惯性/双目视觉里程计深组合导航方法

针对现有视觉里程计测量噪声大、匹配精度低、实时性差的问题,研究一种基于Kalman滤波器的惯性/双目视觉里程计组合导航方法.在视觉里程计中引入惯性导航信息,辅助完成实时图截取、搜索区预测、输出速度校正等功能,提高视觉里程计的测量精度与计算速度.利用Kalman滤波器,实现视觉里程计对惯导累计误差的修正,提升组合导航系统的导航精度.车载试验结果表明,惯性/双目视觉里程计深组合导航的实时定位精度优于0.5％D (CEP),具备工程应用条件.     

基于测距测角信息的DG-IEKF相对导航算法

在自主近距空中加油过程中,无人机通常利用机间数据链进行导航数据共享,解算获得高精度的相对导航信息.机间数据链受扰中断时,在常规相对导航策略失效的情况下,无人机通过搭载的态势感知传感器对未知环境进行探索.针对受油机与非合作目标加油机间中远距离相对导航问题,提出了一种测距测角信息下的相对状态估计算法.考虑到测距测角信息下算法的强非线性,在迭代扩展Kalman滤波(Iterative Extended Kalman Filter,IEKF)的基础上,利用信赖域狗腿(DG)优化算法,提出了一种DG-IEKF算法,并推导了该算法在迭代过程中的状态更新方程与协方差阵更新方程,最后给出了该算法的相对导航仿真结果.仿真实验结果表明,该算法导航精度优于现广泛使用的扩展Kalman滤波算法(Extended Kalman Filter,EKF)与IEKF算法,在RMSE方面与EKF相比,相对位置综合精度提高了35.55％,相对速度综合精度提高了19.20％,具有较高的可靠性与稳定性.     

自适应UKF在北斗定位算法中的应用

北斗导航系统发展日益成熟，介绍了北斗定位解算与GPS解算的差异，针对扩展Kalman滤波(Extended Kalman Filter，EKF）算法在北斗解算过程中容易引入非线性误差，无迹Kalman滤波(Unscented Kalman Filter，UKF）算法受初值和系统噪声影响较大问题，提出了一种自适应无迹Kalman滤波(Adaptive Unscented Kalman Filter，AUKF）北斗定位解算算法。该算法利用观测残差信息构建自适应渐消矩阵，消除量测噪声异常带来的影响，同时提高了滤波精度。实验表明，与EKF和UKF定位解算算法相比，AUKF算法在定位精度和对系统噪声鲁棒性方面都有所提高，是一种可靠稳定的北斗定位算法。     

大角度斜置激光惯组与里程计组合导航方法

针对激光惯组斜置条件下惯组坐标系相对里程计坐标系是大角度的情况,建立了两坐标系之间的转换关系,推导了里程计输出转换的安装误差补偿模型,在补偿模型基础上给出了安装误差计算公式.以惯组位移与里程计位移之差作为量测值,建立了状态和量测方程,运用Kalman滤波技术实现惯组/里程计组合导航,最后通过跑车试验对提出的惯性/里程计组合导航方法进行了验证,结果表明了该方法的有效性.     

一种提高捷联惯性/里程计组合导航系统定位精度的后处理方法

测绘用捷联惯性/里程计组合导航系统多采用离线后处理技术.此类系统利用里程计位移微分获得的速度作为观测量,采用速度匹配,并通过待测路径中预置的Mark点校正航位推算的位置信息.本文建立了基于速度匹配的16维Kalman滤波模型,对全程采样数据进行正反向导航和滤波处理,以估计惯性器件和里程计的误差;在补偿相关误差后,再次进行正向导航和滤波解算,以获得更精确的姿态矩阵.随后,根据相邻两个Mark点之间的姿态信息进行航位推算,并更新里程计刻度系数、里程计与惯导间的姿态误差矩阵;若此Mark点间的位置误差过大,则重新进行航位推算以减小位置误差.结果表明,与传统正向滤波相比,采用该方法后系统的最大位置误差由1.72m降低到0.08m,定位精度提高了95％以上.     

陆用定位定向系统自主导航技术

由于车载自主导航精度受作战半径影响,长航时使用需要一定的保障条件,难于实现无依托发射的问题,提出了一种定向精度不受导航时间影响、定位精度不受作战半径影响的自主导航方案。通过分析惯性旋转调制导航、惯性/里程计组合原理及误差特性,采用罗经效应原理实现了高精度长航时自主定向;通过旋转调制导航抵消惯性器件误差的影响,利用航位推算隔离载体加速度和速度对罗经效应的影响,使航向误差完全可观,提升实时估计与修正精度。在此基础上引入了地图匹配技术进行自主定位,解决陆用定位精度与行驶里程相关的问题。仿真和试验结果表明,该技术采用地图信息辅助定位定向系统进行自主导航,在较低保障要求下,能够解决定向、定位误差积累问题,具有较强的理论意义和工程实用价值。     

基于路网匹配的多源自主组合导航技术研究

针对惯性/里程计组合导航易受环境影响的情况,引入路网匹配方法,以惯导/里程计组合导航历史轨迹数据与路网数据库进行全局匹配比较,从而得到当前导航位置的匹配点。将匹配点作为组合导航卡尔曼滤波器的量测输入,其滤波结果用于反馈校正惯导误差,通过不断迭代优化后,惯性/里程计/路网匹配组合导航能够提供高精度的位置信息。试验验证结果表明,该方法能将大部分定位误差控制在10m左右,证明了该方法的有效性与适用性。     

车载捷联惯导双里程计组合导航方法研究

针对当前车载捷联惯导与里程计组合导航时，将里程计安装在车底盘左侧或右侧位置而造成的导航误差，以及里程计信息未能真实反映车体中心的实际运行状态，研究了一种车载捷联惯导/双里程计组合导航方法。该方法分别在车底盘左侧和右侧位置各安装了一个里程计，将双里程计信息作为量测量，设计了组合导航融合算法进行Kalman滤波组合导航。在导航过程中对双里程计信息进行χ２检测，以避免车体作大转弯运行或有外部干扰时引起的里程计信息异常。跑车试验结果表明，该融合算法能使定位结果得到最优融合，定位误差整体减小到20m以内，最大处减小6m，离线分析进一步证明了该融合算法的有效性。     

惯性/里程计组合导航技术在管道定位中的应用

石油天然气管道担负着油气传输的重任, 定期对传输管道检测能使其安 全、高效地运行。为此设计了管道导航定位系统,用于对管道探伤位置的精确定位。管 道导航定位系统主要由激光捷联惯性导航系统与里程计组成,搭载在管道检测设备中。 通过测量、存储检测过程中的传感器信息,在检测结束后离线处理数据,得到管道导航 定位信息。通过对惯性/里程计分别进行误差分析与建模, 搭建了组合导航系统卡尔曼 滤波器模型, 进行了跑车试验与实际管道定位试验。试验结果表明该惯性/里程计组合 导航管道定位精度满足管道高精度定位要求。     

视觉/惯性组合导航技术发展综述

视觉/惯性组合导航技术是自主导航领域的重要研究方向之一。首先介绍了视觉/惯性组合导航技术的发展概况,然后从纯视觉导航(里程计、同步定位与构图)以及组合导航(滤波、非线性优化)2个层次介绍了传统的基于视觉几何与运动学模型的视觉/惯性组合导航方法,还介绍了近年来发展迅猛的基于机器学习的视觉/惯性组合导航方法。最后,简要介绍了视觉/惯性组合导航技术的典型应用及未来发展趋势。