基于四元数互补滤波算法的车载MIMU

针对MEMS惯性器件由于测量精度低、数据易漂移而导致车载惯性导航系统姿态解算数据不稳定和精度不高的问题,设计一种基于四元数互补滤波算法的高精度车载MEMS惯性测量单元(MIMU)。通过四元数算法降低MIMU在运行过程中的计算难度,解决姿态解算中的奇点问题。利用互补滤波算法对惯性传感器运行过程中的高低频误差进行动态补偿、数据融合,减小陀螺仪积分漂移累加,抑制加速度计振动误差,实现多传感器数据融合的MIMU姿态解算。将MIMU放置于高精度无磁转台上进行动态测试,通过设置转台运行动作模拟车载环境,采集并分析MIMU在动态环境中的各个轴向角实时数据与误差数据。试验结果表明,MIMU横滚角精度为0.26°,俯仰角精度为0.23°,航向角精度为0.51°。     

考虑运动加速度干扰的无人机姿态估计算法

为解决动态环境下无人机导航系统姿态估计易受传感器噪声和运动加速度干扰的难题,提出一种考虑运动加速度干扰的无人机姿态估计算法。首先,建立运动加速度估计模型,根据基于卡尔曼滤波的加速度误差模型和由外部传感器提供的速度信息实现对运动加速度的精确估计,利用运动加速度估计模型获得的运动加速度对加速度计的原始值进行修正,降低动态环境下运动加速度对姿态估计的干扰。随后,搭建基于互补滤波的姿态估计模型,利用磁力计信息和修正后加速度信息构建陀螺仪修正量,对陀螺仪原始值进行修正,设计互补滤波器滤除来自加速度计和磁力计的高频噪声和来自陀螺仪的低频噪声,避免传感器噪声信号对姿态估计的干扰。最后,利用无人机试飞过程中采集的传感器信息对该算法进行实验验证。实验结果表明,该算法可以精确估计无人机机动过程中所产生的运动加速度,有效减弱传感器噪声和运动加速度对姿态估计的干扰,该算法显著提高了无人机导航系统在动态环境下姿态估计的精度和抗干扰能力。     

MEMS惯性传感器融合的水平姿态解算方法

为获取惯性导航系统的姿态信息,针对MEMS惯性测量单元,设计了基于多传感器信息融合的水平姿态解算方案.在此基础上,提出了一种基于卡尔曼滤波的解决方案:利用陀螺仪测得的角速度更新前一步的姿态角,利用加速度计对重力矢量的观测修正陀螺仪给出的姿态角信息.设计了水平姿态解算试验平台以验证该算法,采用姿态航向参考系统AHRS500GA提供精确姿态角对解算结果进行对照,试验结果表明:在静态、动态条件下该算法均能准确地得到实时水平姿态角,其误差一般小于1°.     

基于ARM与Linux的姿态角测量系统的研制

选取旋转矢量算法作为姿态角测量系统的姿态矩阵更新算法.针对三子样算法采样周期长的特点,提出了重复使用采样数据的方案以保证系统的实时性.选取陶瓷静电陀螺仪CG-L53为角速率传感器,设计了以AT89S51为MCU的信号采集板,搭建了以ARM芯片为CPU的计算机平台,完成了系统各模块的软件设计.仿真测试结果表明,系统能较稳定地输出姿态角信息.     

低成本全姿态角测量的设计

姿态的测量广泛的应用于汽车,手机,无人机等领域。本系统设计了一个基于低成本的MEMS器件和Arduino的三维姿态测量系统,并针对由于陀螺仪的随机偏移,姿态角误差随时间累积的问题,运用了加速度计和电子罗盘测量的数据利用互补滤波进行数据的融合,准确的得到了全姿态角信息。     

一种自适应混合滤波姿态解算算法

针对低成本惯性测量器件采用基于滤波的姿态解算算法存在精度低、抗干扰性差等问题,提出了一种基于共轭梯度法与互补滤波相融合的自适应参数调节的混合滤波算法.该算法首先利用共轭梯度算法对加速度计和磁力计的数据进行姿态四元数的迭代估算,再通过互补滤波算法将陀螺仪更新的姿态与其进行信息融合,最后根据载体的运动状态自适应调节滤波参数,实现最优姿态估计.为验证所提算法的可行性和抗干扰性,与其他滤波融合算法在移动机器人平台上进行抗磁干扰和抗运动加速度干扰实验.实验结果表明,该算法可以有效地降低磁干扰和运动加速度干扰对姿态角解算的影响,其姿态角解算精度优于传统的梯度下降法、高斯牛顿法和共轭梯度法的滤波融合算法.     

一种基于MEMS传感器的全局渐进稳定的姿态估计算法

针对微小型无人飞行器的控制对高精度、小体积、低功耗的姿态信息的需求,提出了一种实用的基于MEMS传感器的姿态解算算法,实现了在低加速度状态下对飞行器姿态的精准估计。该算法将MEMS陀螺仪、加速度计和磁力计的数据作为输入,采用一种全局渐进稳定的状态观测器方法对3种传感器数据进行融合,进而得到欧拉角输出。首先,针对实际航姿参考系统(AHRS)设计的需求,改进了TRIAD算法,使用加速度计和磁力计的量测向量来估计姿态旋转矩阵。与传统方法相比,该方法避免了矩阵的求逆过程。其次,在获得了量测向量确定的姿态旋转矩阵的基础上,设计了无需观测陀螺仪零偏的状态观测器,并证明了姿态角的收敛性。最后,基于实际MEMS传感器采样数据的仿真结果表明,在存在陀螺仪噪声和零偏的情况下,文中设计的状态观测器输出依然具有较高的精度和较好的动态特性。     

基于MPU-6050的步态信号采集系统

针对目前获取步态信号类型比较单一,只采集三轴加速度信息,可供分析的信号来源较少,多传感器组合应用存在传感器之间的轴间差等问题,设计了一种基于数字运动处理器的无线步态采集系统.传感器选择集成三轴加速度和三轴陀螺仪信号的MPU-6050以获得更多的步态信息,确保了无轴间差校准问题.系统主要由微控制器STC90LE52、运动传感器MPU-6050以及无线通信模块RF1100SE组成.由MPU-6050采集步态加速度和陀螺仪信号,STC90LE52读取数据并通过RF1100SE发送,接收端将接收到的数据通过串口送到计算机中.通过对数据进行分析可知,在步态信号中,重力方向和前进方向的加速度信号周期性较好,而陀螺仪的俯仰角信号周期性优于其他两个轴的信号.     

低成本无人机载空地导弹姿态测量误差研究

框架式陀螺仪可显著降低空地导弹成本,然而陀螺误差问题制约了空地导弹对目标的捕获概率和制导精度。提出一种基于泰勒级数公式的陀螺误差补偿方法,详细分析了陀螺仪输出误差源,建立了无人机载空地导弹陀螺仪输出误差模型,推导了导弹姿态角与陀螺仪输出的数学关系式。通过陀螺仪在三轴转台上的半实物仿真试验,验证了所建立的陀螺误差模型正确性和有效性。提出的误差补偿方法可将无人机载空地导弹偏航姿态角误差和倾斜姿态角误差在20 s内分别控制在0.4°和1°以内,且补偿方法简单实用,已经在工程上得到了应用。     

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。     

Novel On-Line North-Seeking Method Based on a Three-Axis MEMS Gyroscope

A novel on-line north-seeking method based on a three-axis micro-electro-mechanical system (MEMS) gyroscope is designed. This system processes data by using a Kalman filter to calibrate the installation error of the three-axis MEMS gyroscope in complex environment. The attitude angle updating for quaternion, based on which the attitude instrument will be rotated in real-time and the true north will be found. Our experimental platform constitutes the dual-axis electric rotary table and the attitude instrument, which is developed independently by our scientific research team. The experimental results show that the accuracy of north-seeking is higher than 1°, while the maximum root mean square error and the maximum mean absolute error are 0.906 7 and 0.910 0, respectively. The accuracy of north-seeking is much higher than the traditional method.     

MEMS陀螺仪随机误差补偿方法研究

针对MEMS(Micro-Electro-Mechanical System)陀螺仪的随机漂移误差,探讨其有效补偿方法.基于陀螺仪输出角速率信息的变化量是等随机和等随机加速的两种假设,提出了两种相应的基于Kalman滤波理论的MEMS陀螺仪随机误差补偿方法.在建立陀螺仪随机误差模型的基础上,详细推导了各自的Kalman滤波方程,最后以某微惯性测量系统中所用MEMS陀螺仪的输出信号分析为例,对两种滤波方法作了实验验证.理论分析和实验结果表明:所提出的两种误差补偿方法是正确有效的,且后一种方法的滤波与跟踪效果比前一种更好.     

Kalman滤波算法在自平衡机器人中的应用

针对两轮自平衡机器人系统的单一惯性传感器采集数据不够准确,且极易受到外界噪声信号的干扰的问题,提出了基于片上可编程系统的卡尔曼滤波算法来实现多惯性传感器的数据融合系统.介绍了卡尔曼滤波器的基本原理、特点和应用环境.利用FPGA控制器的硬件可重构特性,搭建了Nios软核处理器的SOPC系统硬件平台,在硬件平台上采用C语言实现多姿态传感器的卡尔曼滤波算法,为两轮自平衡机器人的多传感器姿态数据融合提供了有效工具,获得了自平衡机器人姿态数据的最优估计,解决了陀螺仪和加速度计惯性传感器的数据补偿问题.测试结果表明,采用FPGA硬件平台实现卡尔曼滤波算法效率高,姿态数据融合准确、可靠,能够满足自平衡机器人控制系统的姿态最优估计和倾角数据实时反馈要求,系统工作稳定.     

基于小波变换的陀螺仪输出信号的干扰补偿

陀螺仪作为重要的敏感测量器件,在军事和民用方面应用很广泛。其测量信号的精度直接影响了控制系统的精度。文章提出了对干扰影响下的陀螺仪输出信号进行滤波的一种方法。该方法通过小波变换对陀螺输出信号进行多尺度分解,确定奇异点的时域位置,进而确定干扰影响的时间段,从而去掉噪声引起的细节项,实现对陀螺信号的滤波。该方法已应用于国家某重点型号项目定位定向设备中,经验证可以有效地提高陀螺仪噪声环境下的测量精度。     

光栅莫尔条纹信号非正弦性误差修正

为了提高光栅传感器的测量精度,提出了一种莫尔条纹信号非正弦性误差修正方法.通过三角函数变换建立修正模型,并依据泰勒级数迈克劳林展开式建立光栅传感器输出信号正弦性修正方程.以非线性模型中常用的最小二乘参数估计方法建立代价函数,采用粒子群算法对修正方程中的参数进行辨识,实现对光栅传感器输出信号的修正.针对修正前后采样数据的误差进行分析,光栅传感器输出信号误差峰峰值由110″降低至24″,其正弦性得到了改善.实验结果表明,该方法有效地解决了光栅传感器在复杂工作环境下输出信号非正弦性导致的精确性和稳定性问题,提高了光栅传感器的输出信号精度,增强了其对复杂工业现场的适应能力.     

基于磁强计的皮卫星姿态角测量误差

采用三轴磁强计测量地磁场矢量,与轨道演化和国际地磁场参考模型(IGRF)计算获得的地磁场矢量进行比较,获得姿态角度信息的方法适合体积小、重量轻、功耗低的皮卫星应用环境。地磁场矢量实际测量误差和轨道模型演化计算的地磁场矢量误差是皮卫星姿态角测量的两大误差源。通过分析获得磁强计A/D采样、磁传感器误差、温度漂移、铁磁材料等因素导致地磁场矢量实际测量误差为1.74°。皮卫星自身的特点不允许采用复杂的SPG4轨道演化模型,基于Kepler轨道模型和IGRF地磁场模型计算获得的地磁场矢量误差为0.5°。因此,基于三轴磁强计的皮卫星姿态角测量误差为2.24°。     

基于太阳矢量的皮卫星姿态角测量误差分析

分别分析计算了皮卫星姿态角测量的两大误差源:太阳矢量实际测量误差和轨道模型演化计算的太阳矢量误差。首先针对皮卫星体积小、重量轻、功耗低的特点,采用设计的微型太阳敏感器测量太阳矢量,与轨道演化计算获得太阳矢量相比,该方法更适合获取皮卫星姿态角度信息。通过分析获得太阳入射角——光电流非理想的余弦特性、光电流的噪声起伏、处理电路非线性、A/D采样非线性、温度测量不确定性等因素导致的太阳矢量实际测量误差为5.74°。由于皮卫星自身的特点不允许采用复杂的轨道演化模型,基于Kepler轨道模型计算获得的太阳矢量误差为0.1°。因此,基于太阳矢量的皮卫星姿态角测量总误差为5.84°。     

基于改进APIT的移动机器人动态定位

针对室内无线传感器网络通信传输不稳定和定位精度较差的情况,提出了一种移动机器人自主动态定位系统,通过实时选择邻近信标节点,确定节点坐标构成的边界,绘制局部网格空间,实现机器人动态定位.利用接收信号强度指标实现测距,然后采用基于测距的改进近似三角形内点测试（APIT）算法完成定位,再使用卡尔曼算法修正定位误差.该方法适用于室内网络传输不稳定的实际情况,采用卡尔曼滤波器获得最优数据.实验结果表明,该移动机器人自主动态定位方法比基于网格的极大似然方法具有更好的精度和适应性.     

MEMS陀螺仪随机漂移误差滤波处理研究

MEMS陀螺仪是一类新型惯性器件,具有体积小、成本低、重量轻、可靠性高等优点,但是精度较低、随机漂移误差比较大.从实际工程应用角度出发,针对MEMS陀螺仪的随机漂移误差,首先进行实时均值滤波处理,然后基于随机序列时序分析法的基本原理,建立MEMS陀螺仪随机漂移误差的一阶AR模型,然后依据kalman滤波算法的马尔科夫特性,提出了对MEMS陀螺仪每次输出进行实时多次滤波处理的新方法.通过对具体测量数据进行处理,MEMS陀螺仪的随机漂移误差减小到原来的百分之二左右.