惯性导航P09_SINS_Intro_and_Algorithms_(DCM)
惯性导航系统算法优化与开发
惯性导航系统算法优化与开发第一章：引言随着科技的不断发展，惯性导航系统在航空、航海、导弹等领域得到了广泛的应用。
惯性导航系统的基础是惯性传感器，通过测量加速度和角速度来计算位移和方向。
在惯性导航系统的研究中，算法的优化和开发是非常重要的环节。
本文将从惯性导航系统算法的优化和开发两个方面进行探讨，进一步提高系统的精度和性能。
第二章：惯性导航系统算法优化2.1优化方向选择惯性导航系统中最常用的算法是卡尔曼滤波器。
但是，卡尔曼滤波器不适用于某些应用场景，例如高加速度和高速运动、倾斜、震动、强磁场等。
针对这些问题，我们可以选择其他算法，例如扩展卡尔曼滤波、粒子滤波、无迹卡尔曼滤波、模型预测控制等。
选择合适的算法可以更好地解决问题，提高系统的稳定性和精确性。
2.2信号处理在测量加速度和角速度时，往往会有噪声信号干扰，这会影响导航系统的精度。
因此，我们需要对信号进行处理，例如高通滤波、低通滤波、数字滤波等。
此外，为了更好地处理信号，我们还需要对采样率、预测步长、状态转移矩阵等参数进行优化。
2.3状态估计和预测在惯性导航系统中，状态估计和预测是最为关键的环节。
状态估计是指根据测量数据和系统模型，计算当前所处状态的过程；预测是指利用估计出的状态值，根据系统模型来预测下一个状态值的过程。
为了提高状态估计和预测的精确性，我们需要对系统模型进行优化，确定合适的状态变量和测量变量，并且需要注意时间延迟、非线性问题等。
第三章：惯性导航系统算法开发3.1软件开发环境惯性导航系统算法开发需要使用工程仿真软件和算法开发软件。
常用的工程仿真软件包括MATLAB、Simulink、LabVIEW等；常用的算法开发软件包括Keil、IAR、Code Composer Studio等。
3.2算法实现在惯性导航系统算法开发中，我们需要实现各种算法，包括测量模型、状态转移模型、卡尔曼滤波、无迹卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等。
此外，还需要实现数据采集、预处理、处理、显示等功能，以便观察算法的运行效果。
惯性导航系统
Accelerometer
Gimbal drive motor
Figure 13.3
8
Civil Aviation Flight University of China
The Gyro-stabilised Platform
NBAA 2003
Civil Aviation Flight University of China
5
Inertial Navigation System( INS)
NBAA 2003
Accelerometers can be maintained physically horizontal to the earth on a gyrostabilised platform called an Inertial Navigation System (INS), Alternatively, the accelerometers can be fixed to the aircraft axes, in which case the accelerations due to gravity and aircraft manoeuvres are removed mathematically from the accelerometer outputs. This system, called a strapdown inertial system, is the basis of an Inertial Reference System (IRS).
Since the accelerometer is just being kept level, it does not sense a component of gravity and is able to sense only true horizontal accelerations of the aircraft. Here we have illustrated a single axis platform. In reality, movement can occur in three axes of the platform, pitch, roll, and yaw.
基于惯性导航的步行者零速检测算法
第3期
李刘颂.等:基于惯性导航的步行者零速检测算法
摘要：为解决惯性导航长时间误差漂移、步行者轨迹推算精度低的缺点，提出了一种基于人体脚部运动
特征的零速检测算法。通过步态分析和极大似然估计将行人运动分为静止和运动两个阶段，只在运动阶
段进行惯性导航确定步长，为减小误差随时间的漂移，静止阶段进行传感器误差修正，将步长信息连续推
算，即可实现惯性导航定位。基于提出的零速检测算法模型，搭建以惯性测量单元为核心的实验平台，进
LI Liu-song, XU Xiang-bo
(College of Engineering, Beijing Forestry University,Beijing 100083,China)
Abstract: Aiming at problems that inertial navigation error is drifting with time and the precision of pedestrian trajectory estimation is low, a zero velocity detection algorithm based on human foot movement characteristics is proposed. Through gait analysis and the maximum likelihood estimation, jpedestrian motion is divided into two stages；static and movement. The step size is detennined by inertial navigation only in the movement stage. In order to reduce the drift of the error with time, the sensor eiTor is corrected in the static stage, and the step size information is deduced continuously, so that the" inertial navigation and positioning can be realized. Based on the proposed zero velocity detection algorithm model, construct experimental platform which uses inertial measurement element as core, and three groups of experiments are carried out. Experimental result shows that the detecting error of zero velocity detection algorithm based on inertial navigation is zero,step length error of single step is 2. 7 % , combined with zero velocity update(ZUPT) ,continous dead reckoning error is 1.6% , which verify the method is effective. Keywords: inertial navigation ； gait analysis ； zero velocity detection
视觉惯性导航融合算法研究进展
视觉惯性导航融合算法研究进展摘要：视觉惯性导航一直是无人驾驶与机器人领域重点、难点环节。
首先介绍经典算法框架，从基于最优平滑算法和预积分理论两个层面介绍经典视觉惯性融合算法。
然后介绍新型算法框架，主要在深度学习基础上，从对整体框架学习的程度，将新型视觉惯性融合算法分为两类，部分学习和整体学习，最后介绍了主流算法中关键技术与未来展望。
关键词：视觉惯性导航；优化；耦合算法；深度学习0 引言近些年来，伴随着图形处理技术、计算机视觉和元宇宙等相关技术的进步，实现无人设备高精度、强鲁棒性的定位导航始终为无人系统中的关键环节和待突破环节。
美国国防研究与工程署连续数年组织机器人生存挑战赛，以求在复杂环境下探索提升导航性能，确保美军在无人领域的领先地位。
中国科协也于2020年将无人车的高精度智能导航问题列为十大工程技术难题之一[1]。
无人系统导航领域一直以即时定位与地图构建（Simultaneous Localization And Mapping，SLAM）技术为核心。
纯视觉导航由于缺乏深度信息导致对运动敏感薄弱，需要依赖回环检测来校正误差，这导致其鲁棒性不足。
视觉导航与卫星导航系统的组合导航在复杂的城市场景下，光影变幻导致有效特征点选取难度变大，诸如地下车库等场景对卫星信号干扰强烈，而本文介绍的视觉惯性导航有着显著的优势。
一是误差的互补：视觉导航的稳定位姿估计可以弥补惯性导航自身固存的累积误差，惯性导航测量单元（Inertial Measurement Unit，IMU）高频率的动态信号可以补足相机的深度信息；二是适用速度领域的互补：视觉导航在低速静态领域的优秀表现，可以抑制IMU的零漂。
而在高速运动场景领域，惯性导航可以解决视觉导航由于图像帧之间缺乏重叠区域，导致特征提取算法失效的问题。
1 经典融合框架经典融合框架中，松耦合算法是视觉惯性领域早期重点研究内容。
松耦合算法主要依靠卡尔曼滤波器及其后续改进版本，诸如应用广泛的扩展卡尔曼滤波器（Extended Kalman Filter，EKF）、基于蒙特卡洛原理的无迹卡尔曼滤波器（Unscented Kalman Filter，UKF）、非线性非高斯领域表现不俗的粒子滤波器（Particle Filter，PF）等的松耦合方案陆续提出。
惯性_地磁组合导航算法_蔡洪
−5
（3）
式中， B ( x , y )、 I ( x , y )、 D ( x , y ) 分别表示坐标 ( x , y ) 处的地磁场强度、磁倾角、磁偏角，ri = ( x − xi ) + ( y − yi ) ，
2
a1 、 a2 和 Fi 为 xi、yi 分别表示网格处的坐标值； ε 为控制曲面曲率变化的小量，本文取为 10 ； N 为拟合点数量。 a0 、
地磁滤波辅助惯性导航是指在规划好的区域根据惯导系统的位置输出在地磁基准图上读取对应的地磁场强度值与导弹飞行过程中地磁测量装置的实测值进行比较其差值包含了惯性导航定位的误差信息通过滤波对惯导系统的位置输出进行修正使得导航系统的定位结果向着真实位置靠拢34
第 17 卷第 3 期 2009 年 6 月 文章编号：1005-6734(2009)03-0333-05
（4）
′ 、a1′ 、a2 ′、Fi′ 和 a0 ′′、a1′′、a2 ′′ 类似地， 用同样的方法可以求出 a0 每个曲面样条模型共有 N + 3 个待定参数。 、Fi′ 的值，
若采用EKF进行滤波计算，则相应的雅克比矩阵为可表示如下：
⎡ ∂B ⎢ ∂x ⎢ ⎢ ∂I ∂h H= =⎢ T ∂X ⎢ ∂x ⎢ ∂D ⎢ ⎣ ∂x
1
惯性/地磁组合导航
惯性/地磁组合导航的方式主要有地磁匹配辅助惯性导航和地磁滤波辅助惯性导航两种。地磁匹配原理与地形匹配类
收稿日期：2008-12-10；修回日期：2009-05-31 基金项目：教育部新世纪优秀人才支持计划（NCET－05－0901） 作者简介：蔡洪（1967－） ，男，教授，博士生导师，主要从事导航、制导、控制等方面的研究。Email：hcai@
惯性导航仪的工作原理
惯性导航仪的原理惯性导航系统（INS，Inertial Navigation System）也称作惯性参考系统，是一种不依赖于外部信息、也不向外部辐射能量（如无线电导航那样）的自主式导航系统。
其工作环境不仅包括空中、地面，还可以在水下。
惯性导航的基本工作原理是以牛顿力学定律为基础，通过测量载体在惯性参考系的加速度，将它对时间进行积分，且把它变换到导航坐标系中，就能够得到在导航坐标系中的速度、偏航角和位置等信息。
惯性导航系统（英语：INS ）惯性导航系统是以陀螺和加速度计为敏感器件的导航参数解算系统，该系统根据陀螺的输出建立导航坐标系，根据加速度计输出解算出运载体在导航坐标系中的速度和位置。
惯性导航系统属于推算导航方式，即从一已知点的位置根据连续测得的运动体航向角和速度推算出其下一点的位置，因而可连续测出运动体的当前位置。
惯性导航系统中的陀螺仪用来形成一个导航坐标系，使加速度计的测量轴稳定在该坐标系中，并给出航向和姿态角；加速度计用来测量运动体的加速度，经过对时间的一次积分得到速度，速度再经过对时间的一次积分即可得到距离。
惯性导航系统至少包括计算机及含有加速度计、陀螺仪或其他运动传感器的平台（或模块）。
开始时，有外界（操作人员、GPS接收器等）给 INS 提供初始位置及速度，此后 INS 通过对运动传感器的信息进行整合计算，不断更新当前位置及速度。
INS 的优势在于给定了初始条件后，不需要外部参照就可确定当前位置、方向及速度。
通过检测系统的加速度和角速度，惯性导航系统可以检测位置变化（如向东或向西的运动），速度变化（速度大小或方向）和姿态变化（绕各个轴的旋转）。
它不需要外部参考的特点使它自然地不受外界的干扰或欺骗。
陀螺在惯性参照系中用于测量系统的角速率。
通过以惯性参照系中系统初始方位作为初始条件，对角速率进行积分，就可以时刻得到系统的当前方向。
这可以想象成被蒙上眼睛的乘客坐在汽车中，感觉汽车左转、右转、上坡、下坡，仅根据这些信息他知道了汽车朝哪里开，但不知道汽车是快，是慢或是否汽车滑向路边。
惯性_卫星组合导航状态在线评估与优化
摘 要运载火箭等飞行器对导航系统精度等性能的要求越来越高。
对于高动态、飞行环境复杂的载体，限制导航精度等性能提升的一个关键问题是“天地一致性”问题，如测量模型参数以及组合导航滤波参数装订值与实际情况不一致等。
为此，本课题着重研究组合导航信息的深度利用，以SINS/GNSS组合导航系统为研究对象，研究组合导航在线评估与优化问题。
首先，建立了基于速度、位置观测的SINS/GNSS组合导航滤波模型，针对一组运载火箭模拟飞行轨迹，进行了状态可观测性分析和状态相互影响分析，确定了能够在线修正的状态量。
其次，针对在线评估无外部真值参考的限制，从观测数据质量、滤波质量的角度，提出了精度、收敛性和可靠性三个方面的定量指标函数，研究了各个指标的意义和内在联系，建立了一套在线评估指标体系，并通过仿真实验，分析了各指标对滤波噪声参数变化的极性和灵敏度。
然后，基于SINS、GNSS误差时间特性差异，通过信息深度融合，研究利用SINS短期高精度增量信息实现GNSS观测噪声参数的在线计算，并结合实测飞行数据验证了这种思路的合理性。
同时，改进了基于次优无偏极大验后估计的Sage-Husa自适应滤波，将其应用于系统噪声参数的在线估计。
综合上述研究，提出一种SINS/GNSS组合导航优化设计算法和并行架构，该架构在常规组合导航算法的基础上，增加一个并行滤波器，进行滤波噪声参数估计和滤波解算，通过综合评估不同滤波噪声参数的性能优劣，确定该时刻最优的估计结果，根据状态修正决策实施状态修正，并将确定的滤波噪声参数反馈至常规组合导航中，实现状态和滤波参数的在线优化。
基于提出的优化设计算法和架构：给出了在线估计滤波噪声参数的具体实现步骤；利用层次分析法（Analytic Hierarchy Process, AHP）构造了一个均衡考虑各方面性能的综合评估指标函数；研究了状态修正决策条件，并通过仿真验证了其有效性。
最后，采用一组飞行模拟数据，针对实际观测噪声未发生明显改变、滤波参数与实际情况一致的理想情况，以及飞行过程中实际观测噪声发生突变、滤波参数与实际情况存在偏差的恶劣情况两种场景，对比验证了优化设计算法的有效性。
惯导位置解算
惯导位置解算
惯导位置解算（Inertial Navigation System, INS）是一种基
于惯性力和角速度的位置和速度测量技术，可以用于航空、航天和军
事等领域。
它的基本原理是通过测量惯性传感器感受到的力和加速度，利用运动学和动力学方程计算出自身的位置、速度和方向。
惯导位置解算的步骤：
1. 惯性传感器测量
INS利用的惯性传感器包括加速度计和陀螺仪。
加速度计可以测量自身在各个方向的加速度，依据牛顿第二定律计算出自身的速度和位置。
陀螺仪则可测量自身的角速度，并根据初始角度测量计算出自身的方向。
2. 运动学方程
利用加速度计测量的速度和陀螺仪测量的角速度，可以得到自身的位移，即INS的运动学方程。
运动学方程描述了动态系统中的物体位置
和速度随时间的变化关系。
3. 动力学方程
除了运动学方程外，动力学方程还需要考虑自身的质量和惯性力。
利
用牛顿第二定律可以得到INS的动力学方程。
此方程描述了动态系统
中物体的加速度随时间的变化。
4. INS组合算法
INS组合算法可以用于修正INS误差，并结合其他传感器（如GPS）的
测量结果，以获得更加准确的位置和速度。
INS组合算法采用卡尔曼滤波器、粒子滤波器和扩展卡尔曼滤波器等算法，以提高定位的精度和
鲁棒性。
总的来说，惯导位置解算是一种高精度的位置和速度测量技术，
具有良好的抗干扰能力和适应性。
在卫星通信、智能交通、无人机等
领域中有着广泛应用。
基于自适应迭代扩展卡尔曼滤波算法的INSBDS组合导航系统
惯性导航系统(Inertial Navigation System ，INS )和北斗卫星导航系统(Beidou Navigation Satellite System ，BDS )是目前两种重要的舰船导航系统。
惯性导航系统(INS )是自主导航系统，仅依靠自身就能进行连续的导航和定位，具有自主、隐蔽等特性，所获取舰船的运动信息完备，但其定位误差是积累的，随着时间的积累而不断增大[1]。
北斗卫星导航系统(BDS )的定位精度系统与第3代GPS 定位精度相当，具有观测时间短、定位连续、精度高、误差不随时间积累等优点，可提供覆盖全球的精准定位、导航和授时(Positioning ，摘要为克服惯性导航系统(INS)的积累误差，提高误差的修正精度，提出了基于多天线北斗差分载波相位的北斗/惯性导航系统组合导航算法。
该算法建立并线性化惯性导航系统(INS)和北斗导航系统(BDS)的状态方程和量测方程，对系统的运动状态参数应用自适应迭代扩展卡尔曼滤波(adaptive iterated extended Kakman filter ，AIEKF)算法进行估计。
仿真结果表明，自适应迭代扩展卡尔曼滤波算法能够提高INS/BDS 组合导航系统的精度和抗干扰能力，验证了自适应迭代扩展卡尔曼滤波算法的有效性。
关键词INS;BDS;组合导航;自适应卡尔曼滤波中图分类号:U666.1文献标识码:A DOI ：10.19694/ki.issn2095-2457.2020.04.81基于自适应迭代扩展卡尔曼滤波算法的INS/BDS 组合导航系统INS/BDS Integrated Navigation System Based on Innovation-based Estimation Adaptive Kalman Filter Algorithm张源詹金林韩冰陈伟ZHANG Yuan ZHAN Jinlin HAN Bing CHEN WeiAbstractTo achieve high accuracy for INS,this paper presents an INS/BDS adaptive navigation system for marine application.BDS with multi-antennas Dual-Differential carrier phase observation model provides vessel ’s altitude and is selected as the auxiliary navigation system to fuse with INS to obtain better estimation accuracy of INS errors.In oder to solve the degradationperformance of integrated navigation system caused by BDS unstable measurement disturbs,a novel innovation-based adaptive estimation (AIE)kalman filtering approach is proposed.Simulation results show that the novel innovation-based adaptive estimation kalman filtering surpasses thestandard kalman filter with better accuracy,robustness and lesscomputation.Key wordsInertial navigation system;BDS;Integrated navigation system;Adaptive kalman filter;Innovation-based adaptive estimation张源海军士官学校(蚌埠233012)詹金林海军士官学校(蚌埠233012)韩冰海军士官学校(蚌埠233012)陈伟海军士官学校(蚌埠233012). All Rights Reserved.Navigation and Timing，PNT)服务[2]。
《2024年捷联惯性导航系统关键技术研究》范文
《捷联惯性导航系统关键技术研究》篇一一、引言捷联惯性导航系统（SINS）是现代导航技术的重要组成部分，其利用惯性测量单元（IMU）来感知和计算导航信息，具有自主性强、抗干扰能力强等优点。
随着科技的发展，SINS在军事、民用等领域的应用越来越广泛，对其关键技术的研究也显得尤为重要。
本文将针对捷联惯性导航系统的关键技术进行研究，旨在为相关研究与应用提供参考。
二、SINS基本原理与组成SINS主要由惯性测量单元（IMU）、导航算法和数据处理单元等部分组成。
其中，IMU是SINS的核心部件，包括加速度计和陀螺仪等传感器，用于测量载体的加速度和角速度。
导航算法则根据IMU测量的数据，通过积分运算和坐标变换等手段，实现载体的姿态、速度和位置的解算。
数据处理单元则负责对导航算法输出的数据进行处理和优化，以提高导航精度和稳定性。
三、SINS关键技术研究1. IMU技术研究IMU是SINS的核心部件，其性能直接影响到SINS的导航精度和稳定性。
因此，IMU技术的研究是SINS关键技术之一。
目前，高精度、小型化、低功耗的IMU是研究的重点。
其中，光纤陀螺仪和微机电系统（MEMS）技术的发展，为IMU的小型化和低成本化提供了可能。
此外，为了提高IMU的测量精度和稳定性，还需要研究高性能的传感器技术和信号处理技术。
2. 导航算法研究导航算法是SINS的核心技术之一，其性能直接影响到SINS 的导航精度和实时性。
目前，常用的导航算法包括经典的最小二乘法、卡尔曼滤波算法等。
然而，这些算法在处理复杂环境下的导航问题时，往往存在精度不高、实时性差等问题。
因此，研究更加高效、精确的导航算法是SINS研究的重点。
例如，基于神经网络、深度学习等人工智能技术的导航算法，具有较高的应用潜力。
3. 数据处理与优化技术研究数据处理与优化技术是提高SINS导航精度和稳定性的重要手段。
目前，常用的数据处理技术包括数据滤波、数据融合等。
其中，数据滤波可以消除测量数据中的噪声和干扰，提高数据的信噪比；数据融合则可以将多种传感器数据进行融合，提高导航信息的可靠性和精度。
惯导技术简介_导航概论 牛小翼
洲际弹道导弹 通用航空 潜艇 高精度测绘
* 陀螺零偏是关键指标！
26
相对测量精度
惯性器件的相对测量能力
以导航级惯导的陀螺为例
陀螺零偏 0.01 deg/hr 陀螺量程 1000 deg/s = 3600,000 deg/hr 相对测量能力 = 量程 / 零偏 = 3.6x108 !
应用：无处不在，“有运动就有惯导” 思考题：
还有哪些地方用到了惯导？ 还有哪些地方可以使用惯导？
52
总结
总结
古老而年轻的技术 凝聚了人类智慧的结晶和工程技术的极限 走下神坛：
上可摘星揽月，下可改变日常生活
未来有无限的发展空间和潜力
欢迎大家今后投身相关研究和产业 牛小骥 xjniu@ 18602708312
战术级
Tactical Grade 10-20 nmi/hr (10-20K USD) 1- 10 deg/hr
微机械级
MEMS ?
定位误差 陀螺零偏
< 30 m/hr 0.0001 deg/hr
导航原理惯性导航休拉调谐分解课件
处理单元将解算得到的控制指令输出 给执行机构，对载体进行控制和调整 。
A/D转换
处理单元将陀螺仪和加速度计的模拟 信号转换为数字信号，便于计算机处 理。
03
休拉调谐原理
休拉调谐的概念
惯性导航系统
惯性导航系统是一种通过测量物体的 加速度和角速度来确定物体位置、速 度和姿态的导航系统。
休拉调谐原理
休拉调谐是惯性导航系统中一种重要 的调谐方法，通过调整惯性传感器的 安装位置和方向，以减小惯性传感器 对导航性能的影响。
陆地导航
车辆导航（Vehicle Navigation）
在复杂的城市道路和高速公路上，惯性导航系统可以提供精确的车辆位置、速度和航向 信息，为驾驶者提供实时的道路指引。
机器人导航（Robot Navigation）
在工业自动化和智能服务领域，惯性导航系统可以帮助机器人实现精确的移动和定位， 提高工作效率和安全性。
采用先进的滤波算法和数据处理技术，对惯性传感器数据进行优化处理，以提高 导航精度。
小型化、集成化
微型化设计
通过采用微型化设计，将惯性传 感器和导航计算机等组件集成在 一个小型封装中，实现更小体积 和更轻重量。
集成化技术
采用先进的集成电路技术和微加 工技术，将多个组件集成在一个 芯片上，实现更小体积、更轻重 量和更低功耗。
休拉调谐的原理
惯性传感器安装位置
在休拉调谐中，惯性传感器的安装位置应尽量远离运动物体，以减小运动物体 对惯性传感器的影响。
惯性传感器安装方向
惯性传感器的安装方向应尽量与导航坐标系的方向一致，以减小惯性传感器对 导航性能的影响。
休拉调谐的实现方法
选择合适的安装位置
在安装惯性传感器时，应选择远离运动物体、尽量与导航坐标系 一致的位置。
导航原理_惯性导航_休拉调谐
R
RH
(s)
Y (s) s2
aN
KaKuKm/RH-1/R
Y(s) 1/S2
a(s)
-
gKaKuKm/RH
图4
当 Ka Ku Km 1 0 时，即 Ka Ku Km 1 ，平台偏离地垂
RH R
H
线的角度 与加速度 aN 无关。
18
aN
0
Y(s) 1/S2
a(s)
-
gKaKuKm/RH 图5
由图5得 即
i
dVep dt
ip Vep ie Vep ie (ie R)
p
ip ie ep ，代入上式，得 23
d2R dt 2 i
dVep dt
p
(2ie
ep ) Vep ie (ie R)
我们来看一下上式等号左边，等号左边表示的是运载 体相对惯性坐标系的绝对加速度，怎么表示这个绝对 加速度呢？
而产生的加速度，为计Ve算p 需要把它从f中消除掉，因
此称为有害加速度。g为重力加速度向量）
式（4-4-1）表示的是比力方程的向量形式，也可以写 成沿平台坐标系的投影形式。平台坐标系的取法不同， 投影的形式也不同，我们先确定平台坐标系的ozp轴的方 向，oxp、oyp轴的方向确定在后面再讨论。ozp轴的正方 向选为重力加速度的反方向，即指向天。
从式7可以看出，如果，(0) 0和(0) 0 则不 论运载体的运动状态如何，摆都能正确指示地垂 线，这种摆称为休拉摆。实现休拉摆的条件（8） 称为休拉调谐条件。
11
休拉摆工程实现上的困难
• 若用单摆来实现，则根据单摆的振荡周期计算
公式Tp 2
l g
，单摆的摆长应该等于地球半径R
惯导对准算法
惯导对准算法
（原创实用版）
目录
1.惯导对准算法的定义和作用
2.惯导对准算法的基本原理
3.惯导对准算法的具体实现过程
4.惯导对准算法的应用领域和优势
5.惯导对准算法的发展前景和挑战
正文
惯导对准算法是一种在惯性导航系统中广泛应用的算法，其主要作用是在没有外部导航信号的情况下，通过计算和处理惯性导航系统中的数据，实现导航系统的自对准和精确定位。
惯导对准算法的基本原理是基于牛顿运动定律和角动量守恒定律。
在惯性导航系统中，导航装置会通过测量装置获取运动过程中的加速度和角速度，然后通过惯导对准算法，将这些测量数据转换为导航系统中的位置和姿态信息。
惯导对准算法的具体实现过程主要包括数据采集、数据处理和信息输出三个步骤。
数据采集阶段，导航装置会通过测量装置获取运动过程中的加速度和角速度；数据处理阶段，惯导对准算法会对采集到的数据进行积分计算，得到导航系统中的位置和姿态信息；信息输出阶段，导航系统会将处理后的信息输出，供其他系统使用。
惯导对准算法的应用领域非常广泛，包括航空航天、军事、海洋、交通等。
其优势在于能够在没有外部导航信号的情况下，实现导航系统的自对准和精确定位，从而提高了导航系统的可靠性和精度。
随着科技的发展，惯导对准算法也在不断发展和完善。
基于九轴传感器的惯性导航模块的设计
用梯度下降算法估测IMU和MAG方向摘要:本文提出了一种新的定位算法，用于支持高效计算、可穿戴的人体惯性运动跟踪系统，用于康复应用。
它适用于由三轴陀螺仪和加速度计组成的惯性测量单元(IMUS)，以及还包括三轴磁强计的磁角速度和重力（MARG）传感器阵列。
MARG的实现包括磁失真补偿。
该算法使用四元数表示，允许加速度计和磁强计数据用于解析推导和优化的梯度下降算法，以四元数导数计算陀螺仪测量误差的方向。
并对基于卡尔曼滤波的定位传感器算法进行了性能测试。
结果表明，该算法达到了基于卡尔曼滤波算法的精度匹配水平；<0.8℃的静态均方根误差，<1.7℃的动态均方根误差，计算量低和以小采样率工作的能力影响大大降低了可穿戴惯性运动跟踪所需的硬件和电源，从而能够创造出能够长期工作的轻量级、廉价系统。
1.介绍精确测量方向在一系列领域中起着关键作用，包括：航空航天、机器人、导航和人体运动分析和机器交互。
在康复治疗中，运动跟踪是一项重要的使用技术，特别是用于监测临床外环境；理想情况下，病人的活动可以连续监测，并随后得到纠正。
虽然已经为康复而进行了大量的运动跟踪工作，但还没有实现一种能够长时间记录数据的不突出的、可穿戴的系统。
现有的系统往往需要一台笔记本电脑或掌上电脑由受试者携带，由于处理，数据存储和感官设备的功率要求，这在实验室环境之外是不实际的，因此只能在短时间内获得有限的物体运动的详细数据。
在一段较长的时间内（例如一整天或甚至一周）代表一个受试者自然行为的更精确的数据将在这个领域有着重要的应用价值。
在最近的一次调查中，指出实时操作、无线特性、数据正确性和可移植性是实现临床可行系统必须解决的主要缺陷。
2.惯性导航跟踪系统虽然多种技术能够测量方位，但基于惯性的感知系统的优点是完全独立，因此测量实体既不受运动限制，也不受任何特定环境或位置的限制。
惯性测量单元(IMU)由陀螺仪和加速度计组成，能够跟踪旋转和平移运动。
导航原理_惯性导航_平台式惯导系统
iippppyx
C11 C21
C12 C22
C13
C23
0 0
eeppppyx
ippz C31 C32 C33 ie eppz
CC1233iiee
p epx
p epy
C33ie
p epz
对于自由方位系统，
p ipz
0 ，所以
eppzC33 ie
下面再确定
p epx
和
L arcsin C 33
主 arctan
C 32 C 31
f主 arctan
C 13 C 23
• 由于反三角函数是多值函数，所以应该
先求其主值，然后再根据经纬度、自由
方位角的定义域和
C
p e
有关元素的正负
号确定经纬度、自由方位角的真值。
真值确定方法
的真值确定
主
C 31
-
-+
主1800 主1800
随着纬度L的增高，对方位陀螺的施矩电流 急剧上升，在极区（L=90度）根本无法工作。 在水平速度解算中有正切函数，当L=90度时， 速度中的计算误差被严重放大，甚至产生溢
出。所以指北方位系统不能在高纬度地区正 常工作，而只适用于中、低纬度地区的导航。
5.2自由方位系统的力学编排
指北方位系统不能在高纬度地区正常 工作，原因是纬度很高时方位陀螺无 法正常施矩。为了克服此缺陷，提出 了对方位陀螺不施矩的编排方案，而 对水平陀螺施矩控制平台始终保持水 平，这样的系统就是自由方位系统。
p epy
ω e pp ω e pg ω g pp C g p ω e gg ω g pp
e ep pp py xcsoi nfsf
si nf cofs
惯性导航算法的载体高动态特性研究_龚琳琳
收 稿 日 期 ：２０１４－１０－２１ 基金项目：国家自然科学基金 项 目 （４１１７４０２８，４１２３１１７４）； 武 汉 大 学 本 科 生 质 量 工 程 专 业 综 合 改 革 试 点 项 目 （２７５５３４）； 中央高校基本科研业务费专项资金———武汉大学自主科研项目 （２０４２０１４ｋｆ０２５８）。 第 一 作 者 简 介 ： 龚 琳 琳 （１９８８— ）， 女 ， 湖 南 郴 州 人 ， 硕 士 生 ， 主 要 研 究 领 域 为 惯 性 导 航 与 组 合 导 航 算 法 。
１．１ 惯 性 导 航 算 法 的 高 阶 修 正 项
惯性导航机械编排在速度更新和姿态更新时， 需要进行动态修正为 ： ［１２－１３］
Δυｒｏｔａｔｉｏｎ ＝ １２Δθｋ ×Δυｂｆ，ｋ
（１）
Δυｓｃｕｌｌｉｎｇ
＝
１１２（Δθｋ－１
×
Δυｂｆ，ｋ
＋
υ Δ ｂ ｆ，ｋ－１
×
Δθｋ）
（２）
θ Δ ｃｏｎｉｎｇ ＝ １２Δθｋ－１ ×Δθｋ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Lecture 9 -- Algorithms for SINS
3
1.2 Mechanism of SINS
AX specific forces
AY in body frame AZ
GX GY GZ
inertial devices
angular rates in body frame
transformation of specific forces
C
G B
C21
C22
C23
j
i'
j j'
j k'
C31 C32 C33 k i' k j' k k'
Rotation
of
vehicle
causes
change
of
C
G B
k'
B
j' i'
j k
i
RG
Lecture 9 -- Algorithms for SINS
7
2.3 Changing rate of DCM
Strapdown Inertial Navigation System
Introduction and Algorithms
捷联惯导系统——介绍及算法（DCM）
Lecture 9 -- Algorithms for SINS
1
Outline - Strapdown INS
Introduction to SINS Deriving differential equations for DCM Solution: angular increment algorithm（角增量算法）
i i' i j' i k'
C
G B
j
i'
j j'
j k'
k i' k j' k k'
so
C
G B
i j
di'
dt di'
dt
k
di' dt
i dj' dt
j dj' dt
k dj' dt
i j
dk '
dt dk '
dt
k
dk ' dt
Suppose the vehicle is rotating at ωGBB x y z T
fE fN
C
G B
f f
xb yb
f
fzb
C
G B
contains attitude info
depending on rotation of vehicle.
zb - heading
xb - pitching
B
yb - rolling
ie
N
G
E
R
Lecture 9 -- Algorithms for SINS
Lecture 9 -- Algorithms for SINS
display
navigation computing
position velocity
4
Outline
Introduction to SINS Deriving differential equations for DCM Solution: angular increment algorithm（角增量算法）
Thus
C
G B
i j
( (
j'z j'z
k'y ) k'y )
k ( j'z k'y )
i (k'x i'z ) j (k'x i'z ) k (k'x i'z )
i (i'y j (i'y
j'x j'x
) )
k (i'y j'x )
CC21C22BGzz
CC1131 CC2231
y C12C13C1x3 y C22C 23C2x3
C11i zi C21j zi
' '
Ci11jy' C2j1jy'
CCij1222kk''xx
C32 z CC3331 yC32C33C3x3 C31kzi ' Ck31 jy' Ck32k'x
6
2.2 Direction cosine matrix
G -- geographical frame with unit vectors i, j and k;
B -- body frame, with unit vectors i’, j’ and k’
inner products
C11 C12 C13 i i' i j' i k'
pitching rolling
heading
B
GБайду номын сангаасEN
Acc.’s outputs are transformed into navigation frame.
In navigation frame, components of acceleration are compensated, and integrated twice to obtain vehicle’s velocity and position.
coordinated in body frame
i' j' k'
then
di' dt
ωGBB
i'
x
y
z ( j'z k'y )
likewise
dj' dt
(k'x
1
0
i'z
)
0
dk' dt
(i'y
j'x )
Lecture 9 -- Algorithms for SINS
8
2.3 Derivative of direction cosines
Lecture 9 -- Algorithms for SINS
5
2.1 Attitude determination
Attitude can be described by DCM, Euler angles or quaternion.
Transformation of specific forces
attitude
computing attitude
compcuomtedpuptleartform
specific forces in geographic frame
updating geographic frame
attitude
Attitude determination a focus for SINS
Lecture 9 -- Algorithms for SINS
2
1.1*Strapdown INS: major features
Gyros and Acc.s are strapped (down) to the body of vehicle
No physical platform
Angular rate outputs of gyros are integrated to obtain attitude of vehicle.