[J]基于四元数姿态确定的扩展卡尔曼滤波方法

合集下载

用于微小型飞行器姿态估计的四元数扩展卡尔曼滤波算法_英文_

用于微小型飞行器姿态估计的四元数扩展卡尔曼滤波算法_英文_

Fig.1 Basic principle of quaternion-based attitude estimation algorithm
1.1 Gyroscope model and strap-down attitude estimation algorithm The measurement errors of MEMS gyroscope is usually composed of certain errors and random errors, in which the drift bias takes great in random errors. In order to improve the accuracy, the random errors should be well estimated and compensated. The gyroscope in this paper is modeled as follows[8-9] ωb = ω + b + wg (1) =w b
),男,博士研究生,xueliang@.
通讯作者:常洪龙,副教授,changhl@.
·164·
纳 米 技 术 与 精 密 工 程
第7卷
第2期
grated systems and algorithms proposed, such as integrating gyroscopes and accelerometers with magnetic sensors or GPS[3-4]. The system that integrates inertial sensors with GPS has suffered from the inaccuracy of MEMS sensors and poor anti-interference ability. By integrating the inertial sensors with magnetic sensors based on gravity and magnetic field can restrain error accumulation arising from the random drift of gyroscope. However, it suffers from immeasurable gravity acceleration in long-term high dynamic maneuvers. The adaptive filtering technique has been developed to tune the system noise variance matrix on-line which could reduce the reliability of measurements of Kalman filter and improve the performance in high dynamic maneuit requires the high accuracy and stavers[5-6]. However, bility of gyroscope. An extended Kalman filter for estimation of rigid body orientation was designed using the magnetic, angular rate and gravity sensors[7]. The outputs of magnetic sensors and accelerometernion which was directly taken as part of the system measurements by using Gauss-Newton algorithm. However, the measurements of Kalman filter are vulnerable to be interfered by acceleration, and this will result in larger attitude estimated error. Some other integrated system algorithms are highly nonlinear and complicated, so it is hard to meet the requirement of real-time. Therefore, to meet the requirement of the low-cost and high attitude estimation accuracy for the MAV, MEMS-based sensors are integrated into a MAV attitude estimation system, and a new quaternion-based extended Kalman filter algorithm is proposed to make real-time optimal attitude estimation.

四元数卡尔曼滤波

四元数卡尔曼滤波

四元数卡尔曼滤波四元数卡尔曼滤波器简介四元数卡尔曼滤波器是一种用于估计姿态的滤波算法,它在航空航天、机器人、虚拟现实等领域广泛应用。

本文将介绍四元数卡尔曼滤波器的基本原理、应用场景以及优缺点,帮助读者更好地理解和应用这一算法。

一、基本原理四元数是一种扩展了复数的数学概念,它由一个实部和三个虚部组成。

在姿态估计中,四元数被用来表示旋转。

四元数卡尔曼滤波器的基本原理是通过对四元数进行状态估计和系统协方差的更新,从而得到准确的姿态估计。

四元数卡尔曼滤波器的状态方程通常由旋转方程和陀螺仪测量方程构成。

旋转方程描述了姿态的动态演化过程,陀螺仪测量方程用来测量姿态的变化率。

通过组合这两个方程,并结合加速度计等其他传感器的测量数据,可以实现对姿态的准确估计。

二、应用场景四元数卡尔曼滤波器在航空航天、机器人和虚拟现实等领域有着广泛的应用。

其中,最为经典的应用场景是飞行器的导航与控制。

在飞行器中,通过陀螺仪测量的角速度信息可以获得飞行器当前的姿态变化率,而加速度计和磁力计等传感器的数据可以提供对姿态的测量。

四元数卡尔曼滤波器在飞行器的导航与控制中起到关键作用,可以实时估计飞行器的姿态,从而提供飞行器的稳定控制。

此外,四元数卡尔曼滤波器还可以用于机器人的姿态估计,帮助机器人感知周围环境并做出准确的运动决策。

在虚拟现实领域,四元数卡尔曼滤波器也可以用于实时跟踪用户的头部姿态,实现身临其境的沉浸感。

三、优缺点四元数卡尔曼滤波器具有以下优点:1. 高精度:四元数可以准确表示任意旋转的姿态,并能够实时估计姿态的变化。

2. 实时性强:四元数卡尔曼滤波器能够在实时应用中快速收敛,实现对姿态的实时估计。

3. 鲁棒性好:四元数卡尔曼滤波器能够对传感器的噪声和误差进行补偿,提高姿态估计的精度。

然而,四元数卡尔曼滤波器也存在一些缺点:1. 复杂性高:相较于其他姿态估计算法,四元数卡尔曼滤波器的理论基础和实现较为复杂,需要更多的数学知识和计算资源。

用于四旋翼飞行器姿态估计的新息扩展Kalman滤波

用于四旋翼飞行器姿态估计的新息扩展Kalman滤波

用于四旋翼飞行器姿态估计的新息扩展Kalman滤波方璇;钟伯成【期刊名称】《自动化技术与应用》【年(卷),期】2017(036)012【摘要】In the environment of strong disturbance and high dynamic change of attitude angles, the accuracy of attitude angles estimated by Extend Kalman Filter algorithm is low, and it may affect the stability of the four-rotor aircraft flight control system. To solve this problem, an Innovation-Based Extended Kalman Filter is proposed, the innovation sequence is used in the noise covariance of the process and the measurement estimation. The simulation results show that the improved extended Kalman filter algorithm is effective at improving the accuracy of attitude estimation and the stability of the four-rotor aircraft flight control system.%在扰动强大,姿态角高动态变化的环境中,由于过程噪声和量测噪声统计特性的不确定性,使得常用的姿态角估计算法扩展Kalman滤波的精确度低,从而影响四旋翼飞行器飞行控制系统的稳定性.针对这一问题,使用一种基于新息的扩展Kalman滤波,用新息方差估计方法分别对过程噪声和量测噪声的协方差进行调整,运用于四旋翼飞行器的姿态角数据估计中.实验结果表明:改进后的新息扩展Kalman滤波算法使估算出的姿态角更加精确,使飞行控制系统更加稳定.【总页数】5页(P1-4,31)【作者】方璇;钟伯成【作者单位】上海工程技术大学电子电气工程学院, 上海 201600;上海工程技术大学电子电气工程学院, 上海 201600【正文语种】中文【中图分类】V249【相关文献】1.四旋翼飞行器姿态估计方法 [J], 饶康麒;刘小明;陈万春2.基于卡尔曼滤波的四旋翼飞行器姿态估计和控制算法研究 [J], 汪绍华;杨莹3.基于四元数与卡尔曼滤波的四旋翼飞行器姿态估计 [J], 王宏昊;陈明;张坤4.用于人体姿态估计传感的菲涅尔透镜设计 [J], 何烨林; 张军5.用于视频流人体姿态估计的时空信息感知网络 [J], 吉斌;潘烨;金小刚;杨旭波因版权原因,仅展示原文概要,查看原文内容请购买。

[J]基于四元数姿态确定的扩展卡尔曼滤波方法

[J]基于四元数姿态确定的扩展卡尔曼滤波方法

丝靠有效蛙.
[2]Lefierts E J,Markley F二,Shuster M D.Kaiman
filtering for spacecraft attitude estimation口]J‰d ConSrod跏1,1982,5(5):417-429.
一j—Lam q M.Enhanced precision attitude determinadon aigorithms-j].Pr叱D,IEEE Aerospacf c鲫f:c:.
Colorado,199S,(1):6:一67.
参考文献(References): [1:Chang Y T,wu T F,Chang F R F-te r desxgr.ior
attitude deterrainatinm using GPS and G3”ro:Frequency
domain approach[A:.SIC£ic].Nagoya,2001.240_
j?竺D。耄一裳亩:巴,1+誓[一“/笔b毛;1。//1|毛-L麓o]b·J"ss。d.’“㈣
j。一S。一j6一Tk(g)j。一T。(口)j。.
此处,毛一j。t吐]=丁。(;)·L表示真实太阳
矢量如的估计值.
根据以上定义和计算,太阳敏感器测量误差
iD—D。)可表示为
rD*]
LD。J
2一.c拳参葶o

I^_三


1w
3哦·
n、
一… 一
“,
E姜:I, r…~~~……4…~
篓、.2..一一..
】00
.。
300
¨

、1-
(z) 误差四元敷三矢量误差
(b) 陀螺常值漂移谩差

基于分解四元数的自适应姿态四元数卡尔曼滤波

基于分解四元数的自适应姿态四元数卡尔曼滤波

基于分解四元数的自适应姿态四元数卡尔曼滤波张德先;聂桂根【摘要】基于Clifford代数的四元数卡尔曼滤波在融合陀螺/加表/磁强计以估计姿态时,由于四元数各参数与欧拉角不是一一对应关系,无法独立估计各个欧拉角.这样即使重力观测量是可信的,受到干扰的磁场观测量也会影响整个估计结果.为了消除磁场观测量对四元数中横滚角和俯仰角分量的影响,对四元数进行分解,以重新组合重力/磁场观测量.同时,为了减少载体附近磁场和线性加速度干扰对姿态估计的影响,构造了观测噪声自适应算法和观测量自适应干扰补偿.消费级微机电系统(micro-electro-mechanical system,MEMS)传感器的实验结果表明,对比四元数卡尔曼滤波的原型,改进后的抗干扰能力明显提升.但由于自适应过程引入了两个经验参数,这使得其工作范围和抗干扰能力有待考验.%The quaternion Kalman filter based on Clifford algebra cannot estimate each Euler angle separately while fus-ing gyro/accelerator/magnetometer observations because the parameters of quaternions are not one-to-one corresponding to the parameters of Euler angles.That makes the whole estimation results affected by disturbed magnetic field obser-vations,even though the accelerator observations are reliable.In order to eliminate the affection to roll and pitch angle components in quaternions caused by magnetic field observations,this paper recombined the observations of gravity and magnetic field with factored quaternions.Beside,in order to reduce the impact of magnetic and linear acceleration inter-ference to attitude estimation,this paper constructed adaptive noise covariance of observations and adaptive interference compensations of pared to the originalquaternion Kalman filter,experiments based on consumption-level micro-electro-mechanical system(MEMS)sensors showed that the anti-interference ability of the modified one has been improved markedly.However,two empirical parameters were introduced into the adaptive procedure.Therefore,its working range remains to test.【期刊名称】《控制理论与应用》【年(卷),期】2018(035)003【总页数】8页(P367-374)【关键词】卡尔曼滤波;四元数;自适应算法;姿态估计;惯性传感器;磁强计【作者】张德先;聂桂根【作者单位】武汉大学卫星定位导航技术研究中心,湖北武汉430079;武汉大学卫星定位导航技术研究中心,湖北武汉430079;地球空间信息技术协同创新中心,湖北武汉430079【正文语种】中文【中图分类】TP2731 引言(Introduction)四元数描述姿态变化具有无奇点和超越函数,运算量小的特点[1].由于其参数变化是非线性的,无法直接使用卡尔曼滤波估计四元数.较为常用的办法是采用扩展卡尔曼滤波(extend Kalman f i lter,EKF),但存在强非线性状态下稳定性差、初始条件敏感、高维雅可比矩阵求解繁琐等问题[2].Clifford代数认为刚体空间转动本质是线性映射关系,并将其表达为空间矢量与旋量群的乘积[3].文献[1]基于以上结论给出四元数线性观测方程,解决了线性化的四元数观测方程(如EKF)可能带来的问题.文献[4]进一步给出四元数卡尔曼滤波(quaternion Kalman f i lter,QKF)的推导,且基于新息协方差最小准则给出过程噪声自适应算法.文献[5]在此基础上补充了观测噪声自适应算法,其实验表明此方法可以较好的克服Gauss白噪声统计特性发生变化带来的干扰.文献[2]将加表/磁强计观测量引入QKF进行姿态估计,对比了EKF和QKF的性能,得到QKF除了收敛过程存在一个精度相对较低的区间,其余指标均优于EKF的结论,表明EKF线性化带来的问题在QKF中得到了一定程度的解决.在使用QKF进行姿态估计时,确定航向角需要用到非重力观测量,如磁场.但磁场确定横滚角和俯仰角的精度不如重力观测量.由于QKF估计结果是所有观测量与模型的线性最小方差估计,直接引入磁场观测量不仅会降低横滚角和俯仰角的估计精度,而且当磁场受到干扰时,即使重力观测量是可信的,也会影响到QKF的横滚角和俯仰角估计,因此不是实际较好的估计.解决此问题核心在于解除非重力观测量与横滚角和俯仰角的耦合.解决过程参考了一些解决多矢量定姿问题的文献.此类问题最初由Wahba[6]提出,解决办法有基于双矢量三分体算法[7](triad,TRIAD),有基于分解四元数的[8](factored quaternion algorithm,FQA),有基于最小二乘多矢量的QUEST[7](quaternion estimator),如文献[9-10]将改进的TRIAD和QUEST应用到中等精度以上的惯导初始对准上.参考此类问题的解法,本文以磁场作为指向性的非重力观测量,利用FQA对QKF进行改进,消除了非重力观测量对横滚角和俯仰角估计的影响.另外,在利用重力/磁场观测量修正一步预测的姿态时,是有必要考虑载体附近磁场和线性加速度干扰对姿态估计的影响.在文献[3-4]提出的自适应方法的基础上,本文构造了观测噪声的自适应算法,以达到动态调节观测噪声系数的目的,一定程度减弱了线性加速对QKF的干扰;以及构造了磁场观测量干扰的自适应补偿,以达到动态补偿磁场观测量可能发生的干扰.得到基于分解四元数的自适应姿态四元数卡尔曼滤波(modif i ed adaptive quaternion Kalman f i lter,MAQKF).基于消费级MEMS传感器数据的实验结果表明,对比QKF,MAQKF在抗载体线性加速度和磁场干扰能力方面有显著提升.2 改进的自适应卡尔曼滤波(Modif i ed adaptive Kalman f i lter)2.1 姿态观测方程(Measurement equation of attitude)为建立物理矢量及其投影与姿态四元数的关系,现作如下推导.记3×1矢量v的四元数形式为vq,文中的矢量若出现下标q的均按此定义:记物理矢量在参考系R的投影为r,在载体系B的投影为bo.上标o表示这是真实的载体系.为了方便与四元数运算,将其表达为四元数形式:记四元数q描述R系旋转到B系的姿态变化过程,其标量部分为s,矢量部分为v,则rq和boq的相对姿态关系表示为其中:v是3×1矢量,符号⊗表示四元数乘法,q∗是q的共轭四元数,即s不变,v取反.根据文献[11]定义的四元数乘法,对于式(3)右式等号两边分别左乘q得到其中:四元数乘法算子定义如下:其中:[v×]表示向量v的反对称矩阵,M(q)和M′(q)均为4×4矩阵.式(4)左式子减去右式子,提取公因式q得文献[3]对式(6)中的变量作如下定义:将式(7)代入式(6)得到式(8)是关于四元数q的线性方程.可以作为卡尔曼滤波的观测方程.当四元数q描述的相对姿态趋近于r,bo的相对姿态时,Hoq趋近于零.已知离散的线性KF(Kalman f i lter)观测方程为其中:H为KF状态空间xk/k-1投影到观测空间bk的转移矩阵,V为观测噪声.对于式(8),H可以理解为观测量bk的函数,以获得符合KF的表达式:尽管物理矢量在真实载体系的投影bo是不可知的,但通过传感器可获得带有噪声δb的载体系B投影b:将式(11)代入式(8)得到含有误差项的观测方程:根据式(1)和式(5)对式(12)改写,获得关于δbq的显式表达,并且在tk时刻离散化得到假设观测噪声是期望为零,协方差为Rk的Gauss白噪声序列:如果定义载体所处空间的参考重力矢量在R系的投影为ra,在B系的投影为;参考磁矢量在R系投影为rm,在B系投影为,对应的传感器观测噪声为δba和δbm,可以得到其中ba和bm可分别通过加表和磁强计获得.将式(15)代入式(12)得到关于重力矢量和参考地磁矢量的四元数观测方程:其中是8×4矩阵.2.2 分解四元数算法(Factored quaternion algorithm)直接采用式(16)作为卡尔曼滤波的观测方程,即得到融合陀螺/加表/磁强计观测量的QKF[4].但若磁场观测量受到干扰,即使加表给出可信的重力观测量,横滚角和俯仰角仍会受到影响.文献[8]给出FQA,使得四元数的横滚角和俯仰角分量仅和重力观测量相关,而航向角分量仅和磁场观测量相关.本节给出FQA的推导以及和QKF融合的方法.定义载体系B为前右下,对应的x,y,z分别为横滚角ϕ、俯仰角θ、航向角ψ的旋转轴.设顶标¯表示向量单位化,得到重力参考单位矢量,加表单位矢量如下:步骤1 若仅考虑四元数的俯仰角θ分量qp:与俯仰角θ存在以下关系,注意重力在计算过程中,使用式(19b),而不是式(19a),文献[8]给出的解释是,由于θ∈[-(π/2),π/2],因此cosθ>0.但是对于式(19a)不能保证cosθ恒大于0.根据三角函数的半角公式,且考虑sin(θ/2)的正负号可得其中sgnx函数,当x>0,返回+1;当x=0,返回0;当x<0,返回-1.将式(20)代入式(18)即得到qp.步骤2 若仅考虑四元数的横滚角ϕ分量qr:与横滚角ϕ存在以下关系,注意重力对于式(22b),由于横滚角ϕ∈(-π,π],当cosϕ=-1,sinϕ=0 时,代入式(20)有sin(ϕ/2)和cos(ϕ/2)均为零,这不符合实际结果.因此,在实际计算中,当sgn返回零时,令其等于一.将sin(ϕ/2)和cos(ϕ/2)再代入式(21)即得到qr.步骤3 若仅考虑四元数的横滚角ψ分量qh:在计算qh时,使用磁场参考矢量rm和磁强计矢量bm以及之前计算获得的qp和qr,对bm经过俯仰角θ,横滚角ϕ旋转之后,得到cq,m:其中下标q表示四元数形式的矢量.作者希望bm只用于估计xoy平面的航向角,且不要影响俯仰角θ和横滚角ϕ的估计.故只取rm,cm的x,y项组成向量并单位化,代入航向角余弦矩阵公式Cψ[11]得到把cosψ,sinψ当作未知数解式(26)得到将式(27)代入式(20),注意到ψ∈(-π,π],因此当sgn返回零时,令其等于一.再将半角结果代入式(23)得到qh.最后,综合qp,qr和qh得到观测量的四元数ˆq:步骤4 为了避免俯仰角θ趋近于±(π/2)时出现奇点,需要进行临时旋转,具体思路是:当cosθ≤ϵ(i.e.,ϵ=0.1),临时旋转α(i.e.,α = π/4),将α作为θ代入式(18)得到qα,使用qα临时旋转观测量和:将获得的和tm代替原来的和bm参与式(28)的计算获得.此时俯仰角θ的奇点因为临时旋转α避开了,因此最后还需要恢复旋转以获得:步骤5观测量的四元数无法直接作为QKF的观测量,但利用旋转原来的参考单位矢量和,即可获得QKF的观测单位矢量和:经过转换后的的参考矢量和观测矢量按照如下方式代入式(16)即可:2.3 姿态相关状态(Attitude-related states)本节给出姿态相关状态方程及其协方差.考虑如下基于四元数的离散姿态运动学方程:其中姿态转移矩阵定义如下:其中:上标o表示这是真值,下标g表示这是陀螺仪输出的观测量,下标q的定义参考式(1),为载体真实的角速度在载体系B的投影.若Δt较短,期间载体的角速度可视为匀速.陀螺输出的可以建立加性噪声δθk的误差模型:其中:n1,k器件的热噪声,假设为期望零,标准差σ1的Gauss白噪声;δbg,kΔt为角度随机游走序列,由陀螺零偏不稳定序列n2,k驱动.n2,k假设为期望零,标准差σ2的Gauss白噪声.将式(35)代入式(34),对自然指数部分进行一阶泰勒展开作为近似解得到希望获得式(37)的关于δθk的显式表达,以便把δbg,k考虑为KF的状态.根据式(5)改写式(37)得到在KF递推过程中,陀螺仪输出的角增量减去陀螺零偏角度δbg,k-1Δt,得到的δθk 可假设为期望零,协方差Qk的Gauss白噪声序列如果离散的姿态相关状态记为其中:qk是姿态四元数,δbg,k为陀螺角速率零偏,则姿态相关的状态方程为为公式书写方便,定义M(q)第1列置为零得到Ξ(q):为4×3矩阵,v为四元数q的矢量部分,s为四元数q的标量部分,对于式(41)的Ψk,Γk和nk定义如下:进一步可以得到姿态相关状态的一步预测方程:根据文献[4]给出的四元数协方差传播律可得到一步预测状态的协方差:其中是姿态相关状态的过程噪声.由式(35)知热噪声序列n1,k标准差为σ1;角度随机游走序列bg,kΔt的标准差为.将这些标准差代入式(41)得到其中Ak的定义如下:其中:qk/k-1为一步预测的四元数,为四元数估计值qk-1的协方差.2.4 干扰相关状态及其观测方程(Interferencecorrelated states and theireasurement equation)线性加速度干扰为载体水平随机的运动,磁场干扰为载体附近的随机磁源.干扰的参数将在实验提及,而应对这些出现概率随机,干扰幅度随机的方法将在自适应过程提及.MAQKF的自适应过程足以应对线性加速度带来的干扰,故干扰相关状态仅设置为磁场干扰:其中δbm,k为磁场干扰.由于载体运动和磁场干扰的不确定性,不容易获得适用的数学模型.一种办法是,在Δt内假设干扰是不变,容易得到一步预测方程及其协方差:其中λ(λ>1,i.e.λ=2)为衰减记忆因子[11],干扰量的观测误差可能会随迭代过程累积,所以需要λ减少旧观测值的权值.为干扰相关状态的过程噪声,σω,m为磁场干扰过程噪声.此参数与Δt内干扰可能变化的幅度相关.如Δt=0.01s内可能发生最大的干扰变化是±4µT,则σω,m可设置为4.假设磁强计得到的观测量bm,k可以线性地分为3个部分:经过姿态转换的参考矢量rbm,k、干扰δbm,k、传感器噪声vm,k.由此可得干扰观测方程2.5 自适应过程(Process of adaptation)自适应过程是应对干扰不确定性的策略体现.载体的线性加速度和附近磁场干扰的出现和幅度均是不确定的,显然固定观测噪声系数是不能够反映真实的观测条件的,因此需要自适应地调整观测噪声的权.现分别考虑姿态,干扰的观测噪声协方差为,.姿态观测方程由式(13)给出.根据文献[4],令,ρk为观测噪声系数,顶标表示单位化的观测量.为原始观测量转成单位观测量所带来的观测协方差阵的变化项[12].得到与姿态相关的观测噪声协方差阵其中:Ak定义参考式(47),Bk定义如下:文献[4]提出一种基于极大似然准则,利用滤波器新息vk在线估计观测噪声系数ρk 的方法.文献[5]实验表明这种算法能够比较好的应对观测噪声统计特性发生变化的情形.但这种自适应过程是一阶的,如果把外界干扰视为统计特性不断非线性变化的噪声,显然其响应的灵敏度和余度都不足.本文采取的办法是将自适应过程升为二阶以应对噪声统计特性可能出现的非线性变化.由于存在两种类型的观测量,需要分别确定其观测噪声系数.方便起见,暂不考虑式(16)中H矩阵的观测量类型下标,自适应过程定义如下:其中:vk是k时刻的滤波器新息,G是自适应效果增益因子.每种观测量需要独立设定G.如果外界没有发生干扰,滤波器新息vk应当服从期望零的Gauss白噪声过程.由于在短时间内陀螺对角度变化的观测精度是较高的,且不受外界干扰影响.因此当载体机动或受到磁场干扰时,新息vk不再服从期望零的Gauss白噪声过程,这使得vk期望绝对值变大.从式(53c)可知,观测噪声系数∗ρk与vk是正相关的,当vk期望绝对值增大时,可以降低观测量在系统中的权.重新考虑式(16)中的H矩阵观测量类型下标,其中重力观测量下标为a,组合观测量下标为m.对应的自适应噪声系数ρa,k 和ρm,k定义如下:其中和分别为没有发生干扰的重力和磁场观测噪声方差.将式(54)代入式(51)得到观测协方差阵:磁场干扰的观测噪声系数也需要自适应地调整:这样设置的理由是,当ρm,k增大时,说明载体附近发生了磁场干扰,把干扰的观测噪声系数置成反比,相应地干扰的观测噪声系数就会变小,以便及时地估计当前δbm,k;而ρm,k在一个较小的水平,干扰的观测噪声系数则较大,此时可以认为干扰没有或发生较小变化.2.6 实施过程(Process of implementation)步骤6 初始化:使用加表/磁强计确定载体初始姿态,转为四元数q0;陀螺偏差bg,0,磁场干扰δbm,0均设为零.四元数协方差以精度最低的传感器为准;陀螺偏差协方差,其中:即陀螺重复上电零偏序列相对于零的方差;干扰协量方差可设置为常数乘以单位矩阵,其中常数为干扰可能出现最大幅度的平方.步骤7 状态传递:对于上一时刻的姿态相关状态和干扰相关状态分别有其中Ψk,和的定义参考式(43a)(46)(49).步骤8 量测更新:记加磁强计输出的磁强为bm,k,减去上一时刻的干扰状态δbm,k-1,并且单位化得到,与加表单位矢量一并代入FQA,进而计算出式(16)以完成量测更新:其中:δbm,k参考式(50),和参考式(55)和式(56).注意四元数在递推过程中需要保持规范化:3 实验结果(Experiment results)实验设备为安卓手机,内置价格低廉的消费级MEMS传感器,惯性测量器件为意法半导体的LSM330,磁强计为旭化成微电子的AK09911C--L,数据采样率为100 Hz. 数据1是将传感器静止置于水平的实验台上,参考磁场为IGRF12,使用磁性的螺丝刀头分别从传感器所处的水平面和上方3∼4 cm范围匀速通过获得,磁场干扰的强度区间为0∼65µT(由磁强计测量得到).测试磁场干扰自适应补偿的有效性.数据2是将传感器置于水平的实验台上,参考重力为WGS84,在时间9.5∼13.5 s施以水平方向5 Hz,最高1.8 g的线性加速度.这样做的理由是,垂直线性加速度与重力方向重合,实际上对横滚角和俯仰角没有太大干扰,但水平线性加速度会让传感器误以为载体发生了倾角.使用数据2测试观测噪声自适应算法对线性加速度的抵抗能力.在以下图中,NF(no f i lter)表示未经滤波的计算结果,用作参考以检验QKF和MQKF是否发生系统偏差.图1-2是基于数据1的结果,图2是图1基础上的局部放大;图3-4是基于数据2的结果,图4是图3基础上的局部放大.测试时参考航向角为101°.当磁源在传感器所处的水平面上通过4次,NF变化区间为±180°;在传感器上方通过4次,NF变化区间是-10°∼125°.如图1-2所示,传感器静止的前提下,QKF横滚角和俯仰角发生了趋势与磁场干扰相关的波动,且带有系统偏差.这是因为在QKF中,磁场观测量也参与了横滚角和俯仰角的估计.由于MAQKF利用FQA重新组合了重力和磁场观测量,其横滚角和俯仰角均未受到磁场干扰的影响.前4次的磁场干扰对航向角造成的影响如下,QKF波动区间为30°∼160°,MAQKF波动区间为94°∼103°;后4次则如下,QKF波动区间为38°∼112°,MAQKF波动区间为100°∼106°.验证了磁场干扰自适应补偿一定程度上提升了MAQKF抗磁场干扰的能力.图1 磁场干扰下的计算结果(整体的)Fig.1 Results with magnetic interference(whole)图2 磁场干扰下的计算结果(局部的)Fig.2 Results with linearacceleration(partitial)测试时参考横滚角和俯仰角分别为-0.4°和1.0°.如图3-4所示,NF横滚角和俯仰角的波动区间分别为±68.0°和-30.0°∼10.0°.NF和QKF的横滚角和俯仰角互相重合,表明QKF对于线性加速度几乎没有抵抗能力.MAQKF的波动区间分别为-5.0°∼-0.1°和-1.8°∼1.5°,验证了观测噪声自适应算法提升了MAQKF抗线性加速度干扰的能力.图3 线性加速度下的计算结果(整体的)Fig.3 Results with linear acceleration(whole)图4 线性加速度下的计算结果(局部的)Fig.4 Results with linear acceleration(partitial)NF航向角大幅波动是因为,NF航向角依赖于磁场投影到水平面的方向,当水平面由于线性加速度发生波动时,航向角观测量也会受到干扰.QKF和MAQKF的航向角都一定程度优于NF,QKF在12.3 s处出现脉冲是因为航向角的范围是±180°,这里描述的方向是等价的.MAQKF波动幅度更小,但如果线性加速度干扰消失,MAQKF存在一定的时间延迟将航向角恢复到稳态.如图5,在没有磁场干扰的环境,进行300 s的步行测试,MAQKF没有出现发散和系统偏差的情况.图5 基于步行的稳定性测试Fig.5 Stability test based on human walking4 结语(Conclusions)QKF避免了线性化(如EKF)带来的问题.QKF融合结果是线性空间最优的,但不是实际较好的.如静止的载体附近存在磁场受到干扰时,QKF横滚角和俯仰角仍受到了影响.为解决这一问题,以磁场作为非重力观测量,利用FQA改进了QKF,消除了非重力观测量对横滚角和俯仰角的影响.在文献[4-5]基础上,构造了二阶的自适应过程以应对观测噪声统计特性的可能出现的非线性变化,并且构造了磁场干扰的自适应补偿.对比QKF,MAQKF的抵抗磁场和线性加速度干扰的能力有明显提升.但由于自适应过程引入了两个经验的增益参数,这使得MAQKF工作范围有待考验.同时,自适应算法只能够抵抗一定程度的干扰,并未能完全隔绝干扰,因此何时停止MAQKF的量测更新是一个值得进一步探讨的问题.参考文献(References):[1]QIAO Xiangwei.Attitude determination algorithm based on quaternion nonlinear f i lter for spacecraft[D].Harbin:Harbin Engineering University,2011.(乔相伟.基于四元数非线性滤波的飞行器姿态确定算法研究[D].哈尔滨:哈尔滨工程大学,2011.)[2]GAO Xianzhong,HOU Zhongxi,WANG Bo,et al.Quaternionbased Kalmanf i lter and its performance analysis in integrated navigation[J].Control Theory&Applications,2013,30(2):171-177.(高显忠,侯中喜,王波,等.四元数卡尔曼滤波组合导航算法性能分析[J].控制理论与应用,2013,30(2):171-177.)[3]GALLIER J.Clifford algebras,clifford groups and a generalization of the quaternions:the pin and spin groups[D].Philadelphia,USA:University of Pennsylvania,2009.[4]CHOUKROUN D,BARITZHACK I Y,OSHMAN Y.Novel quaternion Kalman fi lter[J].IEEE Transactions on Aerospace and Electronic Systems,2006,42(1):174-190.[5]SU Yixin,ZHU Minda,TANG Zhengshuang,et al.Attitude estimate method based on adaptive quaternion kalman f i lter[J].Journal of Wuhan University of Technology,2015,37(7):95-100.(苏义鑫,朱敏达,唐正霜,等.基于自适应四元数卡尔曼滤波的姿态估计方法[J].武汉理工大学学报,2015,37(7):95-100.)[6]WAHBA G.A least squares estimate of satellite attitude[J].Siam Review,2006,7(3):409-409.[7]SHUSTER M D,OH S D.Three-axis attitude determination from vector observations[J].Journal of Guidance Control&Dynamics,1981,4(1):70-77.[8]YUN X P,BACHMANN E R,MCGHEE R B.A simplif i ed quaternion-based algorithm for orientation estimation from earth gravity and magnetic f i eld measurements[J].IEEE Transactions on Instrumentation and Measurement,2008,57(3):638-650.[9]LI Yang,GAO Jingdong,HU Baiqing,et al.Shipborne SINS inmovementF--QUESTinitalalignmentalgorithm[J].JournalofNaval University of Engineering,2014,26(6):32-36.(李杨,高敬东,胡柏青,等.舰载捷联惯导动基座F--QUEST对准方法[J].海军工程大学,2014,26(6):32-36.)[10]XU Xiaosu,ZHOU Feng,ZHANG Tao,et al.Initial alignment algorithm for SINS based on quaternion adaptive Kalman f i lter[J].Journal of Chinese Inertial Technology,2016,24(4):454-459.(徐晓苏,周峰,张涛,等.基于四元数自适应卡尔曼滤波的快速对准算法[J].中国惯性技术学报,2016,24(4):454-459.) [11]QIN Yongyuan.Inertial Navigation[M].Beijing:Science Press,2014.(秦永元.惯性导航[M].北京:科学出版社,2014.)[12]MARKLEY F L.Attitude determination using vector observations and the singular value decomposition[J].Journal of the Astronautical Sciences,1987,38(3):245-258.。

mpu6050姿态解算与卡尔曼滤波(1)数学

mpu6050姿态解算与卡尔曼滤波(1)数学

一、mpu6050姿态解算与卡尔曼滤波的数学原理mpu6050是一款常用的惯性测量单元(IMU),其内部集成了三轴加速度计和三轴陀螺仪,可以用来获取物体的加速度和角速度信息。

在实际应用中,我们常常需要通过这些原始数据来解算物体的姿态,即确定物体的倾斜角和旋转角。

姿态解算的计算通常基于四元数或欧拉角。

在利用加速度计和陀螺仪数据进行姿态解算时,需要考虑到加速度计的重力分量和陀螺仪的漂移问题。

而卡尔曼滤波则是一种常用的状态估计方法,可以综合考虑多个传感器数据,减小测量误差。

二、mpu6050姿态解算的数学模型我们需要进行加速度计数据的预处理,将原始的加速度计数据转换成物体坐标系下的加速度值。

通过反正切函数计算出与地面平行的加速度的倾斜角。

接下来,我们可以利用陀螺仪数据积分得到姿态的旋转角速度,再根据时间积分得到姿态的旋转角度。

在这一过程中,陀螺仪存在着漂移问题,需要通过卡尔曼滤波进行修正。

在卡尔曼滤波中,我们需要建立状态方程和观测方程。

状态方程描述了系统的动态演化规律,观测方程描述了系统的输出与状态之间的关系。

通过不断的观测和修正,可以逐渐收敛到系统的真实状态,从而实现姿态的精确解算。

三、mpu6050姿态解算与卡尔曼滤波的数学实现在实际实现中,我们可以使用C语言或者MATLAB等工具进行数学模型的实现。

以C语言为例,我们可以利用内置的数学函数库对加速度计和陀螺仪的原始数据进行处理,然后通过数学计算得到姿态的角度。

在卡尔曼滤波的实现中,我们需要定义状态方程和观测方程,并利用矩阵运算等数学方法进行状态估计和修正。

四、mpu6050姿态解算与卡尔曼滤波的数学应用mpu6050姿态解算与卡尔曼滤波在机器人、航空航天、无人机等领域有着广泛的应用。

无人机需要准确地获取自身的姿态信息,才能实现稳定的飞行和精准的航向控制。

而卡尔曼滤波则可以在传感器数据受到干扰或者噪声时,提供更加可靠的姿态估计结果。

总结:mpu6050姿态解算与卡尔曼滤波涉及到了传感器数据处理、数学模型建立和状态估计等多个方面的知识。

基于四元数平方根容积卡尔曼滤波的姿态估计_钱华明

基于四元数平方根容积卡尔曼滤波的姿态估计_钱华明
T …, 0] , 1]表示对 e 的元素进行全排 使用符号[ 称为完整全对 列和改变元素符号所产生的点集,
[ 1] 1] 称点集, 的第 j 个点; ω j 为对 j 表示点集中[ 应点的权值. SCKF 算法步骤如下. 1 ) 状态参数初始化: ^ 0 = E[ x x0] ^ 0 ) ( x0 - x ^0 ) ] S0 = chol{ E [ ( x0 - x }
欧拉角、 修正罗德里格斯参数、 四元数等是飞 [1 ] 行器 姿 态 主 要 描 述 参 数 . 四 元 数 由 于 计 算 简 单, 无三角函数运算, 同时又能避免欧拉角的奇异 性问题, 因此, 基于四元数的滤波问题成为研究的 热点
[2 - 3 ]
4]提 出 中 乘 性 扩 展 卡 尔 曼 滤 波 性问题, 文 献[ ( MEKF,Multiplicative Extended Kalman Filter ) 来 5]提出无迹四元数估 解决了这两个问题. 文献[ 计法 ( USQUE ,Unscented Quaternion Estimator ) , 采用罗德里格斯参数与四元数相切换, 避免了四
Z j, ( 9) k = h( χ ) 预测、 方差 Cholesky 分解因子和协方差为
m
^k = z
}
ω j Z j, ∑ k j =1 SRk ] )
( 10 ) ( 11 ) ( 12 ) ^ Z m, k - z k]
- - χ m, k - xk ]
( 1) 其中 λk = γk =
S zz, λk k = tria( [
Attitude estimation based on quaternion squareroot cubature Kalman filter

IMU姿态解算的卡尔曼滤波方法比较

IMU姿态解算的卡尔曼滤波方法比较

计算机科学与人工智能河南科技Henan Science and Technology总第805期第11期2023年6月收稿日期:2023-01-12基金项目:国网江苏电力设计咨询有限公司科技项目(SGTYHT/21-JS-223)。

作者简介:张楠(1990—),男,硕士,工程师,研究方向:输电线路勘测设计。

IMU 姿态解算的卡尔曼滤波方法比较张楠崔厚坤徐伟周(国网江苏电力设计咨询有限公司,江苏南京210008)摘要:【目的】利用惯性定位技术在非开挖时直接测定电缆通道的三维坐标。

在惯性定位中,姿态算法对整个系统精度的影响最大,对扩展卡尔曼滤波(EKF )和误差状态卡尔曼滤波(ESKF )两种常用的姿态解算法进行评估。

【方法】以四元数和陀螺输出误差为状态向量、磁力计和加速度计为观测向量,基于四元数姿态模型,分别用EKF 和ESKF 进行姿态解算。

【结果】试验结果表明:在计算效率方面,ESKF 的计算效率要高于EKF ,ESKF 的计算耗时约为EKF 的80%;在计算精度方面,EKF 的均方根误差相对于ESKF 有35.6%的改善。

【结论】由于地下管线惯性定位主要考虑定位精度,因此EKF 具有更好的应用价值。

关键词:惯性定位技术;姿态解算;四元数;扩展卡尔曼滤波;误差状态卡尔曼滤波中图分类号:TN911.7文献标志码:A文章编号:1003-5168(2023)11-0024-06DOI :10.19968/ki.hnkj.1003-5168.2023.11.005Comparison of Kalman Filtering Algorithms for IMUAttitude EstimationZHANG Nan CUI Houkun XU Weizhou(State Grid Jiangsu Electric Power Design Consulting Co.,Ltd.,Nanjing 210008,China)Abstract:[Purposes ]To directly measure the three-dimensional coordinates of cable channel by inertialpositioning technology in trenchless condition.In inertial positioning,the attitude algorithm has the great⁃est impact on the accuracy of the entire system.Two commonly used attitude solution algorithms,ex⁃tended Kalman filter (EKF )and error state Kalman filter (ESKF ),are evaluated.[Methods ]Based on the quaternion attitude model,EKF and ESKF are used to solve the attitude with quaternion and gyro out⁃put error as state vectors,magnetometer and accelerometer as observation vectors.[Findings ]The experi⁃mental results show that the calculation efficiency of ESKF is higher than that of EKF,and the calcula⁃tion time of ESKF is about 80%of that of EKF.In terms of calculation accuracy,the root mean square error of EKF is improved by 35.6%compared with ESKF.[Conclusions ]Since the inertial positioningof underground pipelines mainly considers the positioning accuracy,EKF has better application value.Keywords:inertial positioning technology;attitude estimation;quaternion;EKF;ESKF0引言为保证供电系统可靠、安全地运行,满足城市建设需求,架空高压输电线路逐渐被高压电缆入地的方式所取代。

基于扩展卡尔曼滤波的四旋翼无人机姿态估计方法

基于扩展卡尔曼滤波的四旋翼无人机姿态估计方法

基于扩展卡尔曼滤波的四旋翼无人机姿态估计方法作者:段敏赵凌周莹来源:《现代信息科技》2022年第04期摘要:為提高四旋翼无人机姿态参数获取的准确性,确保后续姿态控制精度,采用STM32F407微控制器以及多传感器构成姿态测量系统。

对各传感器原始误差进行校准,应用扩展卡尔曼滤波(EKF)进行基于陀螺仪的状态预测和基于加速度计/磁力计的测量校正,融合信息并估计出3姿态角,与3自由度姿态算法验证系统测量出的姿态角真实值对比,3个角度的平均误差为0.7°,相对于基于单一陀螺仪积分和基于加速度计/磁力计的姿态解算,误差分别下降了3.034°和0.174°,该方法可有效提高EKF估计精度。

关键词:扩展卡尔曼滤波;四旋翼无人机;姿态估计中图分类号:TP368;V279 文献标识码:A文章编号:2096-4706(2022)04-0007-05Attitude Estimation Method for Quad-rotor UAV Based on Extended Kalman FilterDUAN Min, ZHAO Ling, ZHOU Ying(The College of Post and Telecommunication of WIT, Wuhan 430073, China)Abstract: In order to improve the accuracy of attitude parameters acquisition of quad-rotor UAV and ensure the subsequent attitude control accuracy, STM32F407 microcontroller and multi-sensor are used to form an attitude measurement system. The original error of each sensor is calibrated. The extended Kalman filter (EKF) is used for gyro-based state prediction andaccelerometer/magnetometer-based measurement correction. The information is fused and the three attitude angles are estimated. Compared with the real value of the attitude angle measured by the 3-DOF attitude algorithm verification system, the average error of the three angles is 0.7°, compared with the attitude solution based on single gyro integral and the attitude solution based on accelerometer/magnetometer, the errors are reduced by 3.034° and 0.174° respectively. This method can effectively improve the accuracy of EKF estimation.Keywords: extended Kalman filter; quad-rotor UAV; attitude estimation0 引言四旋翼无人机因其成本低廉、维护操作简单、可替代人力完成特殊任务等优点,近年来被广泛应用于军用和民用领域[1,2]。

四元数姿态解算和卡尔曼滤波

四元数姿态解算和卡尔曼滤波

四元数姿态解算和卡尔曼滤波在四元数姿态解算和卡尔曼滤波领域,姿态解算是一个重要的问题。

姿态解算主要是通过传感器来获取物体在空间中的方位信息,其中四元数是一种广泛应用的姿态表示方法。

而卡尔曼滤波是一种常用的姿态解算算法。

四元数是一种用来表示旋转的数学工具,它由一个实部和三个虚部组成。

通过四元数,我们可以方便地描述物体在三维空间中的旋转和方位。

在姿态解算中,我们常常使用四元数来表示物体的姿态。

四元数具有很好的性质,比如可以方便地进行插值和运算,因此在姿态解算中得到了广泛的应用。

卡尔曼滤波是一种常见的姿态解算算法。

它主要通过融合多传感器的数据来进行姿态解算。

卡尔曼滤波利用传感器提供的测量值和先验知识,通过递推的方式对系统状态进行估计和修正,从而得到更准确的姿态信息。

在实际应用中,四元数姿态解算和卡尔曼滤波常常结合起来使用。

通过四元数来表示物体的姿态,然后利用卡尔曼滤波对姿态进行优化和修正。

这种组合可以有效地提高姿态解算的准确性和稳定性。

在具体的实现过程中,四元数姿态解算和卡尔曼滤波需要考虑多个因素,比如传感器类型、传感器误差、姿态模型等。

需要根据实际情况选择合适的算法和参数,以获得最佳的姿态解算效果。

总而言之,在姿态解算和卡尔曼滤波领域,四元数是一种重要的姿态表示方法,而卡尔曼滤波是一种常用的姿态解算算法。

它们的结合可以有效提高姿态解算的准确性和稳定性。

在实际应用中,我们需要根据具体情况选择合适的算法和参数,以获得最佳的姿态解算效果。

通过不断的研究和实践,我们相信四元数姿态解算和卡尔曼滤波在未来会有更广泛的应用。

扩展卡尔曼滤波原理

扩展卡尔曼滤波原理

扩展卡尔曼滤波原理
扩展卡尔曼滤波原理是一种目前流行的状态估计方法,被广泛应用于机器人、飞行器、汽车等自主导航系统中。

本文将从原理、步骤、思路等方面进行详细解析。

一、原理
扩展卡尔曼滤波是一种非线性滤波器,它是经典卡尔曼滤波在非线性系统中的推广。

经典的卡尔曼滤波仅适用于线性系统,而非线性系统无法用线性方程组完全描述。

扩展卡尔曼滤波通过线性化非线性系统来近似其转移和观测方程,使得经典卡尔曼滤波也能够应用于非线性系统中。

二、步骤
扩展卡尔曼滤波的步骤分为预测和更新两个部分。

1.预测:预测状态的状态估计值和协方差矩阵。

2.更新:更新状态的状态估计值和协方差矩阵。

具体步骤如下:
预测:
(1)计算状态预测值。

(2)计算状态预测协方差矩阵。

(3)计算协方差预测矩阵。

更新:
(1)计算卡尔曼增益。

(2)计算状态更新值。

(3)计算状态更新协方差矩阵。

三、思路
扩展卡尔曼滤波的核心思路是将非线性系统转化为线性系统,以便应
用经典卡尔曼滤波方法。

在扩展卡尔曼滤波中,将非线性系统状态量
和观测量的概率密度函数近似为高斯分布。

如果概率密度函数不是高
斯分布,则需要进行线性化处理。

此外,为了提高滤波的精度,还需
要不断调整模型参数。

总结:
扩展卡尔曼滤波的原理、步骤和思路都非常重要。

在实际使用中,需
要根据具体问题进行参数调整。

扩展卡尔曼滤波与其他滤波算法相比,具有更高的精度,但是算法复杂度较高,需要消耗更多的计算资源。

基于四元数和卡尔曼滤波的姿态角估计算法研究与应用

基于四元数和卡尔曼滤波的姿态角估计算法研究与应用

基于四元数和卡尔曼滤波的姿态角估计算法研究与应用一、本文概述Overview of this article本文旨在探讨基于四元数和卡尔曼滤波的姿态角估计算法的研究与应用。

姿态角,即物体在三维空间中的旋转角度,是众多领域如航空航天、机器人技术、虚拟现实等中的重要参数。

精确而稳定的姿态角估计是这些领域实现精确控制和高效运行的关键。

然而,由于传感器噪声、动态环境和计算误差等因素的影响,姿态角的准确估计仍然是一个具有挑战性的问题。

This article aims to explore the research and application of attitude angle estimation algorithms based on quaternion and Kalman filtering. Attitude angle, which refers to the rotation angle of an object in three-dimensional space, is an important parameter in many fields such as aerospace, robotics, virtual reality, and so on. Accurate and stable attitude angle estimation is the key to achieving precise control and efficient operation in these fields. However, due to factorssuch as sensor noise, dynamic environment, and calculation errors, accurate estimation of attitude angle remains a challenging problem.四元数作为一种高效的旋转表示方法,具有无奇异性和避免万向锁等优点,因此在姿态估计中得到了广泛应用。

基于四元数和卡尔曼滤波的姿态角估计算法研究与应用

基于四元数和卡尔曼滤波的姿态角估计算法研究与应用

基于四元数和卡尔曼滤波的姿态角估计算法研究与应用下载提示:该文档是本店铺精心编制而成的,希望大家下载后,能够帮助大家解决实际问题。

文档下载后可定制修改,请根据实际需要进行调整和使用,谢谢!本店铺为大家提供各种类型的实用资料,如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等,想了解不同资料格式和写法,敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!Certainly! Here's a structured Chinese demonstration article based on the topic "Research and Application of Attitude Angle Estimation Algorithm Based on Quaternions and Kalman Filtering":基于四元数和卡尔曼滤波的姿态角估计算法研究与应用。

互补滤波和卡尔曼滤波和四元数

互补滤波和卡尔曼滤波和四元数

互补滤波和卡尔曼滤波和四元数
四元数(以及实数和复数)都是有限维的实数结合除法代数。

四元数的不可交换性往往导致一些令人意外的结果,例如四元数的n-阶多项式能有多于n个不同的根。

卡尔曼滤波是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。

由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。

互补滤波算法通常采用三轴陀螺仪的角速度积分来获取角度,进而利用角度求得四元数,再由四元数解算出姿态角。

但三轴陀螺仪由角速度积分得到的角度由于温漂、单次迭代等原因,往往偏差较大,难以消除,这就导致求得的四元数精度不够,最终影响互补滤波解算出的姿态角的精度。

在实际应用中,可以根据具体需求选择合适的滤波方法。

如需了解更多相关信息,可继续向我提问。

基于 USQUE 的四元数容积卡尔曼滤波算法在组合导航中的应用

基于 USQUE 的四元数容积卡尔曼滤波算法在组合导航中的应用

基于 USQUE 的四元数容积卡尔曼滤波算法在组合导航中的
应用
张正彬
【期刊名称】《舰船电子工程》
【年(卷),期】2015(000)002
【摘要】组合导航是导航领域中一个重要的研究领域和应用方向。

传统的基于惯导误差模型的组合导航模式,因模型在建立过程存在各种近似计算,这必然使得建立的模型中引入诸多近似误差和模型误差,因此,其信息融合的估计精度下降。

论文基于USQUE计算流程,提出一种四元数容积卡尔曼滤波算法,并将该算法应用于SINS/GPS位置松组合导航问题当中,仿真结果验证该算法的有效性并且具有较高的估计精度。

【总页数】4页(P62-65)
【作者】张正彬
【作者单位】海军驻昆明地区军事代表办事处鱼水雷室昆明 650000
【正文语种】中文
【中图分类】U666.11
【相关文献】
1.鲁棒四元数无味卡尔曼滤波算法在组合导航姿态估计中的应用 [J], 李开龙;胡柏青;高敬东;方轩
2.基于城市轨道交通系统中列车组合定位的容积卡尔曼滤波算法的分析研究 [J],
宋宁
3.基于PSO的USQUE在组合导航姿态估计中的应用 [J], 吕旭; 胡柏青; 戴永彬; 赵仁杰
4.基于马氏距离的抗差卡尔曼滤波算法在组合导航中的应用 [J], 王诒国;潘孝星
5.改进的基于奇异值分解的抗差容积卡尔曼滤波算法在全球定位导航中的应用 [J], 王姚宇;陈仁文;张祥
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 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. 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. 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)。
J1.一iiang,E—mail:ljliang@bit.edu.cn)
Abstract:An extended Kalman fihermg technique ior the large angular maneuvering and normal mode at:itude
deternainadon。f E satellite is presented by using gyrc,sun Sexqsors and infrared horizon scalaneTeo.The attitude quatermon representation is adapted tO desNn aD attitude estimator and integration linear error equations are eszahlished.The results of che simulation show thal atutude determination is accurately achieved by usmg the
叠三 乏、‘.,
100
300
j‘
ⅣS
(a) 误差四元数三矢量误差
E: l,o乏 一三、 4
兰e--.4——一—— 甚≮‘r’?1一i4:”、“,“。。i。扑。巾蚪‘母pHl守‘
1“·
j“·
5嘎
D、 ……。…

岂‘5——~——j 《 妻,’j;^拼叫咐蜥带咿*Fra bibliotek蚺》山l趣唧妒‰
】o。
3 L)(I
T一,
(19)
0(£。)一
diag(O";,口;,口;.酲,口:,《.一,一,d:·吼,盯盖泌).(20)
当^一,时,根据太阳敏感器和红外地平仪测量结果
给出y值,计算观测阵H,得到更新值如下:
丘(“州)一P一(^叫)H1(^+1)×
[H(^+,)P (£…)H1(^十】)+
R(^“)]~,
(21)
P+(^+】)=
(1j)
其中:曲为采样时间.
西(山。.西)≈
k。一去西i? 一.哆’T1]
(16)
一 一删。 一。“。×j一‘x。
为壮志转化矩阵.
误差协方差P的预报}}算如下:
P—o!…)一虹断)P4 it。)f Cat)+
P(at)Q(t^),(at),
(1 7)
其中
≠(出)=e”1“≈I十F(f。),(18)
dr(髓)一I≠(=)G(r)dr,
影响确定系统的精度.在常规的确定系统中,通常采
用陀螺作为基准元件测量连续的姿态角速度,使用
太阳敏感器、红外地平仪或磁强计=耐量姿态位置.目
前,已有很多姿态确定算法,诸如宜适应滤波、预测
滤波、卡尔曼滤波、自适应卡尔曼滤渡、扩展卡尔曼
滤波等,用于减小敏感器的测量误差和提高确定系
统的测量精度.本文使用扩展卡尔曼滤波方法研究
w’一); 。a 。, 口舳]L。:, V一一F-。k q]&:.
通过各个观测溅量值.根据先前设定的估计状
态变量墨和误差协方差初始矩阵Pc,可计算出每 步的置和P。,利用新的测量值yH:得出估计值墨.
令五一和丑一分别表示状志变量更新前后的值.
根据敏感器的测量值.计算预报值如下:
g一池。。)=垂(∞.at)q+(£.).
[J—K(fk+】)H(z^+1)]P一(f,,1)[j一
片(“+:)H(“+1)]7+丘(“+1)R(rⅢ)酽(‘,1),
(22)
x+(t,叫)=X一(“一】)+K(z^.,)[YitH】)一
H(^。,)x一(zH)],
R(fI,】)=diag(靠,口:,d;,砰).
获得f㈩的状态变量x+(“+:)后,依据对四元
5∞
(b) 陀螺常值漂移误差
暗1 太姿态位置的仿真螬暴
图1是太姿态位置(初始姿态角为50。)的仿真
结果,图2是在正常运行模式下的仿真结果.通过仿
真结果可以看出,对姿态四元数误差、陀螺常值漂移
能够进行准确校正和估计,收敛也很快.红外地平仪
收敛较慢,初始值的设定对初始收敛性有较大影响.
29S
2004中国垄制与头策学术蔓台论文集
为姿态角速度,“。为陀螺测量惯性角速度.‰= Zc,一“。o],“。为轨道角速度.
滤波的目的是估计四元数误差而不是估计四 元数本身.因为所有测量元件都存在误差,定义误差 四元数吼为真实四元数与估计四元数之差,误差四 元数很小,但非零其表示如下:
目,一曲。 叮,, 口。: g。;]:一曲。 口。]1.
\▲,
相应四元数描述的动力学方程为

j-一÷口。@A(nk), ●
c‰=Ⅲ-一7乙(‰)吣.
(2)
式中:o表示四元数乘法,A(‰)一[o‰1]。,%
收稿日期:2003一lo-12.
作者简介:李金良(1§77一),男,北京人,硬±生,从事卫星姿志控制的研究
29 6
2004中匿控制与冼第学术丘会论支集
I^_三


1w
3哦·
n、
一… 一
“,
E姜:I, r…~~~……4…~
篓、.2..一一..
】00
.。
300
¨

、1-
(z) 误差四元敷三矢量误差
(b) 陀螺常值漂移谩差
臣2 正常运行楼式的仿真结果
6结

本文使用误差四元鼓建立了动力学误差方程.
采用车文所提到的滤渡方法,无论在大角度还是正
常模式下都是适用的,仿真结果证明■方法的可行
..


·目:+
I警是叫一c》S 。
s毛
s姆
、b’J
口,=^。·g,一。,.
(9)
在确定系统中两轴红外地平仪直接测量的是
俯仰角以和滚动角‰.它可表示为
!泞!;:+[茇:札. ㈣,
其中:‰;和E。为常值钡f量偏差,TJ“为方差是吼零
均值的高斯白噪声.定义真实姿态位置(P口)与估
昔姿态位置(P目)的误差为
数、陀螺漂移和红外地平仪测量偏差进行校正,校正 后将状态变量x重新设置为零.
5 仿真结果
表1给出了各个敏感器的基本参数和滤渡初始 值,轨道太阳倾角为98。,太阳赤纬为一23。.升交点 地方时是上午9:00,采样步长为1 s,时间常数设置
为l S.


■’
 ̄^:
兰、.:
l 00
30C

}^
■。 ’一k。H“;。,“。·}融:¨p’t耕i{^-一?十计、一∞
体坐标系相对于当地轨道坐标系的卫星姿态,它的
矩阵可用四元数表示如下:
T。(‰)=
方向余弦矩阵的四元数表示
T = -T转置
r2(酣+爵)一1 2(吼gl+口。舶) l 2曲:q 2一go吼)2(毹+一)一l l 2(目,目。+goq 2) 2(口z啦一口。口】)
2(口妇1一g。g:)一
2(口2吼+q。q1)| 2(矗+一)一1J
值高斯白噪声驱动.
4姿态确定算法
状态估计向量为
x。:=[;,j砰:西.‰‰。]一
测量向量为
y。=[仁以;Dt%]7.
姿态估计模型可表示为
X(f)=F(Ox(f)+G(r)W,
Y=HX+V.
(14)
其中
r一::×]一号ks一÷k s咄z]
F“)一03x 3 oa×,
o…
o…
o|x 2j

。… 一7‘Js×,o…|
Colorado,199S,(1):6:一67.
参考文献(References): [1:Chang Y T,wu T F,Chang F R F-te r desxgr.ior
attitude deterrainatinm using GPS and G3”ro:Frequency
domain approach[A:.SIC£ic].Nagoya,2001.240_
J。,:一2[9,×:.
(i)
其中[i,×]是由吼-Eli;。构成的反对称阵.
结合式(2一芋三将式(4)微分,可得误差匹元熬方
程为
{。一i1吼o^4(‰)一{一(五。)s“+
去i,@A(q),
Ca/,,h一[丁。咄)一L。。]丁0(五)吣.
(6)
其中:二。为惯性角速度的测量值,for&;为姿态角速度
;,一[号印丢羽吾嘲.
(。)
其中dP,甜和蛳劳别表示滚动角、俯仰角和偏航角
误差.
o和g。之间的关系,可用四元数乘法表示为
口一;o q,,
(4)
其中g为真实值q的估计值.玑相应转化姿态矩阵的
误差71。(q。)为
3了1。i目。)=7乙(吼)一


29d
—日。2]
一2q。:

29“=
。2目,:
一2qd
1一
了太阳同步轨道卫星的姿态确定,该卫星采用了陀
螺、太阳敏感器、红外地平仪构成的测量系统.为各
敏感器建立了更加详细的姿态估计器.考虑在大姿
态角度下Euler角描述容易引起奇异性,本文采用
了四元数描述建立卫星运动学方程.仿真结果表明,
该方法有效地提高了卫星的测量精度.
2姿态运动学方程
使用四元数q*=b。目,口:gaj7描述在星
事盎良等:基于西元鼓姿寿确定的扩晨卡尔曼靖渡方法
297
G0)一
『一托,:。。o。。:×:1
『03 x 3
03,3 —02。;
日=
,Ⅲ03x 3
0 s×a 13×3
OⅢ0 2x 3
03x 2 .
03x 2
J2x 2j】1×】1
}l 0

相关文档
最新文档