CN108225373A - 一种基于改进的5阶容积卡尔曼的大失准角对准方法 - Google Patents
一种基于改进的5阶容积卡尔曼的大失准角对准方法 Download PDFInfo
- Publication number
- CN108225373A CN108225373A CN201711401702.0A CN201711401702A CN108225373A CN 108225373 A CN108225373 A CN 108225373A CN 201711401702 A CN201711401702 A CN 201711401702A CN 108225373 A CN108225373 A CN 108225373A
- Authority
- CN
- China
- Prior art keywords
- moment
- covariance matrix
- misalignment angle
- improved
- value
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于改进的5阶容积卡尔曼的大失准角对准方法,该方法根据k时刻的量测值zk计算k时刻的递推量测协方差阵Ak和量测协方差矩阵Bk,进而得到新息反馈系数αk,用αk更新下一滤波周期的一步预测状态协方差矩阵P′k|k‑1,从而计算k时刻的估计值;重复上述步骤,得到每一时刻的状态估计。该方法在提高新息反馈效率的前提下引入反馈监督机制,进而提高对准的精度和稳定性。
Description
技术领域
本发明属于导航技术领域,具体涉及一种失准角的对准方法。
背景技术
初始对准是导航的关键技术和导航解算的前提,对准的精度高低一定程度上决定了导航的精度。初始对准一般分为粗对准和精对准,所谓粗对准是通过解析法、非线性滤波等方法把大失准角收敛到小角度,然后再用罗经对准、非线性滤波等方法把安装误差、器件误差和建模等误差综合计算后得到更精准的初始姿态角。
非线性滤波作为一种有效的状态估计算法在初始对准领域得到了广泛的应用。容积卡尔曼滤波(Cubature Kalman Filter,CKF)克服了传统的扩展卡尔曼滤波器(ExtendedKalman filter,EKF)和无迹卡尔曼(Unscented Kalman Filter,UKF)的截断误差和超参数等缺点,具有更好的数值稳定性和滤波精度。传统CKF可以精确估计三阶非线性函数的前两阶矩,更高阶数的则有截断误差。为了提高算法在强非线性场合下的精度,5阶CKF得到了发展。在实际工程应用中,滤波模型、***噪声和量测噪声往往都不能得到准确地建模,此时即便是5阶CKF也存在滤波精度低下或者滤波发散的问题。为了提高算法的鲁棒性,需要在传统CKF的基础上进行改进。当量测方程为非线性时,可通过迭代法提高新息的反馈效率;当量测方程为线性时,迭代法失效。初始对准的量测往往是以速率误差、位置误差为观测量的,量测方程此时为线性。为了提高非线性滤波在初始对准中的性能,可以通过引入创新算法,比如改进新息、新息误差和增益,进而改善新息对于状态估计的作用。但新息的反馈的强度需要跟踪、监督,当反馈噪声较大时可能导致滤波的错误收敛或发散。目前尚未有有效的监督机制来控制新息的反馈。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种基于改进的5阶容积卡尔曼的大失准角对准方法,该方法在提高新息反馈效率的前提下引入反馈监督机制,进而提高对准的精度和稳定性。
技术方案:本发明采用如下技术方案:
一种基于改进的5阶容积卡尔曼的大失准角对准方法,包括如下步骤:
(1)根据k时刻的量测值zk计算k时刻的递推量测协方差矩阵Ak,步骤为:
计算k时刻的新息γk:γk=zk-HPk|k-1;
计算k时刻的新息协方差矩阵Zk:
计算k时刻的递推量测协方差矩阵Ak:Ak=Zk-R;
其中H为对准量测方程,Pk|k-1为当前滤波周期的一步预测协方差矩阵,b为渐消因子,R为量测噪声矩阵;T为向量或矩阵的转置算子;
(2)计算k时刻的量测协方差矩阵Bk和新息反馈系数αk,更新下一滤波周期的一步预测状态协方差矩阵P′k|k-1,计算式为:
B=HPk|k-1(H)T
P′k|k-1=αk·Pk|k-1
其中tr(·)为求矩阵的迹运算;
(3)计算k时刻的估计值;
(4)重复上述步骤,得到每一时刻的状态估计。
作为优选方式,在步骤(4)完成后还包括如下步骤:
计算每个滤波周期的方位失准角的梯度
找出方位失准角梯度的最大值所在的滤波周期值Tmax:
在t=1,...,Tmax滤波周期内重新对IMU数据执行步骤1-4进行滤波;从t=Tmax+1,...,Tend滤波周期使用传统5阶CKF进行滤波,其中diff(·)为梯度算子,abs(·)为求绝对值算子,Tend表示最后一个滤波周期。
所述量测值为速度误差或位置误差。
渐消因子b的取值范围为[0.5,1)。
步骤(3)具体包括如下步骤:
其中Kk为滤波增益,为状态、量测互协方差阵,为量测协方差阵,Pk|k为状态后验协方差阵,为状态后验值,为量测估计值,zk为k时刻的量测值。
有益效果:与现有技术相比,本发明公开的基于改进的5阶容积卡尔曼的大失准角对准方法结合创新的短时量测协方差误差系数反馈和迭代渐消因子方法对5阶CKF算法进行改进,提高了非线性滤波在模型误差未准确建模的环境下的对准精度和稳定性。
附图说明
图1为本发明实施例中大失准角对准方法的流程图。
具体实施方式
本发明公开了一种基于改进的5阶容积卡尔曼的大失准角对准方法,下面结合附图进一步阐述本发明。
如图1所示,一种基于改进的5阶容积卡尔曼的大失准角对准方法,包括如下步骤:
(1)根据k时刻的量测值zk计算k时刻的递推量测协方差矩阵Ak;
假设H为对准量测方程,Pk|k-1为当前滤波周期的一步预测协方差矩阵,b为渐消因子,b的取值范围一般为[0.5,1),R为量测噪声矩阵,量测值为速度误差或位置误差,计算如下:
计算k时刻的新息γk:γk=zk-HPk|k-1;
计算k时刻的新息协方差矩阵Zk:
计算k时刻的递推量测协方差矩阵Ak:Ak=Zk-R;
其中T为向量或矩阵的转置算子;
(2)计算k时刻的量测协方差矩阵Bk和新息反馈系数αk,更新下一滤波周期的一步预测状态协方差矩阵P′k|k-1,计算式为:
B=HPk|k-1(H)T
P′k|k-1=αk·Pk|k-1
其中tr(·)为求矩阵的迹运算;
(3)计算k时刻的估计值;
其中Kk为滤波增益,为状态、量测互协方差阵,为量测协方差阵,Pk|k为状态后验协方差阵,为状态后验值,为量测估计值,zk为k时刻的量测值。
(4)重复上述步骤,得到每一时刻的状态估计,完成全时反馈的改进滤波。
上述方法是一种短时反馈滤波方法,可以在对准初期有效地利用量测新息,使方位大失准角能够尽快地收敛;待失准角收敛到小角时如果继续使用反馈滤波,可能由于过反馈而造成振荡或者发散,此时反馈滤波不再是必要的了。由此,作为一种改进方案,在步骤(4)完成后还包括如下步骤:
计算每个滤波周期的方位失准角的梯度
找出方位失准角梯度的最大值所在的滤波周期值Tmax:
在t=1,...,Tmax滤波周期内重新对惯性测量装置(Inertial Measurement Unit,IMU)数据执行步骤1-4进行滤波;从t=Tmax+1,...,Tend滤波周期使用传统5阶CKF进行滤波,其中diff(·)为梯度算子,abs(·)为求绝对值算子,Tend表示最后一个滤波周期。
Claims (5)
1.一种基于改进的5阶容积卡尔曼的大失准角对准方法,其特征在于,包括如下步骤:
(1)根据k时刻的量测值zk计算k时刻的递推量测协方差矩阵Ak,步骤为:
计算k时刻的新息γk:γk=zk-HPk|k-1;
计算k时刻的新息协方差矩阵Zk:
计算k时刻的递推量测协方差矩阵Ak:Ak=Zk-R;
其中H为对准量测方程,Pk|k-1为当前滤波周期的一步预测协方差矩阵,b为渐消因子,R为量测噪声矩阵;T为向量或矩阵的转置算子;
(2)计算k时刻的量测协方差矩阵Bk和新息反馈系数αk,更新下一滤波周期的一步预测状态协方差矩阵Pk′|k-1,计算式为:
B=HPk|k-1(H)T
Pk′|k-1=αk·Pk|k-1
其中tr(·)为求矩阵的迹运算;
(3)计算k时刻的估计值;
(4)重复上述步骤,得到每一时刻的状态估计。
2.根据权利要求1所述的基于改进的5阶容积卡尔曼的大失准角对准方法,其特征在于,在步骤(4)完成后还包括如下步骤:
计算每个滤波周期的方位失准角的梯度
找出方位失准角梯度的最大值所在的滤波周期值Tmax:
在t=1,...,Tmax滤波周期内重新对IMU数据执行步骤1-4进行滤波;从t=Tmax+1,...,Tend滤波周期使用传统5阶CKF进行滤波,其中diff(·)为梯度算子,abs(·)为求绝对值算子,Tend表示最后一个滤波周期。
3.根据权利要求1所述的基于改进的5阶容积卡尔曼的大失准角对准方法,其特征在于,所述量测值为速度误差或位置误差。
4.根据权利要求1所述的基于改进的5阶容积卡尔曼的大失准角对准方法,其特征在于,渐消因子b的取值范围为[0.5,1)。
5.根据权利要求1所述的基于改进的5阶容积卡尔曼的大失准角对准方法,其特征在于,步骤(3)具体包括如下步骤:
其中Kk为滤波增益,为状态、量测互协方差阵,为量测协方差阵,Pk|k为状态后验协方差阵,为状态后验值,为量测估计值,zk为k时刻的量测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401702.0A CN108225373B (zh) | 2017-12-22 | 2017-12-22 | 一种基于改进的5阶容积卡尔曼的大失准角对准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711401702.0A CN108225373B (zh) | 2017-12-22 | 2017-12-22 | 一种基于改进的5阶容积卡尔曼的大失准角对准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108225373A true CN108225373A (zh) | 2018-06-29 |
CN108225373B CN108225373B (zh) | 2020-04-24 |
Family
ID=62648570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711401702.0A Active CN108225373B (zh) | 2017-12-22 | 2017-12-22 | 一种基于改进的5阶容积卡尔曼的大失准角对准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108225373B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859004A (zh) * | 2021-01-04 | 2021-05-28 | 南京理工大学 | 基于改进卡尔曼滤波的野值剔除方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915579A (zh) * | 2010-07-15 | 2010-12-15 | 哈尔滨工程大学 | 一种基于ckf的sins大失准角初始对准新方法 |
CN103471616A (zh) * | 2013-09-04 | 2013-12-25 | 哈尔滨工程大学 | 一种动基座sins大方位失准角条件下初始对准方法 |
CN104655131A (zh) * | 2015-02-06 | 2015-05-27 | 东南大学 | 基于istssrckf的惯性导航初始对准方法 |
CN104777426A (zh) * | 2015-04-17 | 2015-07-15 | 河海大学 | 一种基于无迹变换强跟踪的发电机动态状态估计方法 |
US20150317838A1 (en) * | 2014-05-02 | 2015-11-05 | Thales Visionix, Inc. | Registration for vehicular augmented reality using auto-harmonization |
CN105737823A (zh) * | 2016-02-01 | 2016-07-06 | 东南大学 | 基于五阶ckf的gps/sins/cns组合导航方法 |
CN106646356A (zh) * | 2016-11-23 | 2017-05-10 | 西安电子科技大学 | 一种基于卡尔曼滤波定位的非线性***状态估计方法 |
CN106874935A (zh) * | 2017-01-16 | 2017-06-20 | 衢州学院 | 基于多核函数自适应融合的支持向量机参数选择方法 |
CN107063245A (zh) * | 2017-04-19 | 2017-08-18 | 东南大学 | 一种基于5阶ssrckf的sins/dvl组合导航滤波方法 |
-
2017
- 2017-12-22 CN CN201711401702.0A patent/CN108225373B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915579A (zh) * | 2010-07-15 | 2010-12-15 | 哈尔滨工程大学 | 一种基于ckf的sins大失准角初始对准新方法 |
CN103471616A (zh) * | 2013-09-04 | 2013-12-25 | 哈尔滨工程大学 | 一种动基座sins大方位失准角条件下初始对准方法 |
US20150317838A1 (en) * | 2014-05-02 | 2015-11-05 | Thales Visionix, Inc. | Registration for vehicular augmented reality using auto-harmonization |
CN104655131A (zh) * | 2015-02-06 | 2015-05-27 | 东南大学 | 基于istssrckf的惯性导航初始对准方法 |
CN104777426A (zh) * | 2015-04-17 | 2015-07-15 | 河海大学 | 一种基于无迹变换强跟踪的发电机动态状态估计方法 |
CN105737823A (zh) * | 2016-02-01 | 2016-07-06 | 东南大学 | 基于五阶ckf的gps/sins/cns组合导航方法 |
CN106646356A (zh) * | 2016-11-23 | 2017-05-10 | 西安电子科技大学 | 一种基于卡尔曼滤波定位的非线性***状态估计方法 |
CN106874935A (zh) * | 2017-01-16 | 2017-06-20 | 衢州学院 | 基于多核函数自适应融合的支持向量机参数选择方法 |
CN107063245A (zh) * | 2017-04-19 | 2017-08-18 | 东南大学 | 一种基于5阶ssrckf的sins/dvl组合导航滤波方法 |
Non-Patent Citations (2)
Title |
---|
YONGGANG ZHANG 等: "SINS Initial Alignment Based on Fifth-degree Cubature Kalman Filter", 《PROCEEDINGS OF 2013 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 * |
黄湘远 等: "5阶CKF在捷联惯导非线性对准中的应用研究", 《***工程与电子技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859004A (zh) * | 2021-01-04 | 2021-05-28 | 南京理工大学 | 基于改进卡尔曼滤波的野值剔除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108225373B (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109163720A (zh) | 基于渐消记忆指数加权的卡尔曼滤波跟踪方法 | |
WO2018014602A1 (zh) | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 | |
CN104567871B (zh) | 一种基于地磁梯度张量的四元数卡尔曼滤波姿态估计方法 | |
Yang et al. | Particle filter for sensor fusion in a land vehicle navigation system | |
CN109459019A (zh) | 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法 | |
CN108520107A (zh) | 基于最大似然准则鲁棒卡尔曼滤波的***状态估计方法 | |
US10041736B2 (en) | Dynamic monitoring, diagnosis, and control of cooling tower systems | |
CN108267731B (zh) | 无人机目标跟踪***的构建方法及应用 | |
CN103033186A (zh) | 一种用于水下滑翔器的高精度组合导航定位方法 | |
CN104112079A (zh) | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 | |
US20170292351A1 (en) | Method and apparatus for estimating down-hole process variables of gas lift system | |
CN105043388A (zh) | 基于惯性/重力匹配组合导航的向量搜索迭代匹配方法 | |
CN106772524A (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
CN109737958A (zh) | 一种声学测速辅助的极区格网惯性导航误差抑制方法 | |
CN103312297B (zh) | 一种迭代扩展增量卡尔曼滤波方法 | |
CN108225373A (zh) | 一种基于改进的5阶容积卡尔曼的大失准角对准方法 | |
CN111190207A (zh) | 基于pstcsdref算法的无人机ins bds组合导航方法 | |
Knauth | Smartphone PDR positioning in large environments employing WiFi, particle filter, and backward optimization | |
CN103968839B (zh) | 一种基于蜂群算法改进ckf的单点重力匹配方法 | |
CN107421543B (zh) | 一种基于状态扩维的隐函数量测模型滤波方法 | |
CN113432608B (zh) | 用于ins/cns组合导航***的基于最大相关熵的广义高阶ckf方法 | |
CN106092140A (zh) | 一种陀螺仪零偏估计方法 | |
CN109388063A (zh) | 自适应卡尔曼滤波复合控制方法 | |
CN110514222B (zh) | 一种基于协方差分析的弹类惯导导航误差分析方法及装置 | |
CN110779552B (zh) | 一种地球固联坐标系下的自适应对准方法 |
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 |