CN111238467B - 一种仿生偏振光辅助的无人作战飞行器自主导航方法 - Google Patents

一种仿生偏振光辅助的无人作战飞行器自主导航方法 Download PDF

Info

Publication number
CN111238467B
CN111238467B CN202010082963.6A CN202010082963A CN111238467B CN 111238467 B CN111238467 B CN 111238467B CN 202010082963 A CN202010082963 A CN 202010082963A CN 111238467 B CN111238467 B CN 111238467B
Authority
CN
China
Prior art keywords
navigation
navigation information
observation
combat aircraft
model
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
Application number
CN202010082963.6A
Other languages
English (en)
Other versions
CN111238467A (zh
Inventor
高兵兵
胡高歌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010082963.6A priority Critical patent/CN111238467B/zh
Publication of CN111238467A publication Critical patent/CN111238467A/zh
Priority to ZA2021/02684A priority patent/ZA202102684B/en
Application granted granted Critical
Publication of CN111238467B publication Critical patent/CN111238467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G01C21/165—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 combined with non-inertial navigation instruments
    • 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
    • G01C21/20—Instruments for performing navigational calculations

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

本发明公开了一种仿生偏振光辅助的无人作战飞行器自主导航方法，根据MIMU导航子***建立基于四元数的BPNS/MIMU/VNS自主组合导航***的动力学模型；分别通过VNS导航子***和BPNS导航子***，建立第一观测模型和第二观测模型；获取每个导航子***的导航信息，利用改进的联邦CKF滤波方法对动力学模型、第一观测模型和第二观测模型进行最优估计，得到无人作战飞行器的最终导航信息；本发明通过BPNS辅助传统的MIMU和VNS，并在滤波过程中引入抗差因子，削弱异常观测的影响，还通过异步时间配准，有效提高异步观测处理的采样率和精度。因而具有自主性强、精度高、可靠性好等优点，能够弥补现有自主导航技术的不足，提高复杂战场环境下无人作战飞行器的自主精确导航能力。

Description

一种仿生偏振光辅助的无人作战飞行器自主导航方法
【技术领域】
本发明属于导航、制导与控制技术领域，尤其涉及一种仿生偏振光辅助的无人作战飞行器自主导航方法。
【背景技术】
作为一种面临复杂作战环境、远离操控基站的无人化平台，无人作战飞行器智能自主飞行是必须具备的核心能力之一，而这一核心能力的重要支撑就是自主精确导航技术。自主精确导航技术是无人作战飞行器完成既定任务、实现其价值的根本保证，也是制约无人作战飞行器快速发展的主要瓶颈之一。
为了满足长航时持续作战、高机动飞行以及复杂战场环境下抗干扰精确飞行等任务需求，无人作战飞行器对导航***的设计提出了非常高的要求。目前，主流的导航手段按照导航方式的自主性主要分为自主导航和非自主导航。自主导航包括：惯性导航、天文导航、视觉导航等；非自主导航中最重要的是卫星导航。自主导航由于其在导航阶段不与外界进行信息交互，所以具有抗干扰能力强的特点，在军事领域有无法比拟的优势。
然而，现有的自主导航方式均存在各自的缺陷和适用范围，无法满足无人作战飞行器精确导航的需求。如惯性导航误差随时间快速积累；天文导航在无人作战飞行器飞行的低空域无法获得准确的星光信息；视觉导航***受视角变化、光照强弱等因素影响，容易出现图像跟踪不稳定导致算法失效的问题。
【发明内容】
本发明的目的是提供一种仿生偏振光辅助的无人作战飞行器自主导航方法，以通过仿生偏振光辅助传统的导航***，构成组合导航***，解决传统导航方法自主性不强、时间误差导致精确性不高、观测信息受干扰时***鲁棒性不佳等问题，从而提升无人作战飞行器在复杂战场环境下的自主精确导航能力。
本发明采用以下技术方案：一种仿生偏振光辅助的无人作战飞行器自主导航方法，包括：
根据MIMU导航子***建立基于四元数的BPNS/MIMU/VNS自主组合导航***动力学模型；
分别通过BPNS导航子***和VNS导航子***，建立第一观测模型和第二观测模型；
获取每个导航子***的导航信息，利用改进的联邦CKF滤波方法对动力学模型、第一观测模型和第二观测模型进行状态估计，得到无人作战飞行器的最终导航信息。
进一步地，利用改进的联邦CKF滤波方法对动力学模型、第一观测模型和第二观测模型进行状态估计包括：
利用改进的CKF滤波方法对动力学模型和第一观测模型进行状态估计，得到无人作战飞行器的第一导航信息；
利用改进的CKF滤波方法对动力学模型和第二观测模型进行状态估计，得到无人作战飞行器的第二导航信息；
利用联邦滤波方法对第一导航信息和第二导航信息进行***状态融合后，得到无人作战飞行器的最终导航信息。
进一步地，基于四元数的动力学模型为：
Figure BDA0002380956440000021
其中，
Figure BDA0002380956440000031
表示动力学模型的非线性函数，x(t)为***状态向量，
Figure BDA0002380956440000032
w(t)为动力学噪声；
Figure BDA0002380956440000033
为机体坐标系b到导航坐标系n的姿态四元数；
Figure BDA0002380956440000034
表示无人作战飞行器在导航坐标系n中的速度，
Figure BDA0002380956440000035
和
Figure BDA0002380956440000036
分别为无人作战飞行器的东向速度、北向速度和天向速度；pn＝[λ,L,h]T为无人作战飞行器在导航坐标系n中的经度、纬度和高度集合，λ为经度，L为纬度，h为高度；εb为陀螺仪偏差，▽b为加速度计偏差；
Figure BDA0002380956440000037
Figure BDA0002380956440000038
为
Figure BDA0002380956440000039
的微分，
Figure BDA00023809564400000310
为无人作战飞行器在导航坐标系n中的角速率，
Figure BDA00023809564400000311
表示四元数乘法；
Figure BDA00023809564400000312
Figure BDA00023809564400000313
为vn的微分，
Figure BDA00023809564400000314
表示姿态旋转矩阵，fb为加速度计测量的机体坐标系b内的比力，
Figure BDA00023809564400000315
为地球关于惯性坐标系i的旋转角速率，
Figure BDA00023809564400000316
为导航坐标系n相对于地球坐标系e的角速率，gn为重力加速度向量；
Figure BDA00023809564400000317
Figure BDA00023809564400000318
为pn的微分，M为位置系数矩阵，
Figure BDA00023809564400000319
RM和RN分别为地球子午圈和卯酉圈的曲率半径；
Figure BDA00023809564400000320
Figure BDA00023809564400000321
为εb的微分，ηgu服从零均值的高斯白噪声；
Figure BDA00023809564400000322
Figure BDA00023809564400000323
为▽b的微分，ηau服从零均值的高斯白噪声。
进一步地，第一观测模型为：
z1(k)＝h1(x(k))+v1(k)，
其中，z1(k)＝[ψB,θB,γB]T，ψB,θB,γB分别为BPNS导航子***测量得到的无人作战飞行器的航向角、俯仰角和横滚角，v1(k)为BPNS导航子***对姿态的观测噪声向量，
Figure BDA0002380956440000041
x(k)为x(t)的离散表示。
进一步地，第二观测模型为：
z2(k)＝h2(x(k))+v2(k)，
其中，z2(k)＝[ψV,θV,γV,λV,LV,hV]T，ψV,θV,γV分别为VNS导航子***测量得到的无人作战飞行器的航向角、俯仰角和横滚角，λV,LV,hV分别为VNS导航子***测量得到的无人作战飞行器的经度、纬度和高度，v2(k)为VNS导航子***中对姿态和位置的观测噪声向量，
Figure BDA0002380956440000042
进一步地，改进的联邦CKF滤波方法包括：
初始化动力学模型和第一观测模型/第二观测模型；
获取无人作战飞行器的第三导航信息；其中，第三导航信息为初始导航信息或上一时刻的无人作战飞行器最终导航信息；
结合第三导航信息和动力学模型生成无人作战飞行器的第四导航信息；其中，第四导航信息为导航信息预测值；
获取第五导航信息；其中，第五导航信息为经异步观测时间配准后BPNS导航子***输出的姿态信息、以及经异步观测时间配准后VNS导航子***输出的姿态和位置信息；
根据第四导航信息和第五导航信息，结合第一观测模型/第二观测模型，生成无人作战飞行器的最终导航信息。
进一步地，得到第五导航信息之后还包括：
根据第五导航信息，计算滤波器新息向量
Figure BDA0002380956440000051
判断新息向量的马氏距离判据是否小于等于阈值，即
Figure BDA0002380956440000052
其中，βk为马氏距离判据，
Figure BDA0002380956440000053
Figure BDA0002380956440000054
为新息向量协方差矩阵，
Figure BDA0002380956440000055
为预先设置的阈值，m为观测向量维数；
响应于
Figure BDA0002380956440000056
执行CKF算法步骤，获取第一/第二导航信息；
响应于
Figure BDA0002380956440000057
根据马氏距离判据，构建抗差因子迭代关系，迭代求解抗差因子κk，结合抗差因子，CKF新息向量协方差矩阵重新更新为
Figure BDA0002380956440000058
其中，
Figure BDA0002380956440000059
为CKF滤波器选择并经非线性观测函数传播后的容积点，
Figure BDA00023809564400000510
为滤波器观测预测值，R为滤波器观测噪声协方差矩阵。
执行CKF算法步骤，得到第一/第二导航信息；
利用联邦滤波方法对第一导航信息和第二导航信息进行状态融合后，得到无人作战飞行器的最终导航信息。
进一步地，求解抗差因子包括：
根据马氏距离判据，构造非线性方程：
Figure BDA00023809564400000511
其中，
Figure BDA00023809564400000512
表示引入抗差因子后更新的新息向量协方差矩阵；
利用牛顿迭代法求解上述非线性方程，得到抗差因子迭代关系：
Figure BDA0002380956440000061
其中，i为迭代次数，迭代初始值为κk(0)＝1。
进一步地，获取第五导航信息包括：
确定观测处理区间[TΔ+sTΔ,TΔ+sTΔ+Ts]，其中，s为1或正整数，TΔ为重叠区间，Ts为分段间隔；
在每个处理区间内，分别获取第t个传感器的观测集合{zt1,zt2,...,ztr}；
基于观测集合{zt1,zt2,...,ztr}，使用最小二乘法生成第t个导航传感器在每个处理区间内的观测估计值，作为第五导航信息。
进一步地，***状态融合包括：
根据动力学模型与第一观测模型/第二观测模型，分别获取第一导航信息的误差协方差矩阵，以及第二导航信息的误差协方差矩阵。基于第一导航信息的误差协方差矩阵和第二导航信息的误差协方差矩阵，建立第一导航信息和第二导航信息的权重；
通过
Figure BDA0002380956440000062
计算出无人作战飞行器的最终导航信息；
其中，
Figure BDA0002380956440000063
为无人作战飞行器的最终导航信息，Pg为相应的误差协方差矩阵，
Figure BDA0002380956440000064
P1为第一导航信息的误差协方差矩阵，
Figure BDA0002380956440000065
为第一导航信息，P2为第二导航信息的误差协方差矩阵，
Figure BDA0002380956440000066
为第二导航信息，Pz为主滤波器通过动力学模型进行时间更新后得到的导航信息误差协方差矩阵，
Figure BDA0002380956440000067
为主滤波器通过动力学模型进行时间更新后得到的导航信息。
本发明的有益效果是：本发明通过仿生偏振光辅助传统的MIMU和VNS，构成组合导航***，提高了无人作战飞行器导航***的自主性和可靠性；通过在滤波过程中增加了抗差因子，调整滤波增益，削弱异常观测对状态估计的影响，能有效改善滤波器的鲁棒性，提高导航***的状态估计精度；还通过异步观测时间配准，利用重叠分段区间，设计时间配准方法，有效提高异步观测处理的采样率和精度，降低组合导航***的异步时间误差，进而使得本发明具有自主性强、精度高、可靠性好等优点，能够弥补现有自主导航技术的不足，提高复杂战场环境下无人作战飞行器的自主精确导航能力，具有广阔的应用前景。
【附图说明】
图1为本发明实施例中的自主导航方法流程图；
图2为本发明实施例中的基于马氏距离的抗差CKF流程图；
图3为本发明实施例中的状态融合过程的流程图；
图4为本发明实施例中异步观测时间配准原理图。
【具体实施方式】
下面结合附图和具体实施方式对本发明进行详细说明。
BPNS是一种新兴的、前瞻性的自主导航方式，其通过测量自然光的偏振特性能够得到无人作战飞行器的姿态信息，相对于其他比较成熟的导航方法，BPNS有着自身独特的优势：(a)具有高度自主性，隐蔽性好，不受人为因素干扰；(b)导航解算所需时间短，实时性好；(c)导航误差不随时间积累，精度高。
因此，该方法能够弥补现有自主导航方式的不足，为无人作战飞行器导航添加一种新型仿生技术，拓展了无人作战飞行器自主导航***的种类。但由于BPNS主要输出的是载体姿态角，因此，无法提供无人作战飞行器的六自由度导航参数；且BPNS易受天气影响，在阴雨或风沙等天气下的大气偏振模式会变得更为复杂，继而影响导航精度。
由此看出，单一的导航***均存在各自的优缺点，单独应用难以满足长航时、高性能导航的需求。基于信息融合原理的组合导航技术为提高飞行器导航***的信息冗余和整体性能提供了新途径。但现有的组合导航技术仍然存在自身的缺陷和不足，无法满足无人作战飞行器的要求。
如卫星导航(全球定位***(GPS)、北斗)与惯性导航组合是多数无人机所采用的主流组合导航技术，但在战争情况下，若卫星导航失效，这种组合导航方式存在很大风险。惯性与天文组合导航***在无人作战飞行器低中空飞行时，因受能见度的限制，较少采用这种方式；惯性/VNS组合导航具有较强自主性及抗电磁干扰性，但其受光线等因素影响时，导航精度会急剧下降。
综上所述，BPNS辅助传统导航传感器构建的组合导航是一种前瞻性的新概念导航方法，是对现有自主导航方法的拓展和扩充，代表了当前无人作战飞行器自主导航技术的发展趋势，能为实现无人作战飞行器自主精确导航提供新途径。
本发明的目的是提供一种仿生偏振光辅助的无人作战飞行器自主导航方法，以解决传统导航方法自主性不强、时间误差导致精确性不高、观测信息受干扰时***鲁棒性不强等问题，从而提升无人作战飞行器在复杂战场环境下的自主精确导航能力。
具体的，本发明的一种仿生偏振光辅助的无人作战飞行器自主导航方法，包括：
根据MIMU导航子***(即微惯性导航***)建立基于四元数的BPNS/MIMU/VNS自主组合导航***的动力学模型(BPNS为仿生偏振光导航***，VNS为视觉导航***)。分别通过BPNS导航子***和VNS导航子***，建立第一观测模型和第二观测模型。获取每个导航子***的导航信息，利用改进的联邦CKF滤波方法(即改进的联邦容积卡尔曼滤波方法)对动力学模型、第一观测模型和第二观测模型进行最优估计，得到无人作战飞行器的最终(最优)导航信息。
本发明通过在滤波过程中增加了抗差因子，可以调整滤波增益，削弱异常观测对状态估计的影响，能有效改善滤波器的鲁棒性，提高组合导航***的状态估计精度；还通过异步观测时间配准，利用重叠分段区间，设计时间配准方法，有效提高异步观测处理的采样率和精度，降低组合导航***的异步时间误差，进而使得本发明具有自主性强、精度高、可靠性好等优点，能够弥补现有自主导航技术的不足，提高复杂战场环境下无人作战飞行器的自主精确导航能力，具有广阔的应用前景。
在本发明实施例中，如图1所示，利用改进的联邦CKF滤波方法对动力学模型、第一观测模型和第二观测模型进行最优估计包括：
利用改进的CKF滤波方法(即改进的容积卡尔曼滤波方法)对动力学模型和第一观测模型进行状态估计，得到无人作战飞行器的第一导航信息。利用改进的CKF滤波方法对动力学模型和第二观测模型进行状态估计，得到无人作战飞行器的第二导航信息。利用联邦滤波方法对第一导航信息和第二导航信息进行***状态融合后，得到无人作战飞行器的最终(最优)导航信息。
本实施例针对BPNS/MIMU/VNS组合导航***，设计具有三层融合特点的分布式数据融合结构。在第一层中，采用基于分段重叠的时间配准方法，对BPNS、MIMU和VNS输出的异步观测进行时间配准；在第二层中，采用改进的CKF算法，以并行方式得到MIMU/BPNS和MIMU/VNS组合导航子***的局部状态估计；在第三层中，通过联邦滤波对局部状态估计进行动态融合，得到组合导航***的全局最优状态估计。
由于MIMU具有导航参数全面、机动跟踪能力强、输出及时连续、抗干扰性能好等优点，因此，在设计BPNS/MIMU/VNS全自主组合导航***时，将MIMU作为基本***，通过将BPNS和VNS输出的导航信息分别与MIMU的导航信息进行有机融合，可以克服各个子***所存在的缺陷，避免由于某些客观条件所引起的组合导航子***失效，进而导致无法实现无人作战飞行器精确导航的问题。BPNS/MIMU/VNS全自主组合导航***由于具有更多的冗余信息，因而导航精度更高、可靠性更好，自主性更强。
本实施例中，导航坐标系采用东-北-天地理坐标系，MIMU输出无人作战飞行器的位置、速度和姿态等信息，BPNS输出姿态信息，VNS输出姿态和位置信息。首先，以MIMU为基础，设计MIMU/BPNS和MIMU/VNS组合导航子***，建立基于四元数的组合导航局部滤波器非线性***模型(动力学模型和观测模型)，计算获得组合导航***状态的两组局部估计。然后，将两组局部估计送入主滤波器进行全局信息融合，得到***状态的全局最优估计。最后***状态的全局最优估计作为组合导航***的输出，即无人作战飞行器在当前时刻的导航状态。设计的BPNS/MIMU/VNS全自主组合导航，能够实现BPNS、MIMU和VNS之间的优势互补，协同工作，为无人作战飞行器自主精确导航提供新途径。
作为一种具体的实施方式，动力学模型为：
Figure BDA0002380956440000101
其中，
Figure BDA0002380956440000102
表示所述动力学模型的非线性函数，x(t)为***状态向量，
Figure BDA0002380956440000103
w(t)为动力学噪声；
Figure BDA0002380956440000104
为机体坐标系b到导航坐标系n的姿态四元数；
Figure BDA0002380956440000105
表示无人作战飞行器在导航坐标系n中的速度，
Figure BDA0002380956440000106
和
Figure BDA0002380956440000107
分别为无人作战飞行器的东向速度、北向速度和天向速度；pn＝[λ,L,h]T为无人作战飞行器在导航坐标系n中的经度、纬度和高度集合，λ为经度，L为纬度，h为高度；εb为陀螺仪偏差，▽b为加速度计偏差；
Figure BDA0002380956440000111
Figure BDA0002380956440000112
为
Figure BDA0002380956440000113
的微分，
Figure BDA0002380956440000114
为无人作战飞行器在导航坐标系n中的角速率，
Figure BDA0002380956440000115
表示四元数乘法，
Figure BDA0002380956440000116
Figure BDA0002380956440000117
为陀螺测量的机体坐标系b下的无人作战飞行器角速率，
Figure BDA0002380956440000118
为地球相对于惯性坐标系i的旋转角速率，
Figure BDA0002380956440000119
为导航坐标系n相对于地球坐标系e的角速率；
Figure BDA00023809564400001110
Figure BDA00023809564400001111
为vn的微分，
Figure BDA00023809564400001112
表示姿态旋转矩阵，fb为加速度计测量的机体坐标系b内的比力，gn为重力加速度向量；
Figure BDA00023809564400001113
Figure BDA00023809564400001114
为pn的微分，M为位置系数矩阵，
Figure BDA00023809564400001115
RM和RN分别为地球子午圈和卯酉圈的曲率半径；
Figure BDA00023809564400001116
Figure BDA00023809564400001117
为εb的微分，ηgu服从零均值的高斯白噪声；
Figure BDA00023809564400001118
Figure BDA00023809564400001119
为▽b的微分，ηau服从零均值的高斯白噪声。
本实施例的第一观测模型为：
z1(k)＝h1(x(k))+v1(k)，
其中，z1(k)＝[ψB,θB,γB]T，ψB,θB,γB分别为BPNS导航子***测量得到的无人作战飞行器的航向角、俯仰角和横滚角，v1(k)为BPNS导航子***中对姿态的观测噪声向量，
Figure BDA0002380956440000121
x(k)为x(t)的离散表示。
本实施例的第二观测模型为：
z2(k)＝h2(x(k))+v2(k)，
其中，z2(k)＝[ψV,θV,γV,λV,LV,hV]T，ψV,θV,γV分别为VNS导航子***测量得到的无人作战飞行器的航向角、俯仰角和横滚角，λV,LV,hV分别为VNS导航子***测量得到的无人作战飞行器的经度、纬度和高度，v2(k)为VNS导航子***中对姿态和位置的观测噪声向量，
Figure BDA0002380956440000122
具体的，改进的联邦CKF滤波方法包括：
初始化动力学模型和第一观测模型/第二观测模型；获取无人作战飞行器的第三导航信息；其中，第三导航信息为初始导航信息或上一时刻的无人作战飞行器导航信息；结合第三导航信息和动力学模型生成无人作战飞行器的第四导航信息；其中，第四导航信息为导航信息预测值；获取第五导航信息；其中，第五导航信息为经异步观测时间配准后VNS导航子***输出的姿态和位置信息、以及经异步观测时间配准后BPNS导航子***输出的姿态信息；根据第四导航信息和第五导航信息，结合第一观测模型/第二观测模型，利用联邦滤波技术生成无人作战飞行器的最终导航信息。
在本实施例中，***状态融合包括：
如图3所示，根据动力学模型与第一观测模型/第二观测模型，分别获取第一导航信息的误差协方差矩阵，以及第二导航信息的误差协方差矩阵。基于第一导航信息的误差协方差矩阵和第二导航信息的误差协方差矩阵，建立第一导航信息和第二导航信息的权重；
通过
Figure BDA0002380956440000131
计算出所述无人作战飞行器的最终(最优)导航信息；
其中，
Figure BDA0002380956440000132
为所述无人作战飞行器的最终(最优)导航信息，Pg为相应的误差协方差矩阵，
Figure BDA0002380956440000133
P1为第一导航信息的误差协方差矩阵，
Figure BDA0002380956440000134
为第一导航信息，P2为第二导航信息的误差协方差矩阵，
Figure BDA0002380956440000135
为第二导航信息，Pz为主滤波器通过动力学模型进行时间更新(一步预测)后得到的导航信息误差协方差矩阵，
Figure BDA0002380956440000136
为主滤波器通过动力学模型进行时间更新(一步预测)后得到的导航信息。并且，得到无人作战飞行器的最终(最优)导航信息及其误差协方差矩阵后，采用联邦重置反馈模式将子滤波器以及主滤波器下一时刻初始值分别重置为
Figure BDA0002380956440000137
其中，
Figure BDA0002380956440000138
为信息分配系数，N为子滤波器个数。
为克服现有时间配准方法的不足，本实施例中提出采用分段重叠方法对各导航传感器输出的异步观测数据进行处理。
分段重叠的原理如图4所示，首先，确定分段间隔Ts。为避免在分段间隔内无传感器观测的情况出现，应当使分段间隔不小于组合导航***中各传感器的最大采样周期Tmax，即Ts＞Tmax。
其次，划分重叠区间TΔ。原则上讲，重叠区间应尽可能密集以提高采样率。但若重叠区间太小，不但不能在相邻区间进行数据更新，而且会增加***计算负担。故在计算中选取各传感器采样周期的均值作为重叠区间，但如果出现采样率悬殊的情况，应排除最值的影响。综上所述，重叠区间TΔ可选取为
Figure BDA0002380956440000141
式中，n为传感器个数，Tt为第t个传感器采样周期，Tmin为各传感器最小采样周期。
再次，以***观测开始值作为起始时刻T0，确定各观测处理区间[TΔ+sTΔ,TΔ+sTΔ+Ts]，s＝0,1,2,…。在每个处理区间内，分别获取第t个传感器的观测集合{zt1,zt2,...,ztr}。
最后，基于观测集合{zt1,zt2,...,ztr}，根据最小二乘原理求取第t个导航传感器在各处理区间内的观测估计。这样便得到各传感器一系列处于同一时刻且间隔为TΔ的观测估计值，以此作为各个传感器的滤波观测值。
利用重叠分段区间，提出的时间配准方法能够有效提高异步观测处理的采样率和精度。
本实施例针对现有时间配准算法的局限性，提出的基于分段重叠的时间配准方法。通过对各导航传感器的输出数据进行分段重叠处理，将异步观测信息同步到统一基准时标下，得到各传感器一系列处于同一时刻且等间隔的观测估计值。利用重叠分段区间，提高时间配准方法的采样率和观测精度。该方法是对多源、异步组合导航信息进行最优融合的基础。
在本实施例的方法中，如图2所示，得到第五导航信息之后还包括：
马氏距离是统计学中一种检测多元数据样本异常值的判别准则。对于一个均值为μ＝(μ1,μ2,…,μp)T，协方差矩阵为Σ的多维向量x＝(x1,x2,…,xp)T，其马氏距离定义为
Figure BDA0002380956440000142
针对设计的BPNS/MIMU/VNSS组合导航***，对MIMU/BPNS和MIMU/VNS组合导航子***中模型误差分别进行判断和检测。
根据第五导航信息，计算子滤波器的m维新息向量为
Figure BDA0002380956440000151
对于不存在模型误差的高斯***，新息向量
Figure BDA0002380956440000152
服从均值为0的多元高斯分布
Figure BDA0002380956440000153
其中
Figure BDA0002380956440000154
为新息向量协方差矩阵。因此，根据所述的马氏距离定义，有
Figure BDA0002380956440000155
由统计知识可知，
Figure BDA0002380956440000156
服从自由度为m的
Figure BDA0002380956440000157
分布。根据
Figure BDA0002380956440000158
检验理论，给定显著性水平α(0＜α＜1)，存在临界值
Figure BDA0002380956440000159
使
Figure BDA00023809564400001510
故可以建立如下的判别准则
Figure BDA00023809564400001511
其中，
Figure BDA00023809564400001512
是预先设置的检验门限，表示显著性检验水平取α时对应的χ2检验临界值，可通过查询χ2分布表获得。
对滤波器异常观测通过马氏距离判据进行辨识，当
响应于
Figure BDA00023809564400001513
执行CKF算法步骤，获取第一/第二导航信息。
响应于
Figure BDA00023809564400001514
根据马氏距离判据，构建抗差因子迭代关系，迭代求解抗差因子κk，结合抗差因子，更新CKF新息向量协方差矩阵并执行CKF算法步骤，得到获取第一/第二导航信息。
求解抗差因子包括：
根据马氏距离判据，构造非线性方程：
Figure BDA00023809564400001515
其中，
Figure BDA00023809564400001516
表示引入抗差因子后更新的新息向量协方差矩阵。
求解上述非线性方程，得到抗差因子迭代关系：
Figure BDA0002380956440000161
其中，R为滤波器观测噪声协方差矩阵，i为迭代次数，迭代初始值为κk(0)＝1，并将每步的迭代结果带入计算马氏距离判据βk，当
Figure BDA0002380956440000162
时，迭代结束，最后一次的迭代结果即为所确定的抗差因子；否则，继续进行迭代计算。
另外，在计算时本实施例中将CKF新息向量协方差矩阵重新更新为
Figure BDA0002380956440000163
其中，
Figure BDA0002380956440000164
为CKF滤波器选择并经非线性观测函数传播后的容积点，
Figure BDA0002380956440000165
为滤波器观测预测值。

Claims (9)

1.一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，包括：
根据MIMU导航子***建立基于四元数的BPNS/MIMU/VNS自主组合导航***动力学模型；
分别通过BPNS导航子***和VNS导航子***，建立第一观测模型和第二观测模型；
获取每个导航子***的导航信息，利用改进的联邦CKF滤波方法对所述动力学模型、第一观测模型和第二观测模型进行状态估计，得到所述无人作战飞行器的最终导航信息；
所述基于四元数的动力学模型为：
Figure FDA0003101801880000011
其中，
Figure FDA0003101801880000012
表示所述动力学模型的非线性函数，x(t)为***状态向量，
Figure FDA0003101801880000013
w(t)为动力学噪声；
Figure FDA0003101801880000014
为机体坐标系b到导航坐标系n的姿态四元数；
Figure FDA0003101801880000015
表示无人作战飞行器在导航坐标系n中的速度，
Figure FDA0003101801880000016
和
Figure FDA0003101801880000017
分别为无人作战飞行器的东向速度、北向速度和天向速度；pn＝[λ,L,h]T为无人作战飞行器在导航坐标系n中的经度、纬度和高度集合，λ为经度，L为纬度，h为高度；εb为陀螺仪偏差，
Figure FDA0003101801880000018
为加速度计偏差；
Figure FDA0003101801880000019
Figure FDA00031018018800000110
为
Figure FDA00031018018800000111
的微分，
Figure FDA00031018018800000112
为无人作战飞行器在导航坐标系n中的角速率，
Figure FDA00031018018800000113
表示四元数乘法；
Figure FDA00031018018800000114
Figure FDA00031018018800000115
为vn的微分，
Figure FDA00031018018800000116
表示姿态旋转矩阵，fb为加速度计测量的机体坐标系b内的比力，
Figure FDA00031018018800000117
为地球相对于惯性坐标系i的旋转角速率，
Figure FDA00031018018800000118
为导航坐标系n相对于地球坐标系e的角速率，gn为重力加速度向量；
Figure FDA0003101801880000021
Figure FDA0003101801880000022
为pn的微分，M为位置系数矩阵，
Figure FDA0003101801880000023
RM和RN分别为地球子午圈和卯酉圈的曲率半径；
Figure FDA0003101801880000024
Figure FDA0003101801880000025
为εb的微分，ηgu服从零均值的高斯白噪声；
Figure FDA0003101801880000026
Figure FDA0003101801880000027
为
Figure FDA0003101801880000028
的微分，ηau服从零均值的高斯白噪声。
2.如权利要求1所述的一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，利用改进的联邦CKF滤波方法对所述动力学模型、第一观测模型和第二观测模型进行状态估计包括：
利用改进的CKF滤波方法对所述动力学模型和第一观测模型进行状态估计，得到所述无人作战飞行器的第一导航信息；
利用改进的CKF滤波方法对所述动力学模型和第二观测模型进行状态估计，得到所述无人作战飞行器的第二导航信息；
利用联邦滤波方法对所述第一导航信息和第二导航信息进行***状态融合后，得到所述无人作战飞行器的最终导航信息。
3.如权利要求1所述的一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，所述第一观测模型为：
z1(k)＝h1(x(k))+v1(k)，
其中，z1(k)＝[ψB,θB,γB]T，ψB,θB,γB分别为BPNS导航子***测量得到的无人作战飞行器的航向角、俯仰角和横滚角，v1(k)为BPNS导航子***对姿态的观测噪声向量，
Figure FDA0003101801880000031
x(k)为x(t)的离散表示。
4.如权利要求3所述的一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，所述第二观测模型为：
z2(k)＝h2(x(k))+v2(k)，
其中，z2(k)＝[ψV,θV,γV,λV,LV,hV]T，ψV,θV,γV分别为VNS导航子***测量得到的无人作战飞行器的航向角、俯仰角和横滚角，λV,LV,hV分别为VNS导航子***测量得到的无人作战飞行器的经度、纬度和高度，v2(k)为VNS导航子***中对姿态和位置的观测噪声向量，
Figure FDA0003101801880000032
5.如权利要求4所述的一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，所述改进的联邦CKF滤波方法包括：
初始化所述动力学模型和第一观测模型/第二观测模型；
获取所述无人作战飞行器的第三导航信息；其中，所述第三导航信息为初始导航信息或上一时刻的无人作战飞行器最终导航信息；
结合所述第三导航信息和所述动力学模型生成无人作战飞行器的第四导航信息；其中，所述第四导航信息为导航信息预测值；
获取第五导航信息；其中，所述第五导航信息为经异步观测时间配准后BPNS导航子***输出的姿态信息、以及经异步观测时间配准后VNS导航子***输出的姿态和位置信息；
根据所述第四导航信息和第五导航信息，结合所述第一观测模型/第二观测模型，生成所述无人作战飞行器的最终导航信息。
6.如权利要求5所述的一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，得到所述第五导航信息之后还包括：
根据第五导航信息，计算滤波器新息向量
Figure FDA0003101801880000041
判断所述新息向量的马氏距离判据是否小于等于阈值，即
Figure FDA0003101801880000042
其中，βk为马氏距离判据，
Figure FDA0003101801880000043
Figure FDA0003101801880000044
为新息向量协方差矩阵，
Figure FDA0003101801880000045
为预先设置的阈值，m为观测向量维数；
响应于
Figure FDA0003101801880000046
执行CKF算法步骤，获取第一/第二导航信息；
响应于
Figure FDA0003101801880000047
根据马氏距离判据，构建抗差因子迭代关系，迭代求解抗差因子κk；结合抗差因子，CKF新息向量协方差矩阵重新更新为
Figure FDA0003101801880000048
其中，
Figure FDA0003101801880000049
为CKF滤波器选择并经非线性观测函数传播后的容积点，
Figure FDA00031018018800000410
为滤波器观测预测值，R为滤波器观测噪声协方差矩阵。
执行CKF算法步骤，得到第一/第二导航信息；
利用联邦滤波方法对所述第一导航信息和第二导航信息进行状态融合后，得到所述无人作战飞行器的最终导航信息。
7.如权利要求6所述的一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，求解抗差因子包括：
根据马氏距离判据，构造非线性方程：
Figure FDA0003101801880000051
其中，
Figure FDA0003101801880000052
表示引入抗差因子后更新的新息向量协方差矩阵；
利用牛顿迭代法求解上述非线性方程，得到抗差因子迭代关系：
Figure FDA0003101801880000053
其中，i为迭代次数，迭代初始值为κk(0)＝1。
8.如权利要求5或7所述的一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，所述获取第五导航信息包括：
确定观测处理区间[TΔ+sTΔ,TΔ+sTΔ+Ts]，其中，s为1或正整数，TΔ为重叠区间，Ts为分段间隔；
在每个处理区间内，分别获取第t个传感器的观测集合{zt1,zt2,...,ztr}；
基于观测集合{zt1,zt2,...,ztr}，使用最小二乘法生成第t个导航传感器在每个所述处理区间内的观测估计值，作为第五导航信息。
9.如权利要求2或8所述的一种仿生偏振光辅助的无人作战飞行器自主导航方法，其特征在于，所述***状态融合包括：
根据动力学模型与第一观测模型/第二观测模型，分别获取第一导航信息的误差协方差矩阵，以及第二导航信息的误差协方差矩阵。基于第一导航信息的误差协方差矩阵和第二导航信息的误差协方差矩阵，建立第一导航信息和第二导航信息的权重；
通过
Figure FDA0003101801880000054
计算出所述无人作战飞行器的最终导航信息；
其中，
Figure FDA0003101801880000055
为所述无人作战飞行器的最终导航信息，Pg为相应的误差协方差矩阵，
Figure FDA0003101801880000056
P1为第一导航信息的误差协方差矩阵，
Figure FDA0003101801880000057
为第一导航信息，P2为第二导航信息的误差协方差矩阵，
Figure FDA0003101801880000058
为第二导航信息，Pz为主滤波器通过动力学模型进行时间更新后得到的导航信息误差协方差矩阵，
Figure FDA0003101801880000061
为主滤波器通过动力学模型进行时间更新后得到的导航信息。
CN202010082963.6A 2020-02-07 2020-02-07 一种仿生偏振光辅助的无人作战飞行器自主导航方法 Active CN111238467B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010082963.6A CN111238467B (zh) 2020-02-07 2020-02-07 一种仿生偏振光辅助的无人作战飞行器自主导航方法
ZA2021/02684A ZA202102684B (en) 2020-02-07 2021-04-22 Autonomous navigation method for unmanned combat aerial vehicle assisted by bionic polarization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010082963.6A CN111238467B (zh) 2020-02-07 2020-02-07 一种仿生偏振光辅助的无人作战飞行器自主导航方法

Publications (2)

Publication Number Publication Date
CN111238467A CN111238467A (zh) 2020-06-05
CN111238467B true CN111238467B (zh) 2021-09-03

Family

ID=70870540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082963.6A Active CN111238467B (zh) 2020-02-07 2020-02-07 一种仿生偏振光辅助的无人作战飞行器自主导航方法

Country Status (2)

Country Link
CN (1) CN111238467B (zh)
ZA (1) ZA202102684B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111504312B (zh) * 2020-07-02 2020-09-15 中国人民解放军国防科技大学 一种基于视觉惯性偏振光融合的无人机位姿估计方法
CN111947653A (zh) * 2020-08-13 2020-11-17 北京航空航天大学 一种月面巡视探测器双模式惯性/视觉/天文导航方法
CN112146655B (zh) * 2020-08-31 2023-03-31 郑州轻工业大学 一种BeiDou/SINS紧组合导航***弹性模型设计方法
CN113380073B (zh) * 2021-06-03 2022-05-13 杭州电子科技大学 一种基于事件触发机制的流量管理***异步滤波估计方法
CN113819907B (zh) * 2021-11-22 2022-02-11 北京航空航天大学 一种基于偏振和太阳双矢量切换的惯性/偏振导航方法
CN114543799B (zh) * 2022-03-31 2023-10-27 湖南大学无锡智能控制研究院 一种抗差联邦卡尔曼滤波方法、设备与***
CN114995518B (zh) * 2022-07-27 2022-11-18 西北工业大学 从飞行器gps目标定位失效时的主-从式协同制导方法
CN115574816B (zh) * 2022-11-24 2023-03-14 东南大学 仿生视觉多源信息智能感知无人平台
CN116105743B (zh) * 2023-04-17 2023-06-27 山东大学 一种联邦滤波***信息因子分配方法及水下导航***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011104512A1 (de) * 2011-06-17 2012-12-20 Northrop Grumman Litef Gmbh Lichtquellen- und Kopplermodul für ein mehrstufiges Sensorsystem
CN106168662A (zh) * 2016-07-26 2016-11-30 中国人民解放军海军航空工程学院 基于极大似然估计的被动传感器的误差配准方法及装置
CN107144284A (zh) * 2017-04-18 2017-09-08 东南大学 基于ckf滤波的车辆动力学模型辅助惯导组合导航方法
CN108375381A (zh) * 2018-02-08 2018-08-07 北方工业大学 一种基于扩展卡尔曼滤波的仿生偏振传感器多源误差标定方法
CN108827322A (zh) * 2018-06-14 2018-11-16 上海卫星工程研究所 一种多星协同测向定位观测***优化设计与评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011104512A1 (de) * 2011-06-17 2012-12-20 Northrop Grumman Litef Gmbh Lichtquellen- und Kopplermodul für ein mehrstufiges Sensorsystem
CN106168662A (zh) * 2016-07-26 2016-11-30 中国人民解放军海军航空工程学院 基于极大似然估计的被动传感器的误差配准方法及装置
CN107144284A (zh) * 2017-04-18 2017-09-08 东南大学 基于ckf滤波的车辆动力学模型辅助惯导组合导航方法
CN108375381A (zh) * 2018-02-08 2018-08-07 北方工业大学 一种基于扩展卡尔曼滤波的仿生偏振传感器多源误差标定方法
CN108827322A (zh) * 2018-06-14 2018-11-16 上海卫星工程研究所 一种多星协同测向定位观测***优化设计与评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多视图几何的惯性/立体视觉组合导航方法研究;孔祥龙;《中国博士学位论文全文数据库 社会科学Ⅰ辑》;20190115(第1期);正文第14,44-45,76-86段 *

Also Published As

Publication number Publication date
ZA202102684B (en) 2021-05-26
CN111238467A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111238467B (zh) 一种仿生偏振光辅助的无人作战飞行器自主导航方法
CN108759833B (zh) 一种基于先验地图的智能车辆定位方法
CN109781099B (zh) 一种自适应ukf算法的导航方法及***
Scherer et al. River mapping from a flying robot: state estimation, river detection, and obstacle mapping
Wang et al. Huber-based unscented filtering and its application to vision-based relative navigation
CN112083726B (zh) 一种面向园区自动驾驶的双滤波器融合定位***
CN113029137A (zh) 一种多源信息自适应融合定位方法及***
CN112505737B (zh) 一种gnss/ins组合导航方法
CN107727101B (zh) 基于双偏振光矢量的三维姿态信息快速解算方法
CN113295162B (zh) 基于无人机状态信息的广义因子图融合导航方法
CN113252038B (zh) 基于粒子群算法的航迹规划地形辅助导航方法
CN108458709B (zh) 基于视觉辅助测量的机载分布式pos数据融合方法和装置
CN111156986B (zh) 一种基于抗差自适应ukf的光谱红移自主组合导航方法
WO2024109002A1 (zh) 仿生视觉多源信息智能感知无人平台
CN114018242A (zh) 一种基于偏振/太阳/惯性信息智能匹配的自主定姿方法
CN108536163A (zh) 一种单面结构环境下的动力学模型/激光雷达组合导航方法
CN116642482A (zh) 基于固态激光雷达和惯性导航的定位方法、设备和介质
CN114018254B (zh) 一种激光雷达与旋转惯导一体化构架与信息融合的slam方法
CN111207773A (zh) 一种用于仿生偏振光导航的姿态无约束优化求解方法
CN116681733B (zh) 一种空间非合作目标近距离实时位姿跟踪方法
CN113008229A (zh) 一种基于低成本车载传感器的分布式自主组合导航方法
CN117387604A (zh) 基于4d毫米波雷达和imu融合的定位与建图方法及***
CN115014321B (zh) 一种基于自适应鲁棒滤波的仿生偏振多源融合定向方法
Atia et al. A novel systems integration approach for multi-sensor integrated navigation systems
CN112304309A (zh) 一种基于心动阵列的高超飞行器组合导航信息解算方法

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