提高所接收卫星信号的质量。首先在时间和空间上对两个不同的系统做相应的坐标转化和时间转化,完成时空对准;然后通过改进粒子群优化选星算法来实现对可见卫星的快速选择,用于后续定位导航解算;最后,通过引入对应渐消因子向量的方法优化卡尔曼滤波算法,在GPS/BDS双系统定位导航解算的过程中抑制滤波发散,从而提高定位精度。实验观测表明,双系统下,用于定位解算的卫星具有更好的精度因子,选星过程搜索速度快且搜索结果为全局最优值,综合定位误差在东向和北向相较于单系统降低了约40%。（2）基于径向基函数的神经网络的GNSS/INS组合导航系统GNSS/INS组合导航系统,通常用来解决在某些区域信号遮挡严重,卫星无法定位的难题,本文引入径向基函数的神经网络建立GNSS/INS组合导航系统。首先用相对精确的GNSS/INS信息估计值和INS定位值来对神经网络进行持续训练,利用神经网络的非线性拟合特性来学习INS的定位误差;然后在INS独立定位时,用训练好的神经网络对INS误差做补偿,来保证较长一段时间的定位精度;最后采用新息估计方法设计了自适应滤波算法,通过动态调整噪声协方差矩阵对进行神经网络预测的最优估计,达到对GNSS、INS和神经网络三者定位数据的自适应融合。车载组合导航实验表明,在两段GNSS信号中断期间,神经网络预测下的组合导航系统在北向和东向的定位精度提高了约71%,定速精度提高了约68%
汤灿阳[10]（2020）在《关于GPS高精度定位技术中多路径误差消除的研究》文中提出近年来,建筑坍塌事故层出不穷,2000年到2019年国内就发生了 83起大型桥梁坍塌事故,使得广大人民群众的生命财产安全受到严重威胁,造成严重的国家经济损失。考虑到桥梁、水坝、高楼等建筑设施在设计、建造以及使用过程中存在的安全隐患,对其进行变形监测将成为必不可少的技术手段。GPS高精度定位技术近年来广泛应用于建筑物的变形监测。在GPS短基线双差定位中,电离层延迟、对流层延迟、卫星轨道误差、接收机时钟误差和卫星时钟误差可以通过载波相位差分技术削弱或消除,但是基线两端的多路径干扰互不相关,使其无法通过载波相位差分技术进行消除。因此如何削弱和消除多路径误差成为了利用GPS高精度定位技术进行变形监测中亟待解决的问题。当前已有的解决方案主要分为三类:一是选择合适的基站建设地址;二是设计性能优良的天线和接收机;三是研究更具鲁棒性的滤波器和算法。而这些方案存在着一些问题:一是硬件器材昂贵,普适性差;二是进行信号处理时,端部效应严重;三是无法有效提取高频多路径。为了解决这些问题,本文提出了一种基于GPS高精度定位技术中多路径误差消除的技术方案。该方案主要包含三个研究内容。一是观测噪声的预处理技术,提出了基于二维移动加权平均的平滑处理算法,二是全频段多路径误差的提取技术,提出了基于最优分解层的小波包阈值去噪算法,三是监测点位置的校正技术,提出了基于GPS多路径周期性的位置校正算法。这些关键技术中用到的算法共同组成了WP-TD算法模型。该算法模型主要解决了两个问题,一是有效避免了端部效应,二是做到了全频段的多路径误差消除。通过仿真与实测。验证了 WP-TD算法模型应用于GPS变形监测时,能有效抑制端部效应,且能做到全频段的多路径误差消除。量化分析可知,经由WP-TD算法滤波后的连续三天的坐标残差序列之间的相关性相较于WT算法和Vondrak算法分别提高了 3.02%和1.78%。经由通过WT算法、Vondrak算法和WP-TD算法提取的参考天的多路径误差序列进行位置校正后的邻近天的定位精度分别提升了57.47%、65.98%和71.61%。从而更进一步地验证了提出的WP-TD算法模型能更加有效地提取多路径误差模型,提高GPS变形监测的精度。
二、C.GPS时间测量值（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、C.GPS时间测量值（论文提纲范文）
（1）水稻联合收获机产量监测系统设计与试验（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 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 国外谷物产量监测技术研究现状 |
| 1.2.2 国内谷物产量监测技术研究现状 |
| 1.2.3 研究现状小结 |
| 1.3 研究目标及研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 基于占空比测量的谷物产量监测系统硬件设计 |
| 2.1 基于占空比测量的谷物产量监测原理及硬件选型 |
| 2.1.1 基于占空比测量的测产工作原理 |
| 2.1.2 基于占空比测量的产量监测系统的硬件选型 |
| 2.2 对射式光电传感器的安装支架设计 |
| 2.3 产量监测系统的电路和数据采集模块设计 |
| 2.3.1 分压电路及下位机设计 |
| 2.3.2 GPS模块的数据传输协议 |
| 2.3.3 占空比数据的采集模块设计 |
| 2.4 本章小结 |
| 第三章 基于占空比测量方法的谷物产量监测系统的软件设计 |
| 3.1 软件系统的总体功能及软件的流程设计 |
| 3.2 软件系统的校准模块、数据采集处理模块、数据记录模块设计 |
| 3.2.1 校准模块的程序设计 |
| 3.2.2 GPS信号采集模块的程序设计 |
| 3.2.3 产量信号采集与处理模块的程序设计 |
| 3.2.4 数据记录模块设计 |
| 3.3 产量监测系统的模拟信号测试 |
| 3.4 本章小结 |
| 第四章 占空比测量数据与谷物质量的计量模型研究 |
| 4.1 基于EDEM仿真的刮板上谷物的堆积模型研究 |
| 4.1.1 谷物模型和升运器模型设计 |
| 4.1.2 材料属性参数设定及软件参数设置 |
| 4.1.3 谷物堆积模型的仿真结果 |
| 4.2 谷物堆积的理想模型 |
| 4.3 基于台架试验的占空比测量数据与谷物质量的计量模型建立 |
| 4.3.1 台架试验装置与准备材料 |
| 4.3.2 变频器频率设定值与升运器转速的关系 |
| 4.3.3 台架试验的滤波电路设计 |
| 4.3.4 空载下刮板占空比的校准值测量 |
| 4.4 基于台架试验的占空比测量数据与谷物质量的计量模型建立 |
| 4.5 本章小结 |
| 第五章 产量图构建方法研究与软件设计 |
| 5.1 产量图构建的原理 |
| 5.2 产量图构建的数据处理与程序设计 |
| 5.2.1 GPS坐标数据的处理方法 |
| 5.2.2 产量图重绘模块的程序设计 |
| 5.3 产量数据集的获取与数据误差验证 |
| 5.3.1 产量数据集的获取 |
| 5.3.2 产量数据集的误差验证试验 |
| 5.4 产量图构建的可视化结果与国外软件生成的产量图对比 |
| 5.6 本章小结 |
| 第六章 产量监测系统性能验证的台架试验与大田试验 |
| 6.1 计量模型的台架验证试验 |
| 6.1.1 谷物质量计量模型的验证试验 |
| 6.1.2 谷物质量计量模型的验证数据分析 |
| 6.2 产量监测系统的大田试验 |
| 6.2.1 空载状态下联合收获机中刮板的光电信号数据分析 |
| 6.2.2 大田试验中产量监测系统的光电信号数据中的误差来源分析 |
| 6.2.3 占空比测量值与谷物质量计量模型的校准 |
| 6.2.4 大田环境下产量监测系统的性能验证试验 |
| 6.2.5 大田试验的产量图生成结果 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 8.1 研究内容总结 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 附录 A 第四章中软件开发的伪代码 |
| 致谢 |
| 作者简历 |
（2）守时系统国际时间比对数据融合方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 时间比对 |
| 1.3.2 时间比对融合 |
| 1.4 内容安排 |
| 1.5 本章小结 |
| 第2章 卫星时间比对原理及性能评估方法 |
| 2.1 时间比对原理及误差改正 |
| 2.1.1 卫星双向时间比对 |
| 2.1.2 GNSS共视时间比对 |
| 2.1.3 GNSS PPP时间比对 |
| 2.2 时间比对链路校准及不确定度分析 |
| 2.2.1 时间比对链路校准现状 |
| 2.2.2 直接校准 |
| 2.2.3 间接校准 |
| 2.2.4 不确定度分析 |
| 2.2.5 间接校准算例分析 |
| 2.2.6 链路双差校准算例分析 |
| 2.3 时间比对链路性能评估方法 |
| 2.3.1 内符合评估 |
| 2.3.2 外符合评估 |
| 2.4 本章小结 |
| 第3章 基于Vondrak-Cepek滤波的北斗共视和TWSTFT融合方法 |
| 3.1 共视和TWSTFT融合背景 |
| 3.2 Vondrak-Cepek组合滤波原理 |
| 3.2.1 北斗CV和 TWSTFT融合模型 |
| 3.2.2 Vondrak-Cepek组合滤波方法 |
| 3.2.3 平滑因子选择 |
| 3.3 结果分析 |
| 3.3.1 BDS CV与 TWSTFT融合结果 |
| 3.3.2 内符合评估 |
| 3.3.3 外符合评估 |
| 3.4 本章小结 |
| 第4章 基于Kalman滤波的TWSTFT和 GPS PPP时间比对融合方法 |
| 4.1 融合背景及Kalman滤波应用 |
| 4.2 Kalman滤波融合算法原理 |
| 4.2.1 TWSTFT与 GPS PPP融合模型 |
| 4.2.2 Kalman滤波融合算法 |
| 4.3 结果分析 |
| 4.3.1 正态性检验 |
| 4.3.2 TWSTFT与 GPS PPP融合结果 |
| 4.3.3 内符合评估 |
| 4.3.4 外符合评估 |
| 4.4 本章小结 |
| 第5章 基于容错联邦Kalman滤波的多GNSS共视比对融合方法 |
| 5.1 GNSS时间系统 |
| 5.1.1 GPS时间系统 |
| 5.1.2 GLONASS时间系统 |
| 5.1.3 Galileo时间系统 |
| 5.1.4 北斗时间系统 |
| 5.2 融合背景及联邦Kalman滤波应用 |
| 5.3 容错联邦Kalman滤波融合算法原理 |
| 5.3.1 多GNSS共视比对融合模型 |
| 5.3.2 故障检测与隔离算法设计 |
| 5.3.3 容错联邦Kalman滤波算法 |
| 5.4 结果分析 |
| 5.4.1 单系统共视时间比对结果 |
| 5.4.2 容错联邦Kalman滤波融合结果 |
| 5.4.3 融合性能评估 |
| 5.4.4 容错联邦Kalman滤波可靠性分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的主要结论和创新点 |
| 6.2 未来展望 |
| 参考文献 |
| 附录 缩略语 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）实时再生模拟器与高精度时间间隔测量的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 论文研究背景与意义 |
| §1.1.1 GPS信号模拟器 |
| §1.1.2 高精度时间间隔测量 |
| §1.2 国内外研究现状 |
| §1.2.1 GPS信号模拟器 |
| §1.2.2 高精度时间间隔测量 |
| §1.3 论文主要研究内容及章节安排 |
| §1.3.1 论文主要研究内容 |
| §1.3.2 论文章节安排 |
| 第二章 实时再生模拟器理论与方法 |
| §2.1 GPS L1 信号体制 |
| §2.1.1 L1 信号结构 |
| §2.1.2 C/A码结构 |
| §2.1.3 数据码结构 |
| §2.2 再生式GPS信号模拟器基本结构 |
| §2.2.1 射频前端 |
| §2.2.2 信号接收基带处理 |
| §2.2.3 定位解算 |
| §2.2.4 信号生成基带处理 |
| §2.2.5 射频后端 |
| §2.3 时间间隔测量的重要指标 |
| §2.3.1 精度 |
| §2.3.2 准确度 |
| §2.3.3 分辨率 |
| §2.3.4 量程 |
| §2.3.5 稳定度 |
| §2.4 高精度时间间隔测量的方法 |
| §2.4.1 脉冲计数法 |
| §2.4.2 电流积分法 |
| §2.4.3 游标卡尺技术 |
| §2.4.4 时钟相位内插技术 |
| §2.4.5 延迟单元内插技术 |
| §2.5 方法分析和选取 |
| §2.6 本章小结 |
| 第三章 再生式GPS信号模拟器关键技术研究 |
| §3.1 GPS L1 信号捕获与跟踪 |
| §3.1.1 信号的捕获 |
| §3.1.2 信号的跟踪 |
| §3.2 高精度数字信号生成 |
| §3.2.1 扩频通信技术 |
| §3.2.2 直接频率合成技术 |
| §3.3 多普勒模拟技术 |
| §3.3.1 载波多普勒模拟技术 |
| §3.3.2 伪码多普勒模拟技术 |
| §3.4 本章小结 |
| 第四章 高精度时间间隔测量关键技术研究 |
| §4.1 基于延迟进位链的时间间隔测量技术 |
| §4.1.1 进位链原理 |
| §4.1.2 进位链的生成 |
| §4.1.3 加法器延迟进位链的延时分析 |
| §4.2 码密度法校准 |
| §4.2.1 码密度法原理 |
| §4.2.2 码密度法时延计算方法 |
| §4.3 基于FPGA的晶振驯服技术 |
| §4.3.1 晶振驯服的基本原理 |
| §4.3.2 GPS驯服晶振的压控方法 |
| §4.4 本章小结 |
| 第五章 实时再生模拟器设计与实现 |
| §5.1 实时再生模拟器总体设计 |
| §5.2 再生式GPS信号模拟器FPGA软件设计 |
| §5.2.1 捕获模块 |
| §5.2.2 跟踪模块 |
| §5.2.3 数字中频生成模块 |
| §5.2.4 通信模块 |
| §5.3 再生式GPS信号模拟器ARM软件设计 |
| §5.3.1 捕获算法 |
| §5.3.2 跟踪算法 |
| §5.3.3 同步电文解调 |
| §5.3.4 定位解算 |
| §5.4 基于时间间隔测量的时间同步软件设计 |
| §5.4.1 秒脉冲生成模块 |
| §5.4.2 高精度时间间隔测量模块 |
| §5.4.3 晶振驯服模块 |
| §5.5 本章小结 |
| 第六章 系统平台与性能测试 |
| §6.1 软硬件开发平台介绍 |
| §6.1.1 硬件开发平台 |
| §6.1.2 软件开发平台 |
| §6.2 性能测试与分析 |
| §6.2.1 信号再生测试与分析 |
| §6.2.2 时间同步测试与分析 |
| §6.3 本章小结 |
| 第七章 总结与展望 |
| §7.1 论文工作总结 |
| §7.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间主要研究成果 |
（4）基于低成本IMU的通用多传感器集成动态定位关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 文中英文缩写词全称及含义 |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.1.1 高精度定位系统的重要性 |
| 1.1.2 常用的定位系统 |
| 1.1.3 “GPS+多低成本IMU”构成主流的定位系统方案 |
| 1.2 国内外研究现状 |
| 1.2.1 低成本IMU的产品概况 |
| 1.2.2 低成本IMU的研究现状 |
| 1.2.3 多传感器集成策略的发展现状 |
| 1.3 课题的主要研究内容 |
| 第2章 多传感器集成方案中的基础理论 |
| 2.1 坐标系 |
| 2.1.1 三维笛卡尔坐标系 |
| 2.1.2 几种相关的坐标系 |
| 2.2 旋转矩阵 |
| 2.2.1 方向余弦矩阵 |
| 2.2.2 欧拉角 |
| 2.3 运动学 |
| 2.3.1 运动学参数矢量 |
| 2.3.2 运动学参数矢量的进一步推导 |
| 2.3.3 相对地理系的速度矢量 |
| 2.4 位置表达形式之间的转换 |
| 2.5 惯性导航机理 |
| 2.5.1 导航参数的解算 |
| 2.5.2 IMU量测模型 |
| 2.6 GPS定位原理 |
| 2.6.1 三边测量定位算法 |
| 2.6.2 GPS的测量值 |
| 2.6.3 GPS的差分定位 |
| 2.7 滤波技术 |
| 2.7.1 滤波模型 |
| 2.7.2 扩展卡尔曼滤波 |
| 2.8 传感器集成策略的分类 |
| 2.8.1 按状态的选择分类 |
| 2.8.2 基于状态误差的惯性导航 |
| 2.8.3 全状态惯性导航 |
| 2.9 本章小结 |
| 第3章 通用多传感器集成卡尔曼滤波算法的设计与实现 |
| 3.1 通用多传感器集成卡尔曼滤波算法 |
| 3.1.1 系统模型 |
| 3.1.2 通用多传感器集成卡尔曼滤波的建立 |
| 3.1.3 量测模型 |
| 3.2 通用多传感器集成策略的分析 |
| 3.2.1 GMIS的特点与优势 |
| 3.2.2 性能边界分析 |
| 3.3 不同运动状态间的平滑过渡 |
| 3.3.1 实现平稳过渡的实用机制 |
| 3.3.2 基于“当前”统计Singer加速度模型的动力学模型 |
| 3.4 本章小结 |
| 第4章 线性最优滤波的新模型与分析 |
| 4.1 离散时间卡尔曼滤波 |
| 4.1.1 离散型卡尔曼滤波的基本方程 |
| 4.1.2 随机模型 |
| 4.1.3 最小方差估计原理 |
| 4.1.4 最小方差递推估计 |
| 4.2 卡尔曼滤波的新构想 |
| 4.2.1 卡尔曼滤波模型的建立 |
| 4.2.2 递推估计 |
| 4.3 卡尔曼滤波的质量分析 |
| 4.3.1 单位权值方差估计 |
| 4.3.2 后验方差分量估计 |
| 4.3.3 卡尔曼滤波中的冗余贡献 |
| 4.3.4 相邻状态估计值之间的相关性 |
| 4.4 本章小结 |
| 第5章 基于通用多传感器集成卡尔曼滤波的改进方差分量估计算法及综合试验 |
| 5.1 后验方差估计算法的改进 |
| 5.1.1 Helmert的简化算法 |
| 5.1.2 改进的后验方差估计算法 |
| 5.2 通用多传感器集成卡尔曼滤波的重新规划 |
| 5.2.1 系统模型 |
| 5.2.2 量测模型 |
| 5.2.3 卡尔曼滤波方差分量估计 |
| 5.2.4 基于后验方差估计的量测权重 |
| 5.2.5 通用多传感器集成卡尔曼滤波的总结 |
| 5.3 道路试验和结果 |
| 5.3.1 对非传统集成机制的进一步认识 |
| 5.3.2 IMU量测信息的权重比 |
| 5.3.3 改进VCE算法的验证 |
| 5.3.4 IMU系统误差估计 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）基于双边双程的多星编队星间高精度测量技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 卫星编队发展现状 |
| 1.2.2 测距方法发展现状 |
| 1.3 主要研究内容及章节安排 |
| 2 双边双程测量原理 |
| 2.1 多星编队星间相对测量方法 |
| 2.2 双边双程测量的基本原理 |
| 2.3 卫星编队场景中双边双程测量原理 |
| 2.4 本章小结 |
| 3 测量误差分析及补偿 |
| 3.1 频率偏差 |
| 3.2 延时 |
| 3.2.1 电离层延时 |
| 3.2.2 硬件延时 |
| 3.3 高动态 |
| 3.4 本章小结 |
| 4 系统实现和实验验证 |
| 4.1 系统设计 |
| 4.1.1 硬件设计 |
| 4.1.2 软件设计 |
| 4.1.3 与实现方案相关的误差分析 |
| 4.2 实验验证 |
| 4.2.1 测试平台搭建 |
| 4.2.2 系统测试 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 作者简介 |
（6）GPS/MEMS组合车载测姿技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 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 GPS姿态测量研究现状 |
| 1.2.2 MEMS姿态测量研究现状 |
| 1.2.3 组合姿态测量研究现状 |
| 1.3 论文主要工作 |
| 第2章 GPS和 MEMS测姿算法理论 |
| 2.1 引言 |
| 2.2 车辆姿态角定义和常用坐标系 |
| 2.2.1 常用坐标系 |
| 2.2.2 车辆姿态角定义 |
| 2.2.3 坐标系转换 |
| 2.3 GPS姿态测量原理 |
| 2.3.1 GPS观测模型 |
| 2.3.2 GPS观测模型抗差处理 |
| 2.4 MEMS姿态测量原理 |
| 2.4.1 基于加速度计的姿态测量算法 |
| 2.4.2 基于磁力计的姿态测量算法 |
| 2.4.3 基于陀螺仪四元素法的姿态角求解算法 |
| 2.5 本章小结 |
| 第3章 GPS车载测姿误差消除研究 |
| 3.1 引言 |
| 3.2 GPS车载单基线测姿模型 |
| 3.3 复杂环境车载测姿误差分析 |
| 3.4 自适应抗差Kalman滤波 |
| 3.4.1 自适应抗差滤波理论 |
| 3.4.2 自适应抗差滤波在GPS测姿中的应用 |
| 3.4.3 整周模糊度快速求解 |
| 3.5 基于MEMS的误差消除算法 |
| 3.5.1 MEMS组合的姿态测量 |
| 3.5.2 MEMS辅助浮点解固定 |
| 3.6 本章小结 |
| 第4章 GPS/MEMS组合测姿算法研究 |
| 4.1 引言 |
| 4.2 GPS/MEMS组合测姿方案 |
| 4.3 松组合测姿算法 |
| 4.3.1 松组合状态方程 |
| 4.3.2 松组合测量方程 |
| 4.4 紧组合测姿算法 |
| 4.4.1 紧组合状态方程 |
| 4.4.2 紧组合观测方程 |
| 4.5 本章小结 |
| 第5章 系统实现与实验测试 |
| 5.1 引言 |
| 5.2 系统硬件框架 |
| 5.2.1 GPS接收机 |
| 5.2.2 MEMS传感器 |
| 5.3 GPS原始数据处理 |
| 5.3.1 GPS接收机数据格式 |
| 5.3.2 GPS接收机配置方式 |
| 5.3.3 GPS原始数据处理 |
| 5.4 算法流程与程序设计 |
| 5.4.1 程序设计方案 |
| 5.4.2 GPS测姿算法程序设计 |
| 5.4.3 组合测姿算法程序设计 |
| 5.5 测试环境及平台 |
| 5.5.1 测试环境 |
| 5.5.2 测试平台 |
| 5.6 误差消除算法测试 |
| 5.7 GPS/MEMS组合测试 |
| 5.7.1 无遮挡测试 |
| 5.7.2 遮挡环境测试 |
| 5.8 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 下一步工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）基于卡尔曼估计的车前路面工况2.5D实时重构技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 传感器用于环境信息获取的研究现状 |
| 1.3.2 数据融合方法的研究现状 |
| 1.3.3 重构结果表达方法的研究现状 |
| 1.4 研究内容和章节安排 |
| 第2章 系统硬件组成与软件设计 |
| 2.1 系统硬件组成 |
| 2.1.1 传感器选择与布置 |
| 2.1.2 各传感器工作原理简介及数据处理 |
| 2.2 系统软件设计 |
| 2.2.1 系统软件模块组成 |
| 2.2.2 主要自定义类的设计 |
| 2.2.3 基于多线程技术的系统软件设计 |
| 2.3 本章小结 |
| 第3章 车辆位姿估计 |
| 3.1 考虑道路坡度影响的车辆运动模型构建 |
| 3.1.1 车辆坡路运动模型的构建 |
| 3.1.2 道路坡度对车辆位置估计影响的分析 |
| 3.2 基于车辆坡路运动模型辅助的位姿估计 |
| 3.2.1 GPS定位信息有效时的车辆位姿估计 |
| 3.2.2 GPS定位信息短时无效时的车辆位姿估计 |
| 3.3 基于马氏距离减小GPS异常值影响的方法 |
| 3.4 本章小结 |
| 第4章 车前路面工况重构 |
| 4.1 路面工况重构方法概述 |
| 4.1.1 构图模块组成 |
| 4.1.2 坐标系定义 |
| 4.2 点云与位姿数据处理 |
| 4.2.1 点云数据处理 |
| 4.2.2 位姿数据处理 |
| 4.3 车前路面工况测量数据更新 |
| 4.3.1 路面工况测量的误差分析及误差传递模型的构建 |
| 4.3.2 基于位姿信息的地图移动与水平不确定度更新 |
| 4.3.3 基于卡尔曼滤波的高程值及其不确定度更新 |
| 4.4 路面工况高程信息提取 |
| 4.4.1 车辆行驶轨迹的预测 |
| 4.4.2 路面工况高程信息的提取与处理 |
| 4.5 路面工况数据存储及其可视化 |
| 4.5.1 基于Grid Map的路面工况数据存储 |
| 4.5.2 基于Qt与 OpenGL的路面工况数据显示 |
| 4.6 本章小结 |
| 第5章 实验及分析 |
| 5.1 车辆位姿估计实验及分析 |
| 5.1.1 位姿估计的实验效果及分析 |
| 5.1.2 减小GPS异常值影响方法的实验效果及分析 |
| 5.1.3 GPS信号短时丢失的实验效果及分析 |
| 5.2 车前路面工况重构实验及分析 |
| 5.3 路面工况高程信息提取实验及分析 |
| 5.4 本章小结 |
| 第6章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（8）基于GPS/INS车载组合导航技术的自动驾驶轨迹跟踪控制算法研究（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 国内外研究现状分析 |
| 1.2.1 自动驾驶轨迹跟踪控制算法 |
| 1.2.2 车载组合导航定位技术 |
| 1.3 研究内容及论文结构 |
| 第2章 基于路径信息预瞄的侧向运动控制算法研究 |
| 2.1 车辆侧向动力学模型及参数辨识 |
| 2.1.1 平面自行车线性二自由度模型 |
| 2.1.2 基于全最小二乘法的模型参数辨识 |
| 2.2 预瞄路径信息的MPC侧向运动控制器设计 |
| 2.2.1 考虑侧向位移预瞄的预测模型建立 |
| 2.2.2 考虑路径信息预瞄的MPC问题构建 |
| 2.3 MPC优化问题的转化和求解 |
| 2.4 基于CarSim/Simulink的联合仿真验证 |
| 2.4.1 换道工况 |
| 2.4.2 双移线工况 |
| 2.5 本章小结 |
| 第3章 车辆纵向运动分层控制算法及纵侧向协调策略 |
| 3.1 车辆纵向运动分层控制算法设计 |
| 3.1.1 基于车辆纵向逆模型的加速度控制 |
| 3.1.2 基于线性二次型跟踪控制器的车速控制 |
| 3.2 基于模糊逻辑的纵侧向协调策略 |
| 3.2.1 纵侧向协调策略分析 |
| 3.2.2 模糊逻辑的设计过程 |
| 3.3 基于二次规划的期望车速生成算法 |
| 3.4 基于CarSim/Simulink的联合仿真验证 |
| 3.5 本章小结 |
| 第4章 考虑车辆特性的组合导航定位算法设计 |
| 4.1 坐标系约定和变换 |
| 4.2 考虑车辆非完整约束的GPS/INS融合定位算法 |
| 4.2.1 基于四元数的INS运动学模型建立 |
| 4.2.2 基于ESKF的GPS/NS松耦合算法 |
| 4.2.3 考虑车辆非完整约束的观测方程设计 |
| 4.3 考虑车辆动力学特性的航迹推算 |
| 4.3.1 基于车辆动力学的航迹推算模型建立 |
| 4.3.2 基于EKF的多传感器数据融合 |
| 4.4 组合导航定位算法的试验验证 |
| 4.5 本章小结 |
| 第5章 试验平台搭建及算法实车试验验证 |
| 5.1 实车试验平台搭建 |
| 5.1.1 试验平台架构 |
| 5.1.2 试验车底盘线控算法 |
| 5.2 实车试验中的算法改进 |
| 5.2.1 转向系统滞后补偿算法 |
| 5.2.2 参考路径点搜索算法优化 |
| 5.3 算法实车试验验证结果 |
| 5.4 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 附录 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（9）GNSS数据融合定位解算技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 GPS/BDS双系统定位研究现状 |
| 1.2.2 GNSS/INS组合导航研究现状 |
| 1.3 本文的研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第2章 GPS/BDS/INS定位理论基础 |
| 2.1 全球卫星导航系统 |
| 2.1.1 全球定位系统 |
| 2.1.2 北斗卫星导航系统 |
| 2.1.3 GPS和 BDS定位原理 |
| 2.2 惯性导航系统 |
| 2.2.1 惯性导航系统概述 |
| 2.2.2 惯性导航系统工作原理 |
| 2.2.3 惯性导航系统与GNSS组合方式 |
| 2.3 本章小结 |
| 第3章 GPS/BDS融合定位方法研究 |
| 3.1 GPS与 BDS双系统时空对准 |
| 3.1.1 GPS与 BDS双系统时间基准统一 |
| 3.1.2 GPS与 BDS双系统空间基准统一 |
| 3.2 GPS/BDS双系统选星算法设计 |
| 3.2.1 建立改进的粒子群优化模型 |
| 3.2.2 改进的粒子群优化选星过程 |
| 3.3 GPS/BDS双系统定位解算算法 |
| 3.3.1 渐消因子卡尔曼滤波 |
| 3.3.2 改进的渐消因子卡尔曼滤波融合定位解算 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 RBFNN辅助下的GNSS/INS组合导航方法研究 |
| 4.1 基于RBFNN的 GNSS/INS组合导航系统设计 |
| 4.1.1 RBFNN构建 |
| 4.1.2 组合导航系统设计 |
| 4.2 RBFNN辅助下的GNSS/INS组合导航自适应滤波算法 |
| 4.2.1 自适应卡尔曼滤波器构建 |
| 4.2.2 自适应滤波模式设计 |
| 4.3 实验及结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（10）关于GPS高精度定位技术中多路径误差消除的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 GPS多路径效应的研究现状 |
| 1.2.1 基于硬件方案的多路径消除方法 |
| 1.2.2 基于软件设计的多路径消除方法 |
| 1.3 本文研究思路 |
| 第二章 基于GPS多径效应周期性的位置校正 |
| 2.1 GPS全球定位系统 |
| 2.1.1 GPS系统组成 |
| 2.1.2 GPS应用 |
| 2.1.3 GPS增强系统 |
| 2.1.4 GPS性能 |
| 2.1.5 GPS现代化 |
| 2.2 GPS多径效应形成原理 |
| 2.3 GPS多径效应的特性分析 |
| 2.3.1 GPS多路径衰落类型 |
| 2.3.2 码间干扰 |
| 2.3.3 多普勒频移 |
| 2.3.4 GPS多路径效应的幅值特性分析 |
| 2.3.5 GPS多径效应的周期特性分析 |
| 2.4 GPS多路径效应的恒星日重复性分析 |
| 2.5 基于多路径周期性的位置校正原理 |
| 第三章 基于二维移动加权平均算法的观测噪声的平滑处理 |
| 3.1 GPS高精度定位技术原理分析 |
| 3.1.1 时间系统 |
| 3.1.2 坐标系统 |
| 3.1.3 GPS信号测量模型 |
| 3.1.4 卫星星历和时钟 |
| 3.1.5 对流层和电离层模型 |
| 3.1.6 单点定位原理 |
| 3.1.7 动态定位、静态定位和移动基线定位原理 |
| 3.2 固定位置的坐标残差序列的获取 |
| 3.3 TDMWA算法的基本原理 |
| 3.4 TDMWA算法的性能验证 |
| 第四章 基于最优分解层次的小波包阈值去噪的高频多路径的提取 |
| 4.1 小波包算法 |
| 4.1.1 小波的定义 |
| 4.1.2 小波变换的原理 |
| 4.1.3 小波变换的性质与特点 |
| 4.2 基于最优分解层次的小波包阈值去噪算法原理 |
| 4.3 基于最优分解层次的小波包阈值去噪算法的性能验证 |
| 4.3.1 实测系统搭建 |
| 4.3.2 数据采集与分析 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
四、C.GPS时间测量值（论文参考文献）
- [1]水稻联合收获机产量监测系统设计与试验[D]. 蔡泽宇. 中国农业科学院, 2021
- [2]守时系统国际时间比对数据融合方法研究[D]. 王威雄. 中国科学院大学(中国科学院国家授时中心), 2021(02)
- [3]实时再生模拟器与高精度时间间隔测量的研究与实现[D]. 刘纯斐. 桂林电子科技大学, 2021(02)
- [4]基于低成本IMU的通用多传感器集成动态定位关键技术研究[D]. 朱明红. 哈尔滨工程大学, 2021(02)
- [5]基于双边双程的多星编队星间高精度测量技术研究[D]. 胡伟强. 浙江大学, 2020(02)
- [6]GPS/MEMS组合车载测姿技术研究[D]. 卢帅. 重庆邮电大学, 2020(02)
- [7]基于卡尔曼估计的车前路面工况2.5D实时重构技术研究[D]. 周磊. 吉林大学, 2020(08)
- [8]基于GPS/INS车载组合导航技术的自动驾驶轨迹跟踪控制算法研究[D]. 赵尚煜. 吉林大学, 2020(08)
- [9]GNSS数据融合定位解算技术研究[D]. 许强. 太原理工大学, 2020(07)
- [10]关于GPS高精度定位技术中多路径误差消除的研究[D]. 汤灿阳. 北京邮电大学, 2020(05)