GPS失锁时基于神经网络预测的MEMS-SINS误差反馈校正方法研究

GPS信号失锁时,MEMS-SINS组合GPS导航误差会随着时间迅速积聚而无法导航.提出一种基于RBF神经网络预测的MEMS-SINS误差反馈校正方法,GPS有信号时对神经网络进行训练,GPS信号中断时用训练好的RBF神经网络预测MEMS-SINS的导航误差.地面车载跑车试验,证实了训练后的RBF神经网络能很高精度地逼近MEMS-SINS/GPS组合导航系统输入与输出间的关系,在4个50s以内的GPS人为失锁过程中,该方法导航结果与参考系统比较,平均位置误差为3.8m,平均速度误差为0.6m/s,平均姿态误差为0.5°.     

低成本多传感器组合导航系统在小型无人机自主飞行中的研究与应用

 为了满足小型无人机自主控制系统对导航系统性能的要求，研究低成本的基于微机电系统的捷联惯性导航系统(MEMS-SINS)/全球定位系统(GPS)/磁强计组合导航系统。提出一种利用磁强计辅助MEMS-SINS的静基座初始姿态确定方法，采用四元数误差模型对MEMS-SINS/GPS/磁强计组合导航系统进行信息融合的建模，采用基于正交三角(QR)分解的平方根无色卡尔曼滤波(UKF)非线性估计方法对组合导航系统进行数据融合，克服由于计算机舍入误差引起的状态协方差阵的计算值失去非负定性甚至对称性，通过小型无人机的自主飞行试验，证实MEMS-SINS/GPS/磁强计组合导航算法满足小型无人机自主控制系统的要求。     

磁强计辅助基于MEMS惯性器件SINS的初始对准方法研究

针对微机电系统(MEMS)惯性传感器精度低而导致基于微机电系统捷联惯性导航系统(MEMS-SINS)无法完成初始自对准的问题,提出了一种利用磁强计辅助MEMS-SINS的初始对准方法,设计了3种不同的计算方案,并且对这3种方案进行了误差分析与仿真验证,为实际应用提供了良好的理论依据和技术支持。     

大失准角下MIMU空中快速对准技术

 为了提高微小型无人机空中的反应速度和作业精度，提出将基于模型误差预测的扩展卡尔曼滤波(MEP-EKF)方法应用在大失准角下微惯性测量单元(MIMU)的空中对准中，通过不同机动飞行策略的仿真结果，证实MEP-EKF算法不仅能够实时估计出系统的模型误差，而且将其与扩展卡尔曼滤波(EKF)和Unscented卡尔曼滤波(UKF)方法进行了仿真比较，结果表明MEP-EKF算法在方位误差角的估计上，取得了比EKF和UKF精度高的仿真结果，使得方位失准角由30°快速下降到1°左右，而且MEP-EKF所需时间仅是UKF的17%。     

大方位失准角MIMU空中对准建模及半物理仿真

由于快速性的要求,微小型无人机不经过地面精确初始对准就升空作业,因此MIMU(Micro Inertial Measurement Unit)空中对准在大失准角下进行. 为了提高微小型无人机空中的反应速度和作业精度,把非线性误差部分作为状态变量,建立MIMU在大方位失准角下无需小角度近似的空中对准的线性模型,同时为解决噪声不确定导致滤波器发散的问题,提出将AKF (Adaptive Kalman Filter)应用在GPS(Global Positioning System)辅助MIMU的空中对准中,半物理仿真结果证实其取得了比基于非线性误差模型的EKF(Extended Kalman Filter)精度高且速度快的结果,不仅使MIMU的方位失准角由60° 快速下降到2° 左右,且所需时间仅为EKF的67%.     

一种组合导航系统快速滤波方法及半物理仿真

在利用卡尔曼滤波器对数据进行处理时,协方差矩阵的预报运算过程需要的计算量最大,每一步迭代的计算量与n³(n为状态矢量维数)成正比,约占整个卡尔曼滤波过程70%的CPU时间.协方差阵预报计算过程中,数据输入输出所需要的传递工作量也最大.由于微小型飞行器导航系统采用小体积、低功耗、低成本的微处理器作为导航计算机,为了保证导航实时性的要求,提出了一种降维滤波器加矩阵外积法的快速滤波方法来减少MIMU(Micro Inertial Measurement Unit)/GPS(Global Positioning System)/MMC(Micro Magnetic Compass)组合导航滤波算法的计算量,以提高算法的实时性.半物理仿真试验结果表明:此种算法不仅可以提供较为满意的导航精度,而且大大减小了计算量,提高了系统的实时性.