一种智能导航方法、装置、计算机设备及存储介质

1.本技术涉及智能导航技术领域，尤其涉及一种智能导航方法、装置、计算机设备及存储介质。


背景技术：

2.随着人类对海洋探测活动的增加，对自主水下航行器(autonomous underwater vehicle,auv)的导航定位能力要求越来越高，多传感器融合导航定位技术成为了研究的热点和趋势。随着安装与auv上的传感器的数量和种类增加时，如何有效融合各传感器的数据一直是研究的热点和难点。传统基于滤波的融合方法有集中卡尔曼滤波(centralized kalman filter，ckf)、联邦卡尔曼滤波(federal kalman filter，fkf)。其中，当融合的传感器数量增加时，ckf的状态维度和计算量也相应增加，会导致滤波器不稳定、易发散；而相比于ckf，基于分布式结构的fkf具有容错性好、计算量小、设计灵活等特点，fkf以及相关改进算法在水下多源信息融合技术中被普遍应用。
3.然而，通常不同传感器的信息更新频率不同步，即异频异构问题。而fkf的信息融合机制需要接收到所有传感器的量测信息时才会执行。因此，基于fkf的组合导航系统的精度和实时性会有一定影响。另外，不同传感器的工作状态不确定，传感器会在某些场景下不稳定或失效，fkf方法会面临信息故障以及信息源变化后的系统重构等难题。
4.因此，现有的水下多传感器组合导航系统存在异频异构问题，且应用于该导航系统上的水下多传感器数据融合算法存在计算的导航结果精度低的问题。


技术实现要素：

5.本技术提供了一种智能导航方法、装置、计算机设备及存储介质，能够解决现有的导航系统中的异频异构问题，同时提高导航结果计算的精度。
6.第一方面，本技术实施例提供了一种智能导航方法，该方法包括：
7.构建滑动窗口，定义滑动窗口阈值，根据航行器初始时刻的位姿信息构建初始变量节点和先验因子节点，将初始变量节点和先验因子节点相互连接，得到初始化因子图；
8.根据获取到的航行器当前时刻tk(k∈n
*
)的惯性测量值和当前时刻tk的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，根据当前时刻tk的惯性估计状态值构建第一变量节点，根据下一时刻t
k+1
的惯性状态预测值构建第二变量节点；若k＝1，则将第一变量节点取代初始因子图中的初始变量节点，与先验因子节点连接；
9.根据获取到的航行器的下一时刻t
k+1
的惯性估计状态值和下一时刻t
k+1
的惯性状态预测值构建当前因子节点；第一变量节点和第二变量节点分别与当前因子节点连接；
10.检测当前时刻tk是否接收到附加传感器测量信息，若在当前时刻tk接收到附加传感器测量信息，则根据附加传感器测量信息构建对应的附加因子节点，将附加因子节点与第一变量节点单独连接，得到待优化因子图；
11.滑动窗口根据预设规则在待优化因子图上滑行，直至滑动窗口内的待优化因子图
中变量节点的数量达到滑动窗口阈值，对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。
12.进一步的，上述根据获取到的航行器当前时刻tk的惯性测量值和当前时刻tk的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，包括：
13.根据获取到的航行器当前时刻tk的惯性测量值和当前时刻tk的惯性估计状态值基于惯性状态转移方程中进行计算，得到下一时刻t
k+1
的惯性状态预测值。
14.进一步的，上述根据获取到的航行器的下一时刻t
k+1
的惯性估计状态值和下一时刻t
k+1
的惯性状态预测值构建当前因子节点，包括：根据获取到的航行器的下一时刻t
k+1
的惯性估计状态值和下一时刻t
k+1
的惯性状态预测值基于残差函数构建当前因子节点。
15.进一步的，上述附加传感器测量信息包括：长基线定位信息、多普勒测速信息、磁罗经信息、压力传感信息和导航卫星定位信息；附加因子节点包括：长基线因子节点、多普勒测速因子节点、磁罗经因子节点、压力传感因子节点和导航卫星因子节点。
16.进一步的，该方法还包括：当滑动窗口对滑动窗口内变量节点数量的检测时间到达预设检测时间阈值时，对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。
17.进一步的，该方法还包括：当滑动窗口内的待优化因子图中变量节点的数量达到滑动窗口阈值时，或者当滑动窗口对滑动窗口内变量节点数量的检测时间到达预设检测时间阈值时，对待优化因子图中位于滑动窗口以外的部分，采用舒尔补的方法进行边缘化。
18.进一步的，上述对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果，包括：采用高斯-牛顿迭代法或者列文伯格-马夸尔特法对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。
19.进一步的，该方法还包括：
20.检测接收的长基线定位信息是否来自预设数量及以上的长基线定位传感器；
21.当检测到接收的长基线定位信息来自预设数量及以上的长基线定位传感器时，根据长基线定位信息，采用长基线松耦合的方法构建长基线因子节点；
22.当检测到接收的长基线定位信息来自预设数量以下的长基线定位传感器时，根据长基线定位信息，采用长基线紧耦合的方法构建长基线因子节点。
23.进一步的，上述采用长基线松耦合的方法构建长基线因子节点，包括：将长基线定位信息和捷联惯性导航系统解算的位置信息做差，得到长基线量测信息，根据长基线量测信息构建长基线因子节点。
24.进一步的，上述采用长基线紧耦合的方法构建长基线因子节点，包括：将长基线定位信息和捷联惯性导航系统中的斜距差做差，得到长基线量测信息，根据长基线量测信息构建长基线因子节点。
25.进一步的，该方法还包括：
26.检测接收的导航卫星定位信息是否来自预设数量及以上的导航卫星；
27.当检测到接收的导航卫星定位信息来自预设数量及以上的导航卫星时，根据导航卫星定位信息，采用导航松耦合的方法构建导航卫星因子节点；
28.当检测到接收的导航卫星定位信息来自预设数量以下的导航卫星时，根据导航卫
星定位信息，采用导航紧耦合的方法构建导航卫星因子节点。
29.进一步的，上述采用导航松耦合的方法构建导航卫星因子节点，包括：将导航卫星定位信息和捷联惯性导航系统解算的位置信息做差，得到导航卫星量测信息，根据导航卫星量测信息构建导航卫星因子节点。
30.进一步的，上述采用导航紧耦合的方法构建导航卫星因子节点，包括：将导航卫星定位信息中的伪距信息作为导航卫星量测信息，根据导航卫星量测信息构建导航卫星因子节点。
31.第二方面，本技术实施例提供了一种智能装置，该装置应用于智能导航设备，该装置包括：
32.初始化模块，用于构建滑动窗口，定义滑动窗口阈值，根据航行器初始时刻的位姿信息构建初始变量节点和先验因子节点，将初始变量节点和先验因子节点相互连接，得到初始化因子图；
33.变量节点构建模块，用于根据获取到的航行器当前时刻tk(k∈n
*
)的惯性测量值和当前时刻tk的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，根据当前时刻tk的惯性估计状态值构建第一变量节点，根据下一时刻t
k+1
的惯性状态预测值构建第二变量节点；变量节点构建模块还用于在k＝1时，则将第一变量节点取代初始因子图中的初始变量节点，与先验因子节点连接；
34.因子节点构建模块，用于根据获取到的航行器的下一时刻t
k+1
的惯性估计状态值和下一时刻t
k+1
的惯性状态预测值构建当前因子节点；第一变量节点和第二变量节点分别与当前因子节点连接；
35.附加节点构建模块，用于检测当前时刻tk是否接收到附加传感器测量信息，若在当前时刻tk接收到附加传感器测量信息，则根据附加传感器测量信息构建对应的附加因子节点，将附加因子节点与第一变量节点单独连接，得到待优化因子图；
36.导航结果计算模块，用于令滑动窗口根据预设规则在待优化因子图上滑行，直至滑动窗口内的待优化因子图中变量节点的数量达到滑动窗口阈值，对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。
37.第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行如上述任一实施例的智能导航方法的步骤。
38.第四方面，本技术实施例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如上述任一实施例的智能导航方法的步骤。
39.综上，与现有技术相比，本技术实施例提供的技术方案带来的有益效果至少包括：
40.本技术实施例提供的一种智能导航方法，通过将多种传感器在多个时刻得到的量测信息转换为因子节点和变量节点放入所构建的因子图中，实现了不同传感器之间的异频融合，解决了现有技术中导航系统存在的异频异构问题；同时，本技术在对因子图进行优化计算求解导航结果时采用了滑动窗口的方法，不仅在一定程度上减少了计算导航结果时的计算量，重点利用最近时刻收到的传感器信息进行计算也保证了计算数据的实时性，提高了导航结果计算的精度。
附图说明
41.图1为本技术一个示例性实施例提供的一种智能导航方法的流程图。
42.图2为本技术一个示例性实施例提供的因子图架构的示意图。
43.图3为本技术一个示例性实施例提供的长基线定位信息自适应耦合步骤的流程图。
44.图4为本技术一个示例性实施例提供的导航卫星定位信息自适应耦合步骤的流程图。
45.图5为本技术一个示例性实施例提供的一种智能导航装置的结构图。
具体实施方式
46.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
47.请参见图1，本技术实施例提供了一种智能导航方法，该方法应用于智能导航设备，以执行主体是智能导航设备为例进行说明，该方法具体可以包括以下步骤：
48.步骤s1，构建滑动窗口，定义滑动窗口阈值，根据航行器初始时刻的位姿信息构建初始变量节点和先验因子节点，将初始变量节点和先验因子节点相互连接，得到初始化因子图。
49.其中，因子图作为一种二分图模型，表述为g＝(f,x,e)，描述了随机变量的联合概率分布。其中节点类分为因子节点fi∈f，以及变量节点xj∈x两类，前者为因式分解中的局部函数，后者为全局多元函数中的变量；当且仅当因子节点fi与变量节点xj相关时存在一条连接边，表示为e
ij
∈e，边通常作为变量节点的约束。
50.因此，因子图g的定义可描述为对f(x)进行因式分解：f(x)＝∏
ifi
(xi)，x表示包含与xi有关的全部变量节点集合的子集。一个因子节点fi(xi)可用一个残差函数fi(xi)＝d(erri(xi,zi))来描述，其中d(
·
)为相应的残差函数(也称为代价函数)，zi是实际量测值。
51.因为auv多源导航系统的信息融合问题与因子图有许多相似之处，因此可以将因子图引入其中。auv在ti时刻的导航状态描述为变量节点xi，且定义在tk时刻时包含过去所有时刻状态变量信息的集合定义tk时间内所有量测信息的集合其中zi表示ti时刻由不同导航传感器得到的实际量测信息。由此定义得到所有状态变量和量测的联合概率密度(probability distribution function,pdf)及其因式分解可表示为：
[0052][0053][0054]
其中，p(x0)为初始时刻先验因子节点中的信息；表示量测模型，
为其中变量节点的一个集合；表示过程模型，其中是为了区分来自惯性传感器组件imu(inertial measurement unit，惯性测量单元)的惯性测量值。
[0055]
在联合概率密度函数p(xk|zk)的因式分解中，每个因子都代表一个独立的项，即
[0056][0057]
对于高斯噪声分布，我们可将每一个代表量测模型的因子fi表示成一个残差函数：
[0058][0059]
将每一个代表过程模型的因子fi表示成一个残差函数：
[0060][0061]
其中，运算符||||表示平方马氏距离，σ是量测噪声协方差矩阵，λ是过程噪声协方差矩阵，hi(
·
)是系统的非线性量测函数，fi(
·
)是系统的非线性状态转移函数。
[0062]
利用所有历史时刻的可用测量值计算所有状态变量的最优估计，可以用最大后验概率密度(maximum a posteriori,map)估计，将auv多传感器信息问题转化为一个等价的非线性优化问题。此时，对可以取负对数的最小值可以获得所有状态变量的最大后验概率估计密度x
*
：
[0063][0064]
为了简化运算，在此略去了之前的先验因子节点所包括的信息p(x0)。上式所表示的是一个最小二乘问题，可根据非线性优化理论迭代求解，通过调整变量xk使之最小化，那么这个最优估计值就可以使整个残差函数f(x)最小。上式是一个通用的表示方法，其残差函数可以表示惯导、lbl(long baseline，长基线定位系统)、gnss等定位手段。
[0065]
具体地，根据auv(autonomous underwater vehicle，自主水下航行器)初始时刻位姿信息设置初始参数，即初始变量节点和先验因子节点，并构建滑动窗口和定义滑动窗口阈值，将初始变量节点x0＝{}和先验因子节点f
prior
＝{}添加到初始化因子图中，完成初始化。
[0066]
步骤s2，根据获取到的航行器当前时刻tk(k∈n
*
)的惯性测量值和当前时刻tk的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，根据当前时刻tk的惯性估计状态值构建第一变量节点，根据下一时刻t
k+1
的惯性状态预测值构建第二变量节点；若k＝1，则将第一变量节点取代初始因子图中的初始变量节点，与先验因子节点连接。
[0067]
其中，所述航行器的惯性测量值包括航行器上惯性传感器的比力和角速率。
[0068]
具体地，若在tk时刻获得imu的测量值(比力和角速率)，此时因子节点f
imu
连接tk,t
k+1
时刻变量节点xk,x
k+1
，可由imu状态转移方程得到t
k+1
时刻的状态预测值如果此时没有其他传感器信息，可当作下一时刻状态变量添加到变量节点x
k+1
＝{}。一般认为导航过程中所有时刻都能够获得imu测量值。
[0069]
在具体实施过程中，k∈n
*
，n
*
为正整数，即从构建初始化因子图开始，接下来的每一个时刻都有对应时刻的imu因子节点和变量节点添加到因子图中，从而使因子图中的节点信息随时间增加逐渐增多，当k＝1时，即在构建初始化因子图后第一次接收到imu测量信息，根据该测量信息构建的变量节点x1便会取代原来空的初始变量节点x0，与先验因子节点连接。
[0070]
步骤s3，根据获取到的航行器的下一时刻t
k+1
的惯性估计状态值和下一时刻t
k+1
的惯性状态预测值构建当前因子节点；第一变量节点和第二变量节点分别与当前因子节点连接。
[0071]
具体地，在当前时刻tk接收到来自imu的测量值后，定义当前因子节点f
imu
。一个imu当前因子节点连接了当前时刻tk和下一时刻t
k+1
的两个变量节点xk和x
k+1
。导航状态的时间更新的离散化形式可表示为当前时刻tk的惯性测量值和惯性估计状态值xk是用来预测下一时刻t
k+1
的惯性状态预测值这种预测与下一时刻t
k+1
的航行器接收到的惯性估计状态值x
k+1
估计之间的差别就是当前因子节点所表示出的残差函数:
[0072][0073][0074]
步骤s4，检测当前时刻tk是否接收到附加传感器测量信息，若在当前时刻tk接收到附加传感器测量信息，则根据附加传感器测量信息构建对应的附加因子节点，将附加因子节点与第一变量节点单独连接，得到待优化因子图。
[0075]
其中，附加传感器测量信息包括：水下长基线定位系统(long baseline,lbl)定位信息、多普勒计程仪(doppler velocity log,dvl)速度信息、磁罗经(magnetic compass pilot,mcp)航向角信息、压力传感器(pressure sensor,ps)深度信息、gnss全球导航卫星定位信息等。对应的，附加因子节点包括：lbl因子节点、dvl因子节点、mcp因子节点、ps因子节点和gnss因子节点。
[0076]
具体地，请参见图2，如果在某些时刻获取到lbl位置信息、dvl速度信息、mcp航向角信息、ps深度信息等传感器测得的测量信息，将构建相对应的因子节点，并添加到因子图中；因子节点是指图中的方形f，而圆形x为变量节点，prior为先验因子节点；变量节点与因子节点的对应关系，取决于此刻的航行器状态跟哪些传感器的测量值相关，若当前时刻tk没有附加传感器测量信息的加入，则当前时刻tk的变量节点仅由imu测量信息构建，若有附加传感器测量信息的加入，则当前时刻tk的变量节点由imu惯性测量信息和其他传感器测量信息共同构建。当前时刻tk的imu的测量值与当前时刻tk和下一时刻t
k+1
两个时刻的变量
节点相关，其他附加传感器的测量信息只和当前时刻tk的变量节点相关。
[0077]
步骤s5，滑动窗口根据预设规则在待优化因子图上滑行，直至滑动窗口内的待优化因子图中变量节点的数量达到滑动窗口阈值，对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。
[0078]
其中，预设规则可以是以某一预设速度在因子图上滑行，如每分钟向前滑动m个变量节点的距离，具体m的数值或预设速度可以由人为设定。
[0079]
具体地，当系统运行时间过长，待优化因子图中的变量节点会随时间会急剧增加，为了平衡系统计算量，保证系统的实时性，本技术采用滑动窗口的思想。对待优化因子图中的变量节点的数量进行固定大小的限制，当窗口滑动时，会不断有新的变量节点和因子节点的加入以及旧的变量节点和旧的因子节点被剔除。
[0080]
为了尽可能地利用过去的状态和量测信息，对剔除到窗口外的因子节点和变量节点进行边缘化处理，将过去的信息通过舒尔补的方法保留在对最优导航结果的计算中。
[0081]
滑动窗口中的因子图的imu状态为x＝[x1,
…
,n]，其中n为滑窗中最大状态数， k
为滑窗中第k个imu状态。根据gnss得到航行器所在初始位置，在初始时刻根据初始位置信息构建先验因子节点，通过接收的imu测量信息进行变量节点和因子节点的更新，同时检测是否有来自其它传感器的测量信息。
[0082]
滑动窗口中的变量节点的数量在达到滑动窗口阈值的情况下会用于导航结果计算。假设滑动窗口阈值大小为n，滑窗内变量节点的数量达到阈值n时，进行因子图优化最优导航结果计算。在滑动窗口内，假设某一时刻imu状态xi下依次检测到了其他的可用传感器信息，即lbl位置信息、dvl速度信息、mcp航向角信息、ps深度信息等传感器测得的测量值，则将相应的因子节点连接到相关联的变量节点，imu因子节点f
imu
作为二元边，连接到与之相关的两个相邻的变量节点。滑动窗口内所有时刻的变量xi的集合即为待优化的变量。
[0083]
由于实际中的系统运行时间增加，待优化量也增加，不可能每时每刻都进行更新，也难以一次更新优化所有变量节点。因此需要控制计算规模，则必须使用滑动窗口法。
[0084]
因子图方法最早应用于编码领域，作为一种概率图模型，逐渐在其他领域如人工智能、信号处理等得到重视。基于因子图的优化方法在slam问题上应用也非常广泛成熟。而图优化也为导航系统的信息融合提供了一个新思路：在某一时刻，当传感器可用时，其测量信息可表示成相应的因子节点，待估计的状态量被表示成变量节点。因子节点为相关联的变量节点提供状态约束。整个因子图根据非线性优化理论进行递推与更新，能够实现不同传感器之间的异频融合，满足不同类型水下导航传感器的即插即用。为了降低系统计算的复杂度，本技术在因子图的优化过程采用基于滑动窗口思想的方法，在一定程度上平衡了系统计算量和精度。
[0085]
上述实施例中提供的一种智能导航方法，通过将航行器在多个时刻接收到的传感器量测信息转换为因子节点和变量节点放入所构建的因子图中，实现了不同传感器之间的异频融合，解决了现有技术中导航系统存在的异频异构问题；同时，本技术在对因子图进行优化计算求解导航结果时采用了滑动窗口的方法，不仅在一定程度上减少了计算导航结果的计算量，重点利用最近时刻收到的传感器信息进行计算也保证了计算数据的实时性，提高了导航结果计算的精度。
[0086]
在一些实施例中，步骤s2中所述根据获取到的航行器当前时刻tk的惯性测量值和
当前时刻tk的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，包括：
[0087]
根据获取到的航行器当前时刻tk的惯性测量值和当前时刻tk的惯性估计状态值基于惯性状态转移方程中进行计算，得到下一时刻t
k+1
的惯性状态预测值。
[0088]
其中，惯性状态转移方程为xk为当前时刻tk的惯性估计状态值，为当前时刻tk的惯性测量值，为下一时刻t
k+1
的惯性状态预测值。
[0089]
上述实施方式可以快速根据当前时刻tk的惯性测量信息得到下一时刻t
k+1
的预测的测量信息，从而建立其当前时刻tk的第一变量节点和下一时刻t
k+1
的第二变量节点。
[0090]
在一些实施例中，步骤s3中所述根据获取到的航行器的下一时刻t
k+1
的惯性估计状态值和下一时刻t
k+1
的惯性状态预测值构建当前因子节点，还可以包括：
[0091]
根据获取到的航行器的下一时刻t
k+1
的惯性估计状态值和下一时刻t
k+1
的惯性状态预测值基于残差函数构建当前因子节点。
[0092]
其中，残差函数具体为：
[0093][0094]
其中，x
k+1
为下一时刻t
k+1
的惯性估计状态值，为下一时刻t
k+1
的惯性状态预测值，xk为当前时刻tk的惯性估计状态值，为当前时刻tk的惯性测量值。
[0095]
上述实施例中，通过残差函数表示当前时刻tk对下一时刻t
k+1
的惯性状态的预测值和下一时刻t
k+1
航行器实际接收到的惯性估计状态值之间的差别，从而能够将当前时刻tk的变量节点和用惯性状态预测值构建的下一时刻t
k+1
的变量节点连接起来。
[0096]
在一些实施例中，上述附加传感器测量信息包括：长基线定位信息、多普勒测速信息、磁罗经信息、压力传感信息和导航卫星定位信息；附加因子节点包括：长基线因子节点、多普勒测速因子节点、磁罗经因子节点、压力传感因子节点和导航卫星因子节点。
[0097]
其中，长基线定位信息为水下长基线定位系统发送的定位信息，多普勒测速信息为多普勒计程仪测得的速度信息，磁罗经信息具体可以为磁罗经航向角信息，压力传感信息具体可以为压力传感器深度信息，导航卫星定位信息具体可以为gnss全球导航卫星定位信息。
[0098]
在具体实施过程中，附加因子节点中的多普勒测速因子节点，即dvl因子节点的构建方法如下，首先dvl量测方程可以表示为:
[0099][0100]
其中，n
dvl
是量测噪声，h
dvl
是量测函数。
[0101]
在tm时刻接收到dvl测量信息后，添加新的dvl因子节点f
dvl
。dvl因子节点只与变量节点xm，即tm时刻的导航状态相关。因此，可以将因子节点f
dvl
定义为一个一元边因子:
[0102][0103]
同理，附加因子节点中的磁罗经因子节点，即mcp因子节点的构建方法为：
[0104]
在ts时刻接收到mcp的速度测量信息时，构建mcp因子节点，并加入到因子图框架中。mcp量测方程可以表示成：
[0105][0106]
其中，n
mcp
是mcp的量测方程的量测噪声，h
mcp
(s)是量测函数。
[0107]
mcp因子节点只与ts时刻的变量节点xs相关，即他们之间只有一条边相连，mcp量测信息作为约束。f
mcp
是一个一元边，即：
[0108][0109]
压力传感因子节点，即ps因子节点的构建方法为：在t
l
时刻接收到ps的高程量测信息时，构建ps因子节点，并加入到因子图框架中。ps量测方程可以表示成：
[0110][0111]
其中，n
ps
是ps的量测方程的量测噪声，h
ps
(
l
)是量测函数。ps因子节点只与t
l
时刻的变量节点x
l
相关，即他们之间也只有一条边相连，ps量测信息作为约束。f
ps
是一个一元边，即：
[0112][0113]
随着时间的推移，在其他时刻接收到可用量测信息如imu、lbl、dvl、mcp、ps、gnss等，可将相应的附加因子节点扩展到因子图，根据不同传感器的量测方程以及利用相应的误差函数优化求解进行变量节点的递推和更新。当传感器可用性发生改变时，只需在因子图模型中删除或加入因子节点，便可以实现auv组合导航系统工作模式的无缝切换。
[0114]
上述实施例通过在每个时刻检测是否有接收到其他传感器信息，并将检测到的其他传感器信息添加到因子图算法中，实现了不同传感器之间的异频融合，解决了现有技术中导航系统存在的异频异构问题，同时多种传感器信息的加入使得优化滑动窗口内因子图时参考信息更多、最优导航结果计算得更加准确。
[0115]
在一些实施例中，上述方法还可以包括：当滑动窗口对滑动窗口内变量节点数量的检测时间到达预设检测时间阈值时，对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。
[0116]
具体地，当检测时间达到时间阈值t时，即使此时滑窗中的变量节点的数量小于滑动窗口阈值，也要将此时滑动窗口内的节点信息用于计算最优导航结果。因为智能导航设备此时需要新数据来修正历史导航信息，因此即便节点的数量还不够，但也要进行优化计算。
[0117]
上述实施例通过增加检测时间阈值，解决了在节点数量不满足滑动窗口阈值时无法更新导航数据的问题，上述方法能够在到达某个预设时间时更新导航数据，保证了导航数据的及时更新，使航行器避免了因接收不到足够数量的传感器测量信息而无法智能导航的情况。
[0118]
在一些实施例中，该方法还可以包括：当滑动窗口内的待优化因子图中变量节点
的数量达到滑动窗口阈值时，或者当滑动窗口对滑动窗口内变量节点数量的检测时间到达预设检测时间阈值时，对待优化因子图中位于滑动窗口以外的部分，采用舒尔补的方法进行边缘化。
[0119]
其中，舒尔补的方法就是将一个矩阵变成对角阵的过程，在边缘化中，舒尔补法将滑动窗口外的节点信息作为约束信息转化为待优化变量的先验分布，实际上就是一个从联合分布中获得变量子集概率分布的问题。
[0120]
上述实施例充分利用了过去时刻的传感器的状态和测量信息，在对滑动窗口内的最近时刻的节点信息进行优化的同时，也尽可能的考虑了过去时刻的传感器信息，从而进一步提高了最优导航结果的精度。
[0121]
在一些实施例中，步骤s5中所述对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果，可以包括：采用高斯-牛顿迭代法或者列文伯格-马夸尔特法对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。
[0122]
其中，高斯-牛顿迭代法(gauss-newton iteration method，gna)是非线性回归模型中求回归参数进行最小二乘的一种迭代方法，该法使用泰勒级数展开式去近似地代替非线性回归模型，然后通过多次迭代，多次修正回归系数，使回归系数不断逼近非线性回归模型的最佳回归系数，最后使原模型的残差平方和达到最小。
[0123]
列文伯格-马夸尔特法(levenberg-marquardt algorithm，lma或简称lm)在数学和计算中也称为阻尼最小二乘法(dls)，用于解决非线性最小二乘法问题。这些最小化问题尤其出现在最小二乘曲线拟合中。lma在高斯-牛顿迭代法(gna)和梯度下降法之间进行插值。lma比gna更稳健，这意味着在许多情况下，即使它开始时离最终最小值很远，它也能找到解决方案。对于性能良好的函数和合理的启动参数，lma往往比gna慢。lma也可以被视为使用信赖域方法的高斯-牛顿迭代法。
[0124]
lma在许多软件应用程序中用于解决一般曲线拟合问题。通过使用高斯-牛顿算法，它通常比一阶方法收敛得更快。
[0125]
上述实施例通过采用高斯-牛顿迭代法或者列文伯格-马夸尔特法对节点信息进行优化和计算，这两种方法相比较同为解决最小二乘问题的牛顿法，所需的计算量更小，在一定程度上减少了本技术中最优导航结果的计算量和功耗。
[0126]
在一些实施例中，请参见图3，该方法还可以包括以下步骤：
[0127]
步骤s61，检测接收的长基线定位信息是否来自预设数量及以上的长基线定位传感器。
[0128]
步骤s62，当检测到接收的长基线定位信息来自预设数量及以上的长基线定位传感器时，根据长基线定位信息，采用长基线松耦合的方法构建长基线因子节点。
[0129]
步骤s63，当检测到接收的长基线定位信息来自预设数量以下的长基线定位传感器时，根据长基线定位信息，采用长基线紧耦合的方法构建长基线因子节点。
[0130]
其中，预设数量优选为4个。
[0131]
具体地，假设k时刻接收到lbl长基线定位信息，设n为接收到的长基线定位传感器的数量，预设数量为4个，构建f
lbl
因子节点：
[0132][0133]
上述实施例解决了长基线定位传感器通常数量较多，导致接收到的长基线定位信息具有不稳定性和不确定性的问题，上述方法提出的令长基线定位信息自适应耦合的方式，不仅提升了智能导航系统的鲁棒性，同时降低了最优导航结果的计算量和功耗。
[0134]
在一些实施例中，步骤s62具体可以包括：将长基线定位信息和捷联惯性导航系统解算的位置信息做差，得到长基线量测信息，根据长基线量测信息构建长基线因子节点。
[0135]
在一些实施例中，步骤s63具体可以包括：将长基线定位信息和捷联惯性导航系统中的斜距差做差，得到长基线量测信息，根据长基线量测信息构建长基线因子节点。
[0136]
在具体实施过程中，在tn时刻接收到lbl的量测信息时，构建lbl因子节点，并加入到因子图框架中。lbl参与融合的方式分为长基线松耦合和长基线紧耦合，其中，长基线松耦合是指lbl输入的量测信息是长基线定位信息和捷联惯性导航系统解算的位置信息做差得到的；长基线紧耦合是指lbl输入的量测信息长基线定位信息和捷联惯性导航系统中的斜距差做差得到的。其中捷联惯性导航系统(strap-down inertial navigation system，sins)是把惯性仪表直接固连在载体上，用计算机来完成导航平台功能的惯性导航系统，因此位置信息和斜距差都是该系统直接计算得到的，本技术对此不做过多赘述。
[0137]
通过提出的自适应耦合方法检测收到长基线定位传感器的数量，判断使用长基线松耦合还是长基线紧耦合，根据输入的不同的长基线量测信息，构建相应的lbl因子节点。
[0138]
lbl量测方程可以表示成：
[0139][0140]
其中，n
lbl
是lbl的量测方程的量测噪声，h
lbl
(n)是量测函数，注意不同耦合方式对应的量测函数中的长基线量测信息不同。tn时刻lbl因子节点只与tn时刻的变量节点xn相关，即他们之间有一条边相连，lbl量测信息作为约束。f
lbl
因子是一个一元边，即：
[0141][0142]
上述实施例令lbl因子节点的构建采用动态自适应的方式进行切换。在长基线定位信息表现良好时，采用长基线松耦合构建lbl因子节点；在接收到长基线定位传感器的数量小于预设数量，即不足以解算出位置等信息时，此时采用长基线紧耦合方式构建lbl因子节点，采用这种动态融合的方式，不仅提升了系统的鲁棒性，并且降低了系统的计算量和功耗。
[0143]
在一些实施例中，请参见图4，该方法还可以包括一下步骤：
[0144]
步骤s71，检测接收的导航卫星定位信息是否来自预设数量及以上的导航卫星。
[0145]
步骤s72，当检测到接收的导航卫星定位信息来自预设数量及以上的导航卫星时，根据导航卫星定位信息，采用导航松耦合的方法构建导航卫星因子节点。
[0146]
步骤s73，当检测到接收的导航卫星定位信息来自预设数量以下的导航卫星时，根据导航卫星定位信息，采用导航紧耦合的方法构建导航卫星因子节点。
[0147]
其中，预设数量优选为4个。
[0148]
设k时刻收到导航卫星定位信息，n为接收到的导航卫星的数量，构建f
gnss
因子节点：
[0149][0150]
具体地，如果auv在某水域浮出水面时接收到的导航卫星数量大于等于4个，则以gnss与sins解算的位置信息做差作为量测信息，进行导航松耦合；如果接收到的导航卫星数量小于4个，则以gnss伪距信息作为量测信息，进行导航紧耦合。
[0151]
上述实施例解决了导航卫星通常数量较多，导致接收到的导航卫星定位信息具有不稳定性和不确定性的问题，上述方法提出的导航卫星定位信息自适应耦合的方式，不仅提升了智能导航系统的鲁棒性，同时降低了最优导航结果的计算量和功耗。
[0152]
在一些实施例中，步骤s72具体可以包括：将导航卫星定位信息和捷联惯性导航系统解算的位置信息做差，得到导航卫星量测信息，根据导航卫星量测信息构建导航卫星因子节点。
[0153]
在一些实施例中，步骤s73具体可以包括：将导航卫星定位信息中的伪距信息作为导航卫星量测信息，根据导航卫星量测信息构建导航卫星因子节点。
[0154]
在具体实施过程中，t
p
时刻接收到gnss的全局量测信息时，构建gnss因子节点，并加入到因子图框架中。gnss参与融合的方式分为导航松耦合和导航紧耦合，其中，导航松耦合是指gnss量测信息是导航卫星定位信息和捷联惯性导航系统解算的位置信息做差得到的；导航紧耦合是指gnss量测信息是伪距、多普勒频移等未经解算的导航伪距信息。首先通过提出的自适应耦合方法检测收到gnss信号的导航卫星数量，判断使用导航松耦合还是导航紧耦合，根据输入的不同的量测信息，构建相应的gnss因子节点。
[0155]
系统获得gnss量测信息的时刻一般在航行器入水前和浮出水面时，为系统提供全局定位的初值和误差校正。gnss量测方程可以表示成：
[0156][0157]
其中，n
gnss
是gnss的量测方程的量测噪声，h
gnss
(
p
)是量测函数，注意不同耦合方式的量测函数中的导航卫星量测信息不同。gnss因子节点只与该时刻的变量节点x
p
相关，他们之间只有一条边相连，gnss量测信息作为约束。f
gnss
是一个一元边。
[0158][0159]
上述实施例令gnss因子节点的构建采用动态自适应的方式进行切换。在导航卫星定位信息表现良好时，采用导航松耦合构建gnss因子节点；在接收到导航卫星的数量小于预设数量，即不足以解算出位置等信息时，此时采用导航紧耦合方式构建gnss因子节点。采用这种动态融合的方式，不仅提升了系统的鲁棒性，并且降低了系统的计算量和功耗。
[0160]
请参见图5，本技术另一实施例提供了一种智能导航装置，该装置应用于智能导航设备，该装置包括：
[0161]
初始化模块101，用于构建滑动窗口，定义滑动窗口阈值，根据航行器初始时刻的位姿信息构建初始变量节点和先验因子节点，将初始变量节点和先验因子节点相互连接，
得到初始化因子图。
[0162]
变量节点构建模块102，用于根据获取到的航行器当前时刻tk(k∈n
*
)的惯性测量值和当前时刻tk的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，根据当前时刻tk的惯性估计状态值构建第一变量节点，根据下一时刻t
k+1
的惯性状态预测值构建第二变量节点。
[0163]
变量节点构建模块102还用于在k＝1时，则将第一变量节点取代初始因子图中的初始变量节点，与先验因子节点连接。
[0164]
因子节点构建模块103，用于根据获取到的航行器的下一时刻t
k+1
的惯性估计状态值和下一时刻t
k+1
的惯性状态预测值构建当前因子节点；第一变量节点和第二变量节点分别与当前因子节点连接。
[0165]
附加节点构建模块104，用于检测当前时刻tk是否接收到附加传感器测量信息，若在当前时刻tk接收到附加传感器测量信息，则根据附加传感器测量信息构建对应的附加因子节点，将附加因子节点与第一变量节点单独连接，得到待优化因子图。
[0166]
导航结果计算模块105，用于令滑动窗口根据预设规则在待优化因子图上滑行，直至滑动窗口内的待优化因子图中变量节点的数量达到滑动窗口阈值，对滑动窗口内的变量节点和与变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。
[0167]
上述实施例提供的一种智能导航装置，通过初始化模块101、变量节点构建模块102、因子节点构建模块103和附加节点构建模块104将航行器在多个时刻接收到的传感器量测信息转换为因子节点和变量节点放入所构建的因子图中，实现了不同传感器之间的异频融合，解决了现有技术中导航系统存在的异频异构问题；同时，导航结果计算模块105在对因子图进行优化计算求解导航结果时采用了滑动窗口的方法，不仅在一定程度上减少了计算导航结果的计算量，重点利用最近时刻收到的传感器信息进行计算也保证了计算数据的实时性，提高了导航结果计算的精度。
[0168]
本实施例中提供的关于一种智能导航装置的具体限定，可以参见上文中关于一种智能导航方法的实施例，于此不再赘述。上述一种智能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。
[0169]
本技术实施例提供了一种计算机设备，该计算机设备可以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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处计算机程序被处理器执行时，使得处理器执行如上述任一实施例的一种智能导航方法的步骤。
[0170]
本实施例提供的计算机设备的工作过程、工作细节和技术效果，可以参见上文中关于一种智能导航方法的实施例，于此不再赘述。
[0171]
本技术实施例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如上述任一实施例的一种智能导航方法的步骤。其中，所述计算
机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(memory stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
[0172]
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于一种智能导航方法的实施例，于此不再赘述。
[0173]
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，本技术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。
[0174]
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。
[0175]
以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种智能导航方法，其特征在于，所述方法包括：构建滑动窗口，定义滑动窗口阈值，根据航行器初始时刻的位姿信息构建初始变量节点和先验因子节点，将初始变量节点和先验因子节点相互连接，得到初始化因子图；根据获取到的所述航行器当前时刻t
k
(k∈n
*
)的惯性测量值和当前时刻t
k
的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，根据所述当前时刻t
k
的惯性估计状态值构建第一变量节点，根据所述下一时刻t
k+1
的惯性状态预测值构建第二变量节点；若k＝1，则将所述第一变量节点取代所述初始因子图中的所述初始变量节点，与所述先验因子节点连接；根据获取到的所述航行器的下一时刻t
k+1
的惯性估计状态值和所述下一时刻t
k+1
的惯性状态预测值构建当前因子节点；所述第一变量节点和所述第二变量节点分别与所述当前因子节点连接；检测当前时刻t
k
是否接收到附加传感器测量信息，若在当前时刻t
k
接收到所述附加传感器测量信息，则根据所述附加传感器测量信息构建对应的附加因子节点，将所述附加因子节点与所述第一变量节点单独连接，得到待优化因子图；所述滑动窗口根据预设规则在所述待优化因子图上滑行，直至所述滑动窗口内的所述待优化因子图中变量节点的数量达到所述滑动窗口阈值，对所述滑动窗口内的所述变量节点和与所述变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。2.根据权利要求1所述的方法，其特征在于，所述根据获取到的所述航行器当前时刻t
k
的惯性测量值和当前时刻t
k
的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，包括：根据获取到的所述航行器当前时刻t
k
的惯性测量值和所述当前时刻t
k
的惯性估计状态值基于惯性状态转移方程中进行计算，得到所述下一时刻t
k+1
的惯性状态预测值。3.根据权利要求1所述的方法，其特征在于，所述根据获取到的所述航行器的下一时刻t
k+1
的惯性估计状态值和所述下一时刻t
k+1
的惯性状态预测值构建当前因子节点，包括：根据获取到的所述航行器的所述下一时刻t
k+1
的惯性估计状态值和所述下一时刻t
k+1
的惯性状态预测值基于残差函数构建所述当前因子节点。4.根据权利要求1所述的方法，其特征在于，所述附加传感器测量信息包括：长基线定位信息、多普勒测速信息、磁罗经信息、压力传感信息和导航卫星定位信息；所述附加因子节点包括：长基线因子节点、多普勒测速因子节点、磁罗经因子节点、压力传感因子节点和导航卫星因子节点。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：当所述滑动窗口对所述滑动窗口内变量节点数量的检测时间到达预设检测时间阈值时，对所述滑动窗口内的所述变量节点和与所述变量节点连接的因子节点优化后进行计算，得到航行器的所述最优导航结果。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：当所述滑动窗口内的所述待优化因子图中变量节点的数量达到所述滑动窗口阈值时，或者当所述滑动窗口对所述滑动窗口内变量节点数量的检测时间到达预设检测时间阈值时，对所述待优化因子图中位于所述滑动窗口以外的部分，采用舒尔补的方法进行边缘化。7.根据权利要求1所述的方法，其特征在于，所述对所述滑动窗口内的所述变量节点和与所述变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果，包括：
采用高斯-牛顿迭代法或者列文伯格-马夸尔特法对所述滑动窗口内的所述变量节点和与所述变量节点连接的因子节点优化后进行计算，得到航行器的所述最优导航结果。8.根据权利要求4所述的方法，其特征在于，所述方法还包括：检测接收的长基线定位信息是否来自预设数量及以上的长基线定位传感器；当检测到接收的长基线定位信息来自预设数量及以上的长基线定位传感器时，根据所述长基线定位信息，采用长基线松耦合的方法构建所述长基线因子节点；当检测到接收的所述长基线定位信息来自预设数量以下的所述长基线定位传感器时，根据所述长基线定位信息，采用长基线紧耦合的方法构建所述长基线因子节点。9.根据权利要求8所述的方法，其特征在于，所述采用长基线松耦合的方法构建所述长基线因子节点，包括：将所述长基线定位信息和捷联惯性导航系统解算的位置信息做差，得到长基线量测信息，根据所述长基线量测信息构建所述长基线因子节点。10.根据权利要求8所述的方法，其特征在于，所述采用长基线紧耦合的方法构建所述长基线因子节点，包括：将所述长基线定位信息和捷联惯性导航系统中的斜距差做差，得到长基线量测信息，根据所述长基线量测信息构建所述长基线因子节点。11.根据权利要求4所述的方法，其特征在于，所述方法还包括：检测接收的导航卫星定位信息是否来自预设数量及以上的导航卫星；当检测到接收的导航卫星定位信息来自预设数量及以上的导航卫星时，根据所述导航卫星定位信息，采用导航松耦合的方法构建所述导航卫星因子节点；当检测到接收的所述导航卫星定位信息来自预设数量以下的所述导航卫星时，根据所述导航卫星定位信息，采用导航紧耦合的方法构建所述导航卫星因子节点。12.根据权利要求11所述的方法，其特征在于，所述采用导航松耦合的方法构建所述导航卫星因子节点，包括：将所述导航卫星定位信息和捷联惯性导航系统解算的位置信息做差，得到导航卫星量测信息，根据所述导航卫星量测信息构建所述导航卫星因子节点。13.根据权利要求11所述的方法，其特征在于，所述采用导航紧耦合的方法构建所述导航卫星因子节点，包括：将所述导航卫星定位信息中的伪距信息作为导航卫星量测信息，根据所述导航卫星量测信息构建所述导航卫星因子节点。14.一种智能导航装置，其特征在于，应用于智能导航设备，所述装置包括：初始化模块，用于构建滑动窗口，定义滑动窗口阈值，根据航行器初始时刻的位姿信息构建初始变量节点和先验因子节点，将初始变量节点和先验因子节点相互连接，得到初始化因子图；变量节点构建模块，用于根据获取到的所述航行器当前时刻t
k
(k∈n
*
)的惯性测量值和当前时刻t
k
的惯性估计状态值得到下一时刻t
k+1
的惯性状态预测值，根据所述当前时刻t
k
的惯性估计状态值构建第一变量节点，根据所述下一时刻t
k+1
的惯性状态预测值构建第二变量节点；所述变量节点构建模块还用于在k＝1时，则将所述第一变量节点取代所述初始因子图中的所述初始变量节点，与所述先验因子节点连接；因子节点构建模块，用于根据获取到的所述航行器的下一时刻t
k+1
的惯性估计状态值和所述下一时刻t
k+1
的惯性状态预测值构建当前因子节点；所述第一变量节点和所述第二
变量节点分别与所述当前因子节点连接；附加节点构建模块，用于检测当前时刻t
k
是否接收到附加传感器测量信息，若在当前时刻t
k
接收到所述附加传感器测量信息，则根据所述附加传感器测量信息构建对应的附加因子节点，将所述附加因子节点与所述第一变量节点单独连接，得到待优化因子图；导航结果计算模块，用于令所述滑动窗口根据预设规则在所述待优化因子图上滑行，直至所述滑动窗口内的所述待优化因子图中变量节点的数量达到所述滑动窗口阈值，对所述滑动窗口内的所述变量节点和与所述变量节点连接的因子节点优化后进行计算，得到航行器的最优导航结果。15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至13中任一项所述方法的步骤。16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至13中任一项所述方法的步骤。

技术总结
本申请属于智能导航技术领域，公开了一种智能导航方法、装置、计算机设备及存储介质，该方法包括：构建滑动窗口并定义滑动窗口阈值，构建初始变量节点和先验因子节点；根据当前时刻t


技术研发人员：朱祥维 宋江波 刘若帆 李婉清 何少烽 伊瑞特
受保护的技术使用者：中山大学
技术研发日：2023.04.11
技术公布日：2023/8/5