CN106979781B - 基于分布式惯性网络的高精度传递对准方法 - Google Patents
基于分布式惯性网络的高精度传递对准方法 Download PDFInfo
- Publication number
- CN106979781B CN106979781B CN201710242262.2A CN201710242262A CN106979781B CN 106979781 B CN106979781 B CN 106979781B CN 201710242262 A CN201710242262 A CN 201710242262A CN 106979781 B CN106979781 B CN 106979781B
- Authority
- CN
- China
- Prior art keywords
- inertial
- node
- sub
- network
- inertia
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000002955 isolation Methods 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公布了基于分布式惯性网络的高精度传递对准方法,属于惯性导航、传递对准技术领域的应用范畴。本发明根据需求和实际情况建立分布式惯性网络,将多个惯性******配置在载体(如飞行器、舰船等)不同部位,以获得多个惯性节点的信息。通过故障检测与隔离保证惯性器件数据输出的可靠性;根据转移矩阵将所有节点信息转移到某一个子节点处进行数据融合,得到了该子节点处的惯性测量信息。在误差建模的基础上,建立滤波方程进而实现主、子惯导节点之间的传递对准。该方案无需增加外部设备,能够为载体提供有效的冗余惯性信息,为载体设备如雷达跟踪、武器载荷等提供局部测量,保障传递对准精度和可靠性,具有成本低、自主性强等特点。
Description
技术领域:
本发明涉及一种基于分布式惯性网络的高精度传递对准方法,其属于惯性导航、传递对准领域。
背景技术:
传递对准即采用主惯导***提供的参考信息和子惯导***输出的相应信息进行匹配,从而获取子惯导所需的初始姿态信息,实现子惯导***的初始初始对准。它是新一代快速反应、机动发射武器***的关键技术,可以极大的提高武器***的反应速度和防区外攻击能力。但是由于载体发生挠曲变形和子惯导安装误差的存在,动基座传递对准的性能和品质会受到很大影响。
近年来,机上高速数据通讯网络使机载电子设备分布集成结构引入到现代战机***。再加上现代作战飞行器对惯性信息更强的依赖和更高可靠性需求促成了惯性网络***的研究和发展。为了确保作战飞行器安全飞行和顺利完成指定任务需要载体多个位置如飞行器重心、飞行器前身、机载武器和瞄准设备等的可靠的惯导信息。网络化作为惯性技术的新型应用,极具发展和应用的前景。美国科学家Kelly首次提出了在航空电子设备中采用惯性网络的概念,采用差分惯性滤波器来估计战机变形,随后美国军方莱特实验室资助建立了改进型惯性网络。孙昌跃在传递对准发展趋势中明确提出构建惯性网络的思想,借助计算机通信和数据处理能力,采用先进惯性导航器件误差估计和补偿技术确保各个惯导***提供准确实时的惯性信息,以解决结构挠曲变形和振动的不利影响。并指出低成本惯性器件的应用和先进信息融合技术开发与使用为该种网络的实现提供可能。
目前,主流的传递对准理论研究主要通过改进主子惯导的匹配参数和对挠曲误差、杆臂误差进行建模来实现对准精度的提高。对于惯性传感器网络概念的明确阐述和相关算法研究,在舰船变形测量和组合导航的研究中采用类似技术,但对利用分布式惯性传感器网络的进行传递对准还鲜有研究。考虑到以上情况,将基于分布式惯性网络研究传递对准理论以进一步提高对准的精度和快速性。
发明内容:
本发明是为了解决上述现有技术存在的问题而提供一种基于分布式惯性网络的高精度传递对准方法,克服主子惯导***传递对准精度不足的问题,利用载体不同位置配置的惯性导航***构建分布式惯性网络。
本发明所采用的技术方案有:一种基于分布式惯性网络的高精度传递对准方法,包括如下步骤:
第一步:构建分布式惯性网络,分布式惯性网络由主惯性节点以及若干个子惯性节点构成,将多个惯性节点配置在载体的不同部位构成分布式惯性网络;
第二步:将第一步构建的所有惯性节点量测信息由转移矩阵转换到某一个子惯性节点处,利用所有冗余惯性量测信息,采用广义似然比方法对惯性网络中的各个惯性节点进行故障检测与隔离;
第三步:根据第二步得到某一个子惯性节点处的有效冗余惯性量测信息,进行数据融合以得到该子惯性节点的量测信息,提高子惯性节点的量测精度;
第四步:利用主惯性节点和经过第二步、第三部故障检测和数据融合后的任意子惯性节点的信息,建立滤波方程从而实现主子惯导的传递对准;
第五步:将第四步滤波后得到的参数对子惯性节点的失准角误差以及安装误差角进行校正,从而修正了第二步测量得到的转移矩阵。
本发明具有如下有益效果:
(1)本发明基于载体(如飞行器、舰船等)配置的多个惯性测量单元,构成分布式惯性网络,利用各个惯性节点获取得到的惯性量测信息进行故障检测和数据融合,充分利用了惯性网络的优势,实现信息共享,不仅能够提高主子惯导传递对准的精度,还能提供用于局部惯性信息,从而进一步提高对准性能和容错水平;
(2)本发明中不需要增加额外设备,具有使用成本低、自主性强等特点,是一种较好的利用惯性网络进行传递对准的方法。
附图说明:
图1为本发明基于分布式惯性网络的高精度传递对准方法结构框图。
图2是分布式惯性网络组成示意图。
具体实施方式:
下面结合附图对本发明作进一步的说明。
本发明基于分布式惯性网络的高精度传递对准方法结构框图如图1所示,其具体步骤如下:
第一步:构建分布式惯性网络,将多个惯性***配置在载体(如飞行器、舰船等)不同部位,主惯导***配置在重心cg处。如图2所示,以飞机为例,在其载体上的不同部位配置6个不同精度的惯导***,并将每个惯导***看作一个节点,分别命名为I,J,K,L,M,N。采集每个惯性节点输出的惯性器件数据。陀螺和加速度计的输出分别为记任一节点t的惯性器件输出为:
各惯性节点间的初始转移矩阵可以在装订之前事先进行测量确定。根据转移矩阵得到惯性网络器件输出在节点I坐标系下对应的惯性器件输出,采用全局最优估计实现节点I处的信息融合及状态估计。假设节点间的转移矩阵为T,例如从节点J转移到节点I的转移矩阵记为节点间的状态转换关系可以表示如下:
第二步:将第一步构建的所有惯性节点量测信息(包括主、子惯性节点的全部量测信息)由转移矩阵转换到某一个子惯性节点处,利用所有冗余惯性量测信息,采用广义似然比方法对惯性网络中的各个惯性节点进行故障检测与隔离;
假定余度传感器的配置有m个传感器,其量测方程中仅含噪声干扰作用,即
Zimu=HimuXins+ε (3)
式中,Xins∈Rn为待测的导航状态(加速度或角速率);Zimu∈Rm为m个传感器的量测值,并且m≥n,Himu为传感器配置的几何矩阵,ε为高斯白噪声。
定义如下奇偶方程:
p=VimuZimu (4)
式中,p为奇偶向量,Vimu为待定的行满秩矩阵。显然,p=VimuHimuX+Vε,为使其独立于待测状态X而仅与噪声或可能的故障有关,应使:
VimuHimu=0 (5)
根据广义似然比监测的故障检测及隔离方法,奇偶向量p在无故障假设H0及有故障假设H1情况下的统计特性为:
为确定假设的合理性,定义如下对数似然比:
式中,pr(·/·)表示正态条件概率密度函数,由式(6)可以得到:
式中,μ是未知向量,由式(8)可得其极大似然估计为:
因此,式(8)可得
故障检测函数DFD可以定义为
DFD=pT(VimuVimu T)-1p (11)
故则障检测准则为:
第三步:根据第二步得到某一个惯性子节点处的有效冗余惯性量测信息,进行数据融合以得到该子惯性节点的量测信息,从而提高了子惯性节点的量测精度。
式中,W1和W2为待定的加权阵。
全局状态估计应该满足无偏估计和误差协方差阵最小两个条件。即:
即:
1-W1-W2=0 (18)
将式(18)带入式(14)得:
那么,
因此,
由此求出:
W2=P1(P1+P2)-1 (23)
带入式(19)和式(21)得
利用数学归纳法将该结果推广到有6个节点的情况。将节点I处的节点惯性器件输出和节点J,K,L,M,N在节点I坐标系下对应的惯性器件输出 考虑为局部状态估计。相应的估计误差方差阵为P1、P2、P3、P4、P5、P6。则全局最优估计可表示为:
式中,
因此,利用惯性网络中所有节点的惯性器件输出即可得到节点I处融合后的惯性器件状态估计。
第四步:利用主惯性参考节点和经过第二步、第三部故障检测和数据融合后的任意子惯性节点的信息,建立滤波方程从而实现主子惯导的传递对准。
式中,为b系(机体坐标系)相对于n系(导航坐标系)的角速度在机体坐标系轴向的分量构成的列矢量。是转移矩阵。是地球角速率在地理坐标系上的投影,是由于载体在地球圆表面运动后的角速率。和姿态角速率的关系如下:
因此,可以得到欧拉角微分方程:
由比力方程可知:
载体在地理系中的速度微分方程为:
式中,L是当地的纬度,Rn为地球子午面内的曲率半径,Rm为垂直于子午面的法线平面内的曲率半径,由上式可求得载体在地理坐标系中的东向、北向和地向速度Ve,Vn,Vd。
由载体在导航坐标系的速度与载***置的关系,考虑地球曲率的影响,可以得到纬度、经度和高度的微分方程:
第五步:将第四步滤波后得到的参数对子惯性节点的失准角误差以及安装误差角进行校正,从而修正了第二步测量得到的转移矩阵。通过这样的过程可以提高传递对准的精度和可靠性。
根据主惯导***的导航解算结果和子惯性导航***的导航解算结果,选取合适的状态量。此处考虑采用速度+加速度匹配传递对准,状态方程和量测方程为:
式中:X(t)为状态向量,F(t)为状态转移矩阵,G(t)为***噪声系数矩阵,W(t)为***噪声向量。H(t)为观测向量,V(t)为量测噪声向量。
状态变量取为:
***状态矩阵为:
量测量为主、子惯导输出的速度之差与加速度之差。同时,考虑到子惯导加速度计零偏对加速度量测量的影响,取量测矩阵为:
至此,可以通过分布式惯性网络精确估算出主、子惯导之间的失准角误差和安装角误差,从而修正了第一步测量得到的转移矩阵。至此,通过这样的过程可以得到一种高精度的传递对准方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (1)
1.一种基于分布式惯性网络的高精度传递对准方法,其特征在于:包括如下步骤
第一步:构建分布式惯性网络,分布式惯性网络由主惯性节点以及若干个子惯性节点构成,将多个惯性节点配置在载体的不同部位构成分布式惯性网络;
在飞机载体上的不同部位配置6个不同精度的惯导***,并将每个惯导***看作一个节点,分别命名为I,J,K,L,M,N,采集每个惯性节点输出的惯性器件数据,陀螺和加速度计的输出分别为记任一节点t的惯性器件输出为:
根据转移矩阵得到惯性网络器件输出在节点I坐标系下对应的惯性器件输出,采用全局最优估计实现节点I处的信息融合及状态估计,假设节点间的转移矩阵为T,从节点J转移到节点I的转移矩阵记为节点间的状态转换关系可以表示如下:
第二步:将第一步构建的所有惯性节点量测信息由转移矩阵转换到某一个子惯性节点处,利用所有冗余惯性量测信息,采用广义似然比方法对惯性网络中的各个惯性节点进行故障检测与隔离;
假定余度传感器的配置有m个传感器,其量测方程中仅含噪声干扰作用,即
Zimu=HimuXins+ε (3)
式中,Xins∈Rn为待测的导航状态;Zimu∈Rm为m个传感器的量测值,并且m≥n,Himu为传感器配置的几何矩阵,ε为高斯白噪声,根据广义似然比监测的故障检测及隔离方法,奇偶向量p在无故障假设H0及有故障假设H1情况下的统计特性为:
第三步:根据第二步得到某一个子惯性节点处的有效冗余惯性量测信息,进行数据融合以得到该子惯性节点的量测信息,提高子惯性节点的量测精度;
利用数学归纳法推广到有6个节点的情况,将节点I处的节点惯性器件输出和节点J,K,L,M,N在节点I坐标系下对应的惯性器件输出 考虑为局部状态估计,相应的估计误差方差阵为P1、P2、P3、P4、P5、P6,则全局最优估计可表示为:
式中,
因此,利用惯性网络中所有节点的惯性器件输出即可得到节点I处融合后的惯性器件状态估计;
第四步:利用主惯性节点和经过第二步、第三部故障检测和数据融合后的任意子惯性节点的信息,建立滤波方程从而实现主子惯导的传递对准;
利用节点I处融合后的惯性器件状态估计:
求解该节点处的子惯性导航***的姿态、速度和位置,主惯导***配置在飞机重心cg处,根据惯性导航算法求解主惯导***的姿态、速度和位置;
第五步:将第四步滤波后得到的参数对子惯性节点的失准角误差以及安装误差角进行校正,从而修正了第二步测量得到的转移矩阵;
根据主惯导***的导航解算结果和子惯性导航***的导航解算结果,采用速度+加速度匹配传递对准,量测量为主、子惯导输出的速度之差与加速度之差,同时,考虑到子惯导加速度计零偏对加速度量测量的影响,量测矩阵为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710242262.2A CN106979781B (zh) | 2017-04-12 | 2017-04-12 | 基于分布式惯性网络的高精度传递对准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710242262.2A CN106979781B (zh) | 2017-04-12 | 2017-04-12 | 基于分布式惯性网络的高精度传递对准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106979781A CN106979781A (zh) | 2017-07-25 |
CN106979781B true CN106979781B (zh) | 2020-11-06 |
Family
ID=59345038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710242262.2A Active CN106979781B (zh) | 2017-04-12 | 2017-04-12 | 基于分布式惯性网络的高精度传递对准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106979781B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421537B (zh) * | 2017-09-14 | 2020-07-17 | 桂林电子科技大学 | 基于惯性传感器刚体网格的物体运动姿态感知方法和*** |
CN108507570B (zh) * | 2018-03-06 | 2020-10-27 | 中国人民解放军国防科技大学 | 舰载分布式局部基准状态检测与姿态信息重构方法 |
CN108562289B (zh) * | 2018-06-07 | 2021-11-26 | 南京航空航天大学 | 连续多边几何环境中四旋翼飞行器激光雷达导航方法 |
CN109186597B (zh) * | 2018-08-31 | 2020-09-22 | 武汉大学 | 一种基于双mems-imu的室内轮式机器人的定位方法 |
CN110954902B (zh) * | 2019-11-21 | 2023-06-30 | 智慧航海(青岛)科技有限公司 | 基于岸基雷达的智能船舶协同感知***及其实现方法 |
CN111780757B (zh) * | 2020-06-28 | 2023-05-30 | 北京百度网讯科技有限公司 | 定位方法和装置、电子设备、车端设备、自动驾驶汽车 |
CN111811521A (zh) * | 2020-07-09 | 2020-10-23 | 北京百度网讯科技有限公司 | 定位方法和装置、电子设备、车端设备、自动驾驶汽车 |
JP7491140B2 (ja) * | 2020-08-24 | 2024-05-28 | セイコーエプソン株式会社 | 慣性センサー装置、及び慣性計測ユニット |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679977A (zh) * | 2012-06-20 | 2012-09-19 | 南京航空航天大学 | 基于惯性网络的分布式导航装置及其信息融合方法 |
CN102819030B (zh) * | 2012-08-13 | 2013-11-06 | 南京航空航天大学 | 基于分布式传感器网络的导航***完好性监测方法 |
CN103196448B (zh) * | 2013-03-22 | 2016-06-08 | 南京理工大学 | 一种机载分布式惯性测姿***及其传递对准方法 |
CN103256928B (zh) * | 2013-04-28 | 2015-05-20 | 南京航空航天大学 | 一种分布式惯性导航***及其姿态传递对准方法 |
CN104698486B (zh) * | 2015-03-26 | 2018-09-04 | 北京航空航天大学 | 一种分布式pos用数据处理计算机***实时导航方法 |
-
2017
- 2017-04-12 CN CN201710242262.2A patent/CN106979781B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106979781A (zh) | 2017-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106979781B (zh) | 基于分布式惯性网络的高精度传递对准方法 | |
CN107543545B (zh) | 极区双航海惯性导航***定位信息融合方法 | |
KR100815152B1 (ko) | 다중 필터 융합을 이용한 복합 항법 장치 및 이를 이용한항법 정보 제공 방법 | |
CN109813311A (zh) | 一种无人机编队协同导航方法 | |
CN110926468B (zh) | 基于传递对准的动中通天线多平台航姿确定方法 | |
CN105258698B (zh) | 一种高动态自旋制导炮弹空中组合导航方法 | |
CN111351481A (zh) | 一种基于发射惯性坐标系的传递对准方法 | |
CN109631883B (zh) | 一种基于节点信息共享的载机局部姿态精确估计方法 | |
CN107478110B (zh) | 一种基于状态观测器的旋转弹姿态角计算方法 | |
CN111238469B (zh) | 一种基于惯性/数据链的无人机编队相对导航方法 | |
CN110243362B (zh) | 一种中高空超声速靶标导航方法 | |
CN112611394A (zh) | 一种在发射坐标系下的飞行器姿态对准方法及*** | |
CN105180728A (zh) | 基于前数据的旋转制导炮弹快速空中对准方法 | |
CN116105730A (zh) | 基于合作目标卫星甚短弧观测的仅测角光学组合导航方法 | |
CN116222551A (zh) | 一种融合多种数据的水下导航方法及装置 | |
CN107807375B (zh) | 一种基于多gps接收机的无人机姿态追踪方法及*** | |
CN111220182B (zh) | 一种火箭传递对准方法及*** | |
CN116839591B (zh) | 一种轨迹跟踪定位滤波***及救援无人机的融合导航方法 | |
CN115574817B (zh) | 一种基于三轴旋转式惯导***的导航方法及导航*** | |
CN115542363B (zh) | 一种适用于垂直下视航空吊舱的姿态测量方法 | |
CN115950419A (zh) | 超小型无人机用组合导航方法、装置及*** | |
CN107747944B (zh) | 基于融合权重矩阵的机载分布式pos传递对准方法和装置 | |
CN115479605A (zh) | 基于空间目标定向观测的高空长航时无人机自主导航方法 | |
CN113776527B (zh) | 一种民航飞机全时空的组合导航***和导航方法 | |
Xiaoqian et al. | Nonlinear Extended Kalman Filter for Attitude Estimation of the Fixed‐Wing UAV |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |