基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析.针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较.在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络.     

航姿参考系统中磁航向传感器误差标定与补偿

对于航姿参考系统中磁航向传感器的输出精度来说,误差环境对其精确度的影响起着很大的作用.为了校正磁航向传感器的误差,提出了一种基于改进最小二乘法的椭球拟合法,对三轴磁传感器误差做快速标定补偿.首先,对磁航向传感器的误差产生机理进行有效分析,然后,针对分析结果建立误差椭球模型,推导出误差系数的解算公式,利用改进的椭球拟合方法对磁航向传感器进行标定和补偿.实验结果表明,改进的椭球拟合方法能够正确快速的标定补偿磁航向传感器的零偏误差、非正交误差、灵敏度误差,在解决当前磁传感器标定补偿计算量大、操作时间长、标定设备要求高等问题上达到了预期的效果,具有补偿效果显著,简单易行等特点.     

微型航姿系统中磁传感器温度漂移补偿研究

研究了微型航姿系统中地磁传感器的温度特性,根据地磁传感器噪声的频谱特性,设计了带阻数字滤波器;基于地磁传感器测量原理分析传感器输出电压随温度变化的规律,利用多项式相消的方法建立磁传感器温度漂移误差的实时补偿模型,并应用于微型航姿系统的磁航向解算。多次试验结果表明:地磁传感器零偏模型具有良好的重复性,实时温度漂移误差补偿模型可以有效地补偿地磁传感器引起的温度漂移误差;缩短了系统的预热时间,提高了系统输出的磁航向精度。     

一种基于超限学习机的电子磁罗盘非线性误差补偿方法

针对磁罗盘传感器非线性校正中现有方法的不足,提出采用小波函数和双曲正弦函数作为超限学习机(ELM)的激活函数,并将此改进超限学习机用于磁罗盘的校正.同时,阐述了传感器的非线性校正原理,磁罗盘航向误差模型及改进超限学习机的实现过程,并分别采用BP神经网络法和传统ELM对磁罗盘进行非线性校正.实验结果表明,改进ELM算法补偿后最大误差为0.103°,均方根误差为0.0596°,优于BP神经网络算法(补偿后最大误差为0.5°,均方根误差为0.1805°)和传统ELM神经网络(补偿后最大误差为0.21°,均方根误差为0.1056°).     

磁罗盘误差分析及补偿

磁罗盘已被广泛地应用在民用及军事领域,误差补偿是磁罗盘研究中的一个关键技术.在分析磁罗盘误差的基础上,主要针对对磁罗盘影响最大同时最难控制的磁罗差,提出了一种基于BP网络的补偿方法,并建立以测量航向角为输入、补偿后航向角为输出的三层BP网络模型.实验证明,用该方法可以较好地补偿磁罗差且补偿后航向误差均方差仅为0.392 55.     

三轴磁罗盘高精度误差补偿算法研究

介绍了倾斜补偿下三轴磁航向测量的基本原理,分析了航向误差的形成原因。根据罗差分解和正交修正基准轴的概念,本文提出了一种基于二次正交修正的高精度磁航向误差补偿算法,该方法具有补偿精度高,算法简单等优点。文章给出了该算法应用于HMR2300型磁罗盘进行航向测量的实验结果,说明了该算法的可行性和有效性。     

三轴磁罗盘的高精度误差补偿算法研究

介绍了倾斜补偿下三轴磁航向测量的基本原理,分析了航向误差的形成原因.根据罗差分解和正交修正基准轴的概念,本文提出了一种基于二次正交修正的高精度磁航向误差补偿算法,该方法具有补偿精度高,算法简单等优点.文章给出了该算法应用于HMR2300型磁罗盘进行航向测量的实验结果,说明了该算法的可行性和有效性.     

无人机捷联航姿系统误差分析与补偿

针对由三轴磁传感器、三轴微机电系统(MEMS)加速度计和三轴MEMS速率陀螺构成的无人机捷联航姿参考系统(AHRS),在详细分析3种传感器误差来源的基础上,建立了与之相适应的误差数学模型;根据传感器自身特点和九轴传感器的测量特点提出了相对应的误差补偿算法.试验结果表明:磁通门传感器的航向角最大误差由补偿前15°降低为补偿后1.6°;补偿后加速度计的俯仰角最大误差为0.25°,倾斜角最大误差0.35°;速率陀螺的静态误差补偿在3.5 min之内航向角误差为±0.3°,俯仰角补偿后误差±0.4°,倾斜角补偿后误差±0.4°;当速率小于15°/s时,动态误差控制在±1°.     

姿态航向测量与误差补偿方法研究

设计了一种基于MEMS陀螺仪、加速度计、磁传感器的小型姿态航向参考系统;以四元数和角速率偏差为状态矢量,磁场强度和加速度计信息为量测矢量,构建基于Kalman的四元数姿态航向解算方法;通过调整测量噪声方差矩阵,解决动态过程中由于运动加速度造成的姿态角误差;采用陀螺仪误差建模和磁航向罗差补偿技术,进一步提高了系统测量精度。根据飞行数据分析,姿态航向参考系统具有较高测量精度和较好的稳定性、动态性,姿态角均方根误差小于1.5°,航向角均方根误差小于3°。     

无人机航向测量抗差补偿滤波技术研究

针对角速率陀螺误差随时间积累和电子磁罗盘易受外界干扰的问题,为提高低成本自主导航精度,设计了角速率陀螺和电子磁罗盘信息融合的组合方案。并对传统的补偿滤波方法进行改进,提出一种能够检测出电子磁罗盘的低频干扰,并对干扰误差进行剔除的抗差补偿滤波算法。通过对角速率陀螺和电子磁罗盘进行误差建模和仿真实验可知,抗差补偿滤波器可以有效地抑制磁罗盘高频干扰误差和角速率陀螺的积累误差,同时,也可很好地抑制磁罗盘的低频干扰误差。结果表明：研究的抗差补偿滤波算法效果明显,是一种简单可靠的航向融合方法。     

基于MLP神经网络改进组合导航算法

为解决GPS信号失锁条件下,GPS/INS(inertial navigation system)组合导航系统解算精度降低甚至发散的问题,提出采用多层感知机神经网络(multilayer perceptron neural networks,MLPNN)来辅助组合导航系统。在GPS信号有效时对神经网络进行训练,在GPS失锁时利用神经网络对INS的导航误差进行修正,实现组合导航的连续性。跑车实验数据表明,GPS信号失锁360 s左右时,MLPNN辅助的组合导航方法最大位置误差在40 m以内,相对于纯惯性导航推算降低了35%的误差。该算法对GPS失锁后抑制GPS/INS组合导航系统误差快速发散、提高导航解算精度有显著效果。     

一种应用磁强计提高导航系统航向精度的方法

针对静止与匀速运动状态下低成本SINS/GPS组合导航系统航向角可观性差的问题,采用磁强计与低成本SINS/GPS构成新的组合导航系统,以提高系统的航向精度.给出了完整的组合导航系统卡尔曼滤波模型,利用Simulink进行了仿真实验.仿真结果表明:在静止与匀速运动状态下,SINS/GPS组合导航系统航向角误差发散,而SINS/GPS/磁强计组合导航系统的航向角有效收敛.利用某型系统进行了静态实验,实验表明:在传感器精度较差的条件下,SINS/GPS/磁强计组合系统航向角仍可以有效收敛,收敛后姿态角误差标准差小于0.2.静态实验验证了该方法在实际应用中的有效性.     

PERFORMANCE ANALYSIS OF VARIOUS ARTIFICIAL INTELLIGENT NEURAL NETWORKS FOR GPS/INS INTEGRATION

An aircraft system mainly relies on a Global Positioning System (GPS) to provide accurate position values consistently. However, GPS receivers may encounter frequent GPS absence because of ephemeric error, satellite clock error, multipath error, and signal jamming. To overcome these drawbacks, generally a GPS is integrated with an Inertial Navigation System (INS) mounted inside the vehicle to provide a reliable navigation solution. INS and GPS are commonly integrated using a Kalman filter (KF) to provide a robust navigation solution. In the KF approach, the error models of both INS and GPS are required; this leads to the complexity of the system. This research work presents new position update architecture (NPUA) which consists of various artificial intelligence neural networks (AINN) that integrate both GPS and INS to overcome the drawbacks of the Kalman filter. The various AINNs that include both static and dynamic networks described for the system are radial basis function neural network (RBFNN), backpropagation neural network (BPN), forward-only counter propagation neural network (FCPN), full counter propagation neural network (Full CPN), adaptive resonance theory-counter propagation neural network (ART-CPN), constructive neural network (CNN), higher-order neural networks (HONN), and input-delayed neural networks (IDNN) to predict the INS position error during GPS absence, resulting in different performances. The performances of the different AINNs are analyzed in terms of root mean square error (RMSE), performance index (PI), number of epochs, and execution time (ET).     

行人导航系统中航迹推算参数估计方法的研究

将GPS/DR组合导航技术应用到行人导航系统中。利用加速度计对行人步态进行判别,将神经网络用于行人步幅信息的标定。同时利用电子罗盘实现方位角的测量,并结合加速度计信息进行倾斜角度的误差补偿。现场测试结果表明,本文提出的DR参数估计方法不但提高参数估计的精度,而且能够满足行人导航定位的要求。     

自适应联邦卡尔曼滤波在机器人组合导航系统中的应用研究

利用里程计(OD)与全球定位系统(GPS)辅助捷联惯性导航系统(SINS)构成一种高可靠性的组合导航系统.推导并建立了局部滤波器的数学模型,并针对联邦滤波器在载体发生异常扰动时滤波精度较低的问题,设计了基于SINS/GPS/OD组合导航系统的自适应联邦滤波器,有效补偿了系统异常扰动或动力学模型误差.仿真模拟了机器人的全航线运行轨迹进行验证,仿真结果表明,SINS/GPS/OD组合导航系统的自适应联邦卡尔曼滤波算法与相同组合导航系统的非自适应联邦卡尔曼滤波算法相比,在保障机器人导航定位可靠性及容错能力的前提下,能有效抑制异常扰动的影响,导航精度得到进一步改善.     

基于Cortex-M4的多传感器组合导航系统设计

针对移动机器人导航定位需求,设计了一种低成本、便携式的多传感器组合导航系统.采用ARM Cortex-M4内核的STM32F407处理器为电路核心,利用微惯性测量单元(MIMU)、全球卫星定位系统(GPS)以及电子罗盘作为导航数据源,进行了相关的硬件设计;采用移动导航平台进行实验验证,通过实测数据进行分析,结果表明:该组合导航系统可以有效提高导航精度,使其导航定位经纬度误差稳定在1.0m左右,航向角误差稳定在0.8°以内,对移动机器人导航有一定的参考价值.     

磁通门与GPS组合导航在水下航行器的应用

为了实现水下航行器的精确导航,利用磁通门罗盘和GPS组成了组合导航定位系统,介绍了组合导航定位系统的工作原理.为了克服环境干扰对GPS信号接收的影响以及GPS的定位偏差对导航系统的影响,采用了卡尔曼滤波技术进行了航位推算并对GPS的定位偏差进行了校正,最终的仿真结果表明该组合导航定位系统的定位精度较GPS的定位精度有了较大的提高,能够满足水下航行器导航定位的要求.     

TCM3电子罗盘的特性与应用

电子罗盘正广泛应用于各类导航定位系统中。介绍了TCM3电子罗盘的特性,详细说明了TCM3的控制编程和航向、俯仰、横滚等参数的读取,利用TCM3和GPS组合实现在农业机器人控制平台上的导航应用。经试验测试,TCM3在农业机器人导航平台上航向精度为±1℃,能够满足大部分精准农业应用的需要。     

列车组合导航系统研究与仿真

提出了一种列车组合导航系统.首先,采用低精度的惯性传感器构成简易惯性测量装置(IMU),设计了该简易IMU的安装结构,并给出了其导航定位解算方法.然后,将简易IMU与GPS构成组合导航系统,分析了IMU和GPS各自的误差源,并建立了组合系统误差模型,从而利用卡尔曼滤波技术设计了IMU/GPS列车组合导航算法.仿真结果表明,该IMU/GPS列车组合导航系统具有精度高、可靠性好、成本低等显著优点,非常适用于列车导航定位.