CN111832690B - 基于粒子群优化算法的惯导***的陀螺测量值计算方法 - Google Patents

基于粒子群优化算法的惯导***的陀螺测量值计算方法 Download PDF

Info

Publication number
CN111832690B
CN111832690B CN202010544718.2A CN202010544718A CN111832690B CN 111832690 B CN111832690 B CN 111832690B CN 202010544718 A CN202010544718 A CN 202010544718A CN 111832690 B CN111832690 B CN 111832690B
Authority
CN
China
Prior art keywords
inertial navigation
navigation system
calibrated
particle
data
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
CN202010544718.2A
Other languages
English (en)
Other versions
CN111832690A (zh
Inventor
朱兵
何泓洋
姜坤
查峰
李京书
吴苗
李鼎
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.)
Naval University of Engineering PLA
Original Assignee
Naval University of Engineering PLA
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 Naval University of Engineering PLA filed Critical Naval University of Engineering PLA
Priority to CN202010544718.2A priority Critical patent/CN111832690B/zh
Publication of CN111832690A publication Critical patent/CN111832690A/zh
Application granted granted Critical
Publication of CN111832690B publication Critical patent/CN111832690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G01C21/18—Stabilised platforms, e.g. by gyroscope
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明涉及基于粒子群优化算法的惯导***的陀螺测量值计算方法，适用于提高待标定惯导***在运动过程中的陀螺测量值的测量精确度，包含步骤：在每个修正时点采集一次待标定惯导***的陀螺测量值；根据陀螺常值漂移量构建粒子种群，在陀螺常值漂移量的变化范围内随机初始化粒子；解算每个粒子的速度数据和位置数据，得到最优粒子；使用当前群体最优粒子的位置数据获取待标定惯导***的陀螺常值漂移量，然后得到标定后的陀螺测量值。本发明采用基于粒子群优化算法，不需要惯性器件的先验误差模型、特定的机动、外部信息辅助、不需要外部信息符合高斯假设条件；使纯惯性导航解算误差达到最小提高待标定惯导***在纯惯性导航工作模式下的导航精度。

Description

基于粒子群优化算法的惯导***的陀螺测量值计算方法
技术领域
本发明涉及惯导测量值计算技术领域，具体地涉及基于粒子群优化算法的惯导***的陀螺测量值计算方法。
背景技术
捷联式惯导***具有自主性高、不依赖于外界信息和不向外界发送信息等诸多优势，其可有效增强水下航行器的自主性和隐蔽性，这种不依赖于外界信息的工作状态称为纯惯性导航状态(或称“纯惯导状态”)。若水下航行器处于极端恶劣的环境中如强干扰环境，外部导航传感器提供的信息可用性将会变差甚至失效，此种情形下纯惯性导航便成为航行器在水下导航的唯一手段。
在纯惯性导航阶段，由于测量单元器件误差的影响，捷联式惯导***在解算的过程中存在振荡型、积累型的***误差，这对长期处于水下环境中的航行器是十分不利的。因此，准确地估计出并从测量值中扣除掉测量单元器件误差是实现捷联式惯导***长周期、高精度导航的重要途径。
当前应用最广泛的技术方案是采用卡尔曼滤波算法，即KF算法，来估计惯性测量单元的器件误差。虽然KF算法目前被认为是基于l2范数的最优估计方法，但是仍然具有一定的局限性，具体来说，KF算法能实现有效估计惯性测量单元器件误差，需要满足以下条件
1、准确获取惯性器件的先验误差模型。
2、需要特定的机动。
以上约束条件相对于水下航行器的实际工作环境是比较苛刻的，因此限制了水下航行器对复杂环境的适应能力及其快速反应能力。
发明内容
本发明针对上述问题，提供基于粒子群优化算法的惯导***的陀螺测量值计算方法，使惯导过程中获取测量值的过程摆脱上述需要获取惯性器件的先验误差模型、特定的机动；同时，通过提高待标定惯导***的测量精确度，从而提高待标定惯导***在纯惯性导航工作模式下的导航精度。
为解决上述问题，本发明提供的技术方案为：
基于粒子群优化算法的惯导***的陀螺测量值计算方法，适用于提高待标定惯导***在运动过程中的陀螺测量值的测量精确度，包含以下步骤：
S100、自待标定惯导***开始自主推进的时刻起，到待标定惯导***到达人工预设的目标位置时刻为止的时间段内，在每个修正时点获取一次待标定惯导***的测量值；所述修正时点自待标定惯导***出发时点起，对应采集频率；所述待标定惯导***的测量值包含当前速度测量数据和当前位置测量数据；
S200、根据陀螺常值漂移量构建粒子种群，在陀螺常值漂移量的变化范围内随机初始化粒子；所述粒子包含速度数据和位置数据；
S300、解算每个粒子的速度数据和位置数据，得到最优粒子，具体包含以下步骤：
S310、迭代计算每个粒子的速度数据和位置数据，直至达到迭代次数的最大值，然后输出迭代后每个粒子的速度数据和位置数据；所述迭代次数为常量，由人工预置；如迭代过程中有一次迭代计算得到的速度数据或位置数据超过陀螺常值漂移量的变化范围，则输出该次迭代计算的上一次迭代计算得到的速度数据和位置数据，然后输出迭代后每个粒子的速度数据和位置数据；
S320、利用迭代后每个粒子的速度数据和位置数据对待标定惯导***进行速度解算和位置解算，得到在t时刻待标定惯导***输出的东向速度、北向速度、纬度和经度，然后通过待标定惯导***的代价函数，计算出待标定惯导***的代价函数的值，并标定代价函数值最小的粒子为本次迭代的当前群体最优粒子；所述代价函数按下式计算：
Figure BDA0002540200070000031
其中，t0为待标定惯导***的解算开始时刻；te为待标定惯导***的解算结束时刻；
Figure BDA0002540200070000032
为待标定惯导***在t时刻的东向速度解算误差；
Figure BDA0002540200070000033
为待标定惯导***在t时刻的北向速度解算误差；eLat(t)为待标定惯导***在t时刻的纬度解算误差；eLon(t)为待标定惯导***在t时刻的经度解算误差；ρ1、ρ2、ρ3、ρ4为权值系数，由人工预置；
S400、使用当前群体最优粒子的位置数据获取待标定惯导***的陀螺常值漂移量；然后从待标定惯导***的陀螺测量值中扣除待标定惯导***的陀螺常值漂移量，得到标定后的陀螺测量值。
优选地，S100中获取待标定惯导***的测量值包含以下步骤：
S110、由待标定惯导***装载的陀螺仪测量当前角加速度测量数据，由线加速度计测量当前线加速度测量数据；
S120、采用力学编排方程实时解算当前角加速度测量数据和当前线加速度测量数据，得到待标定惯导***的当前速度测量数据和当前位置测量数据；将当前速度测量数据和当前位置测量数据打包，作为待标定惯导***的测量值输出。
优选地，所述速度数据包含当前速度和更新后速度；
所述位置数据包含当前位置、更新后位置、当前个体最优位置和当前群体最优位置；
S310中所述每个粒子的速度数据的迭代计算按下式计算：
Figure BDA0002540200070000034
其中，
Figure BDA0002540200070000041
为更新后粒子的速度；
Figure BDA0002540200070000042
为粒子的当前位置；
Figure BDA0002540200070000043
为粒子的当前速度；
Figure BDA0002540200070000044
为当前个体最优粒子的位置；
Figure BDA0002540200070000045
为当前群体最优粒子的位置；r1和r2为介于(0,1)之间的随机数；c1为表征粒子向自身粒子学习能力的学习因子，取值范围为(0,2)；c2为表征粒子向其他粒子学习能力的学习因子，取值范围为(0,2)；c1和c2在取值范围内随机；ω为惯性权重常数；d为搜索空间维数，d＝1，2，…，K，K为搜索空间维数的个数；i＝1，2，…，N，N为种群规模；m为当前种群的迭代次数；
所述每个粒子的位置数据的迭代计算按下式计算：
Figure BDA0002540200070000046
其中，
Figure BDA0002540200070000047
为更新后粒子的位置。
优选地，S400中所述标定后的陀螺测量值按下式计算：
Figure BDA0002540200070000048
其中，
Figure BDA0002540200070000049
为待标定惯导***的陀螺测量值；
Figure BDA00025402000700000410
为迭代终止时输出的当前群体最优粒子的位置数据；
Figure BDA00025402000700000411
为标定后的陀螺测量值。
本发明与现有技术对比，具有以下优点：
1、本发明由于采用了基于粒子群优化算法对陀螺常值漂移量进行智能搜索，从而不需要惯性器件的先验误差模型，不需要特定的机动。
2、本发明由于采用了基于粒子群优化算法对陀螺常值漂移量进行智能搜索，从而使得纯惯性导航解算误差达到最小，提高了待标定惯导***的测量精确度，从而提高了待标定惯导***在纯惯性导航工作模式下的导航精度。
附图说明
图1为本发明的具体实施例的步骤流程图。
图2为本发明的具体实施例中获取最优粒子的步骤流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，一种基于粒子群的惯导***的陀螺测量值计算方法，适用于提高待标定惯导***在运动过程中的陀螺测量值的测量精确度，包含以下步骤：
S100、自待标定惯导***开始自主推进的时刻起，到待标定惯导***到达人工预设的目标位置时刻为止的时间段内，共计5小时，使用安装在双轴转台上的FOSN光纤捷联惯导***采集的陀螺仪和加速度计的测量值，在每个修正时点采集一次待标定惯导***的测量值；修正时点自待标定惯导***出发时点起，对应采集频率；设定采集频率为10Hz；待标定惯导***的测量值包含当前速度测量数据和当前位置测量数据；本实施例所用的光线IMU的性能指标如表1所示：
表1本实施例的光线IMU的性能指标数据表
Figure BDA0002540200070000051
在本实施例中，出于简化说明文字的目的，以下将粒子群优化算法简写为“PSO算法”，并简记采用PSO算法的解算方式为“PSO-解算”；将利用惯导仿真原始数据进行的纯惯性导航解算的方式简记为“IN-解算”；将卡尔曼滤波算法简写为“KF算法”，并简记采用KF算法的解算方式为“KF-解算”。
在本实施例中，待标定惯导***处于静基座条件，其姿态角为：俯仰角0°，横滚角0°，航向角36.8°；当前位置测量数据为：经度114.2429°，纬度30.58°。
获取标定惯导***的待标定惯导***的测量值具体包含以下步骤：
S110、由待标定惯导***装载的陀螺仪测量当前角加速度测量数据，由线加速度计测量当前线加速度测量数据。
S120、采用力学编排方程实时解算当前角加速度测量数据和当前线加速度测量数据，得到待标定惯导***的当前速度测量数据和当前位置测量数据；将当前速度测量数据和当前位置测量数据打包，作为待标定惯导***的测量值输出。
S200、根据陀螺常值漂移量构建粒子种群，在陀螺常值漂移量的变化范围内随机初始化粒子；粒子包含速度数据和位置数据；速度数据包含当前速度和更新后速度；位置数据包含当前位置、更新后位置、当前个体最优位置和当前群体最优位置；本实施例中，设定待标定惯导***的最小速度为vmin＝-0.1/100，待标定惯导***的最大速度为vmax＝0.1/100；陀螺常值漂移量的变化范围为
Figure BDA0002540200070000061
S300、解算每个粒子的速度数据和位置数据，得到最优粒子，如图2所示，具体包含以下步骤：
S310、迭代计算每个粒子的速度数据和位置数据，直至达到迭代次数的最大值，然后输出迭代后每个粒子的速度数据和位置数据；迭代次数为常量，由人工预置；如迭代过程中有一次迭代计算得到的速度数据或位置数据超过陀螺常值漂移量的变化范围，则输出该次迭代计算的上一次迭代计算得到的速度数据和位置数据，然后输出迭代后每个粒子的速度数据和位置数据。
其中，每个粒子的速度数据的迭代计算按式(1)计算：
Figure BDA0002540200070000062
其中，
Figure BDA0002540200070000071
为更新后粒子的速度；
Figure BDA0002540200070000072
为粒子的当前位置；
Figure BDA0002540200070000073
为粒子的当前速度；
Figure BDA0002540200070000074
为当前个体最优粒子的位置；
Figure BDA0002540200070000075
为当前群体最优粒子的位置；r1和r2为介于(0,1)之间的随机数；c1为表征粒子向自身粒子学习能力的学习因子，取值范围为(0,2)；c2为表征粒子向其他粒子学习能力的学习因子，取值范围为(0,2)，本实施例中c1＝1.0，c2＝1.0；ω为惯性权重常数；d为搜索空间维数，d＝1，2，…，K，K为搜索空间维数的个数；i＝1，2，…，N，N为种群规模，N＝30；m为当前种群的迭代次数，m＝50。
每个粒子的位置数据的迭代计算按式(2)计算：
Figure BDA0002540200070000076
其中，
Figure BDA0002540200070000077
为更新后粒子的位置。
S320、利用迭代后每个粒子的速度数据和位置数据对待标定惯导***进行速度解算和位置解算，得到在t时刻待标定惯导***输出的东向速度、北向速度、纬度和经度，然后通过待标定惯导***的代价函数，计算出待标定惯导***的代价函数的值，并标定代价函数值最小的粒子为本次迭代的当前群体最优粒子；代价函数按式(3)计算：
Figure BDA0002540200070000078
其中，t0为待标定惯导***的解算开始时刻；te为待标定惯导***的解算结束时刻；
Figure BDA0002540200070000079
为待标定惯导***在t时刻的东向速度解算误差，按式(4)计算：
Figure BDA00025402000700000710
其中，VE,SINS(t)为t时刻待标定惯导***输出的东向速度；VE,refer(t)为t时刻外部导航***输出的东向参考速度。
Figure BDA00025402000700000711
为待标定惯导***在t时刻的北向速度解算误差，按式(5)计算：
Figure BDA00025402000700000712
其中，VN,SINS(t)为t时刻待标定惯导***输出的北向速度；VN,refer(t)为t时刻外部导航***输出的北向参考速度。
eLat(t)为待标定惯导***在t时刻的纬度解算误差，按式(6)计算：
eLat(t)＝PLat,SINS(t)-PLat,refer(t) (6)
其中，PLat,SINS(t)为t时刻待标定惯导***输出的纬度；PLat,refer(t)为t时刻外部导航***输出的参考纬度。
eLon(t)为待标定惯导***在t时刻的经度解算误差，按式(7)计算：
eLon(t)＝PLon,SINS(t)-PLon,refer(t) (7)
其中，PLon,SINS(t)为t时刻待标定惯导***输出的经度；PLon,refer(t)为t时刻外部导航***输出的参考经度。
ρ1、ρ2、ρ3、ρ4为权值系数，由人工预置；本实施例中，设定ρ1＝1.0，ρ2＝1.0，ρ3＝1.0，ρ4＝15。
在此步骤中，如果待标定惯导***处于静态条件下，则根据代价函数计算每个粒子的适应值函数值，并标定适应值函数值最大的粒子为本次迭代的当前群体最优粒子；适应值函数按式(8)计算：
F＝1/(J+e′) (8)
其中，e′为无穷小量；本实施例中，设定e′＝10-10
当待标定惯导***处于静态条件下，采用适应值函数筛选当前群体最优粒子的原因是因为：代价函数是由每一时刻速度误差和位置误差之和确定的。又因为陀螺常值漂移会引起振荡型和积累型的导航解算误差，因此采用如上的代价函数表达式可以更加直接的反映出陀螺常值漂移对导航解算误差的影响规律，从而可以根据适应值计算结果准确地搜索估计出陀螺常值漂移。
为了消除器件随机噪声对实验结果的影响，重复此次测量工作50次，然后取得陀螺常值漂移的平均值为
Figure BDA0002540200070000091
(单位为°/h，下同)。
S400、使用当前群体最优粒子的位置数据获取待标定惯导***的陀螺常值漂移量；然后利用陀螺常值漂移量对待标定惯导***的陀螺测量值进行误差标定，对标定后的陀螺测量值进行纯惯性导航解算，得到标定后的陀螺测量值。
其中，标定后的陀螺测量值按式(9)计算：
Figure BDA0002540200070000092
其中，
Figure BDA0002540200070000093
为待标定惯导***的陀螺测量值；
Figure BDA0002540200070000094
为迭代终止时输出的当前群体最优粒子的位置数据；
Figure BDA0002540200070000095
为标定后的陀螺测量值。
为了对比本发明采用的PSO-解算计算得到待标定惯导***的陀螺测量值相对于现有技术的精度优势，在其他参数完全相同的条件下，分别对待标定惯导***再次采用IN-解算和KF-解算，得到以下结果：利用KF-解算得到的经度误差和纬度常值漂移量分别为0.9720′和5.2560′；利用IN-解算得到的经度误差和纬度常值漂移量分别为7.0781′和1.8965′。而利用PSO-解算得到的经度误差和纬度常值漂移量分别为0.0139′和0.0502′。可以很清楚的看到，PSO算法可智能、准确地搜索估计出陀螺仪的常值漂移及相比于KF算法在静基座条件下估计陀螺常值漂移的优势，验证了基于PSO算法优化在惯导***导航误差抑制方法的可行性和有效性。
PSO-解算相对于KF-解算和IN-解算的具体误差标定对比如表2所示：
表2本发明与现有技术的误差对比表
Figure BDA0002540200070000096
Figure BDA0002540200070000101
由表2可知，相比于KF-解算和IN-解算，PSO-解算具有更高的纯惯性导航精度，这也说明了在静基座条件下PSO算法相比于KF算法能搜索估计出更加准确的陀螺常值漂移。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (4)

1.一种基于粒子群优化算法的惯导***的陀螺测量值计算方法，适用于提高待标定惯导***在运动过程中的陀螺测量值的测量精确度，其特征在于：它包含以下步骤：
S100、自待标定惯导***开始自主推进的时刻起，到待标定惯导***到达人工预设的目标位置时刻为止的时间段内，在每个修正时点获取一次待标定惯导***的测量值；所述修正时点自待标定惯导***出发时点起，对应采集频率；所述待标定惯导***的测量值包含当前速度测量数据和当前位置测量数据；
S200、根据陀螺常值漂移量构建粒子种群，在陀螺常值漂移量的变化范围内随机初始化粒子；所述粒子包含速度数据和位置数据；
S300、解算每个粒子的速度数据和位置数据，得到最优粒子，具体包含以下步骤：
S310、迭代计算每个粒子的速度数据和位置数据，直至达到迭代次数的最大值，然后输出迭代后每个粒子的速度数据和位置数据；所述迭代次数为常量，由人工预置；如迭代过程中有一次迭代计算得到的速度数据或位置数据超过陀螺常值漂移量的变化范围，则输出该次迭代计算的上一次迭代计算得到的速度数据和位置数据，然后输出迭代后每个粒子的速度数据和位置数据；
S320、利用迭代后每个粒子的速度数据和位置数据对待标定惯导***进行速度解算和位置解算，得到在t时刻待标定惯导***输出的东向速度、北向速度、纬度和经度，然后通过待标定惯导***的代价函数，计算出待标定惯导***的代价函数的值，并标定代价函数值最小的粒子为本次迭代的当前群体最优粒子；所述代价函数按下式计算：
Figure FDA0002540200060000011
其中，t0为待标定惯导***的解算开始时刻；te为待标定惯导***的解算结束时刻；
Figure FDA0002540200060000021
为待标定惯导***在t时刻的东向速度解算误差；
Figure FDA0002540200060000022
为待标定惯导***在t时刻的北向速度解算误差；eLat(t)为待标定惯导***在t时刻的纬度解算误差；eLon(t)为待标定惯导***在t时刻的经度解算误差；ρ1、ρ2、ρ3、ρ4为权值系数，由人工预置；
S400、使用当前群体最优粒子的位置数据获取待标定惯导***的陀螺常值漂移量；然后从待标定惯导***的陀螺测量值中扣除待标定惯导***的陀螺常值漂移量，得到标定后的陀螺测量值。
2.根据权利要求1所述的基于粒子群优化算法的惯导***的陀螺测量值计算方法，其特征在于：S100中获取待标定惯导***的测量值包含以下步骤：
S110、由待标定惯导***装载的陀螺仪测量当前角加速度测量数据，由线加速度计测量当前线加速度测量数据；
S120、采用力学编排方程实时解算当前角加速度测量数据和当前线加速度测量数据，得到待标定惯导***的当前速度测量数据和当前位置测量数据；将当前速度测量数据和当前位置测量数据打包，作为待标定惯导***的测量值输出。
3.根据权利要求2所述的基于粒子群优化算法的惯导***的陀螺测量值计算方法，其特征在于：所述速度数据包含当前速度和更新后速度；
所述位置数据包含当前位置、更新后位置、当前个体最优位置和当前群体最优位置；
S310中所述每个粒子的速度数据的迭代计算按下式计算：
Figure FDA0002540200060000023
其中，
Figure FDA0002540200060000024
为更新后粒子的速度；
Figure FDA0002540200060000025
为粒子的当前位置；
Figure FDA0002540200060000026
为粒子的当前速度；
Figure FDA0002540200060000027
为当前个体最优粒子的位置；
Figure FDA0002540200060000028
为当前群体最优粒子的位置；r1和r2为介于(0,1)之间的随机数；c1为表征粒子向自身粒子学习能力的学习因子，取值范围为(0,2)；c2为表征粒子向其他粒子学习能力的学习因子，取值范围为(0,2)；c1和c2在取值范围内随机；ω为惯性权重常数；d为搜索空间维数，d＝1，2，…，K，K为搜索空间维数的个数；i＝1，2，…，N，N为种群规模；m为当前种群的迭代次数；
所述每个粒子的位置数据的迭代计算按下式计算：
Figure FDA0002540200060000031
其中，
Figure FDA0002540200060000032
为更新后粒子的位置。
4.根据权利要求1所述的基于粒子群优化算法的惯导***的陀螺测量值计算方法，其特征在于：S400中所述标定后的陀螺测量值按下式计算：
Figure FDA0002540200060000033
其中，
Figure FDA0002540200060000034
为待标定惯导***的陀螺测量值；
Figure FDA0002540200060000035
为迭代终止时输出的当前群体最优粒子的位置数据；
Figure FDA0002540200060000036
为标定后的陀螺测量值。
CN202010544718.2A 2020-06-15 2020-06-15 基于粒子群优化算法的惯导***的陀螺测量值计算方法 Active CN111832690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010544718.2A CN111832690B (zh) 2020-06-15 2020-06-15 基于粒子群优化算法的惯导***的陀螺测量值计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010544718.2A CN111832690B (zh) 2020-06-15 2020-06-15 基于粒子群优化算法的惯导***的陀螺测量值计算方法

Publications (2)

Publication Number Publication Date
CN111832690A CN111832690A (zh) 2020-10-27
CN111832690B true CN111832690B (zh) 2022-10-11

Family

ID=72897647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010544718.2A Active CN111832690B (zh) 2020-06-15 2020-06-15 基于粒子群优化算法的惯导***的陀螺测量值计算方法

Country Status (1)

Country Link
CN (1) CN111832690B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112880704A (zh) * 2021-01-19 2021-06-01 中国人民解放军海军工程大学 光纤陀螺捷联惯导***智能标定方法
CN113686338A (zh) * 2021-08-12 2021-11-23 上海哈航惯性科技有限公司 一种基于惯性导航设备的航路优化方法
CN114485641B (zh) * 2022-01-24 2024-03-26 武汉梦芯科技有限公司 一种基于惯导卫导方位融合的姿态解算方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106990426B (zh) * 2017-03-16 2020-04-10 北京无线电计量测试研究所 一种导航方法和导航装置
CN110031882B (zh) * 2018-08-02 2023-05-30 哈尔滨工程大学 一种基于sins/dvl组合导航***的外量测信息补偿方法
CN110780326A (zh) * 2019-09-26 2020-02-11 上海瀚所信息技术有限公司 一种车载组合导航***和定位方法

Also Published As

Publication number Publication date
CN111832690A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111832690B (zh) 基于粒子群优化算法的惯导***的陀螺测量值计算方法
CN106990426B (zh) 一种导航方法和导航装置
KR101988786B1 (ko) 관성 항법 장치의 초기 정렬 방법
CN111156987B (zh) 基于残差补偿多速率ckf的惯性/天文组合导航方法
US8645063B2 (en) Method and system for initial quaternion and attitude estimation
CN104344837B (zh) 一种基于速度观测的冗余惯导***加速度计***级标定方法
CN104344836B (zh) 一种基于姿态观测的冗余惯导***光纤陀螺***级标定方法
KR101739390B1 (ko) 중력오차보상을 통한 관성항법장치의 자체정렬 정확도 향상기법
EP2187170A2 (en) Method and system for estimation of inertial sensor errors in remote inertial measurement unit
CN110887480B (zh) 基于mems传感器的飞行姿态估计方法及***
CN110715659A (zh) 零速检测方法、行人惯性导航方法、装置及存储介质
CN104019828A (zh) 高动态环境下惯性导航***杆臂效应误差在线标定方法
CN109945859B (zh) 一种自适应h∞滤波的运动学约束捷联惯性导航方法
EP3527948B1 (en) Air data aided inertial measurement unit
RU2762143C2 (ru) Система определения курса и углового пространственного положения, выполненная с возможностью функционирования в полярной области
CN112197765B (zh) 一种实现水下机器人精细导航的方法
de La Parra et al. Low cost navigation system for UAV's
CN110873563B (zh) 一种云台姿态估计方法及装置
CN112146655A (zh) 一种BeiDou/SINS紧组合导航***弹性模型设计方法
CN108627152A (zh) 一种微型无人机基于多传感器数据融合的导航方法
CN116007620A (zh) 一种组合导航滤波方法、***、电子设备及存储介质
CN110058324B (zh) 利用重力场模型的捷联式重力仪水平分量误差修正方法
CN113566850B (zh) 惯性测量单元的安装角度标定方法、装置和计算机设备
CN114323007A (zh) 一种载体运动状态估计方法及装置
CN111307114A (zh) 基于运动参考单元的水面舰船水平姿态测量方法

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