基于回路对准的大失准角传递对准技术研究

提出了一种大失准角情况下的传递对准方法,该方法基于回路对准使子惯导的姿态振荡误差衰减到小角度后进行滤波传递对准,设计了速度加姿态匹配的传递对准滤波模型。与传统传递对准方法相比,该方法无需建立子惯导非线性误差模型,应用经典Kalman滤波即可快速地完成对准。仿真试验表明,在大失准角情况下,子惯导失准角用外部速度可以调平到30′以内,传递对准姿态误差最大为0.5′,方位误差为2′。     

基于平面导航系的极区传递对准算法研究

针对极区经线快速收敛导致基于传统导航坐标系的传递对准模型和误差方程不适用的问题,提出了基于平面导航力学编排的极区传递对准算法,并设计了"速度+姿态"匹配的传递对准滤波模型。该算法基于Kalman滤波最优估计理论,利用舰艇主惯导高精度姿态、速度信息对局部基准姿态失准角进行估计补偿,以达到局部基准极区动基座条件下快速初始对准的目的。仿真结果表明,在中海况条件下,局部基准可在20s内完成方位精度为5′、水平姿态精度为3′的初始对准。     

基于姿态跟踪的LINS晃动基座初始对准

为了提高激光捷联惯性导航系统在晃动基座上的初始对准准确度,将惯性仪表数据的低频波动看作载体真实姿态晃动的反映,采用对准算法跟踪这种姿态变化.粗对准在惯性坐标系进行,利用惯性系对准对姿态变化敏感的特性,跟踪载体姿态角变化,确保粗对准误差为小角度;精对准采用标准Kalman滤波,避免了复杂的非线性算法,将两个水平加速引入Kalman滤波的量测向量,利用水平加速度对姿态角变化的敏感性,提高了Kalman滤波对准算法跟踪载体姿态变化的能力.提出了一种晃动基座对准准确度的考核方法,通过激光捷联惯性导航系统车载晃动对准和跑车试验,表明所提对准算法可以在风扰、发动机工作、人员晃动等干扰条件下,实现自对准,对准时间180s,对准重复性为0.04°,跑车水平定位误差达到770m/h,满足高准确度惯性导航设备要求.     

一种改进的速度加姿态匹配传递对准方法

为了提高传统速度加姿态匹配传递对准方法的快速性,设计了一种改进的传递对准方法,该方法提出在子惯导初始化之前利用主、子惯导陀螺和加速度计测量信息进行短时间的预对准,并设计了速度加姿态匹配的传递对准滤波模型。与传统传递对准方法相比,通过在预对准阶段直接计算主、子惯导之间的安装误差矩阵,子惯导进行初始装订时可以得到较小的初始姿态误差,从而使传递对准滤波器能够快速收敛,提高了对准的快速性和精确度。试验结果表明,通过预对准后对准滤波器在30s之内即可完成对准,姿态估计误差为1′,方位估计误差为1.5′,比传统传递对准方法具有更好的对准性能。     

捷联惯导系统中卡尔曼滤波的应用研究

为提高捷联惯导系统初始对准精度,提出将卡尔曼滤波技术应用于系统初始精对准,用以估计系统的失准角和惯性误差。对卡尔曼滤波技术在捷联惯导系统中的应用进行分析,建立捷联惯导系统初始对准误差模型和卡尔曼滤波量测方程。分析不同条件下不同滤波方法的滤波原理和滤波精度。在此基础上,提出一种将预测扩展卡尔曼滤波应用于逆向导航技术的思路,并进行了理论分析和捷联惯导系统自对准流程设计,为后续进一步深入开展惯导系统初始对准奠定基础。     

小波网络辅助卡尔曼滤波的捷联惯导传递对准

初始对准精度是捷联惯导系统的主要误差来源之一。针对舰载机捷联惯导的传递对准模型准确建模困难,且测量噪声和过程噪声随舰船动态而变化,这样就会降低滤波的精度,卡尔曼滤波有一定的局限性,提出了将小波神经网络辅助卡尔曼滤波器用于惯导系统的传递对准。把能直接影响卡尔曼滤波估计误差的参数作为网络的输入,进过样本训练后,把网络的输出与经过卡尔曼滤波得到的结果相加,实现了捷联惯导的传递对准的滤波功能。这种新算法在实际应用中的非线性情况下优于传统卡尔曼滤波方法。仿真结果表明了其实用性和有效性。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

基于Kalman滤波算法的陀螺仪动态漂移补偿研究

应用MEMS陀螺仪测量人体手臂运动姿态时,针对陀螺仪受线加速度干扰导致测量姿态发散的问题,提出基于Kalman滤波算法的姿态误差补偿方法;该方法首先将陀螺仪采集到的角速度通过方向余弦算法解算得到姿态角,并将陀螺仪动态漂移造成的姿态角误差视为时变信号,通过建立姿态角漂移误差的状态方程及观测方程,应用卡尔曼滤波算法,实现对姿态角漂移误差的估计,最终达到对陀螺仪动态漂移误差的补偿;实验与仿真结果表明,应用该算法能够有效的抑制线加速度干扰导致的陀螺仪测量的姿态发散,适用于陀螺仪对人体手臂运动姿态的测量。     

MEMS陀螺随机误差特性研究及补偿

为了提高MEMS陀螺输出角速度的精度,采用Allan分析法以及Kalman滤波算法对MEMS陀螺仪进行随机误差分析和补偿。由Allan方差分析陀螺的输出数据,对Allan方差进行最小二乘法拟合,得到各项随机噪声的定量评价指标;对陀螺的输出数据使用AR模型进行数学建模,采用AIC准则确定了AR模型的阶次,建立了陀螺零漂数据的离散时间表达式;在AR模型所建立的陀螺随机误差模型的基础上,设计了Kalman滤波器,对陀螺输出数据使用Kalman算法进行了滤波处理,对陀螺的随机误差进行了补偿;通过Allan方差对Kalman算法对陀螺随机误差的补偿效果进行分析。实验结果表明:角速率随机游走Kalman滤波前为槡0.148 7°/h~(1/2),Kalman滤波补偿后为槡0.004 1°/h~(1/2),,通过补偿可减小97.24%的角速率随机游走误差;零偏不稳定性Kalman滤波前为1.940 8°/h,Kalman滤波补偿后为0.054 2°/h,通过补偿可减小97.21%的零偏不稳定性误差;速率随机游走Kalman滤波前为2.698 5°/h~(3/2),Kalman滤波补偿后为0.334 3°/h~(3/2),通过补偿可减小87.61%的速率随机游走误差。Kalman滤波适用于MEMS陀螺的滤波处理,可有效降低陀螺的随机误差。     

基于简化模型与自适应滤波的车载SINS静基座快速对准

为了实现捷联惯性导航系统(Strap-down Inertial Navigation System,SINS)快速初始对准,根据已有可观测性分析结果,通过理论分析和计算得到了扩展观测量时初始对准系统最优可观测状态量组合,在此基础上简化了对准模型,建立了新的系统方程。针对载车发动机启动或其他情况导致系统噪声无法精确统计,提出了运用基于强跟踪滤波原理的自适应卡尔曼滤波(Kalman Filter,KF)算法抑制滤波发散,加快收敛速度。仿真结果表明运用简化模型和自适应滤波在系统噪声不匹配时具有更快的收敛速度和更高的对准精度,车载实验结果也表明运用简化模型和自适应滤波可以实现快速对准。