用低精度双轴转台对捷联惯导进行系统级标定的方法

为降低捷联惯导系统标定对转台精度的要求,提出了一种利用低精度双轴转台对捷联惯导进行系统级标定的10位置标定方法。通过选取恰当的惯性组件坐标系,建立加速度计和陀螺仪的输出误差模型,在双轴转台上合理进行10位置编排,然后利用系统翻滚过程中的导航误差作为观测量,全面辨识出包括加速度计标度因数非线性项的24个系统误差系数。通过数学仿真和实物试验两方面验证,该方法可在低精度双轴转台上全面辨识出系统误差系数,精度同在精密转台上使用传统方法标定精度相当,且标定时间短,方法简单易行。     

旋转IMU在光纤捷联航姿系统中的应用

惯性测量单元输出信号的精度直接影响捷联惯性导航系统的精度,为了提高捷联系统的精度,以舰船光纤捷联惯性航姿系统为应用对象,采用了双轴旋转机构连续匀速旋转IMU的系统方法,把惯性测量单元输出信号中的漂移误差调制成正弦信号,通过捷联算法中的积分运算可以有效地消除陀螺和加速度计中的漂移误差,从而有效地提高捷联惯性航姿系统的精度,并进行了系统仿真实验。仿真结果表明:经过旋转以后的IMU输出信号误差较传统非旋转方法可以减小一个数量级。基于双轴旋转IMU的系统方法可以有效地减小IMU输出信号漂移误差和提高捷联惯性航姿系统的精度。     

一种激光陀螺惯性测量单元混合标定方法

针对采用低精度转台标定高精度激光陀螺惯性测量单元(IMU)的方法进行了研究。提出一种不依赖转台精度的静态解析与Kalman滤波估计混合的新型高精度标定方法。首先采用多位置静态解析法粗标定出IMU系统参数的低精度初始值;然后根据惯性导航算法基本误差方程,建立以IMU系统参数粗标定结果的残差为估计对象,以IMU速度误差为观测量的扩展Kalman滤波器,估计出系统参数残差,进一步修正粗标定结果。实验结果表明,该方法能够利用低精度转台获得与高精度转台相当的参数标定精度,降低了惯导系统的标定成本,满足高精度激光陀螺IMU的使用需求。     

激光陀螺捷联惯性组合的全温度标定方法

给出了激光陀螺捷联惯性组合(IMU)的误差模型，研究了一种利用双轴带温控箱速率转台的参数标定方法，标定出了IMU在各种环境温度下的模型参数，通过温度补偿有效地减小了IMU的导航误差。试验结果表明。该方法标定精度较高，适用于中等精度IMU的参数标定。     

捷联惯性导航加速度计动态误差模型在三轴转台上的实验标定

本文提出了在三轴转台上用双轴速率输入法来估计捷联惯导加速度计动态误差模型参数的方法。该方法基本解决了加速度计动态误差的标定问题,同时也容易实现试验计划的优化设计,以提高模型参数辨识精度。所做工作对于提高捷联惯性导航系统精度、丰富惯性器件测试理论及开发三轴转台的使用功能均有一定意义。     

基于转台误差隔离的捷联惯导系统尺寸效应参数标定

针对捷联惯导系统尺寸效应参数标定问题,提出了一种基于转台误差隔离的改进标定方法。先标定出捷联惯导系统中加速度计间的相对位置关系,再基于尺寸效应误差最小原则,对载体坐标系原点位置进行优化,得出尺寸效应参数。克服了传统分立式标定方法的一些不足,从原理上降低了标定对转台的依赖。对于陀螺零偏稳定性优于0.005°/h,加速度计零偏稳定性优于2×10~(-5) g的捷联惯导系统:尺寸效应参数标定重复性小于0.01 mm(转速60°/s);在摇摆条件下(幅度30°,频率0.15 Hz),4000 s纯惯性导航平均定位误差由补偿前的3100 m以上减小到补偿后的150 m以内。     

激光陀螺捷联惯导系统多位置标定方法

在建立惯性仪表简化误差模型的基础上,提出了一种多位置标定方法.该方法充分考虑标定条件、设备以及时间等因素,设计了一种多位置连续转动标定方案,充分激励惯性仪表各项误差参数,从而建立起所有误差参数与系统导航误差之间的关系,通过测量每个位置静态导航状态下的速度误差,采用最小二乘估计,全面辨识出所有21个误差参数.理论分析和实验结果表明,与传统标定方法相比,该方法对标定设备要求低,无需北向基准,实现简单方便,在较短的时间内就可以一次标定出惯性仪表所有21个误差参数,标定精度与基于精密转台的标定精度相当,具有较强的工程实用性.     

一种石英挠性加速度计非线性误差系统级标定方法

为提高大过载高动态环境下捷联惯导系统导航精度，需对捷联惯导系统中的石英挠性加速度计非线性误差参数进行精确标定。针对现有标定方法在加速度计非线性误差参数发生变化时无法满足免拆卸高精度标定的问题，设计了一种基于双轴精密离心机和捷联惯导系统转位机构交替旋转、依靠转位机构实现9位置标定路径的系统级标定方法。经理论分析和仿真验证，所提方法可实现加速度计二次项、交叉耦合项共九个非线性误差参数系统级高精度标定，二次项误差参数标定精度优于1.0×10^-6 g/g²，交叉耦合项误差参数标定精度优于1.5×10^-6 g/g²。     

基于深度学习与运动状态识别的车辆惯性导航方法

微机电惯性测量单元（MEMS IMU）因成本低、体积小以及功耗低等优势受到广泛关注,但由于MEMS IMU误差大且复杂,基于MEMS IMU的捷联惯性导航系统精度还远远不能满足移动机器人、无人驾驶等各个领域的广泛需求。针对此问题,提出了一种基于深度学习与运动状态识别的车辆导航方法。首先,针对MEMS IMU误差具有非线性、时变性的特点,基于改进后的膨胀卷积网络对MEMS IMU陀螺仪漂移进行标定补偿。其次,利用时间卷积神经网络动态检测车辆的运动状态,并将特定运动状态的约束信息作为观测量,基于不变扩展卡尔曼滤波进行信息融合。所提出方法在公开数据集进行了验证,与未对陀螺误差进行标定补偿的基于深度学习的运动状态检测与约束方法进行了比较,所提出方法将车辆水平位置的绝对轨迹误差和相对轨迹误差平均值分别降低了30.9%和24.7%,证明了所提出方法的有效性。     

一种IMU全零偏快速标定方法

捷联惯导系统的测姿、测速及定位精度主要受IMU零偏的影响,显然,标定并补偿IMU零偏可提高系统的导航性能。传统的对准采用多位置、设定的机动增加可观测性来估计IMU零偏,但仍存在某些零偏不可估计,且滤波收敛过程需要较长时间的问题。针对该问题,借鉴解析粗对准捷联矩阵非正交、非单位化误差与北向、天向陀螺及天向加速度计零偏关系,提出了一种三位置IMU全零偏快速标定方法。分别将IMU三轴朝上采集2分钟静态数据,全过程仅需6分钟,可获得IMU全部零偏,此法较适用于外场零偏标定。仿真以及实际战术级IMU试验表明,该方法能快速有效地对IMU全部零偏进行标定,同时对准、纯惯性导航验证试验表明补偿标定零偏后获得更高对准精度及导航性能。