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。     

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.     

一种基于ST-EKF的惯性/里程计滑动窗口滤波技术

针对在卫星拒止的复杂野外环境下传统的惯性/里程计组合导航系统存在的误差随时间积累和方差不一致的问题,提出了一种基于状态变换Kalman滤波(State Transformation Extended Kalman Filter,ST-EKF)的惯性/里程计滑动窗口滤波技术.一方面,引入滤波鲁棒性更好的ST-EKF替代扩...     

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.     

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。     

基于惯性/激光测距/视觉里程计组合的高空场景尺度误差估计方法

惯性/视觉感知信息融合导航定位技术是目前实现无人机不依赖卫星自主导航的最有效手段。但对于面向高空场景的大型无人机，惯性器件误差与视觉里程计尺度误差耦合且特征平面化导致可观测性下降。针对这一问题，提出了利用惯性/激光测距/视觉里程计组合实现尺度误差估计的方法。通过开展误差模型建立、激光测量点与图像中位置匹配、无人机平飞机动下系统可观测性分析等关键技术研究，实现了高空场景下尺度误差的精确估计。经过300m高度机载试验数据验证，算法精度优于1.5%D，对卫星拒止条件下高空无人机自主导航具有重要意义。     

捷联惯导系统/里程计自主式车载组合导航系统研究

利用里程计辅助捷联惯导系统构成一种完全自主式的车载组合导航系统.本文详细推导了里程计的速度误差方程.用捷联惯导系统解算出的速度量和里程计所测量的速度量之差作为组合导航系统卡尔曼滤波器的观测量,利用闭环卡尔曼滤波技术进行误差估计与校正,并给出了系统仿真结果.仿真结果表明该组合导航系统可有效地减小姿态、速度、经度和纬度等导航参数的误差累积.     

基于滤波和优化的惯性/里程计组合导航精度对比分析

在广泛使用的惯性/里程计组合导航应用中,一贯的方法是使用Kalman滤波器进行组合导航状态估计,展现出了强大的工程适用性。然而其对于历史状态没有修正,导致整体导航精度受限。而基于优化的方法可以平滑整体组合导航的轨迹,有望提升惯性/里程计组合导航的精度和鲁棒性。将优化方法与滤波方法在惯性/里程计组合导航应用中进行对比,分析在不同条件下优化算法和滤波算法的优劣。试验表明,基于优化的算法在含有稀疏位置观测的条件下能够比滤波算法定位精度更高。但是,无位置观测的条件下,滤波算法更加稳定和精确。可以得到：基于滤波的算法更加简单稳定,更适用于工程实践;基于优化的算法模型更加复杂,在观测约束更多的条件下能够得到更好状态估计结果。     

一种用于舰船CNS/RLG-SINS组合导航系统校准的分段估计方法研究

分析了“天文测姿+惯性导航”组合导航滤波模型的可观测性问题,在状态不完全可观的条件下,提出采用分段滤波的方法可以分别对加速度计误差和陀螺漂移误差进行有效估计,此方法仅要求每段滤波开始前外部提供一次准确的初始位置和速度信息。结合舰载导航需求背景,设计仿真模型。仿真结果表明：采用分段滤波方法,加速度计常值偏置和陀螺常值漂移均可以得到充分估计;对惯性器件误差进行标校、补偿后,24小时的位置误差可由补偿前的3.6海里减小到补偿后的0.5海里。     

基于注意力模型的视觉/惯性组合里程计算法研究

由于外界环境的干扰和传感器精度的限制,视觉/惯性组合里程计的输入数据存在一定的噪声,这会增加里程计的解算误差,而且误差会随着时间积累。针对以上问题,设计了一种基于注意力模型的视觉/惯性组合里程计算法。该算法使用卷积神经网络和长短时记忆网络分别构建了视觉特征提取器与惯导信息特征提取器,同时引入了两种注意力模型:加权组合网络以及开关组合网络,对视觉特征信息和惯导特征信息的融合噪声进行降噪处理。通过在组合里程计算法中添加闭环校正环节,有效地抑制了里程计误差随时间的积累。对比实验结果表明,设计的组合里程计算法与其他算法相比,无论在性能上还是在精度上都有明显的提升。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。     

基于PDR和磁场匹配的智能手机室内定位

目前，基于磁场的室内定位方法存在指纹采集无法快速建库的问题，导致匹配特征较少、无法快速进行匹配操作和航向角估计精度低。基于磁场梯度的快速近似，使用高斯牛顿迭代方法结合通过PDR测量的轨迹进行磁场轮廓匹配定位，提高了单点磁场指纹的可分辨性。基于步态模型的更新用作测量信息以改善C-INS的导航性能，提出了一种基于捷联惯性导航系统的行人航位推算算法。基于MFS参考位置，使用扩展Kalman滤波器控制PDR惯性导航的位置漂移误差，进一步提高了轨迹轮廓的精度。测试结果表明，该算法可以获得更好的位置估计和航向估计结果。     

车载里程仪参数的实时标定方法

针对里程仪输出的速度(或位置增量),其参数标定误差残差是影响定位定向系统性能的关键因素,传统里程仪参数标定方法需在行车过程中设置精确标志点,且有行驶路线受限的缺点,因此提出一种基于速度量测的定位定向系统误差实时估计和补偿方法.该方法将里程仪刻度系数误差、安装误差残差纳入状态变量进行实时估计并补偿,将惯性导航系统输出的速度与里程仪输出的速度进行对比,构建量测方程.设计跑车试验对该方法进行验证,结果表明该车载里程仪参数的实时标定方法,仅需要在里程仪安装在车辆上后,导航系统做一次正常罗经对准并转惯性/里程仪组合导航模式,在车辆正常行驶过程中,即可自动标定出里程仪参数误差,具有自主、灵活简便、精度高的特点,同时提高了惯性/里程仪组合导航系统定位精度.     

基于视觉的惯性导航误差在线修正

陀螺零偏和加速度计零偏是影响惯性测量单元(IMU)积分精度的重要因素。提供一组精确的实时的零偏估计可以提高IMU的积分精度,为视觉导航提供良好的位姿预测,提高整个系统的动态性能。通过合理地建立IMU的噪声模型以及IMU和视觉的组合方程,利用一种基于李群和李代数知识的IMU预积分方法将零偏进行合理的线性化,运用Kalman滤波进行IMU零偏的在线估计。实验结果表明,通过本文的修正方法,惯性导航的平均积累误差由0.034m/s提高到0.0037m/s,精度明显提高。     

北斗/惯性深耦合接收机速度误差特性研究

北斗/惯性深耦合接收机利用了惯性辅助和微惯性器件误差实时补偿技术,具有更好的高动态适应性与抗干扰能力。深耦合接收机中,惯性测量模块与接收机模块的信息相互利用,形成了2个闭合的误差传递通道:位置通道和速度通道。针对速度通道分析了误差传递特性。首先,考虑了三阶锁相环所实现的载波跟踪环路,在对组合滤波器进行简化的基础上,建立了速度通道的传递函数模型;然后,推导了惯性辅助误差到接收机速度误差的传递关系,分析了其误差特性;进一步将惯性辅助误差分为由惯性器件误差和由辅助信息更新率低引起的误差,分别分析了它们对接收机速度误差的贡献。分析结果表明:1)惯性辅助误差到接收机速度误差的传递模型表现为高通特性;2)由惯性器件误差所引起的速度误差,因受载波跟踪环路滤波器的作用而大大减小;3)比较而言,由辅助信息更新率低所引起的速度误差更为显著。     

平流层飞艇升降阶段BPNN惯性导航算法

软式平流层飞艇艇体在上升和下降时经常呈堆叠状态,GPS信号会被艇体间歇性遮挡,因而只能采用惯性导航。为保证在飞艇上升和下降过程中,INS/GPS组合导航系统在被艇体遮挡GPS时仍能够提供满足精度要求的导航信息,设计了一种改进的反向传播神经网络(Back Propagation Neural Network, BPNN）惯性导航算法。采用神经网络,根据惯性导航系统在1s内的速度均值和姿态变化量,预估其在1s末的位置误差和速度误差,并对惯性导航结果进行修正。仿真实验和跑车试验结果表明,在GPS失效的30s内,新算法使得位置误差低于15m,速度误差低于0.7m/s,误差相比纯惯性导航降低了85%。     

快速定位定向系统设计及车载实验研究

定位定向系统是能为载体提供精确地理位置坐标、指北方向和姿态角的导航系统,通常用于舰船、飞机、车辆等功能平台,为平台上的设备提供准确的位置和姿态参考信息.本文针对车载平台机动性高的特点,设计能够实现运动中对准的快速定位定向系统,开展捷联惯导数字递推算法、航位推算、多源信息组合导航、动基座对准算法、系统免标定、误差补偿等算法和技术研究.最后,开展静态对准、静态导航和动态车载实验研究.实验结果表明,动态对准时间小于5min,对准姿态精度小于1mil,方位保持精度小于1mil/2h,横滚角、俯仰角保持精度小于0.5mil/2h,里程计/惯导组合水平定位精度小于0.15％D,卫星/惯导组合水平定位精度小于10m.     

基于对偶四元数的INS/GPS组合导航算法研究

在基于对偶四元数的捷联惯导解算方法的基础上,推导了以惯性系作为导航系的惯导误差方程,在此基础上设计了卡尔曼滤波组合导航算法。通过激光惯导跑车采集数据,进行了仿真分析,试验结果表明,该组合导航算法能有效的消除惯导累积的速度误差和位置误差,相比于目前广泛应用的INS/GPS组合导航算法,本文描述了INS/GPS组合导航的另一种实现方式,获得了相当的精度,具有一定的工程应用价值。     

星敏感器安装误差标定技术研究

星敏感器是一类具有自主高精度姿态测量能力的仪器,输出姿态精度可达到角秒级。但实际组合导航应用中,星敏感器安装误差往往可达角分级,远远大于仪器本身误差,影响其使用品质,因此有必要在使用前对星敏感器安装误差进行建模标定。研究发现,星敏感器安装误差与惯导姿态误差存在耦合关系,难于分离。设计了一种快速标定方法,利用惯导输出姿态、位置信息以及星敏感器姿态输出构造观测量,建立卡尔曼滤波模型,通过滤波估计实现安装误差的地面标定。仿真结果表明,载体需要进行2个轴向上的机动才能将星敏感器三轴安装误差估计出来。相较于依靠外部基准姿态进行标定的方案,本方法具有快速高效、可操作性强等优点。