基于磁阻传感器的数字航向仪设计

利用磁阻传感器的地磁测量原理,设计了一个三维数字航向仪.该文分析了载体姿态量测量和求解的过程,介绍了系统软硬件的设计.对系统误差产生的原因进行分析,提出了一套快速有效的补偿方法.并在3轴手动无磁转台上进行实验,实验结果表明,经过补偿后,能够有效地降低航向误差.     

基于扩展卡尔曼滤波的无人机航姿算法

针对小型无人机在大机动或连续飞行时姿态解算精度低的问题,提出了一种基于扩展卡尔曼滤波(Extended Kalman Filter, EKF)的航姿算法。该算法以机体系加速度分量与陀螺漂移作为待估状态量,建立了非线性滤波模型,在对传感器量测值预处理的基础上完成数据融合,获得了姿态角数据的准确输出,同时,根据外部运动加速度的大小不断调整噪声协方差以达到对EKF的自适应修正,从而抑制无人机航姿解算中磁干扰的影响。经三轴转台实验测试,姿态角的静态误差不超过0.5°,动态误差不超过2°,瞬变磁干扰误差不超过5°,该结果表明该算法能有效提高小型无人机的航姿解算精度。     

一种基于SVDCKF的无人机动态自适应航姿算法

针对小型无人机在复杂飞行条件下的航姿解算精度和鲁棒性问题,提出了一种动态自适应调节的奇异值容积卡尔曼滤波航姿估计算法。考虑到低成本航姿传感器随机偏差大的问题,将航姿传感器随机偏差作为待估计参数,以消除传感器随机偏差的影响。由于无人机航姿模型的非线性和滤波中协方差矩阵的非正定问题,设计了一种融合容积卡尔曼滤波(cubature Kalman filter, CKF)和奇异值分解(singular value decomposition, SVD)的非线性航姿滤波器来改善航姿解算精度。另外考虑到不同的飞行条件下,航姿传感器中三轴加速度对无人机航姿解算的影响,基于自适应滤波的思想,提出了一种动态自适应因子来不断地调节加速度测量噪声方差,提高了航姿滤波在复杂条件下的鲁棒性。实验结果表明,所提算法不仅有效地改善了非线性航姿模型的航姿解算精度,满足小型无人机的飞行需求,而且消除了航姿传感器随机偏差和三轴加速度测量噪声对航姿解算的影响,提高了算法的鲁棒性和抗扰性。     

基于地磁辅助惯性导航的状态反馈系统研究

针对MEMS技术的惯性传感器低精度的特点,提出一种高精度的组合导航算法,采用地磁辅助导航进行闭环校正,并对地磁的自差和航向角进行观测,以达到较高的惯性导航精度和更高的动态性能。实验证明,状态反馈的惯性导航系统能很好地克服惯导的误差累积,大幅度提高了地磁导航的抗干扰能力,得到较好的导航精度。     

非线性地磁/GPS/SINS组合导航方法

针对系统模型的特点,对平方根UKF算法进行了改进.改进后的平方根UKF与标准的平方根UKF相比,在保证状态方差非负定特性的同时,减少了滤波的计算复杂度.为了提高导航系统对姿态测量性能,针对姿态误差较大时线性导航误差方程无法使用的问题,推导出适用于大姿态误差角时的地磁姿态量测方程,并结合改进的平方根UKF算法设计了非线性地磁/GPS/SINS组合导航算法.利用Matlab对大姿态误差角时的非线性地磁/GPS/SINS组合导航系统进行了仿真.仿真结果表明,通过引入地磁姿态测量信息,非线性地磁/GPS/SINS组合导航系统可以直接观测载体的平台姿态误差,进而增强了组合导航系统对姿态误差的估计效果,且可以完成大姿态误差下的导航任务.     

GPS辅助的SINS系统快速动基座初始对准

为实现基于优化的动基座对准算法(OBA)对陀螺仪误差的估计,并使其能够应用于低精度SINS系统中,将自适应无迹卡尔曼滤波算法与OBA算法相结合,提出一种新的由GPS辅助的SINS系统快速动基座对准（FIMA）算法.该算法首先推导了陀螺仪常值漂移与失准角之间的关系,并以此构建非线性系统状态方程,然后用重力加速度和GPS输出速度的积分构建量测方程;由于系统存在非线性,提出使用UKF算法对失准角以及陀螺常值漂移进行估计;由于量测方程由速度和重力加速度的积分构成,量测噪声协方差难以确定,引入自适应滤波算法对量测噪声实时估计. 跑车实验结果表明:对于低精度SINS系统,该算法可在15 s左右将航向角误差收敛到3°以内,在3 min以后航向角误差可收敛到1°以内;与传统非线性动基座对准算法以及OBA算法相比,该算法可在无任何初始姿态信息的条件下快速对准,且能够对陀螺常值漂移进行在线估计和载体系失准角补偿,提高了动基座对准的精度和收敛性能.     

智能船舶自动舵系统自适应模糊输出反馈控制

针对智能船舶自动舵系统,考虑输入饱和、回转角速度未知和指定性能,提出一种自适应模糊控制算法.本文自适应模糊输出反馈算法采用状态观测器、辅助系统和误差转换系统,模糊逻辑系统用于估计未知非线性函数,状态观测器用于估计未知回转角速度状态,辅助系统和误差转换系统分别用于补偿不匹配控制信号和变换航向角追踪误差.基于Lyapunov方法证明了闭环系统内所有信号是有界的,仿真结果进一步验证了本文算法的有效性.     

基于粒子滤波和地图匹配的融合室内定位

为提高室内定位的精确性与合理性,该文提出使用粒子滤波融合WiFi指纹定位和行人航位推算,应用室内地图对定位结果进行匹配与矫正。地图匹配中,首先通过室内地图约束粒子的不恰当转移来解决粒子的穿墙问题,然后采用基于回退的穿墙矫正算法对行走轨迹中的穿墙现象进行矫正。仿真实验中,经过粒子滤波融合后估计的行走轨迹更加接近真实轨迹,优于WiFi指纹算法和行人航位推算算法估计的轨迹,而经过地图匹配与矫正后,定位精度和合理性得到进一步提高。     

无人机磁罗盘校准与航向解算实验系统设计与实现

针对无人机磁罗盘校准和航向解算缺乏专用实验系统问题,依据磁罗盘校准与航向解算相关理论,设计了以单片机为核心的实验系统.该实验系统使用永磁体模拟磁干扰,实现了磁场的采集、存储和显示;采用最小二乘法处理磁场数据,解算出硬磁干扰系数;利用姿态传感器,获取俯仰角、滚转角,以辅助无人机空中任意姿态飞行时航向的解算.经测试,该实验系统符合精度要求且易于使用.     

一种快速载体磁场补偿方法研究

在地磁导航应用中,地磁场的测量不可避免地会受到载体磁场的影响,降低了地磁导航的精度,因此必须对地磁测量数据中的载体磁场实时快速进行补偿.在详细分析载体上硬铁材料、软铁材料产生磁场在载体运动过程中的特性的基础上,提出了一种快速载体磁场标定及补偿方法.该方法本质上是将载体磁场补偿问题转化为椭圆拟合问题,利用带椭圆约束的最小二乘拟合方法对多于6个航向的捷联式三轴磁传感器测量数据进行椭圆拟合,进而实现载体磁场的快速标定和补偿.通过仿真试验表明,该方法具有简单快速,易于实现的特点,可以达到与磁传感器等精度的补偿效果,且在低信噪比情况下具有较强的鲁棒性.     

基于扩展卡尔曼滤波的两轮机器人姿态估计

针对两轮自平衡机器人惯性传感器存在误差的问题,提出基于扩展卡尔曼滤波的方法进行补偿,从而实现机器人姿态的最优估计.利用实验获得的惯性传感器误差特性,采用Levenberg-Marquardt非线性最小二乘迭代法拟合数据,从而建立机器人导航用惯性传感器陀螺仪和加速度计误差的数学模型,并对误差进行标定.采用扩展卡尔曼滤波将传感器的数据进行融合并对误差进行补偿,得到机器人姿态的最优估计.将滤波后的模型应用到两轮自平衡机器人系统,实验结果表明改进后的系统误差得到了有效的抑制,从而验证了采用低成本的惯性传感器进行机器人的姿态估计是有效可行的.     

多传感器信息最优融合

多传感器信息融合是指将经过集成处理的多传感器数据进行合成,形成对外部环境某一特征的一种表达方式的过程。利用置信区间估计的概念,检验了传感器测量值偏差;描述了传感器间的支持关系,确定了传感器数据的取舍;提出了一种最优融合方法,并且证明是有效的。     

利用预测滤波法估计小卫星姿态角速度

预测滤波法具有可直接处理线性或非线性模型、实时预测模型误差的优点。结合小卫星姿态运动学方程和预测滤波法,建立了简单的线性估计模型,实时估计姿态角速度,并保证了估计的最优性。仿真结果表明,对姿态角速度的估计精度较高,鲁棒性好。     

联合误差估计的机载超高分辨率SAR成像

针对机载超高分辨率合成孔径雷达存在运动误差严重影响成像质量的问题,提出一种联合误差估计的超高分辨率成像方法。首先,依据合成孔径雷达成像几何,将惯导投影到斜距平面坐标系,反演出运动误差,通过插值运算完成距离空变粗补偿;接着,为了有效结合运动补偿,采用改进施托克插值的距离徙动算法完成徙动校正;利用子孔径误差相位提取和全孔径拼接的方法,完成运动误差的精估计和补偿;采用图像偏移算法实现残余方位空变误差相位估计和补偿。完成以上徙动校正和运动补偿后,对方位全孔径数据进行匹配滤波,得到超高分辨率合成孔径雷达成像结果。采用所提算法对机载X波段和Ku波段实测数据进行成像,得到二维0.05m超高分辨率成像结果,验证了该方法的有效性和实用性。     

一种用于人体运动捕获的自适应混合滤波融合算法

针对基于惯性传感器的人体运动捕获系统存在陀螺漂移和噪声干扰等问题,提出一种多元传感器信息融合的自适应混合滤波融合算法。算法首先利用快速高斯牛顿法对加速度计和磁力计数据进行姿态信息迭代估算,用四元数将参考坐标系中的加速度和磁场强度分量转换到载体坐标中,将转换后的值与当前时刻测量值的差值代入高斯牛顿迭代算法中用于四元数的实时值估计,通过确定搜索步长的最优值来缩短迭代次数,提高算法收敛速度。设计自适应的互补滤波器将高斯牛顿法解算的姿态信息作为观测矢量对陀螺漂移进行补偿,分别使用高通滤波器和低通滤波器处理陀螺仪数据和高斯牛顿算法优化过后的加速度计、磁力计数据。在互补滤波器中引入重力矢量及地磁参考矢量自适应调节滤波器参数用于实时调整不同算法的权重大小,融合后输出最终的姿态信息,实现最优估计。进行实验对比分析本算法和其他算法融合效果,结果表明,本算法有效降低陀螺累积误差、线性加速度及磁场对解算精度的干扰,磁干扰状态下误差为0.94 °,自由运动状态下误差为1 °。对比扩展卡尔曼滤波融合算法,本文算法执行时间缩短25 %,有效提升了运动捕获系统的性能。     

非线性系统传感器故障诊断方法

传感器故障诊断的实施能够保证诊断系统获取实时准确信息,避免因错误的或可疑的信息千造成的负效应,保证数据的正确性,提高数据的可信度。因此,传感器的故障诊断是提高整个故障诊断系统可靠性的重要手段。基于强跟踪滤波器提出了非线性系统传感器故障诊断的一类算法,由于强跟踪滤波器方法是基于参数估计为主的一种方法,将系统的各种邦联都归结为一种参数偏差型邦联进行处理,所以,只要非线性系统的状态及参数是可以辨识的,那     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

Maximum likelihood registration for systemic error based on statistical linear regression

Generally,there are non-random systemic errors in target detection with the cooperative multi-sensor system.In order to solve this problem,a maximum likelihood registration algorithm based on statistical linear regression (SLR-MLR) is presented.The registration equation for the multi-sensor system is established first by jointly maximizing the likelihood function of the target state and systemic error,on the basis of which the proposed algorithm utilizes a set of diverse regression points to handle the linearization problem of the nonlinear measurement transformation.The regression equation for the target state with respect to unbiased measurement is constructed through statistical linear regression,and then the first two statistical properties of the projected state can be obtained.Moreover,the algorithm uses the likelihood maximization iteration to seek the solution of the registration equation,thus achieving the joint estimation for the systemic error and target state.Simulation results show that the SLR-MLR can achieve the registration of multiple sensors in each observation dimension,and has a higher accuracy and near computational complexity compared with the classical MLR.