MEMS-IMU/GPS组合导航中的多模态Kalman滤波器设计

一般的Kalman滤波器要求有准确的动态和统计模型,而低成本的MEMS-IMU性能随着温度急剧变化,故在MEMS-IMU/GPS组合导航系统中使用一般的Kalman滤波器存在很多的局限性。针对低成本的MEMS-IMU/GPS组合导航系统,提出了多模态自适应滤波算法在MEMS-IMU/GPS组合导航系统中的应用;针对普通的多模态算法中的问题,采用修正的多模态自适应滤波算法来提高MEMS-IMU/GPS组合导航系统的性能。使用静态实时测试数据,验证了所提出的算法。测试结果表明,与普通Kalman滤波器相比,修正的多模态滤波算法提高了MEMS-IMU/GPS组合导航系统的性能;采用所提出的算法,MEMS-IMU/GPS组合导航系统的短时间静态位置精度小于5m(标准差),速度精度小于0.1m/s(标准差),姿态角精度小于0.5°(标准差)。     

MEMS-IMU/GPS组合导航系统的实现

针对我国军事和民用对低成本、微小型、高性能导航系统的迫切需求,提出基于MEMS技术的IMU/GPS组合导航系统方案,深入研究了构建该组合导航系统的关键技术。由于MEMS陀螺的零偏受到温度影响,提出采用递推最小二乘自适应标定算法（ARLS）进行误差标定和补偿,从而提高MEMS陀螺的使用精度;建立了MEMS-IMU/GPS组合的卡尔曼滤波器,利用加速度计倾角传感器原理估计载体的水平姿态,增强了姿态信息的冗余度和可靠性;设计了该组合导航系统的信息融合策略。最后,构建了基于DSP的MEMS-IMU/GPS组合导航系统。机载飞行试验结果表明,该系统算法正确、性能可靠,达到了较高的导航精度,具有广阔的应用前景。     

基于MEMS技术的组合导航系统在空地制导武器中的应用

针对空地精确制导武器对低成本、高精度、高可靠性导航系统的需求,设计了基于MEMS技术的组合导航系统。该系统基于低成本的微惯性测量组合与GPS接收机,并针对空地制导武器的飞行特点建立了准确的数学模型;利用速度、位置综合模式,采用先进的Kalman滤波理论进行数据融合;最后对该组合导航系统进行了数学仿真试验和数据分析。结果表明,这种低成本、可靠性好、体积小的组合导航系统的导航精度不大于5m,即使在丢星长达30s,导航精度也不大于12m,完全能够满足空地精确制导武器的导航要求。     

低成本车载GPS/INS组合导航姿态角更新算法

低成本INS系统的元件误差严重影响INS导航精度.针对车载系统,提出一种低成本车载GPS/INS组合导航姿态角更新算法.首先在GPS/INS组合导航Kalman滤波方程基础上,给出两种姿态角更新的观测方程.然后给出利用GPS测速确定航向角的原理,并且对低成本车载INS系统的俯仰角和翻滚角进行了分析,指出由INS随机误差造成的俯仰角和翻滚角误差比其本身量值要大,建议令俯仰角和翻滚角数值保持不变.利用实测算例确定了不同速度下的航向角精度,并且验证了该算法的有效性,以及相对于基于位置、速度组合的Kalman滤波,导航精度有明显提高.     

速率方位惯性平台/GPS/计程仪组合导航系统仿真研究

根据科学发展和高精度导航的要求，提出了一个由GPS接收机、速率方位惯性平台和重力敏感器构成的精确重力测量组合导航系统，给出了该组合系统在速率方位地平坐标系下的误差方程和Kalman滤波方法以及计算机仿真结果。数字仿真表明：由中等精度的陀螺仪和加速度计以及GPS组成的组合导航系统平台水平误差角小，定位精度高，能够满足重力测量和导航要求。     

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。     

一种车载组合导航系统的联邦滤波新算法

针对车载GPS/DR组合导航系统的特点,提出了一种新的联邦滤波算法.子滤波器由两个滤波器构成:一个是卡尔曼滤波器,另一个是Unscented卡尔曼滤波器(UKF),它们分别处理GPS子系统和DR子系统的信息.UKF是一种较新的非线性滤波方法,相对传统的非线性滤波器EKF具有更高的滤波精度和更高的计算效率.联邦滤波器的信息分配因子采用一种基于观测误差的最小均方误差形式,最佳地融合了传感器的输出信息.这种结构降低了联邦滤波器的计算难度和计算量,提高了组合导航系统的可靠性和容错性.仿真结果表明,提出算法的定位精度很高,与UKF算法的效果相当.     

SINS/GPS/CNS 组合导航联邦滤波算法

针对飞行器在长航时高速巡航过程中,捷联惯性导航系统存在误差漂移,GPS 导航可能会丢星、信号失锁,天文导航系统易受环境干扰,组合系统模型线性化误差易导致滤波发散等问题,分析了三种导航系统的优缺点,提出了 SINS/GPS/CNS 组合导航联邦滤波算法,该算法可以取长补短,巧妙地将 GPS 定位和天文导航定姿精度高的优势辅助于捷联惯导系统,利用卡尔曼联邦滤波器对捷联惯导系统进行误差估计,并对联邦滤波算法进行了有效的改进.计算机仿真显示,该滤波器收敛速度快,具有一定的容错功能,其滤波精度较 SINS/GPS 组合导航系统在位置误差和速度误差上均有约5%左右的小幅提升,在平台角误差上更是提高了一个数量级.仿真结果验证了该组合导航方案的可行性和算法的有效性,有重要的工程应用价值.     

GPS/INS组合导航系统中的高斯粒子滤波混和算法

采用非线性滤波器的惯性组合导航系统中,非线性滤波器的精度和实时性直接决定了惯性组合导航系统的性能.计算量和精度之间的矛盾是制约粒子滤波在GPS/INS组合导航系统中应用的主要因素.在分析高斯粒子滤波算法原理的基础上,提出了一种高斯粒子滤波混和算法,对系统线性部分采用线性递推方式,对系统非线性部分采用非线性递推方式,从而提高高斯粒子滤波精度和实时性.针对GPS/INS组合导航系统,混和算法利用卡尔曼滤波的线性递推方式进行量测更新,仿真结果表明混和算法在较少粒子条件下,相对高斯粒子滤波算法精度提高20％,滤波时间降低40％.     

LSTM网络提高MEMS惯导定位精度的分析及验证

为了提高GPS信号短期丢失状态下微机电(MEMS)惯导的导航定位精度,提出一种基于长短期记忆网络(LSTM)预测和传统GPS/MEMS组合导航系统相结合的高精度定位方法,对存在GPS信号状态下的LSTM模型进行训练来预测输出GPS信号丢失时的定位信息。针对单纯MEMS惯导推算误差发散快和反向传播神经网络(BPNN)无法处理时间序列数据的问题,采用LSTM来进一步抑制惯导累积误差,并使用自适应时刻估计方法来优化训练过程以提高模型性能。60 min时长的行驶测试数据集的验证结果表明:基于LSTM的MEMS惯导定位方法能够有效提高无GPS信号状态下的定位精度,相比于单纯MEMS惯导推算和BPNN的定位精度分别提高了94.62%和73.03%。