低成本惯导系统预处理和姿态解算

针对低成本惯性传感器系统中由于系统误差、环境干扰等因素造成的姿态计算数据精度低、易发散等问题,设计了一种加速度计和陀螺仪的误差预处理模型,并使用扩展卡尔曼滤波实现其过程.然后基于扩展卡尔曼滤波算法构建两级噪声方差阵和引入渐消记忆因子的自适应扩展卡尔曼滤波算法,实现姿态角的融合过程.最后采用四元数更新算法求解姿态角.实验...     

基于扩展卡尔曼滤波算法的机器人姿态解算研究

针对机器人上的惯性导航系统由于振动干扰存在,导致测量数据中包含有大量噪声问题,进行了测量数据滤波研究。使用扩展卡尔曼滤波(EKF)对传感器测量的数据滤波,并进行姿态解算,通过静态、动态测试完成滤波前后数据对比,实验结果表明扩展卡尔曼滤波(EKF)不仅可以滤除测量数据中的大部分噪声,同时可以提高姿态解算精度。     

基于修正粒子滤波的MEMS传感器飞行器姿态解算

针对单一采用 MEMS传感器解算飞行器姿态无法克服系统非线性噪声干扰的问题,提出了一种基于修正粒子滤波的 MEMS传感器飞行器姿态解算方法.首先,利用共轭梯度法减小陀螺仪漂移误差,然后,利用加权粒子构造概率密度函数以更新粒子权值,得到优化状态估计值;再将共轭梯度法与修正粒子滤波进行融合,确定加权因子,同时以 STM32与 MEMS传感器为核心设计姿态解算系统.实验结果表明,该方法优化了飞行器静态与动态性能,姿态解算性能良好,系统过渡时间短,跟踪特性较好,且增强了系统的鲁棒性与稳定性.     

基于小波神经网络修正自适应滤波的钻具姿态解算研究

针对惯性随钻测量中,由于钻头振动导致系统三轴加速度计数据失真,从而使得解算的钻头姿态角误差较大的问题。提出一种基于小波神经网络(WNN)与自适应滤波(AKF)联合对钻具姿态进行估计的方法,首先建立钻具姿态自适应滤波的状态空间模型,根据估计后的残差不断调整自适应因子,降低姿态的估计误差,提高钻具姿态估计精度;根据滤波器的输入输出建立小波神经网络模型,对比输出误差在线修正网络模型,对姿态信息进行反馈补偿。设计振动台实验以及钻进实验对所提方法验证,其中钻进实验中井斜角误差降低到±1.8°,实验结果表明,所提方法解算精度优于自适应卡尔曼滤波算法,能够有效抑制振动误差对姿态解算的影响,为实际钻井提供理论依据。     

基于图优化方法融合激光反光柱和环境信息的地图构建

针对自动导引运输车（Automated Guided Vehicle,AGV）在环境复杂情况下的对建图定位的稳定性以及精确性的要求,提出了一种基于图优化的即时定位与建图（Simultaneous Localizationand Mapping,SLAM）方法,此算法进行优化时会在构建环境地图时将反光柱信息融合其中。在SLAM前端检测到反光柱并获取到反光柱坐标位姿坐标之后,首先使用扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法对反光柱进行位姿进行初步优化,然后在SLAM系统后端将其作为一个节点和地图中的子图节点一起进行优化。经实验验证,当系统在几何特征少或复杂场景时,将反光柱位姿信息融入之后,以图优化为后端的SLAM算法建图定位精度和鲁棒性都能够获得一定的提升。     

一种基于改进白适应算法的科里奥利流量计频率解算方法

为了在提高科氏流量计频率解算精度的同时兼顾频率跟踪的实时性,提出了一种基于改进自适应算法的频率解算新方法。通过重新构建基于优化零极点配置的自适应IIR滤波器,在自适应滤波的过程中动态调节陷波器的模型和步长,使之能够更好地跟踪实际信号的频率,提高了科氏流量计频率解算的快速性和稳定性。     

基于卷积神经网络与扩展卡尔曼滤波的 单目视觉惯性里程计

针对单目相机采集室外图像易受环境光照影响、尺度存在不确定性的缺点,以及利用神经网络进行位姿估计不准确的问题,提出一种基于卷积神经网络(CNN)与扩展卡尔曼滤波(EKF)的单目视觉惯性里程计。采用神经网络取代传统里程计中基于几何约束的视觉前端,将单目相机输出的估计值作为测量更新,并通过神经网络优化EKF的误差协方差。利用EKF融合CNN输出的单目相机位姿和惯性测量单元(IMU)数据,优化CNN的位姿估计,补偿相机尺度信息与IMU累计误差,实现无人系统运动位姿的更新和估计。相比于使用单目图像的深度学习算法Depth-VO-Feat,所提算法融合单目图像和IMU数据进行位姿估计,KITTI数据集中09序列的平动、转动误差分别减少45.4%、47.8%,10序列的平动、转动误差分别减少68.1%、43.4%。实验结果表明所提算法能进行更准确的位姿估计,验证了算法的准确性和可行性。     

基于视线测量的航天器相对导航滤波方法研究

基于视线测量的航天器相对导航精度会受到相对轨迹形状和滤波算法设计等因素的共同影响。以低轨卫星近距离编队飞行为任务背景,设计了环航飞行、共面漂移和共线保持3种不同轨迹的相对运动模式。对3种模式建立了基于星间非线性相对运动模型的系统状态方程,并引入了J2项地球非球形摄动力的影响;建立了基于视线测量的观测方程,观测量包括星间相对距离、相对俯仰角和相对航向角。结合系统模型和观测模型均为高斯分布的非平稳随机过程的特点,分别在上述3种模式下设计了基于扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)的相对导航滤波算法,对各自的相对运动轨迹进行了数值仿真,并在半物理硬件环境下进行了验证,分析了不同模式下EKF和UKF对于高斯非平稳随机过程的估计精度和稳定性,并结合EKF和UKF的运算复杂度,提出了3种相对运动模式下的滤波器优选方案,对工程设计提供了理论参考。     

多旋翼姿态解算中的改进自适应扩展Kalman算法

提出了一种改进的Sage-Husa自适应扩展Kalman滤波算法,用于保证多旋翼无人机在噪声统计特性未知且时变、振动为主要扰动源、姿态角高动态变化等飞行条件下飞行姿态角解算的精度与稳定性。该算法采用微机电系统陀螺仪实时动态解算的姿态角方差估计系统噪声方差;并采用自适应滤波算法在线估计量测噪声方差,从而保证滤波的精度与稳定性;同时引入滤波器收敛性判据,结合强跟踪Kalman滤波算法来抑制滤波发散。飞行实验与分析表明:改进算法解算的俯仰角与横滚角均方根误差分别为1.722°和1.182°,明显优于常规的Sage-Husa自适应滤波算法。实验还显示:改进的算法自适应能力强、实时性好、精度高、运行可靠,能够满足多旋翼无人机自主飞行的需要,若对参数进行适当修改,还可应用于其它动态性能要求较高的导航信息测量系统中。     

卡尔曼滤波在MEMS惯性姿态测量中的应用

由于测控成本和有效载荷的限制,一般采用微机电系统(MEMS)惯性传感器来测量小型无人机的飞行姿态。在MC9S12XS128单片机上通过嵌入式软件编程实现了卡尔曼滤波算法,并在JZJ-1型自准直仪转台上对MEMS加速度计和陀螺仪的输出信号进行了数据融合试验,较好地解决了MEMS惯性测量系统的零漂和机械振动干扰问题。     

非线性滤波方法及其在故障诊断中的应用

传统的滤波方法一般基于线性化和高斯假设,在一定程度上影响了滤波精度和非线性系统故障诊断的准确率。该文从"近似非线性"和"近似概率"的方法入手,分析3种常用的非线性滤波算法:扩展卡尔曼滤波器(EKF)、U-卡尔曼滤波器(UKF)以及粒子滤波器(PF)的原理、方法及特点并介绍其在非线性故障诊断中的应用价值。     

磁传感器输出姿态信息修正方法研究

在基于地磁、角速度及重力加速度(MARG)测量的航姿融合估计应用中,磁干扰会破坏磁传感器输出所含姿态信息,进而降低姿态估计精度。为提高姿态估计的抗磁干扰能力,研究了在静态及小幅加速度运动条件下修正磁传感器输出的方法。该方法利用重力加速度测量值对归一化磁传感器输出向量进行修正,修正依据是地磁向量与重力加速度夹角恒定以及最小化修正角度。分析了航姿融合估计算法模型与磁传感器输出修正原理,给出了修正方程并推导了修正计算式,最后通过静态与动态实验验证了修正效果。实验表明,磁传感器输出修正使俯仰角及横滚角估计均方根误差分别降低2.6°与1.6°。此外,该修正方法还具有不改变融合计算过程,便于与其他改进措施结合使用的特点。     

基于惯性传感组件和 BP 神经网络的 防冲钻孔机器人钻具姿态解算

钻孔卸压是高地应力矿井治理冲击地压的首要措施,对实施钻孔作业的防冲钻孔机器人钻具姿态准确测量是保障钻孔位置及卸压效果的前提。为此,本文提出了基于惯性传感组件和BP神经网络的防冲钻孔机器人钻具姿态解算方法,通过设计惯性传感组件的空间阵列式布局方式(空间阵列式IMU),建立了空间阵列式IMU的数据融合模型及位姿解算模型,实现了钻具姿态的高精度解算。在此基础上,提出了基于BP神经网络的惯性传感组件误差补偿方法,建立了钻具姿态解算误差补偿模型,并通过钻具模拟运动的解算分析对空间阵列式IMU解算和误差补偿方法的可行性进行了验证。最后,通过搭建的防冲钻孔机器人钻具姿态监测实验平台,对不同方法的钻具解算结果进行对比分析。实验结果表明,在BP神经网络模型进行误差补偿后,本文所提方法解算出的钻具姿态精度明显提高,钻具方位角、倾角和横滚角的平均误差分别为0.099°、0.079°和0.045°,有效抑制了惯性传感组件的漂移和误差积累,且钻具姿态解算误差曲线没有出现发散现象。因此,该方法可以持续稳定地对防冲钻孔机器人钻具姿态进行可靠监测,具有较高的推广应用价值。     

IMU转动角速度对旋转SINS的精度影响分析

针对惯性测量单元(inertial measurement unit,IMU)旋转角速度变化过程对旋转调制型捷联系统(strapdown inertial nav-igation system,SINS)定位精度的影响进行分析和研究。例举IMU旋转方式并分析旋转自补偿技术调制惯性器件偏差的基本原理;详细推导了IMU运动状态变化过程对调制型捷联系统导航精度的影响并分析了IMU正反转方案的误差特性,最后根据仿真分析确定旋转角速度的选取依据。在理论分析的基础上进行了仿真实验。结果表明,IMU的旋转运动可以有效地调制惯性器件部分偏差,但是旋转角速度的大小及角速度变化过程依然会对调制型捷联系统的定位精度产生影响。