被测对象的导航方法、装置、计算机设备和存储介质与流程

本申请涉及导航技术领域，特别是涉及一种被测对象的导航方法、装置、计算机设备和存储介质。

背景技术：

随着智能化的发展，工业自动化、无人机、机器人、自动驾驶等领域对动态载体实时三维位置和姿态感知有了更高的要求，单一传感器难以满足不同应用环境的使用需求。惯性/卫星(ins/gnss)组合导航渐渐成为普遍认为最佳的组合导航方式。

然而，在使用惯性/卫星组合导航的过程中，常常会面临载体振动、室外信号遮挡及多路径效应等受扰工况，这往往会影响到惯性/卫星组合导航不能保证在任意环境下的导航精度。

因此，现有技术中的导航方法存在导航精度不高的问题。

技术实现要素：

基于此，有必要针对现有技术导航精度不高的问题，提供一种能够提高导航精度的一种被测对象的导航方法、装置、计算机设备和存储介质。

一种被测对象的导航方法，所述方法包括：

获取所述被测对象的预估状态差异；所述预估状态差异为所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差异；

获取所述被测对象的测量状态差异；所述测量状态差异为所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差异；

根据所述预估状态差异与所述测量状态差异，确定所述被测对象在当前时刻的测量运动状态量的可靠程度，并根据所述可靠程度对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量；所述被测对象在当前时刻的优化后运动状态量用于对所述被测对象进行导航。

在其中一个实施例中，所述根据所述预估状态差异与所述测量状态差异，确定所述被测对象在当前时刻的测量运动状态量的可靠程度，并根据所述可靠程度对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量，包括：

获取所述预估状态差异对应的预估状态差值，以及，获取所述测量状态差异对应的测量状态差值；

计算所述测量状态差值与所述预估状态差值之间的第一差值，并将所述第一差值的绝对值作为状态优化参数；所述状态优化参数为用于表征所述被测对象在当前时刻的测量运动状态量的可靠程度；

根据所述状态优化参数，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量。

在其中一个实施例中，所述获取所述预估状态差异对应的预估状态差值，包括：

获取所述被测对象在当前时刻的预估运动状态量；以及，获取所述被测对象在前一时刻的优化后运动状态量；

计算所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差值，得到所述预估状态差值。

在其中一个实施例中，所述获取所述测量状态差异对应的测量状态差值，包括：

获取所述被测对象在当前时刻的测量运动状态量，以及，获取所述被测对象在前一时刻的测量运动状态量；

计算所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差值，得到所述测量状态差值。

在其中一个实施例中，所述根据所述状态优化参数，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量，包括：

获取状态优化阈值；

判断所述状态优化参数是否大于所述状态优化阈值；

若否，则使用所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量。

在其中一个实施例中，当所述状态优化参数大于所述状态优化阈值时，还包括：

将所述被测对象在当前时刻的预估运动状态量，作为所述被测对象在当前时刻的优化后运动状态量。

在其中一个实施例中，所述使用所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量，包括：

获取所述被测对象在当前时刻的卡尔曼增益；

根据所述卡尔曼增益和所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行更新，得到所述被测对象在当前时刻的优化后运动状态量。

一种被测对象的导航装置，所述装置包括：

第一获取模块，用于获取所述被测对象的预估状态差异；所述预估状态差异为所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差异；

第二获取模块，用于获取所述被测对象的测量状态差异；所述测量状态差异为所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差异；

优化模块，用于根据所述预估状态差异与所述测量状态差异，确定所述被测对象在当前时刻的测量运动状态量的可靠程度，并根据所述可靠程度对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量；所述被测对象在当前时刻的优化后运动状态量用于对所述被测对象进行导航。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取所述被测对象的预估状态差异；所述预估状态差异为所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差异；

获取所述被测对象的测量状态差异；所述测量状态差异为所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差异；

根据所述预估状态差异与所述测量状态差异，确定所述被测对象在当前时刻的测量运动状态量的可靠程度，并根据所述可靠程度对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量；所述被测对象在当前时刻的优化后运动状态量用于对所述被测对象进行导航。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取所述被测对象的预估状态差异；所述预估状态差异为所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差异；

获取所述被测对象的测量状态差异；所述测量状态差异为所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差异；

根据所述预估状态差异与所述测量状态差异，确定所述被测对象在当前时刻的测量运动状态量的可靠程度，并根据所述可靠程度对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量；所述被测对象在当前时刻的优化后运动状态量用于对所述被测对象进行导航。

上述一种被测对象的导航方法、装置、计算机设备和存储介质，通过获取被测对象的测量状态差异和被测对象的预估状态差异；其中，预估状态差异为被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差异；测量状态差异为被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差异；并通过对预估状态差异与测量状态差异进行比对，及时且高效地分辨出被测对象当前是否处于干扰工况下，进而确定被测对象在当前时刻测得的测量运动状态量的可靠程度，通过根据该可靠程度对被测对象在当前时刻的预估运动状态量进行相适应地优化，得到用于对被测对象进行导航的当前时刻的优化后运动状态量，提高在干扰环境下对被测对象的导航定位精度与导航定位鲁棒性。

附图说明

图1为一个实施例中一种被测对象的导航方法的应用环境图；

图2为一个实施例中一种被测对象的导航方法的流程示意图；

图3为另一个实施例中一种被测对象的导航方法的流程示意图；

图4为一个实施例中一种被测对象的导航方法的逻辑框图；

图5a为一个实施例中一种被测对象的导航方法的被测对象水平运动轨迹示意图；

图5b为一个实施例中一种被测对象的导航方法的被测对象水平运动轨迹局部放大图；

图6为一个实施例中一种被测对象的导航装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的一种被测对象的导航方法，可以应用于如图1所示的应用环境中。其中，服务器110获取所述被测对象的预估状态差异；所述预估状态差异为所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的变化差异。然后，服务器110获取被测对象的测量状态差异；测量状态差异为被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的变化差异；最后，服务器110根据预估状态差异与测量状态差异，确定被测对象在当前时刻的测量运动状态量的可靠程度，并根据可靠程度对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量；被测对象在当前时刻的优化后运动状态量用于对被测对象进行导航。实际应用中，服务器110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备、嵌入式平台、行车电脑、独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种被测对象的导航方法，包括以下步骤：

s210，获取被测对象的预估状态差异。

其中，被测对象可以是指需要确定运动状态的对象。实际应用中，被测对象可以是无人机、机器人、自动驾驶汽车等。

其中，预估状态差异为被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差异。

其中，运动状态量可以是指用于表征被测对象所处的运动状态的状态量。实际应用中，运动状态量可以是被测对象的航姿、速度、位置等。

其中，当前时刻的预估运动状态量可以是指使用被测对象在前一时刻(k-1)的优化后运动状态量对被测对象在当前时刻(k)的运动状态量进行预估而得到的运动状态量。

需要说明的是，前一时刻与当前时刻可以为相邻的两个采样点。

具体地，服务器110可以使用状态方程，根据被测对象在前一时刻。的优化后运动状态量对被测对象在当前时刻。的运动状态量进行预估而得到的运动状态量。

实际应用中，预估运动状态量也可以命名为先验估计值。优化后运动状态量也可以命名为后验估计值。

实际应用中，服务器110获取被测对象的预估状态差异，即服务器110获取被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差异。

s220，获取被测对象的测量状态差异。

其中，测量状态差异为被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差异。

其中，测量运动状态量可以是对被测对象进行测量得到的运动状态量。实际应用中，测量运动状态量也可以命名为观测量。

具体实现中，服务器110获取被测对象的测量状态差异，即服务器110获取被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差异。

s230，根据预估状态差异与测量状态差异，确定被测对象在当前时刻的测量运动状态量的可靠程度，并根据可靠程度对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量。

其中，被测对象在当前时刻的优化后运动状态量用于对被测对象进行导航。

具体实现中，服务器110通过对预估状态差异与测量状态差异进行比较，服务器110先前得到的被测对象在当前时刻的测量运动状态量的可靠程度；然后，服务器110在根据该可靠程度，确定是否需要使用被测对象在当前时刻的测量运动状态量，对服务器110预估得到的被测对象在当前时刻的预估运动状态量进行优化和更新，进而得到被测对象在当前时刻的优化后运动状态量，如此服务器110可以使用当前时刻的优化后运动状态量对被测对象进行导航。

例如，当服务器110使用ins/gnss(惯性/卫星)组合导航法对被测对象进行导航时，服务器110根据ins对被测对象的运动状态量进行估计，确定被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差异；以及，根据gnss对被测对象的运动状态量进行测量，确定被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差异。

然后，服务器110根据预估状态差异与测量状态差异，确定通过gnss测得的被测对象在当前时刻的测量运动状态量的可靠程度，进而确定是否需要使用通过gnss测得的被测对象在当前时刻的测量运动状态量，对服务器110通过ins预估得到的被测对象在当前时刻的预估运动状态量进行优化和更新，进而得到被测对象在当前时刻的优化后运动状态量。

上述被测对象的导航方法中，通过获取被测对象的测量状态差异和被测对象的预估状态差异；其中，预估状态差异为被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差异；测量状态差异为被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差异；并通过对预估状态差异与测量状态差异进行比对，及时且高效地分辨出被测对象当前是否处于干扰工况下，进而确定被测对象在当前时刻的测量运动状态量的可靠程度，通过根据该可靠程度对被测对象在当前时刻的预估运动状态量进行相适应地优化，得到用于对被测对象进行导航的当前时刻的优化后运动状态量，提高在干扰环境下对被测对象的导航定位精度与导航定位鲁棒性。

在另一个实施例中，根据预估状态差异与测量状态差异，确定被测对象在当前时刻的测量运动状态量的可靠程度，并根据可靠程度对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量，包括：获取预估状态差异对应的预估状态差值，以及，获取测量状态差异对应的测量状态差值；计算测量状态差值与预估状态差值之间的第一差值，并将第一差值的绝对值作为状态优化参数；状态优化参数为用于表征被测对象在当前时刻的测量运动状态量的可靠程度；根据状态优化参数，对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量。

其中，预估状态差值可以是指被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差值。

其中，测量状态差值可以是指被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差值。

其中，状态优化参数用于表征被测对象在当前时刻的测量运动状态量的可靠程度。

具体实现中，服务器110在根据预估状态差异与测量状态差异，确定被测对象在当前时刻的测量运动状态量的可靠程度，并根据可靠程度对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量，具体包括：服务器110获取预估状态差异对应的预估状态差值，以及，获取测量状态差异对应的测量状态差值；然后，服务器110计算测量状态差值与预估状态差值之间的第一差值，并将第一差值的绝对值作为用于表征被测对象在当前时刻的测量运动状态量的可靠程度的状态优化参数。最后，服务器110根据状态优化参数，对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量。

例如，服务器110可以状态优化参数的大小，判断测得的被测对象在当前时刻的测量运动状态量的可靠程度；若状态优化参数大于预设的阈值，判定此时存在gnss信号遮挡、多路径或载体振动较严重等干扰情况，所测得的被测对象在当前时刻的测量运动状态量的可靠程度低，若用测得的被测对象在当前时刻的测量运动状态量对被测对象在当前时刻的预估运动状态量进行优化，不能准确地得到被测对象在当前时刻的优化后运动状态量；因此，服务器110直接将被测对象在当前时刻的预估运动状态量，作为被测对象在当前时刻的优化后运动状态量，即将被测对象在当前时刻的后验估计值置为先验预估值，可以获得更加准确地短时估计效果。

若状态优化参数小于预设的阈值，则认为环境干扰的影响在卡尔曼滤波噪声模型中被评估较为充分，继续依照卡尔曼增益及测得的被测对象在当前时刻的测量运动状态量即当前时刻的观测值完成卡尔曼滤波迭代，得到被测对象在当前时刻的优化后运动状态量即针对被测对象最优状态的后验估计值。

本实施例的技术方案，通过获取预估状态差异对应的预估状态差值，以及，获取测量状态差异对应的测量状态差值；并计算测量状态差值与预估状态差值之间的第一差值，并将第一差值的绝对值作为用于表征被测对象在当前时刻的测量运动状态量的可靠程度的状态优化参数；通过根据状态优化参数，准确地分辨出被测对象当前是否处于干扰工况下，进而对被测对象在当前时刻的预估运动状态量进行相适应地优化，从而准确地得到用于对被测对象进行导航的当前时刻的优化后运动状态量，提高在干扰环境下对被测对象的导航定位精度与导航定位鲁棒性。

在另一个实施例中，获取预估状态差异对应的预估状态差值，包括：获取被测对象在当前时刻的预估运动状态量；以及，获取被测对象在前一时刻的优化后运动状态量；计算被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差值，得到预估状态差值。

具体实现中，服务器110在获取预估状态差异对应的预估状态差值的过程中，具体包括：服务器110获取被测对象在当前时刻的预估运动状态量，以及，服务器110获取被测对象在前一时刻的优化后运动状态量；然后，服务器110计算被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差值，得到预估状态差值。

其中，预估状态差值可以为x_d＝x'(k)-x(k-1)；

其中，x'(k)为当前时刻的预估运动状态量；x(k-1)为前一时刻的优化后运动状态量；x_d为预估状态差值。

本实施例的技术方案，通过计算被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差值，准确地得到预估状态差值，进而可以在后续得到准确地状态优化参数，并根据该状态优化参数准确地分辨出被测对象当前是否处于干扰工况下，进而对被测对象在当前时刻的预估运动状态量进行相适应地优化，从而准确地得到用于对被测对象进行导航的当前时刻的优化后运动状态量，提高在干扰环境下对被测对象的导航定位精度与导航定位鲁棒性。

在另一个实施例中，获取测量状态差异对应的测量状态差值，包括：获取被测对象在当前时刻的测量运动状态量，以及，获取被测对象在前一时刻的测量运动状态量；计算被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差值，得到测量状态差值。

具体实现中，服务器110在获取测量状态差异对应的测量状态差值的过程中，具体包括：服务器110获取被测对象在当前时刻的测量运动状态量，以及，服务器110获取被测对象在前一时刻的测量运动状态量；然后，服务器110计算被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差值，得到测量状态差值。

其中，测量状态差值可以为z_d＝z(k)-z(k-1)；

其中，z(k)为当前时刻的测量运动状态量；z(k-1)为前一时刻的测量运动状态量；z_d为预估状态差值。

本实施例的技术方案，通过计算被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差值，准确地得到测量状态差值，进而可以在后续得到准确地状态优化参数，并根据该状态优化参数准确地分辨出被测对象当前是否处于干扰工况下，进而对被测对象在当前时刻的预估运动状态量进行相适应地优化，从而准确地得到用于对被测对象进行导航的当前时刻的优化后运动状态量，提高在干扰环境下对被测对象的导航定位精度与导航定位鲁棒性。

在另一个实施例中，根据状态优化参数，对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量，包括：获取状态优化阈值；判断状态优化参数是否大于状态优化阈值；若否，则使用被测对象在当前时刻的测量运动状态量，对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量。

具体实现中，服务器110根据状态优化参数，对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量的过程中，具体包括：获取状态优化阈值；判断状态优化参数是否大于状态优化阈值；若否，则说明环境干扰的影响在卡尔曼滤波噪声模型中被评估较为充分，继续依照卡尔曼增益及被测对象在当前时刻的测量运动状态量即当前时刻的观测值完成原卡尔曼滤波迭代，得到被测对象在当前时刻的优化后运动状态量即当前时刻的后验估计值x(k)。

实际应用中，本领域的技术人员可以使用上述方法并进行充分测试各干扰环境下的组合导航效果，进而得到上述的状态优化阈值，状态优化阈值的具体数值，在此不作进一步限定。

需要说明的是，当服务器110使用被测对象在当前时刻的测量运动状态量，对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量之后，服务器110对当前时刻的误差协方差进行更新。

本实施例的技术方案，通过获取状态优化阈值；判断状态优化参数是否大于状态优化阈值；准确地分辨出被测对象当前是否处于干扰工况下；若否，则说明环境干扰的影响在卡尔曼滤波噪声模型中被评估较为充分，继续依照卡尔曼增益及被测对象在当前时刻的测量运动状态量即当前时刻的观测值完成原卡尔曼滤波迭代，得到高精度的当前时刻的优化后运动状态量，进而提高在干扰环境下对被测对象的导航定位精度。

在另一个实施例中，当状态优化参数大于状态优化阈值时，还包括：将被测对象在当前时刻的预估运动状态量，作为被测对象在当前时刻的优化后运动状态量。

具体实现中，当状态优化参数大于状态优化阈值时，则服务器110判定此时存在量测信号遮挡、多路径或载体振动较严重等干扰情况，所测得的被测对象在当前时刻的测量运动状态量的可靠程度低，若用测得的被测对象在当前时刻的测量运动状态量对被测对象在当前时刻的预估运动状态量进行优化，不能准确地得到被测对象在当前时刻的优化后运动状态量；因此，服务器110直接将被测对象在当前时刻的预估运动状态量，作为被测对象在当前时刻的优化后运动状态量，即将，认为观测量偏离量测模型较严重，而直接取后验估计值x(k)为先验估计值x'(k)，以短时依靠状态推算来限制误差的扩大或发散。

需要说明的是，当服务器110将被测对象在当前时刻的预估运动状态量，作为被测对象在当前时刻的优化后运动状态量之后，服务器110对当前时刻的误差协方差进行更新。

本实施例的技术方案，当状态优化参数大于状态优化阈值时，则判定此时存在量测信号遮挡、多路径或载体振动较严重等干扰情况，所测得的被测对象在当前时刻的测量运动状态量的可靠程度低，通过直接将被测对象在当前时刻的预估运动状态量，作为被测对象在当前时刻的优化后运动状态量以短时依靠状态推算来限制误差的扩大或发散，可以提高在干扰环境下对被测对象的导航定位精度。

在另一个实施例中，使用被测对象在当前时刻的测量运动状态量，对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量，包括：获取被测对象在当前时刻的卡尔曼增益；根据卡尔曼增益和被测对象在当前时刻的测量运动状态量，对被测对象在当前时刻的预估运动状态量进行更新，得到被测对象在当前时刻的优化后运动状态量。

具体实现中，服务器110在使用被测对象在当前时刻的测量运动状态量，对被测对象在当前时刻的预估运动状态量进行优化，得到被测对象在当前时刻的优化后运动状态量的过程中，具体包括：服务器110获取被测对象在当前时刻的卡尔曼增益；根据卡尔曼增益和被测对象在当前时刻的测量运动状态量，对被测对象在当前时刻的预估运动状态量进行更新，得到被测对象在当前时刻的优化后运动状态量。

其中，当前时刻的优化后运动状态量x(k)＝x'(k)+k(z(k)-hx'(k))；

其中，k为当前时刻的卡尔曼增益；z(k)为当前时刻的测量运动状态量；x'(k)为当前时刻的预估运动状态量；h为误差。

本实施例的技术方案，通过获取被测对象在当前时刻的卡尔曼增益；根据卡尔曼增益和被测对象在当前时刻的测量运动状态量，对被测对象在当前时刻的预估运动状态量进行更新，得到被测对象在当前时刻的优化后运动状态量，从而得到高精度的当前时刻的优化后运动状态量，进而提高在干扰环境下对被测对象的导航定位精度。

在另一个实施例中，如图3所示，提供了一种被测对象的导航方法，包括以下步骤：

s310，获取所述被测对象在当前时刻的预估运动状态量；以及，获取所述被测对象在前一时刻的优化后运动状态量。

s320，计算所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差值，得到所述预估状态差值。

s330，获取所述被测对象在当前时刻的测量运动状态量，以及，获取所述被测对象在前一时刻的测量运动状态量。

s340，计算所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差值，得到所述测量状态差值。

s350，计算所述测量状态差值与所述预估状态差值之间的第一差值，并将所述第一差值的绝对值作为状态优化参数；所述状态优化参数为用于表征所述被测对象在当前时刻的测量运动状态量的可靠程度。

s360，获取状态优化阈值。

s370，判断所述状态优化参数是否大于所述状态优化阈值。

s380，若否，则获取所述被测对象在当前时刻的卡尔曼增益。

s390，根据所述卡尔曼增益和所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行更新，得到所述被测对象在当前时刻的优化后运动状态量。

上述步骤的具体限定可以参见上文对一种被测对象的导航方法的具体限定，在此不再赘述。

上述的一种被测对象的导航方法，可以及时且高效地分辨出被测对象当前是否处于干扰工况下，进而可以对被测对象在当前时刻的预估运动状态量进行相适应地优化，得到用于对被测对象进行导航的当前时刻的优化后运动状态量，提高在干扰环境下对被测对象的导航定位精度与导航定位鲁棒性。

应该理解的是，虽然图2和图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

为了便于本领域技术人员的理解，图4提供了一种被测对象的导航方法的逻辑框图；其中，迭代开始；首先；获取前一时刻的状态量x(k-1)和前一时刻的观测量z(k-1)；获取先验估计值x'(k)和当前时刻的观测量z(k)；计算测量状态差值z_d＝z(k)-z(k-1)和计算预估状态差值x_d＝x'(k)-x(k-1)；计算状态优化参数d＝|z_d-x_d|；判断状态优化参数是否大于状态优化阈值；若是，则使用卡尔曼增益计算后验估计值；若否，则将先验估计值置为后验估计值。最后，更新误差协方差结束本次迭代，返回迭代开始的步骤。如此，可以及时且高效地分辨出被测对象当前是否处于干扰工况下，进而可以对被测对象在当前时刻的预估运动状态量进行相适应地优化，得到用于对被测对象进行导航的当前时刻的优化后运动状态量，提高在干扰环境下对被测对象的导航定位精度与导航定位鲁棒性。

为了便于本领域技术人员的理解，图5a提供了一种被测对象的导航方法的被测对象水平运动轨迹示意图；图5b提供了一种被测对象的导航方法的被测对象水平运动轨迹局部放大图；其中，轨迹环形区域为卫星遮挡区域；可见，与普通卡尔曼滤波算法相比，本改进卡尔曼滤波算法在未遮挡区域无明显区别；而在gnss信号遮挡区域，则对定位精度和平滑性有明显的改善。其中遮挡区域放大图如图5b所示，gnss信号遮挡严重时，虚线表示的普通卡尔曼滤波方法定位误差显著增大，最大误差超过10米，且存在局部发散的问题；而如实线所示，经修正后的改进卡尔曼滤波方法依然能获取较高精度且较平滑的定位效果，不存在收敛问题。

在一个实施例中，如图6所示，提供了一种被测对象的导航装置，包括：

第一获取模块610，用于获取所述被测对象的预估状态差异；所述预估状态差异为所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差异；

第二获取模块620，用于获取所述被测对象的测量状态差异；所述测量状态差异为所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差异；

优化模块630，用于根据所述预估状态差异与所述测量状态差异，确定所述被测对象在当前时刻的测量运动状态量的可靠程度，并根据所述可靠程度对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量；所述被测对象在当前时刻的优化后运动状态量用于对所述被测对象进行导航。

上述的一种被测对象的导航装置，通过获取被测对象的测量状态差异和被测对象的预估状态差异；其中，预估状态差异为被测对象在当前时刻的预估运动状态量与被测对象在前一时刻的优化后运动状态量之间的差异；测量状态差异为被测对象在当前时刻的测量运动状态量与被测对象在前一时刻的测量运动状态量之间的差异；并通过对预估状态差异与测量状态差异进行比对，及时且高效地分辨出被测对象当前是否处于干扰工况下，进而确定被测对象在当前时刻的测量运动状态量的可靠程度，通过根据该可靠程度对被测对象在当前时刻的预估运动状态量进行相适应地优化，得到用于对被测对象进行导航的当前时刻的优化后运动状态量，提高在干扰环境下对被测对象的导航定位精度与导航定位鲁棒性。

在其中一个实施例中，上述的优化模块630，包括：

获取子模块，用于获取所述预估状态差异对应的预估状态差值，以及，获取所述测量状态差异对应的测量状态差值；

计算子模块，用于计算所述测量状态差值与所述预估状态差值之间的第一差值，并将所述第一差值的绝对值作为状态优化参数；所述状态优化参数为用于表征所述被测对象在当前时刻的测量运动状态量的可靠程度；

优化子模块，用于根据所述状态优化参数，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量。

在其中一个实施例中，上述的获取子模块，具体用于获取所述被测对象在当前时刻的预估运动状态量；以及，获取所述被测对象在前一时刻的优化后运动状态量；计算所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差值，得到所述预估状态差值。

在其中一个实施例中，上述的获取子模块，具体用于获取所述被测对象在当前时刻的测量运动状态量，以及，获取所述被测对象在前一时刻的测量运动状态量；计算所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差值，得到所述测量状态差值。

在其中一个实施例中，上述的优化子模块，具体用于获取状态优化阈值；判断所述状态优化参数是否大于所述状态优化阈值；若否，则使用所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量。

在其中一个实施例中，当所述状态优化参数大于所述状态优化阈值时，上述的优化子模块，具体还用于将所述被测对象在当前时刻的预估运动状态量，作为所述被测对象在当前时刻的优化后运动状态量。

在其中一个实施例中，上述的优化子模块，具体还用于获取所述被测对象在当前时刻的卡尔曼增益；根据所述卡尔曼增益和所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行更新，得到所述被测对象在当前时刻的优化后运动状态量。

关于一种被测对象的导航装置的具体限定可以参见上文中对于一种被测对象的导航方法的限定，在此不再赘述。上述一种被测对象的导航装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储被测对象的导航数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种被测对象的导航方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

s210，获取所述被测对象的预估状态差异；所述预估状态差异为所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差异；

s220，获取所述被测对象的测量状态差异；所述测量状态差异为所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差异；

s230，根据所述预估状态差异与所述测量状态差异，确定所述被测对象在当前时刻的测量运动状态量的可靠程度，并根据所述可靠程度对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量；所述被测对象在当前时刻的优化后运动状态量用于对所述被测对象进行导航。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述预估状态差异对应的预估状态差值，以及，获取所述测量状态差异对应的测量状态差值；计算所述测量状态差值与所述预估状态差值之间的第一差值，并将所述第一差值的绝对值作为状态优化参数；所述状态优化参数为用于表征所述被测对象在当前时刻的测量运动状态量的可靠程度；根据所述状态优化参数，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述被测对象在当前时刻的预估运动状态量；以及，获取所述被测对象在前一时刻的优化后运动状态量；计算所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差值，得到所述预估状态差值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述被测对象在当前时刻的测量运动状态量，以及，获取所述被测对象在前一时刻的测量运动状态量；计算所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差值，得到所述测量状态差值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取状态优化阈值；判断所述状态优化参数是否大于所述状态优化阈值；若否，则使用所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述被测对象在当前时刻的预估运动状态量，作为所述被测对象在当前时刻的优化后运动状态量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述被测对象在当前时刻的卡尔曼增益；根据所述卡尔曼增益和所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行更新，得到所述被测对象在当前时刻的优化后运动状态量。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

s210，获取所述被测对象的预估状态差异；所述预估状态差异为所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差异；

s220，获取所述被测对象的测量状态差异；所述测量状态差异为所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差异；

s230，根据所述预估状态差异与所述测量状态差异，确定所述被测对象在当前时刻的测量运动状态量的可靠程度，并根据所述可靠程度对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量；所述被测对象在当前时刻的优化后运动状态量用于对所述被测对象进行导航。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述预估状态差异对应的预估状态差值，以及，获取所述测量状态差异对应的测量状态差值；计算所述测量状态差值与所述预估状态差值之间的第一差值，并将所述第一差值的绝对值作为状态优化参数；所述状态优化参数为用于表征所述被测对象在当前时刻的测量运动状态量的可靠程度；根据所述状态优化参数，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述被测对象在当前时刻的预估运动状态量；以及，获取所述被测对象在前一时刻的优化后运动状态量；计算所述被测对象在当前时刻的预估运动状态量与所述被测对象在前一时刻的优化后运动状态量之间的差值，得到所述预估状态差值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述被测对象在当前时刻的测量运动状态量，以及，获取所述被测对象在前一时刻的测量运动状态量；计算所述被测对象在当前时刻的测量运动状态量与所述被测对象在前一时刻的测量运动状态量之间的差值，得到所述测量状态差值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取状态优化阈值；判断所述状态优化参数是否大于所述状态优化阈值；若否，则使用所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行优化，得到所述被测对象在当前时刻的优化后运动状态量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述被测对象在当前时刻的预估运动状态量，作为所述被测对象在当前时刻的优化后运动状态量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述被测对象在当前时刻的卡尔曼增益；根据所述卡尔曼增益和所述被测对象在当前时刻的测量运动状态量，对所述被测对象在当前时刻的预估运动状态量进行更新，得到所述被测对象在当前时刻的优化后运动状态量。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。