基于不等式约束卡尔曼滤波的双MIMU导航位置校正方法

合集下载

基于压力传感器辅助的行人室内定位零速修正方法

基于压力传感器辅助的行人室内定位零速修正方法赵小明;邓芳瑾;杨松普;李巍【摘要】Aiming at the problem of poor positioning accuracy of the available pedestrian indoor positioning navigation systems, a pressure capsule-aided zero-velocity update (ZUPT) algorithm is proposed. The micro-inertial measurement unit (MIMU) is combined with a pressure capsule to detect the stance phase between steps based on the statistical characteristic of foot MIMU and pressure capsule during walking. By setting the thresholds of acceleration magnitude, specific force slip variance, angular rate magnitude and plantar pressure based on traditional SINS navigation algorithm, a pressure capsule-aided ZUPT method with multi-condition constraints is developed to improve the navigation accuracy. An improved Kalman filter is designed for ZUPT to estimate the attitude, velocity and position errors. Therefore, the navigation precision can be improved by feeding these estimated errors back to the original navigation system. Experiment results indicate the necessity of fusing pressure information and show that the proposed ZUPT algorithm can efficiently reduce the drift errors of the MEMS inertial sensors and make the system's accuracy less than 1%D under walking and running conditions.%针对现有行人室内定位导航系统定位精度差的问题,设计了一种压力传感器辅助微惯性测量单元的多条件约束零速修正方法.将微惯性测量单元和压力传感器固连在鞋上,用来测量人体脚部运动信息.在经典捷联解算基础上通过对行走时微惯性测量单元和压力传感器的统计特性进行分析,对加速度模值、滑动方差、角速度模值、足底压力设定阈值,用以检测行走过程中的零速区间,通过基于零速修正的卡尔曼滤波估计姿态误差、速度误差和位置误差,反馈校正后对微惯性测量单元的累积误差进行修正.最后通过对比试验证明了压力传感器辅助下的零速修正方法提高了系统导航定位精度,步行和跑动时的水平定位精度优于1%D.【期刊名称】《中国惯性技术学报》【年(卷),期】2018(026)001【总页数】5页(P1-5)【关键词】微机电系统;压力传感器;零速修正;室内定位【作者】赵小明;邓芳瑾;杨松普;李巍【作者单位】天津航海仪器研究所,天津 300131;天津航海仪器研究所,天津300131;天津航海仪器研究所,天津 300131;天津航海仪器研究所,天津 300131【正文语种】中文【中图分类】U666.1全球导航卫星系统（Global Navigation Satellite System, GNSS）因其可以为陆、海、空三大领域提供实时、全天候和全球性的导航服务，已广泛应用于军事及民用等各个领域，给人们的生活提供了极大的便利。

双基地MIMO雷达目标定位及互耦自校正算法

Ａｂｔａｔｓｒｃ：
ＢｙｘｏｉｉｇｈｅｅｐｌｔｎｔｂａｄｅｓｍｍｅｒｃｎＴｏｅｌｔｍａｒｘｎｄｙｔｉａｄｐｉｚｔｉｍｏｌｏｔｍｕｕａｃｕｐｌｏｄｅｆｒｈｅｔｌｏｉｎｇｆ
ｕｉｒｙｌｅｒａｒｙ（ｎｆｍｌｉａｒａＵＬＡ）ｎＥＳＲＩｂｓｄｔｒｅｏａｉａｉｎａｄｍｕｕｌｃｕｌｇｓｌｃｌａｉｎｏｎ，ａＰＴ～ａｅａｇｔｌｃｌｔｎｚｏｔａｏｐｉｅｆａｒｔｎ＿ｏａｇｒｔｍｓｐｏｏｅｏｉｔｔＩＯｒｄｒＴｈ２ｄｍｅｓｏａ（－）ａｇｅｎｕｕｌｃｕｌｇｌｏｉｈｉｒｐｓｄｆｒｂｓａｉＭＭｃａａ．ｅ－ｉｎｉｎｌ２Ｄｎｌｓａｄｍｔａｏｐｉｎ
关键词：双基地ＭＩＭ０雷达；定位；耦；互自校正中图分类号：Ｎ９７Ｔ５文献标识码：Ａ文章编号：０１２０（０２０－０６０１０ — ４０２１）５０６ — ６．
Ｆａｔｔｒｅｏａｉａｉｎａｄｔｕｕｌｃｕｌｎｇｓｌ－ａｉｒｔｏｓａｇｔｌｃｌｚｔｏｎｈｅｍｔａｏｐｉｅｆｃｌｂａｉｎ
ｅｔｍａｅ－ａｌｓｎｃｕｒｔｓｉａｉｆｔｕｕａｏｌｎｇｍａｒｘｃｎａｓｈｉｖｅｏｃａｅｅｔｍｔｏｎｏｈｅｍｔｌｃｕｐｉｔｉａｌｏｂｅａｃｅｄｆｈｅｓｌ－

卡尔曼滤波的雷达双站无源测向定位新方法

摘
要：达无源测向定位技术是一种非常有效的雷达电子对抗技术。将该技术应用到雷达组网中，有利于提高现有雷将
装备雷达的电子对抗性能。过在ＭＳ坐标系中对双站无源测向雷达的Ｋａｍａ通Ｃｌｎ滤波，算出被测目标的状态预测以及预测计方差，后再将两者所得的状态预测通过数据融合技术计算出总的全局状态估计。并通过计算机仿真验证，果表明此方法然结
是一种具有工程意义的实用测向定位新方法。
关键词：Ｃ，源测向定位，ｌｎ滤波ＭＳ元Ｋａｍａ
中图分类号：Ｎ９２４Ｔ７．文献标识码：Ａ
ＡｅＭｅｈｏｄｉｔｓｉｉｅｔｏｎ— ｎｄｉｎｄＮｗｔｎｈｅＰａｓｖｅＤｒｃｉＦｉｎｇａ
Ｌ０ａｉａｉｎｗｉｈＲａａ — ｔｔｏｃｌｚｔ０ｔｄｒＢｉＳａｉｎ
ＤＵｅ — ｉ．ＷｉｍｎｇＬＩＺｈｉｑａ。 — ｉｎｇ
（．ｈｎＯｒａｃ．０ａｅｆＰＬＡ，ｈｎ４０７，ｉａ，１ＷｕａｄｎｎｅＮＣ．ＡｃｄｍｙｏＷｕａ３０５Ｃｈｎ
文章编号：０２０４（０８Ｏ —ｌ９０１０— ６０２０）ｌＯ１－４
卡尔曼滤波的雷达双站无源测向定位新方法

基于联邦卡尔曼滤波的组合导航定位算法

ＶＯ．３ＮＯ８１７，．Ａｕ２１ｇ，０２
火力与指挥控制
ＦｉｅＣｏｔｏｒｎｒｌ＆ＣｏｍａｄＣｏｔｏｍｎｎｒｌ
第３７卷第８期２１０２年８月
文章编号：０２Ｏ４（Ｏ２０一１７Ｏ１０一６Ｏ２１）８Ｏ４一４
ｔｅｌｃｔｎｒｓｌｅｒｍｈｅｏｄＫａｍａｉｅａｅｕｅｏｃｒｅｔｔｅｐｓｔｏｎｅｏｉｙｔｅｈｏａｉｅｕｔｇｔｆｏｔｅｓｃｎｌｎｆｌｒｃｎｂｓｄｔｏｒｃｈｏｉｎａｄｖｌｃｔｏｇｔｏｓｔｉ
ＡｂｔａｔＩｈｒｄｔｏａＳＩｌｓｌｏｐｅｙｔｍ，ｏｅｓｓｅｅｉｔｉｓｂｃｕｅｏｈｓｒｃ：ｎｔｅｔａｉｎｌｉＧＰ／ＮＳｃｏｅｙｃｕｌｄｓｓｅｗｈｌｙｔｍｘｓｓｂａｅａｓｆｔｅ
ｂｉｓｏｆｐｅｄｏｒｎｇｎｏｌｒｓｆ．Ｔｏｒｍｏｅｔａａｓｕａｅａｄｄｐｐｅｈｉｔｅｖｈｅｂｉｓ，ｔｏａｉｌｏｉｈｍｓｄｏｅｒｔｏｎｈｅｌｃｔｏｎａｇｒｔｂａｅｎｆｄｅａｉ
基于联邦卡尔曼滤波的组合导航定位算法
何伟，保旺，晓明廉冯
７０７）１０２（ｉ工业大学，安ｇ北西
摘
要：传统的ＧＰ／Ｎ在ＳＩＳ紧耦合组合导航系统中，于伪距和多普勒频移误差的存在，统存在一定的误差偏移。针由系

基于卡尔曼滤波的交互式多模型GPS定位方法研究

第３２卷第６期
２０１１年６月
兵
工
学
报
Ｖ０．２１３ＮＯ６．
１ｕ．０１
基于卡尔曼滤波的交互式多模型ＧＳ定位方法研究Ｐ
陆建山，王昌明，宋高顺，张爱军
ｃｎｅｆｏｅａｉｇｃｎｉｉｎｒｍａｅｖｒｎｒｃｓ．Ｉｒｅｏｓｌｅｔｓｐｒｂｅ，ＩｔｒｃｉｇＭｕｔ— ｈａｇｓｏｐｒｔｎｏｄｔｏｓｏｎｕｅｉｇｐｏｅｓｎｏｄｒｔｏｖｈｉｏｌｍｎｅａｔｎｌｉ
Ｋｅｙｗｏｒｄｓ：ｃｎｒｌａｄｎｖｇｔｏｅｈｎｌｇｆａｒｃａｔｏｔｏｎａｉａｉｎｔｃｏｏｙｏｅｏｒｆ；ＧＰＳ；ＰｉｔＰｓｔｏｉｇ；ＩｏｎｏｉｉｎｎＭＭ；ＫａｍａｌｅｌｎＦｉｒｔ
Ａｂｔａｔｓｒｃ：ＴｈｏｌｍｆＧＰＳｐｓｔｎｎｓｎｉｇｅｍｏｅｓｔａ，ｓｎｌｄｌｃｎ’ ｄｐｏｈｅｅｐｒｂｅｏｏｉｉｉｇｕｉｇｓｎｌｄｌｉｈｔｉｇｅｍｏｅａｔａａｔｔｔｏ
（京理工大学机械工程学院精仪系，苏南京２０９）南江１０４
摘要：对ＧＳ定位中，针Ｐ由于模型单一而不能适应环境影响或机动过程变化的问题，出将交提互式多模型算法引入到定位方法中。文中详细阐述了基于卡尔曼（ａｎ滤波的交互式多模型Ｋｌ）ｍａ（ＭＭＫ）ＩＦ算法原理及其在ＧＳ定位中的应用。根据静态单点定位实测数据的试验分析，证了变Ｐ验

一种基于卡尔曼滤波的DRLMS组合导航定位算法

一种基于卡尔曼滤波的DR/LMS组合导航定位算法变电站/机器人/卡尔曼滤波1 引言随着国家十二五规划纲要关于建设智能坚强电网要求的提出,智能电网信息化、数字化、网络化已经成为当前电网智能化发展的一个热点研究领域。

目前,承载着电网输变电环节的变电站,多采用人工巡检方式监控变电设备的运行状态,这一传统巡检方式费事费力。

因此,基于智能机器人的无人值班变电站巡检技术已然成为智能化变电站发展的一个创新性热点话题,而机器人实现自主巡检任务的关键及难点在于如何构建机器人自主导航定位系统。

目前,常用的导航系统多种多样,导航原理、定位精度及成本造价也存在较大差别。

常用的导航定位系统包括黑白线识别导航、磁导航、GPS/惯性组合导航、视觉图像导航、激光雷达/惯性组合导航等。

而较为成熟的机器人黑白线识别导航技术,通过激光对地面黑白线进行反射接收识别,保证机器人始终沿预设白线行走,该方法简单易行,但施工较大,且易受大雪天气影响;磁导航技术则利用磁传感与测量技术,通过在地面铺设磁条,保证机器人始终沿预设磁航道行走,该方法虽然解决了大雪天气遮挡黑白线的问题,但其成本较大,且变电站长期强磁干扰容易导致磁条失磁,降低其灵敏度,最终可能导致导航失效。

DGPS/惯性导航系统[1]定位精度可以到达亚米级,定位灵活方便,但GPS受天气、变电站强电磁干扰等外界环境因素影响较大,考虑系统的容错性,需要增加额外独立的导航子系统配合使用,而该系统成本造价高、经济性较差。

视觉图像导航定位系统借鉴人体视觉导航原理,利用图像识别及神经网络技术,通过机器人预先对巡检环境自主学习,建立基于当前环境模型下的知识库与规则库,即利用已有学习经验来实现自主巡检任务,但该方法技术难度较大,有待进一步深化研究。

本文提出的惯性/激光雷达组合导航定位技术,利用高精度激光雷达测距技术,在预设全局路径[2]的前提下,通过多点全向扫描测距、信息融合与滤波处理技术,对机器人当前运行环境进行视觉建模,同时利用多点测距技术实现实时定位,该方法成本低廉,定位精度高,但对现场环境的依赖性相对较大,易受外界随机干扰,需要优化程序算法,减小外界的随机干扰误差等。

基于无迹卡尔曼滤波的IMU和UWB融合定位算法研究

基于无迹卡尔曼滤波的IMU 和UWB 融合定位算法研究王春琦1，孔祥琦2，丁晓欢3，卢忠青4，陈常婷5（1. 国家无线电监测中心成都监测站，成都　610039； 2. 国家无线电监测中心检测中心，北京　100037； 3. 成都飞机（集团）有限责任公司，成都　610091； 4. 深圳大学电子与信息工程学院，广东深圳　518061；5. 深圳技术大学大数据与互联网学院，广东深圳　518118）[摘　要]新兴的物联网应用，对提供低成本、高精度的室内定位方案提出了巨大的需求。

但是，在复杂的室内环境中很难使用独立的系统来达到更高要求的定位精度。

为了解决传统的仅依赖于超宽带(Ultra-Wide Band ，UWB)传感器的三基站观测距离最小二乘定位算法精度低和稳定性差的问题，提出了基于无迹卡尔曼滤波(Unscented Kalman Filter ，UKF)的惯性测量单元(Inertial Measurement Unit ，IMU)和UWB 多传感器融合定位算法。

此外，还提出了基于UKF 的单基站观测距离和角度直接定位算法(Direct Position Algorithm ，DPA)，当定位精度要求不高时，DPA 定位算法可以大大降低基站部署的复杂度和成本。

结果表明所提出的三基站观测距离WLS 定位算法定位精度相对而言有一定提高。

基于UKF 的融合定位算法在提高定位精度的同时还能够有效抑制定位数据的抖动，从而进一步地提高定位稳定性，适用于复杂室内环境下要求低成本、高精度和高可靠性的定位场景。

[关键词]物联网；超宽带；无迹卡尔曼滤波；惯性测量单元[中图分类号] TP393.09 [文献标志码] A doi ：10.3969/j.issn.2096-8566.2020.03.002[文章编号]2096-8566(2020)03-0008-10Unscented Kalman Filter Based IMU and UWB Fusion Position AlgorithmWANG Chun-qi 1， KONG Xiang-qi 2， DING Xiao-huan 3，LU Zhong-qing 4， CHEN Chang-ting5（1. Chengdu Monitoring Station of the State Radio Monitoring Center, Chengdu 610039, China;2. State Radio Monitoring Center Testing Center, Beijing 100041, China;3. Chengdu Aircraft Industrial (Group) Co., Ltd, Chengdu 610091, China;4. College of Electronics and Information Engineering, Shenzhen University, Guangdong Shenzhen 518061, China;5. College of Big Data and Internet, Shenzhen Technology University, Guangdong Shenzhen 518118, China ）Abstract : The emerging application of the Internet of things puts forward a huge demand for providing a low-cost and high-precision indoor positioning scheme. However, in the complex indoor environment, it is difficult to use an independent system to achieve higher requirements of positioning accuracy. In order to solve the problem of low accuracy and poor stability of the traditional three base station observation distance least square positioning algorithm which only relies on UWB (Ultra-wideband)sensors, an IMU (Inertial measurement unit) and UWB multi-sensor fusion positioning algorithm based on Unscented Kalman filter (Unscented Kalman filter) is proposed. In addition, the DPA (Direct position algorithm) based on UKF is also proposed. When the[收稿日期]2020-07-08 [修回日期]2020-08-16[通讯作者]陈常婷（1986—　），女，硕士，讲师。

利用Kalman滤波修正卫星导航差分RTK定位坐标

利用Kalman滤波修正卫星导航差分RTK定位坐标随着卫星导航技术不断发展，差分RTK定位越来越成为了现代高精度测量的重要手段。

但由于信号传输的误差等因素的影响，差分RTK定位的精度仍然有待进一步提高。

Kalman滤波作为一种广泛应用的信号处理算法，被应用于卫星导航差分RTK定位结果的修正，已经取得了很好的效果。

Kalman滤波原理是基于盲目滤波的思想而得到的，是一种将连续时间的观测值利用某些模型来预测下一步状态的算法。

其实质就是将之前的估计结果和当前的观测结果结合起来，得到一个更准确的估计。

在卫星导航差分RTK定位中，Kalman滤波的作用就是对测量数据进行平滑处理，使得差分RTK定位的精度得到更显著的提升。

常见的Kalman滤波模型包括线性模型和非线性模型两类。

差分RTK定位中，由于卫星信号的传播路径被大量障碍物所截断，导致测量值存在着显著的不稳定性。

因此，需要采用非线性Kalman滤波模型进行修正。

该模型能够通过多次迭代，将多余的误差进行过滤，从而得到更为准确的测量结果。

以位姿状态估计为例，Kalman滤波可用于对卫星导航差分RTK定位坐标进行修正。

在该应用场景下，可以将卫星导航定位结果与惯性测量单元（IMU）测量的姿态数据进行结合，得到更高精度的坐标。

例如，差分导航定位结果和IMU姿态轨迹数据可以分别用来更新误差相关的方差，并计算出最终位置状态的估计值。

这种结合的方法解决了卫星导航系统定位精度受到环境影响而不稳定的问题，提高了差分RTK定位的准确性。

总之，利用Kalman滤波对卫星导航差分RTK定位坐标进行修正，在定位过程中能够起到重要的作用。

通过多次迭代，能够去除多余的误差，提高卫星导航系统的精度和稳定性，在大量实际应用中，已经取得了良好成果。

基于Kalman滤波的AUV两位置对准方法

得到载体坐标系下的陀螺漂移（要是水平方向）主，同时实现
高精度的初始对准。这种方法主要是解决静基座条件下东向陀螺漂移的完全不可观测，以及由此导致的方位失准角精度
不高的问题。一般情况下，基于Ｋｌｎ滤波的静基座对准ａｍａ
都是在载体完全静止的情况下进行的。此时，地理坐标系下
系统的初始对准。
』（）＝（０ｌ０Ｒ（０）＋０）ＲＡ‘ ） ’ ａＭ
从而可得：
‘
（４）
㈣
即￡的相关时间１比的相关时间１多／（倍。／／０）
由此可得到陀螺的误差方程：
基金项Ｉ：黑龙江省教育厅基金资助项目（１４３０ｉ１１５１９）
ｔｗｏ— ｏｉｉｎｉｔｇａｅｌｎｎａｅｎＫａｍａｌｒｎｓｐｏｏｅｎｔｉａｅ．ｅｉｅｔｌａｉａｉｎｅｒｒｍｏｅｉｎｅｐｉｃｐｅｏｐｓｔｏｅｒｔｄａｉｍｅｔｓｄｏｌｎｇｂｎｆｔｉｇｉｒｐｓｄｉｓｐｐｒＴｈｒｉｖｇｔｏｒｏｄｌｓｂｕｌａｄｔｒｎｉｌｆｉｅｈｎａｎｉｔｈｔｗｏ－ｏｉｉｎａｉｎｎｓａａｙｅＴｈｙｔｍａｃｏｅｖｂｌｙｉｍｐｏｅｙｃｎｇｎｅｓｒｐｏｒｘＴｈｅｄｇｅｆｏｅｖｂｌｙｆｒｐｓｔｏｌｇｍｅｔｉｎｌｚｄ．ｅｓｓｅｔｂｓｒａｉｉｓｉｒｖｄｂｈａｉｇｔｔａｄｗｎｍａｉｔｈ．ｅｒｅｏｂｓｒａｉｉｏｔ

一种基于卡尔曼滤波估计的极区组合导航双通道误差校正方法[发明专利]

专利名称：一种基于卡尔曼滤波估计的极区组合导航双通道误差校正方法
专利类型：发明专利
发明人：赵琳,康瑛瑶,程建华,秦名赫,刘明
申请号：CN201910176351.0
申请日：20190308
公开号：CN109781100A
公开日：
20190521
专利内容由知识产权出版社提供
摘要：本发明属于卫星导航领域，具体涉及一种基于卡尔曼滤波估计的极区组合导航双通道误差校正方法，包括以下步骤：选取惯性导航系统作为主导航系统，引入外部观测导航信息作为观测量，以格网惯导系统姿态、速度、位置误差为状态量，构建包含输出校正与反馈校正两种校正通道的组合导航系统；选取误差校正周期时长，使得一个误差校正周期内包含n个输出校正周期与1个反馈校正周期，输出校正周期与反馈校正周期与滤波周期相同；获得量测信息后，通过基于时间标志的反馈通道选择器判断是否进行校正，选择校正通道；本发明提高了组合导航系统的短时精度与时稳定性，保证长航时工作条件下卡尔曼滤波估计精度，进而保障导航系统长航时精度与可靠性。

申请人：哈尔滨工程大学
地址：150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室国籍：CN
更多信息请下载全文后查看。

基于双目视觉与IMU的组合导航算法

r
[,]
Ar
t
a
lR 等提出的 ORB_ SLAM2 算法 78 将相机与IMU 联
[]
中 TC
A 代表从A 系到C 系的变换,由 A 系到C 系的旋转矩
C
阵RC
A 和A 系到C 系的平移矩阵TA 构成。
合初始化,结合 g
2o实现局部的 BA 优化,利用 ORB 提供
的描述子在大范围运动时实现回环检测和重定位,但三线
博士,博士生导师,研究方向为导航、制导与控制;崔超 (
1992 ),男,河南许昌人,博士研究生,研究方向为导航、制导与控制。
E
-ma
i
l:z
h
a
o
i
a
nk
a
ng@s
t
u
.e
du
.c
n
j
j
第42卷
第 2期
·443·
谭静,赵健康,崔超:基于双目视觉与IMU 的组合导航算法
法中将相机与IMU 解耦为独立模块的算法结构降低了计算

头的坐标系分别为 FL 、FR ,坐标原点位于摄像头光心,
3
.1 IMU 测量模型与预处理

器的坐标系及其转换关系如图 1 所示,左摄像头和右摄像
图2 双目视觉与IMU 组合导航算法框架
(
1)
·444·
2021年
计算机工程与设计
其中,
α、
γ 代表载体绕x 、y 、
z 三轴旋转的角度,Ra 、
粒子滤波器将对齐到导航坐标系的运动数据与IMU 测量数
性优化的 OKVI
S 框架,通过最小化地标重投影误差和

一种低成本的MIMUGPS组合导航系统快速对准方法

第17卷第6期中国惯性技术学报V ol.17 No.6 2009年12月 Journal of Chinese Inertial Technology Dec. 2009 文章编号：1005-6734(2009)06-0688-04一种低成本的MIMU/GPS组合导航系统快速对准方法高运广，王仕成，刘志国，杨东方（第二炮兵工程学院，西安 710025）摘要：低成本的MIMU元件在组合导航领域取得了广泛应用，但其精度较低，无法实现自主初始对准。

针对此问题，研究并提出了一种基于GPS辅助的MIMU/GPS组合导航系统对准方法。

方法的基本思想是通过同一位移矢量在载体和导航两种坐标系下的不同表现形式来找出两种坐标系之间的关系，进而实现系统的初始对准。

方法先用GPS对某一短距离位移进行精确定位，再用其定位结果反推MIMU捷联解算中的初始对准角。

为了加强对非线性方程组的求解能力，在求解过程中引入了遗传算法，并选取了六组不同失准角状态下的数据进行了验证。

计算结果表明，该方法具有较高的对准精度和较快的对准速度，因此是有效可行的，同时该方法的实现不借助于任何外部对准信息，由此节省了应用成本。

关键词：组合导航；初始对准；微惯性测量单元；遗传算法中图分类号：U666.1 文献标志码：AFast alignment method for low-cost MIMU/GPSintegrated navigation systemGAO Yun-guang, WANG Shi-cheng, LIU Zhi-guo, YANG Dong-fang(The Second Artillery Engineering Institute, Xi’an 710025, China)Abstract: The low-cost MIMU has been widely applied in the navigation fields, but its accuracy is too poor to realize the initial alignment by itself. Aiming at this problem, an initial alignment method for MIMU/GPS integrated navigation system is put forward. This method realizes the initial alignment by finding the relationship between the carrier and navigation coordinate systems from the different expressions of the same displacement vector in different coordinate systems. Firstly, a short displacement is positioned by GPS. Secondly, the initial alignment angles are inversely calculated by the position result in strapdown resolving in order to get the accurate solution, and the genetic algorithm is introduced to solve the nonlinear equations. Lastly, the method is certified by six sets of misalignment data. The results indicate that the method is effective with its high alignment accuracy and fast alignment process. In addition, this method is independent of outer information, so the alignment cost is saved.Key words: integrated navigation; initial alignment; MIMU; genetic algorithm在SINS/GPS组合导航系统中，捷联惯导的初始对准是一个需首要解决的问题。

基于双MIMU速度+角速率匹配的行人自主导航方法

基于双MIMU速度+角速率匹配的行人自主导航方法
苗宏胜;李海军;孙伟;蒋荣
【期刊名称】《中国惯性技术学报》
【年(卷),期】2023(31)1
【摘要】针对基于零速修正(ZUPT)的行人导航系统航向误差随时间发散导致定位精度差的问题,提出了一种基于自适应零速检测与双MIMU速度+角速率匹配的行人自主导航方法。

在一套自主系统中同时包含两种三轴MIMU,一套大量程MIMU 用于保证原始惯性数据的完整性,一套高精度MIMU用于提供角速率基准。

当高精度MIMU数据未超量程时,若基于SVM的自适应零速检测算法判断系统为零速状态,采用速度+角速率匹配方案;若系统为非零速状态,则采用角速率匹配方案,通过卡尔曼滤波器对各项误差进行估计和修正,提高系统的航向和定位精度。

试验结果表明,相较于仅采用速度匹配,采用所提方法,航向精度达到了3.44°/30 min,提升了50%以上;定位精度达到了4.92 m/30 min,提升了40%以上。

【总页数】7页(P7-13)
【作者】苗宏胜;李海军;孙伟;蒋荣
【作者单位】北京自动化控制设备研究所
【正文语种】中文
【中图分类】U666.1
【相关文献】
1.基于不等式约束卡尔曼滤波的双MIMU导航位置校正方法
2.采用双轴加速度计的旋转弹运动姿态角速率测量方法
3.基于加速度信息的导航卫星轨控期间自主定轨方法
4.基于ZIHR航向角修正方法的行人导航算法
5.基于等式约束卡尔曼的双MIMU行人导航方案
因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于双IMU框架的室内个人导航方法

一种基于双IMU框架的室内个人导航方法徐元;陈熙源;李庆华;唐建【期刊名称】《中国惯性技术学报》【年(卷),期】2015(023)006【摘要】为了实现低成本的室内行人导航,提出了一种双惯性测量单元(IMU)框架.在这种模式下,一个IMU固定于足部,另一个IMU固定于肩部.当行人在行走过程中处于静止状态时,卡尔曼滤波器利用测量得到的速度和角速度误差对足部IMU的解算误差进行预估,与此同时,通过对足部IMU和肩部IMU测量得到的航向角做差完成对航向角误差的观测.在此基础上,双IMU框架结构采用了闭环模式.实验结果显示,采用该方法能够提供行人导航信息,平均位置误差与采用开环模式的方法相比降低了14.93％左右.【总页数】4页(P714-717)【作者】徐元;陈熙源;李庆华;唐建【作者单位】济南大学自动化与电气工程学院,济南250022;东南大学仪器科学与工程学院,南京210096;东南大学微惯性仪表与先进导航技术教育部重点实验室,南京210096;东南大学仪器科学与工程学院,南京210096;东南大学微惯性仪表与先进导航技术教育部重点实验室,南京210096;东南大学仪器科学与工程学院,南京210096;东南大学微惯性仪表与先进导航技术教育部重点实验室,南京210096【正文语种】中文【中图分类】TN967.3【相关文献】1.一种基于VSLAM的室内导航地图制备方法 [J], 林志林;张国良;王蜂;姚二亮;贾枭2.基于激光测距仪与微惯性测量单元的室内个人导航方法 [J], 冯敬伟;车明明;马巍;戴文;韩梅3.一种基于深度相机的机器人室内导航点云地图生成方法 [J], 马跃龙;曹雪峰;万刚;李登峰4.基于不等式约束卡尔曼滤波的双MIMU导航位置校正方法 [J], 时伟;王阳5.一种采用足部航姿参考和肩部航向参考的室内个人导航方法 [J], 徐元;陈熙源;王宜敏;马思源因版权原因，仅展示原文概要，查看原文内容请购买。

MIMU_GPS组合导航系统小型化设计

图 2 GPS 接收机模块外围电路 Fig 2 Peripheral circuit of GPS receiver module
组合导航系统采用清华大学导航中心自主设计的 MIMU，它由三轴 MEMS 加速度计和三轴 MEMS 陀螺组成，体积小、质量轻，可测量载体的加速度和旋转角速度，它的测量精度直接影响到组合系统初始对准和导航解算精度。
行读取; 同理，GPINT5 为 MIMU 中断，即从 MIMU 接收测量
数据; GPINT6 为上位机中断，即接收上位机给出的指令。
3) 地址分配
EMIF( external memory interfa口，共有 CE0～ CE3 4 个空间，可以外接各种存储器
0xB000000，每个空间大小为 256 M。
本系统设计中 CE1 空间外接 FLASH，起始地址为:
0 x9000000 ，用于存放系统程序，并完成系统上电自举等功
能。CE2 空间外接 FPGA，起始地址为: 0xA000000，该空间
被分配成 6 部分，分别用于与 GPS，MIMU 和上位机的发送
2 组合导航系统设计 2． 1 硬件设计
组合导航系统采用了 U-blox 公司的 LEA_6TGPS 接收机，该种接收机尺寸只有 17． 0 mm × 22． 4 mm × 2． 4 mm，相比其他公司的接收机板卡体积缩小 50 % 。该接收机模块能够提供位置、速度和时间等解算结果，也能提供如伪距、载波相位和多普勒频率等原始数据。它的位置测量精度为 2． 5 m，速度测量精度为 0． 1 m / s，可以承受 4 gn 的动态性，且价格便宜。该模块既可按照标准 NMEA 协议对外输出也可以输出 U-blox 独有的 UBX 协议，为其设计的外围天线接口电路与标准ＲS—232 串口电路如图 2 所示。

一种双级北斗导航接收机伪距误差补偿方法

一种双级北斗导航接收机伪距误差补偿方法
张丽杰;钱镭源
【期刊名称】《数据采集与处理》
【年(卷),期】2023(38)1
【摘要】伪距误差是影响北斗卫星导航接收机定位精度的关键因素,本文提出一种基于伪距差分和自适应容积卡尔曼滤波(Cubature Kalman filter,CKF)的双级北斗导航接收机伪距误差补偿方法。

该方法将伪距误差分为自有性误差和公共性误差两类,首先通过伪距差分方法补偿伪距自有性误差,其次设计量测噪声自适应CKF滤波器,对用户接收机运动系统状态进行估计,补偿伪距公共性误差。

实验结果表明:载体静态时,双级补偿方法略优;载体动态时,双级补偿比单级补偿的定位误差减小显著,自适应CKF算法比CKF算法具有更好的对噪声和干扰的适应能力。

【总页数】11页(P220-230)
【作者】张丽杰;钱镭源
【作者单位】内蒙古工业大学电力学院;内蒙古机电控制重点实验室
【正文语种】中文
【中图分类】TN927
【相关文献】
1.一种北斗星源伪距波动改正方法
2.一种改正伪距多路径误差的北斗三频周跳探测与修复方法
3.伪距/伪距率/双差分载波相位组合导航方法
4.一种改进的北斗导航卫星伪距码偏差建模方法
5.北斗三号卫星导航信号接收机端伪距偏差建模与验证
因版权原因，仅展示原文概要，查看原文内容请购买。

基于扩展Kalman滤波的无人机位姿校正

基于扩展Kalman滤波的无人机位姿校正李可【摘要】无人机姿态控制问题是无人机稳定性飞行的关键,针对无人机在位姿参数不确定条件下制导控制器姿态定位精度不高的问题,提出了一种基于扩展Kalman滤波的无人机位姿校正方法,进行制导系统稳定性控制律设计.建立无人机飞行动力学模型,构建飞行弹道方程,分析无人机制导系统被控对象的约束参量,采用加速度计、陀螺计和磁力计进行位姿参量测量.考虑到位姿参数的不确定性,采用扩展Kalman滤波算法进行姿态参数的整定性处理,实现角度校正.将校正后的位姿参数输入模糊神经网络系统中,实现无人机制导控制律的优化设计.仿真结果表明,采用该方法进行无人机位姿校正和飞行制导控制,定姿精度较高、抗干扰能力较强,实现了飞行的稳定性控制.【期刊名称】《河南工程学院学报（自然科学版）》【年(卷),期】2017(029)003【总页数】6页(P44-49)【关键词】无人机;制导系统;稳定性控制;扩展Kalman滤波【作者】李可【作者单位】河南工程学院工程训练中心,河南郑州451191【正文语种】中文【中图分类】TP273无人机是一种采用遥控装备进行远程制导控制的无人驾驶飞行器，在军事和民用领域都展示了较好的应用价值.对无人机准确、可靠地定姿控制并通过位姿参数的优化解算和自整定性融合处理，输入制导控制系统中以实现飞行稳定性控制是保证飞行稳定性的关键，故研究无人机制导系统的稳定性控制技术在促进无人机技术革新方面具有重要意义[1].无人机制导系统稳定性控制建立在位姿参数测量和姿态修正的基础上.无人机在飞行过程中容易受到电子雷达探测和电磁等干扰，导致位姿参数存在不确定性，需要进行稳定性控制设计.将无人机的姿态数据通过惯导系统实时采集并传输到姿控系统，与航向陀螺仪进行信息交互，输出控制指令，以实现飞行控制.传统方法中，对无人机的控制算法主要有模糊PID控制[2]、自适应反演控制[3]、滑膜积分控制和姿态融合滤波控制[4]等，通过姿态参量解算设计控制器取得了较好的姿态稳定性.文献[5]提出了一种基于姿态融合滤波的无人机抗干扰控制算法，构建无人机在飞行时的姿态参量约束运动方程，通过姿态信息融合，以捷联惯导传输到执行器实现飞行控制优化，但该方法对气流小扰动等不确定因素的抗干扰能力不强；文献[6]提出了一种基于推力矢量的飞机纵向鲁棒动态逆控制模型，通过推力矢量的坐标变换得到飞行纵向模型，在线性不确定系统中进行无人机动态逆控制，改进的控制方法回避了时标分离问题，进行小扰动耦合处理，提高了飞行控制的抗干扰能力，但该方法计算开销较大且控制的实时性不好.本研究针对上述问题提出了一种基于扩展Kalman滤波(extended Kalman filter,EKF)的无人机制导系统稳定性控制律设计方法，首先进行飞行动力学和被控对象分析，然后进行控制约束参量分析，构建改进的控制律，最后进行仿真测试，得出有效性结论.1.1 无人机飞行动力学方程为了实现对无人机制导系统的稳定性控制，首先需要构建飞行动力学模型，建立动力学方程、运动学方程和弹道方程.假设无人机在纵向平面内飞行，姿态运动方程可以分解为纵向运动、侧向运动和滚动运动3种独立方程[7].机身的外形关于纵平面x1Oy1对称，描写纵向运动的变量有等，表示直航弹道倾角、差动舵与纵向力矩等；描写侧向运动的变量有等，表示主旋翼侧向偏转角、速度矢量的夹角和欧拉角等；描写滚动运动的变量有等，表示横滚定角及侧向、纵向、横向力矩等.飞行稳定性控制的目标是减少中心侧移和横滚、提高姿态参量的稳定跟踪性，根据上述控制目标分析和参量设定，构建无人机在纵向运动、侧向运动和滚动运动的动力学方程，分别描述如下：在采用姿态传感器进行飞行位姿参量测量和采集时，综合考虑飞机自身重力、流体动力、飞行推力等惯性力矩的影响，得到飞行弹道的非线性方程组：在姿态载体运动的短时间内，选取姿态角的动态变量飞机处于非加速运动状态时的动力学方程表示为标准弹道的状态量表示飞行的平衡状态.根据水平方向航向角的稳态特征，给出在标准弹道情况下飞行的平衡条件： f(x0，u0)=0.根据对无人机飞行动力学方程和弹道模型的描述，为进行无人机制导稳定性控制提供了动力学模型基础.1.2 被控对象描述采用加速度计、陀螺计和磁力计进行位姿参量测量，得到位姿参数模型，针对位姿参数的不确定性进行误差补偿和滤波处理，进行位姿参数的自整定性控制，采用改进的Kalman滤波算法实现角度校正，得到被动对象结构，如图1所示.根据图1的描述，给出姿态传感器数据采集的位姿状态量为引入位姿不确定扰动因素的影响，将陀螺仪采集的原始数据进行EKF滤波，得到飞行控制约束参量的小扰动方程：采用四阶龙格库塔法求解约束状态方程，选择最优控制性能指标，得到随机最优导引律：式中：；c2=gsin θ； c3=；；；b2=qSM(xg-xT)； b3=(P(xR-xT)+mRlR)； =(mRlR(xR-xT)+JR).无人机外形是轴对称的，根据瞬时平衡假设，在水平面范围内，当位姿参数为一组随机序列时，基于Kalman滤波进行姿态参量的最优状态估计设计控制律.2.1 扩展Kalman滤波算法在飞行动力学分析与被控对象描述的基础上进行无人机稳定性控制律改进设计，提出了一种基于扩展Kalman滤波的无人机制导系统稳定性控制律设计方法.首先，采用Kalman滤波技术求出飞行状态参量的最小方差估计值[8]，得到Kalman滤波函数：式中：φα，ψα，γ为无人机在横向、侧向和横滚运动的末弹道参数；b1，b2，b3，d3为被控姿态参量的已知系数；Δb1，Δb2，Δb3，Δd3为未确定系数；fd1， fd2， fd3为扰动力矩；δφ，δψ，δγ为加速度计、磁力计和陀螺仪角度的估计误差.对融合Kalman方程进行扩展，构建最优线性递推滤波方差：式中：；；ρ3=-Δb3δγ+fd3，ρ3为不确定项.从式(8)得知，融合滤波后的最优姿态角具有动态加速稳定性，可将稳定性特征描述为式中：b>0；φa为两时刻角度估计的差值；u为姿态角的输入； fd为外加的白噪声序列.在扩展Kalman滤波模型中，当前的飞行位姿状态变量和误差协方差估计可用以下方程计算：令则最优预测的协方差估计方程可描述为在状态方程和观测方程中，M和由确定和不确定位姿参数随机向量序列两部分组成，即式中:Mn和为确定成分；ΔM和为不确定成分.在扩展Kalman滤波模型下，被控系统的参数自整定性预测方程可表示为式中：(t).假设系统的不确定上界为经过Kalman滤波处理，满足(t)，将陀螺仪的角度作为预测角度，测量偏差为ω(k)，Kalman滤波处理后，位姿输出参数的不确定性因素得到了有效抑制.2.2 模糊神经网络控制律设计将校正后的位姿参数输入模糊神经网络系统，实现无人机制导控制律的优化设计[9]，模糊神经网络如图2所示.图2给出的神经网络为3层网络结构，各层权值的迭代方程为输入层至隐含层的权重值为且学习步长η满足式中：ε=.采用四元素方法求航向陀螺仪的姿态角，将飞行位姿参数导入模糊神经网络系统，得到优化后的等效控制律：考虑位姿参数存在不确定性因素，对测量组合系统进行修正，将融合Kalman扩展滤波后的最优姿态角输入测量系统，建立一个线性离散随机过程[10]，得到飞行控制的最优导引律：最后,进行控制律的稳定性证明，定义Lyapunov函数为则sce2+s(hn(φa，)+Mn-Mnce2-sgn(Mn)(t)sgn(s)-shn(φa，)-s+sρ(t)=sρ(t)-ssgn(Mn)(t)sgn(s)=sρ(t)-|s|(t)≤|s||ρ(t)|-|s|(t)=根据Lyapunove稳定性原理[11]，控制系统的稳定性得证.为了测试本设计的应用性能，进行仿真实验分析，仿真平台为Matlab 7.飞行姿态参量数据来自于前期通过数字磁力计和数字加速度计实际采集的数据，位姿参数测量的灵敏度为8.44/15.30/60 mdps/digit，无人机飞行控制传感器设备的工作温度为-40～85 ℃，能有效满足各种飞行条件要求.设置飞行位姿参数的采样周期为0.02 s，Kalman滤波的阶数为4，滤波周期为0.02 s,中心频率取1 200 Hz，扰动干扰强度为0～10 dB，飞行的俯仰角和航向角初始值分别为Δ1=5°，Δ2=8°,转弯半径为120 rad，下降速度为10 m/s.根据上述仿真环境和参量设定，进行无人机飞行姿态校正和稳定性控制仿真分析.采用本设计的EKF融合滤波方法和传统的直接计算方法进行无人机飞行控制俯仰角、横滚角和航向角的测量，结果如图3所示.分析图3得知，采用本方法进行扩展Kalman滤波实现飞行位姿参数的整定性融合处理和角度校正，角度的振荡和偏差更小，采样曲线更加平滑，说明本方法在提高飞行姿态参量稳定性和准确性方面具有明显的效果.以图3所示的EKF方法采集的飞行位姿参量数据为研究对象进行误差分析，得到结果如图4所示.分析图4得知，采用本方法能够有效降低俯仰角和横滚角的误差，对磁力计采集的航向角的误差控制却相对较弱.采用不同算法进行无人机控制，得到姿态角校正的解算结果对比，如图5所示. 图5给出的飞行姿态角解算结果分别描述了静态直航飞行阶段和大迎角飞行阶段的位姿参量.其中，前后两段相对较平稳的部分表示静态直航，中间段姿态角剧烈振荡阶段表示大迎角飞行.根据图5的校正结果，在相同实验参数下，对不同算法进行位姿参数校正的最大误差、平均误差和均方差统计，结果见表1.分析表1得知，在静态直航段，3种算法的性能相当，几乎没有轨迹跟踪误差和漂移，都具有较好的控制性能.在大迎角飞行阶段，由于存在不确定性扰动影响，稳定性控制难度较高，本方法能通过扩展Kalman滤波和模糊神经网络控制，使飞行姿态角变得相当稳定，能在短时间内进行位姿调整，提高定姿的精度.位姿校正确保了飞行的稳定性，仿真结果验证了本方法的有效性和优越性.本研究提出了一种基于扩展Kalman滤波的位姿校正方法，进行无人机制导系统稳定性控制律设计，建立了飞行运动学数学模型，构建被控对象并进行控制约束参量分析，采用扩展Kalman滤波算法进行位姿参量融合校正，并通过模糊神经网络构建优化的控制律.研究得知，本设计能提高飞行姿态角的稳定性且定姿精度较高，特别是在大迎角飞行中，飞行稳定性控制得到了很好的展现.【相关文献】[1] 刘炜,陆兴华.飞行失衡条件下的无人机惯导鲁棒性控制研究[J].计算机与数字工程,2016,44(12):2380-2385.[2] 潘加亮,熊智,王丽娜,等.一种简化的发射系下SINS/GPS/CNS组合导航系统无迹Kalman滤波算法[J].兵工学报,2015,36(3):484-491.[3] 王勋,张代兵,沈林成.一种基于虚拟力的无人机路径跟踪控制方法[J].机器人,2016,38(3):329-336.[4] 邸斌,周锐,董卓宁.考虑信息成功传递概率的多无人机协同目标最优观测与跟踪[J].控制与决策,2016,31(4):616-622.[5] 陆兴华.姿态融合滤波的无人机抗干扰控制算法[J].传感器与微系统,2016,35(7):116-119.[6] 刘凯,朱纪洪,余波.推力矢量飞机纵向鲁棒动态逆控制[J].控制与决策,2013,28(7):1113-1116.[7] LEE W,BANG H,LEEGHIM H.Cooperative localization between small UAVs using a combination of heterogeneous sensors[J].Aerospace Science andTechnology,2013,27(1):105-111.[8] EVANGELIO R H,PATZOLD M,KELLER I.Adaptively splitted GMM with feedback improvement for the task of background subtraction[J].IEEE Transactions on Information Forensics and Security,2014,9(5):863-874.[9] ST-CHARLES P,BILODEAU G,BERGEVIN R.SuBSENSE:a universal change detection method with local adaptive sensitivity[J].IEEE Transactions on ImageProcessing,2015,24(1):359-373.[10]HELMY A,HEDAYAT A,AL-DHAHIR N.Robust weighted sum-rate maximization for the multi-stream MIMO interference channel with sparse equalization[J].IEEE Transactions on Communications,2015,60(10):3645-3659.[11]谭中权.离散与连续时间强相依高斯过程最大值与和的渐近关系[J].应用数学学报,2015,38(1):27-36.。