A windowing-recursive approach for GPS real-time kinematic positioning
A windowing-recursive approach for GPS real-time kinematic positioning
复制标题
GPS实时运动定位的加窗递归方法
DOI：
10.1007/s10291-010-0160-1
复制
发表时间：
2010-09
期刊：
影响因子：
4.9
通讯作者：
Bofeng Li
中科院分区：
文献类型：
--
作者：
Yunzhong Shen;Zebo Zhou;Bofeng Li
传统的卡尔曼滤波方法在很大程度上依赖于描述车辆运动状态的动力学模型。然而，低成本的GPS导航系统不提供速度和加速度测量来构建动态模型。因此，建立合理的动态模型是相当困难的。提出了一种利用先前位置预测当前位置的加窗递归方法，并建立了将先前位置转换为当前位置的转移矩阵模型。通过数值多项式拟合和外推，构造了两种典型的转移矩阵。一个真实的车载GPS实验进行了验证WRA性能在两个相对定位场景。数据处理的最小二乘法和WRA使用两个开发的过渡矩阵。实验结果表明，WRA在高采样率数据下具有良好的性能。在较低采样率的情况下，对于给定的窗口，高阶多项式拟合和外推模型比低阶模型工作得更好。此外，外推模型相对于多项式拟合模型可以显著减轻计算负担。
All conventional Kalman filtering methods depend to a great extent on dynamic models for describing the motion state of vehicle. However, low-cost GPS navigation systems do not provide velocity and acceleration measurements to construct dynamic models. Therefore, it is rather difficult to establish reasonable dynamic models. A windowing-recursive approach (WRA) which employs previous positions to predict the current position is proposed, and the transition matrix is modeled for transforming the previous positions to the current one. Two typical transition matrices are constructed by numerical polynomial fitting and extrapolation. A real vehicular GPS experiment is carried out to demonstrate the WRA performances in two relative positioning scenarios. The data are processed by the least squares approach and by WRA using the two developed transition matrices. The results show that the WRA performed excellently in a high sampling rate data. In case of a lower sampling rate, higher-order polynomial fitting and extrapolation models work better than lower-order models for a given window. In addition, the extrapolation models can alleviate the computation burdens significantly relative to the polynomial fitting models.
登录
查看更多内容
DOI：
10.1109/itsc.2002.1041342
发表时间：
2002-09
期刊：
Proceedings. The IEEE 5th International Conference on Intelligent Transportation Systems
影响因子：
--
作者：
X. Mao;M. Wada;H. Hashimoto
通讯作者：
X. Mao;M. Wada;H. Hashimoto
影响因子：
4.9
作者：
Kuusniemi, H;Lachapelle, G;Takala, JH
通讯作者：
Takala, JH
影响因子：
2.4
作者：
Hewitson, Steve;Wang, Jinling
通讯作者：
Wang, Jinling
影响因子：
2.4
作者：
M. Moore;Jinling Wang
通讯作者：
M. Moore;Jinling Wang
DOI：
--
发表时间：
1982
期刊：
--
影响因子：
--
作者：
R. Hatch
通讯作者：
R. Hatch