姿态误差算法的比较及研究

姿态解算一直以来都是导航系统研究的重点,保证被测量载体的姿态信息的精确解算则是一项重要的任务,由于刚体的不可交换性,导致误差的出现,在圆锥运动下产生的圆锥误差是惯导系统的重要误差源,对此提出一种改进的圆锥误差补偿算法并与捷联惯性导算法比较,并以典型圆锥运动做为输入,对其进行数字仿真分析,通过改变经典圆锥运动部分参数,检验圆锥误差补偿的解算过程精度,得出改进的圆锥误差补偿算法是解决圆锥误差的有效方法。     

基于离散傅里叶变换的姿态算法研究

捷联惯性导航系统已经在航空航天的各个领域中获得了广泛应用.捷联惯性导航系统根据固定在载体上的陀螺仪输出的角度或者角速率信息实时计算载体相对于惯性参考系的姿态变换矩阵.为确保姿态实时计算精度,根据信号处理中信号重构的相关理论,利用角速率信息求解四元数姿态微分方程的离散傅里叶方法,并以典型圆锥运动作为输入条件对算法进行仿真.仿真结果表明,提出方法在高动态角运动环境下的解算精度要优于四阶龙格库塔算法,由圆锥运动引起的俯仰角算法漂移误差也要小于四阶龙格库塔方法.     

四阶龙格库塔算法在捷联惯性导航中的应用

为了提高捷联惯性导航的精度,降低算法结构复杂度,解决惯性导航精度不能满足实际需要的矛盾,将四阶龙格库塔算法应用于捷联惯性导航算法的姿态和速度解算,优化了捷联惯性导航算法.首先根据前人的研究结果实现解算姿态、速度和位置的高精度数字积分算法.再根据龙格库塔算法的原理,推导得出了利用四阶龙格库塔算法的姿态和速度解算方法.然后利用轨迹发生器所产生的仿真数据分别验证并得到高精度数字积分算法以及龙格库塔法解算出的导航结果的误差特性曲线,两者比较,证明使用四阶龙格库塔算法的导航解算精度要高于使用高精度数字积分算法,为提高捷联惯导的导航性能提供了科学依据.     

一种角速率输入下二次优化的单子样旋转矢量姿态算法

姿态解算是惯性导航中的关键技术,旋转矢量法可以补偿转动的不可交换性误差。针对多子样旋转矢量算法会降低姿态更新频率的问题,本文提出了一种利用当前以及前一时刻角增量信息和当前以及前N个时刻角速率信息求解更新旋转矢量的单子样角速率旋转矢量姿态算法,并在传统的误差补偿系数圆锥优化方法的基础上,设计了周期项的算法系数优化准则,对周期项的误差补偿系数进行二次优化。实验结果表明,本文提出的角速率输入下二次优化的单子样旋转矢量姿态算法既具有较高的姿态解算精度,又可以将姿态更新频率提高至惯导采样频率,即与N子样旋转矢量算法相比姿态更新频率可提高N倍,具有一定的工程应用价值。     

基于Mahony与误差状态卡尔曼滤波融合的姿态解算方法

针对惯性测量单元(IMU)精度较低的问题以及传统姿态解算算法误差较大的缺点,提出了一种基于IMU的融合Mahony滤波与误差状态卡尔曼滤波(ESKF)的姿态解算方法。为降低因非重力加速度及磁干扰所带来的误差,根据加速度计和磁力计的置信度设计两个不同的自适应PI控制器改进Mahony算法,IMU测量数据经其解算,作为ESKF的量测值。ESKF将真实状态定义为名义状态与误差状态的组合,间接完成对系统状态的估计。因误差量为小量,所以误差状态线性化时的误差更小,雅克比矩阵的计算更简单。经实验验证,相较于传统姿态解算算法,融合算法能有效减少高频噪声、数据漂移带来的误差,提高姿态解算精度。     

基于加速度分离算法的姿态测量方法研究

针对运动状态下探测器姿态解算精度不高的问题,提出了一种基于加速度分离算法的姿态测量方法。首先,分别利用椭球拟合法和建模法对加速度计、陀螺仪进行误差补偿,保证了MEMS传感器初始测量数据的精度。其次,提出了一种分离运动加速度的方法,以消除运动对加速度计测量数据的影响。最后,结合加速度分离算法实现了基于卡尔曼滤波器的高精度姿态解算。模拟实验结果表明,该姿态测量方法具有较高的精度和抗干扰能力,在变加速运动时姿态误差减小了70%以上,满足了设计的要求。     

管道地理坐标测量误差校正方法的研究

设计采用轻便的低精度MEMS惯性器件搭载管道清管器的方法实现管道地理坐标的内检测,由于器件精度较低,惯导算法的误差不断累积,不能满足定位要求。根据这一问题,通过里程轮校准检测器的速度,通过重锤校准检测器的姿态角,里程轮和重锤的误差不会累积,可以提高定位的精度;采用误差补偿方法,建立了姿态,速度和位置的误差模型,将里程轮和重锤的输出与惯导计算的结果之差作为观测量,建立观测方程;误差模型利用倾角表示姿态角误差,产生非线性问题,为此,采用无迹卡尔曼滤波方法,在惯导算法中对滤波估计的误差进行补偿。结果表明,利用该算法可以降低误差的影响,实现内检测条件下管道地理坐标的测量,具有一定的应用价值。     

高精度游移方位捷联惯导系统的数字仿真

捷联惯导系统的数字仿真对于系统设计、方案论证和算法研究有着重要的意义,特别是游移方位捷联惯导系统.因此通过完成轨迹发生器、仪表仿真和捷联解算来实现游移方位捷联惯导系统的全数字仿真.在此基础上,通过研究三样子圆锥误差补偿和三样子划船误差补偿来提高捷联惯导系统的精度和稳定性,并进行了仿真比较.     

基于四元数姿态估计的捷联惯导初始对准算法

针对传统动基座捷联惯导系统OBA粗对准算法,在低精度传感器中,易受到陀螺零偏的影响,存在累计误差导致观测矢量精度低的缺点,本文研究了基于四元数的无迹卡尔曼滤波来进行载体的姿态估计.该方法可以估计陀螺仪的零偏,并在预测方程中将其去除,能够有效地抑制陀螺零偏带来的累计误差,从而提高姿态误差角的收敛精度.最后设计了仿真与车载实验,验证本文所研究算法的有效性.     

基于捷联惯导/里程计的车载高精度定位定向方法研究

研究了一种基于捷联惯导系统和里程计进行车载高精度定位定向的方法;采用里程计与捷联惯导中的陀螺仪构成航位推算系统,建立了航位推算系统的误差模型;为了增强航位推算姿态误差的估计效果,将载车姿态与位置信息一起作为量测,构建组合定位定向的量测方程;采用Sage-Husa自适应滤波设计捷联惯导/里程计组合定位定向算法,以增强算法对外界环境和载车机动的鲁棒性;仿真结果表明,基于捷联惯导/里程计的车载定位定向方法能够达到±20.4m(3σ)的定位精度,航向精度达到±3.1′(3σ),水平姿态精度达到±0.6′(3σ)。     

基于星敏感器/光纤陀螺的卫星定姿算法

为了达到卫星三轴姿态确定的精度要求，以某一对地定向的小卫星为研究对象，提出了基于滤波算法的星敏感器和光纤陀螺组合定姿的方案。采用四元数的方法建立卫星姿态确定模型，并采用扩展卡尔曼滤波，对得到的卫星姿态误差和陀螺漂移误差信息进行信息融合和相应的修正。仿真结果表明，即使采用中等精度的陀螺组件，也可以实现高精度定姿；并且验证了星敏感器的测量噪声和滤波周期等因素对定姿精度的影响。     

基于恒星敏感器的姿态确定算法研究

星敏感器是一种精度极高的姿态敏感器。基于恒星敏感器的姿态确定问题,从理论上推导了利用TRIAD算法,QUEST算法和Euler-q算法求解姿态矩阵的公式;以Wahba损失函数为指标,利用确定已知的方向余弦阵、恒星观测矢量及在噪声干扰下的星敏感器的观测矢量,对比研究了各种算法的优缺点。利用一个标准星表,通过仿真计算验证了上述三种算法的正确性和有效性。     

基于EKF的航天器姿态确算法定及精度分析

采用陀螺和星敏感器组合的方式来进行航天器姿态确定。首先建立了陀螺和星敏感器的测量模型,选择以四元数作为描述航天器姿态的参数,详细推导了在小偏差下以误差姿态角和陀螺常值漂移误差为状态量的滤波状态方程,并且以星敏感器的测量残差作为量测量,采用扩展卡尔曼滤波（Extended Kalman Filter, EKF）算法进行姿态确定;然后进行了仿真分析,仿真结果表明：该算法可以达到较高的姿态确定精度;最后对影响姿态确定精度的硬件因素和软件因素进行了定量的数据分析,得出了有一定意义的结论,从而为工程实践提供理论支持。     

基于神经模糊PID控制的四旋翼飞行器算法

四旋翼飞行器在执行任务时经常会出现稳定姿态精度低,抵抗干扰能力差等问题,提出一种神经模糊PID控制算法来调整原有模糊PID控制的模糊规则和隶属度函数,将设计的神经模糊PID控制算法与建立的四旋翼飞行器动力学模型相结合.为了验证神经模糊PID控制器的有效性,将传统PID、模糊PID控制算法作为对比算法,同时给定人为干扰因素.经过Matlab/Simulink仿真实验表明:在神经模糊PID控制下的四旋翼飞行器,具有较好的响应速度,稳态精度及更好的抗干扰能力,控制效果均优于对比算法.     

Nesterov加速梯度无人机姿态融合算法

传统的无人机梯度下降姿态融合算法的步长难以确定,收敛较慢,动态性能较差,并且对于非重力加速度敏感．针对上述不足,提出了一种Nesterov加速梯度姿态融合方法,融合加速度计与陀螺仪数据并对非重力加速度作抑制处理;利用Pixhawk开源飞控实验平台进行多组对比试验．实验结果表明,Nesterov加速梯度姿态融合算法在机体静止时误差在0.05°之内,在水平滑动实验中产生的误差在0.5°之内,在绕轴转动实验中角度跟随性好、无明显滞后,在实际飞行实验中也获得了良好的实验结果．因此,Nesterov加速梯度姿态融合算法收敛速度明显优于普通梯度下降姿态解算法,抑制非重力加速度的能力明显优于互补滤波与梯度下降法,可有效跟踪无人机的真实姿态变化．     

一种基于MEMS传感器的无人飞艇航姿测量系统

提出了一种基于微机电系统(MEMS)惯性传感器的航姿测量系统。分析了一些传统姿态解算算法融合过程中的不足,提出一种高效的融合算法,利用梯度法将加速度计和磁力计对地球重力场和磁场矢量的观测量去修正陀螺给出的姿态信息。针对实际测量系统中振动对姿态的干扰问题,提出切比雪夫II型低通数字滤波器进行传感器数据预处理,并结合运动状态修正融合算法从而进一步抑制振动。通过实验表明:该系统的算法具有较低的计算负荷,能有效地估计出姿态,抑制振动有害加速度对姿态估计的影响,测量动态误差小于2°,静态误差小于0.8°。     

基于四元数衍生无迹卡尔曼滤波的二段式多旋翼无人机姿态估计算法

对传统多旋翼无人机姿态估计算法难以兼顾高精度、强实时性以及抗干扰能力差的问题,首先基于一种计算量较小的衍生无迹卡尔曼滤波算法,在量测更新中,将加速度数据和磁力计数据分为两个阶段进行姿态四元数校正处理,然后从旋转四元数的本质出发,推测出四元数各元素分别包含着不同的姿态角信息,最后将校正四元数分别乘上为降低校正过程中的相互干扰所设计的系数,提出一种基于四元数衍生无迹卡尔曼滤波的二段式多旋翼无人机姿态估计算法.通过使用PIXHAWK飞控数据,与传统姿态估计算法进行仿真实验对比,实验表明,本文提出算法与传统使用扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)的姿态估计算法相比,在实时性、解算精度和抗干扰能力方面有较大提升.     

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.     

基于混合滤波的四轴飞行器的姿态解算

针对四轴飞行器的姿态解算出现的姿态角数据漂移问题,提出一种基于Mahony滤波和互补滤波相结合的混合滤波算法,将传感器采集到的加速度、角速度以及磁场强度数据进行融合,利用加速度计和磁力计的向量偏差来对姿态解算过程中陀螺仪产生的积分累计误差进行修正.最后,建立姿态解算测试平台对混合滤波算法进行实验验证.实验结果表明,采用混合滤波算法的一次迭代滤波所需的平均用时为3.826 ms,比其他算法的平均用时短,混合滤波能有效地修正陀螺仪的积分累计误差,在降低运算复杂度的同时提高姿态解算的精度.     

A Comparison of Prediction Accuracy,Complexity, and Training Time of Thirty-Three Old and New Classification Algorithms

Twenty-two decision tree, nine statistical, and two neural network algorithms are compared on thirty-two datasets in terms of classification accuracy, training time, and (in the case of trees) number of leaves. Classification accuracy is measured by mean error rate and mean rank of error rate. Both criteria place a statistical, spline-based, algorithm called POLYCLSSS at the top, although it is not statistically significantly different from twenty other algorithms. Another statistical algorithm, logistic regression, is second with respect to the two accuracy criteria. The most accurate decision tree algorithm is QUEST with linear splits, which ranks fourth and fifth, respectively. Although spline-based statistical algorithms tend to have good accuracy, they also require relatively long training times. POLYCLASS, for example, is third last in terms of median training time. It often requires hours of training compared to seconds for other algorithms. The QUEST and logistic regression algorithms are substantially faster. Among decision tree algorithms with univariate splits, C4.5, IND-CART, and QUEST have the best combinations of error rate and speed. But C4.5 tends to produce trees with twice as many leaves as those from IND-CART and QUEST.