基于振动陀螺的动态零位校准及其误差补偿

收稿日期:2007211206 基金项目:重庆市科委自然科学基金资助项目(CST G2007BB2448,CST G2007BB4385);重庆邮电大学博士启动基金资助项目(A2007245) 作者简介:刘宇(19722),男,重庆人,博士,主要研究方向为惯性导航及信号处理。

文章编号:100422474(2008)0620671203

基于振动陀螺的动态零位校准及其误差补偿

刘　宇1,2,刘　俊1,黎蕾蕾2,孙燕彬1,李秋俊1

(1.重庆邮电大学光电工程学院,重庆400065;2.重庆大学光电技术及系统教育部重点实验室,重庆400044)

摘　要:根据固态振动陀螺输出信号和噪声特点对其构成的低成本惯性测量单元(IMU )的原始传感信号进行

了快速小波滤波和灰色理论建模处理。运用累加生成操作(A GO )方法得到有规则的单值对应非线性函数,并获得陀螺零位输出在三维空间中的单值映射模型。以时间和温度为输入,根据灰色神经网络建立陀螺的漂移模型,对累加生成方法生成的单值对应非线性函数进行逼近,从而提高了动态测量精度。同时采用活动阈值融合算法,优化陀螺和加速度计动态测量数据。实验证明,上述方法和算法有效提高了系统测量精度。

关键词:陀螺;惯性测量单元(IMU );滤波;数据融合中图分类号:V241 文献标识码:A

Dynamic Zero Output Adjustment and System Error Compensation B ased on

Low Cost Vibration G yro

L IU Yu 1,2,L IU Jun 1,L I Lei 2lei 2,SUN Yan 2bin 1,L I Q iu 2jun 1

(1.College of Optoelectronics Engineering ,Chongqing University of Post s and Telecommunications ,Chongqing 400065,China ;

2.College of Optoelect ronics Engineering ,Chongqing University ,Chongqing 400044,China )

Abstract :The sensor signal filtered through fast wavelet and compensated by Grey model was proposed accord 2ing to the characteristics of signal and noise output.Grey accumulate operation (A GO )was adopted to achieve the regularly single 2mapping f unction and the model of single 2mapping of gyro’s zero output in three dimension coordi 2nates.The model based on the Grey neural network approximated the f unction of created by the A GO algorithm and improved the measurement accuracy of IMU.At the same time ,the active threshold based on the f usion algorithm was used to optimize the measurement datum of gyro and accelerometer.Experiments proved these method and algo 2rithm increased the system ’s accuracy successf ully.

K ey w ords :gyro ;inertial measurement unit (IMU );filter ;data f usion

在飞行器低速运动或俯仰和横滚方向改变时,陀螺的模拟输出实际是围绕静态零位点的正负变化曲线。捕捉这种运动状态下的零位一直是姿态测量领域的难点,文献[122]采用硬件实现的动态零位补偿,但效果不好。

惯性测量单元(IMU )要实现动态测量,陀螺必须在整个测量时间和工作温度范围内有效补偿零位漂移。零位漂移是一个非线性、非平稳的随机过程,传统的补偿和修正方法很多,常用的方法有回归分析法和曲线拟合法。这些方法的共同处是为消除某种非目标参量对传感器输出特性的影响,系统中必须有相应的设置来测量该目标参量的敏感元件,以测量当前非目标参量的实际值,然后按照传感器事先已有的标定曲线加以修正。但这会增加系统的复杂度和硬件成本,且也只能针对其中的主要因素。目前采用的自回归(AMA R )建模对传感器零位输出进行模拟的方法很难建立准确稳定的AR 模型。基于小波分析的趋势项提取方法[3]过程繁杂,且本身存在一定的限制,这种限制在通常情况下会造成虚假的谐波,而依此进行的一系列分析也将失去原有的物理意义。将小波分析理论引入建模数据的预处理,可抑制冲击干扰噪声,提高神经网络的建模精度,但对逐次启动参数的不一致和多值对应的性能参数并不能很好地模拟[4]。神经网络得到的近似补偿模型包含了所有的非线性影响因素,但建模精度将受数据随机性的影响,随机性越大,建模精度越低,反之亦然。因此,如果在不充分考虑影响陀螺漂移的温度因子和时间因子等多种因素,对数据进行有效的预处理以降低其随机性,则会降低神经网络的建模精度。

本文首先对传感器输出信号进行预处理。根据陀螺输出信号特点对原始信号进行快速小波滤波预处理,实现对数据奇异点的检测和去除[5];加速度传感器、角速度传感器、温度传感器采集经过快速小波滤波预处理后的相应信号,送入DSP 完成数据融合计算,应用灰色理论建模,运用累加生成A GO 操作,对数据融合计算后给定的陀螺零位漂移数据进行预处理[6]。然后再以时间和温度为输入根据灰色

第30卷第6期

压　电　与　声　光

Vol.30No.62008年12月

PIEZO EL ECTECTRICS &ACOUSTOOPTICS

Dec.2008