车载紧耦合MIMUs/GPS的神经网络辅助强跟踪滤波方法

微惯性测量单元由三轴正交的微机械陀螺、加速度计和微型地磁传感器组成.将上述装置与GPS接收机组合,可构成最佳导航定位模型,其中紧耦合MIMUs/GPS对全导航参数(位置、速度及姿态)的测量精度可大幅提高.由于微惯性传感器具有大漂移特性,为获得具有自适应的线性参数模型,提出了融合滤波的信息处理方法,利用强跟踪滤波实现状态预测,二阶EKF实现测量更新,并借用神经网络技术完成对状态预测的修正.由于系统组件具有非线性,该神经网络辅助的强跟踪滤波方法旨在逼近MIMUs/GPS的真实特性,并为车载用户提供更为精准的导航参数信息.动态环境下的仿真试验表明,尽管MEMS惯性传感器的精度有限,所提出的方法能够有效用于实际的导航参数解算.     

车载MIMU/GPS/地磁系统的模糊广义RBFNN辅助滤波算法

以车载微惯性测量单元/GPS/地磁系统为研究对象,构造一类模糊广义径向基函数网络辅助滤波器,完成对基于EKF的非线性导航滤波解算,以提高导航系统参数估算精度和系统动态性能.相同条件下的仿真表明,对比标准EKF和模糊广义径向基函数网络辅助滤波方法,采用后者获得的导航参数误差均方差小,统计特性好,对姿态、航向角误差的最优估计分别控制在0.2°和0.4°以内.导航解算对微惯性测量单元误差在一定范围内的变动不敏感,保证了测量的精度.     

基于微小型传感器的惯性/卫星/天文组合导航方法

为了实现基于微小型传感器的高精度导航,针对微小型导航传感器精度相对较低、误差相对较大的特点,对微小型惯性测量单元(MIMU)、微GPS卫星接收机、微小型星敏感器的测量误差进行了建模与分析;对多传感器的导航信息进行分散化处理,采用卡尔曼滤波进行局部估计;提出了基于部分信息融合的联邦滤波算法进行全局融合;并给出了利用全局融合结果对MIMU导航误差进行输出校正的算法.仿真结果表明,该组合导航方法能够利用微小型传感器实现较高精度的导航定位.     

基于车辆运动模型辅助的智能手机平台车载组合导航算法

随着智能手机硬件性能的提升以及MEMS传感器技术的发展和应用普及,现有中高端智能手机平台中大多安装有消费级的微惯性测量单元和GPS接收机模块,将这两者相互结合,利用一定的信息融合方法,即可实现连续的车载导航定位。在智能手机平台中所采用的消费级MEMS惯性传感器模块其精度很低,通常难以满足车载DR导航算法的性能需求;同时在车辆行驶过程中,不可避免会经过高架、隧道等路径,也会导致GPS信号受到遮挡和屏蔽从而无法定位。针对以上问题,设计了适用于智能手机平台的基于车辆运动模型辅助的车载DR/GPS组合导航方案,推导建立了基于车辆侧向速度约束的组合导航算法模型,并以智能手机作为验证平台,测试验证了所设计的算法在无GPS环境下,采用智能手机平台中的消费级MEMS惯性测量组件,仍然可以在短时间内维持较高的导航定位性能。     

基于BP神经网络辅助的惯性/天文组合导航方法

针对高动态环境下惯性/天文组合导航精度下降的问题,提出一种基于神经网络辅助的惯性/天文组合导航方法。首先以组合导航滤波估计过程中的增益矩阵和动态环境下的惯性器件量测信息构建特征向量;然后,采用导航估计误差对BP神经网络进行训练;最后,利用BP神经网络的输出结果辅助修正组合导航系统。计算机仿真验证结果表明,相较于传统方法,基于BP神经网络辅助的惯性/天文组合导航系统的姿态估计精度可提高30%以上,在动态环境下姿态精度可以保持在5″(1σ)以内。所提出的方法对提高动态环境下惯性/天文组合导航系统的精度和适应能力具有一定的参考价值。     

稀疏网格求积分滤波算法在SINS/GPS紧组合导航中的应用（英文）

高精度的导航信息对于高空飞行器至关重要。针对高空飞行器的特点,选取发射点惯性坐标系为导航坐标系,建立基于伪距、伪距率的SINS/GPS紧组合导航系统数学模型。针对该系统的状态方程和量测方程非线性的特性,采用基于稀疏网格求积分滤波算法。整个设计实现了对准与导航的一体化,避免了将对准与导航分别设计的繁琐过程。仿真结果表明,在飞行器起飞阶段,由于系统的非线性较强,稀疏网格求积分滤波算法比UKF滤波算法的对准精度更高,并且对准速度更快;通过比较稀疏网格求积分滤波算法在不同组合方式下的估计效果,可以看出采用紧组合方式可以明显提高导航精度。最后采用不同精度的传感器进行仿真,结果表明基于稀疏网格求积分滤波算法的紧组合算法能够适用的传感器精度范围较广。     

基于多模型联合滤波的MIMU/GPS组合导航方法

针对单一噪声假设和单一模型假设对组合导航精度的不利影响,提出了基于多模型联合滤波的MIMU/GPS组合导航方法。首先,用分布集合的概念进行误差建模,实现了随机噪声和有界噪声的融合建模;而后,推导了多椭球加权Minkowski和的外定界椭球的运算过程,并给出参数优化方法,从而实现了随机/有界双重不确定条件下的多模型交互,得到了交互多模型联合滤波算法的具体迭代过程;最后,将提出的方法用于MIMU/GPS组合导航。试验结果表明,交互多模型联合滤波算法可以将导航位置误差由最大超过10 m降低到1.5 m以下,导航精度显著优于单模型滤波方法,同时也优于标准交互多模型算法。特别是,由于交互多模型联合滤波算法充分利用了两种不同性质的噪声,既可以避免单一噪声假设导致的导航性能下降,又可以保证边界估计,对于后续的控制制导具有重要意义。     

基于小波变换的MIMU随机误差建模

微机电惯性传感器的输出具有噪声大、漂移强的特性,因此必须建立合理的随机误差模型,以便使用滤波算法进行补偿,减小其对系统精度的影响。本文使用艾伦方差分析法分析了ADI公司的MIMU——ADIS16355的静态输出信号,指出按照自相关特性,可以将微机电惯性传感器的随机误差分为白噪声成份和有色噪声成份,并基于此提出了基于小波变换的噪声分离预处理和AR时间序列建模算法的微机电惯性传感器随机误差复合建模方法。使用该算法对ADI公司的微机电惯性测量单元ADIS16355进行了随机误差建模,得到了该MIMU的AR时间序列随机误差模型。仿真结果表明,相较于传统的一阶马尔科夫近似随机误差模型,基于小波变换的AR时间序列随机误差建模方法能够有效滤除白噪声对于时间序列分析建模的影响,获得精度更高的随机误差模型。     

H∞滤波在微惯性组合导航系统中的应用

基于微机电(MEMS)惯性仪表构成的微惯性测量装置(MIMU),其系统噪声特性不确定,影响了卡尔曼滤波器收敛过程,从而对MIMU/GPS组合系统性能产生不利影响.将鲁棒H∞滤波技术应用于该组合系统,确定了一种H∞滤波求解方法,给出了滤波器的推导步骤.该算法虽不具备最优滤波特性,但却具有更好的稳定性和鲁棒性.通过仿真实验,确定了H∞滤波器中的性能因子γ具体数值,使滤波器在可接受的估计精度下具有最佳鲁棒效果,它能在复杂的噪声环境下很好地估计出MIMU的主要误差,验证了H∞滤波对于噪声的不敏感程度和鲁棒性,提高了MIMU/GPS这类组合导航系统整体性能.     

基于UKF的GPS/SINS伪距(伪距率)组合导航系统设计

采用位置、速度组合的GPS/SINS组合导航系统由于GPS各量测量之间的相关性,影响了组合导航的整体精度.为了提高组合导航的精度和可靠性,采用了直接利用GPS接收机原始测量信息伪距、伪距率的组合方式.UKF(Unscented Kalman Filter)是针对非线性模型的滤波方法,它避免了对非线性方程线性化的过程,具有较高的精度和较好的鲁棒性.将UKF滤波方法应用于伪距、伪距率的组合导航系统中,并将UKF与卡尔曼滤波和自适应滤波方法进行了仿真比较研究.实验结果表明,UKF位置、航向估计的精度都要优于卡尔曼滤波和自适应滤波,使整个导航系统具有更高的精度和可靠性.