CN115200578A - 基于多项式优化的惯性基导航信息融合方法及*** - Google Patents
基于多项式优化的惯性基导航信息融合方法及*** Download PDFInfo
- Publication number
- CN115200578A CN115200578A CN202210898677.6A CN202210898677A CN115200578A CN 115200578 A CN115200578 A CN 115200578A CN 202210898677 A CN202210898677 A CN 202210898677A CN 115200578 A CN115200578 A CN 115200578A
- Authority
- CN
- China
- Prior art keywords
- representing
- navigation
- chebyshev
- state
- variance
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 70
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 125
- 230000008878 coupling Effects 0.000 claims description 22
- 238000010168 coupling process Methods 0.000 claims description 22
- 238000005859 coupling reaction Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000013519 translation Methods 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
- 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
- G01C21/10—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
- G01C21/1656—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 with passive imaging devices, e.g. cameras
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于多项式优化的惯性基导航信息融合方法及***,包括:从当前惯导***中,获得陀螺仪和加速度计的测量数据,并对其进行插值,获得切比雪夫点处的角速度、比力;利用切比雪夫点处的角速度、比力,及其他辅助传感器的观测,求解关于切比雪夫系数及其他参数的非线性优化,获得导航状态估计结果;求解区间内估计状态的方差,将解算得到的导航状态估计结果与方差,传递给导航制导与控制模块,进行自主定位与导航。本发明在最大验后准则下是一种最优惯性基信息融合方法,克服了传统信息融合算法对***非线性所作的近似;本发明相比于传统导航信息融合算法,收敛速度更快,精度更高,稳定性更好。
Description
技术领域
本发明涉及传感器技术领域,具体地,涉及一种基于多项式优化的惯性基导航信息融合方法及***。
背景技术
惯性基导航是指以惯性器件为核心,其他传感器为辅助构建的多传感器组合导航导航***。由于自主性强、不受外界干扰、运动信息丰富等特点,惯性基导航在航空航天、大地测量、无人***、装备平台等应用中发挥了重要作用。针对不同应用需求,常见的惯性基导航***中还包括GNSS卫星导航接收机、磁力仪、里程计、雷达、摄像机等多种辅助传感器。无论采用哪些测量设备构成惯性基导航***,都需要选择一个最优的信息融合策略将多种测量信息有效融合。
当前惯性基信息融合方法可以分为滤波和优化两大框架。基于滤波的方法,如扩展Kalman滤波、无迹Kalman滤波,由于需要对惯性基***的非线性模型/概率密度函数低阶近似/确定性采样,存在融合精度低,稳定性差等问题。基于非线性优化的信息融合方法,如因子图优化,为了降低计算量需要对惯导输出预积分,损失了惯导原始观测噪声的准高斯特性,导致信息融合算法也不是最优的。如何根据不同传感器测量特性,设计出精度更高、稳定性更好的信息融合算法,是惯性基组合导航***的核心模块。
需要指出的是,本发明提出的基于多项式优化的惯性基导航信息融合方法是专利“CN202210032043.2”与专利“CN202210032044.7”的延伸与推广。具体来说,专利“CN202210032043.2”提出的基于多项式优化的高精度惯性解算方法,可以看作是惯性基信息融合的状态递推部分(不含其他辅助传感器观测)。而发明“CN202210032044.7”提出的基于多项式优化的惯性与磁传感器姿态估计方法,仅考虑了磁力仪与惯性器件的信息融合,估计状态仅包含姿态与惯性器件常值零偏。本发明考虑了包含多种传感器、运动学约束的惯性基信息融合问题,估计状态也扩展到速度、位置、姿态、惯性器件的零偏、比力因子、交轴耦合系数以及其他辅助传感器中的未知参数。
专利文献CN101957204B(申请号:CN201010295640.1)公开了一种基于相互测距信息的机群惯性导航数据融合方法,该方法考虑到惯性导航***的定位误差基本上服从正态分布这一特征,利用机载数据链获得的机群各节点之间的相互测距信息和惯性导航数据,使用几何图形平移旋转的数据融合方法来估计机群各节点的惯性导航定位误差,可以将机群惯性导航位置精度提高1/2左右。但该发明仅针对特定机群的惯性导航数据融合,且并非最优导航信息融合方法。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于多项式优化的惯性基导航信息融合方法及***。
根据本发明提供的一种基于多项式优化的惯性基导航信息融合方法,包括:
步骤S1:从当前惯导***中,获得陀螺仪和加速度计的测量数据,并对其进行插值,获得切比雪夫点处的角速度、比力;
步骤S2:利用切比雪夫点处的角速度、比力,及其他辅助传感器的观测,求解关于切比雪夫系数及其他参数的非线性优化,获得导航状态估计结果;
步骤S3:求解区间内估计状态的方差,将解算得到的导航状态估计结果与方差,传递给导航制导与控制模块,进行自主定位与导航;
将区间末的导航状态估计结果与方差当作下一区间的初始先验,重复步骤S1至步骤S4。
优选地,对于未标定的惯性传感器,陀螺仪与加速度计的测量与导航状态关系如下:
其中,上标、下标b表示载体坐标系b系,e表示地球坐标系e系,i表示惯性坐标系i系,g表示陀螺坐标系;表示b系相对于e系的姿态四元数,表示b系相对于 e系的姿态旋转矩阵,表示e系下的地球自转角速度,ve表示e系下载体相对于地球的速度地速度,γe表示e系下的地球重力向量;表示四元数乘法,*表示四元数的共轭;yg表示陀螺仪测量的角速度,ya表示加速度计测量的比力;bg表示陀螺仪的零偏,ba表示加速度计的零偏;ng~N(0,Rg)表示陀螺仪的高斯白噪声,na~N(0,Ra)表示加速度计的高斯白噪声,Rg表示陀螺仪的高斯白噪声协方差矩阵,Ra表示加速度计的高斯白噪声协方差矩阵;In表示n维单位矩阵;表示b系到g系的姿态旋转矩阵;Mg与 Ma是陀螺与加速度计的误差矩阵,包含比力因子和交轴耦合系数,表示为:
其中,sax,say,saz分别表示加速度计三轴的比力因子系数,maxy,maxz,mayz表示加速度计的交轴耦合系数;sgx,sgy,sgz分别表示陀螺仪三轴的比力因子系数,mgxy, mgxz,mgyz表示陀螺仪的交轴耦合系数;
将其他辅助传感器包括卫星导航接收机、磁力仪、里程计、雷达、摄像机的观测模型统一表示为:
ys(t)=h(x,Θ,t)+ns
其中,t表示观测时间,ys(t)表示传感器在t时刻的观测;ns~N(0,Rs)表示高斯白噪声,Rs为其协方差矩阵;函数h(·)表示传感器观测模型;x为待估计的导航状态;
运动约束模型统一表示为:
x与Θ的具体定义与使用的辅助传感器以及指定需要估计的导航状态有关,此外,观测模型与运动约束模型中的x能够包括多个时刻下的状态;
在当前采样时间窗口内,有陀螺测量的角速度yg(tk)或者角增量观测Δθ(tk),加速度计测量的比力ya(tk)或者速度增量Δv(tk),其中k=0,1,…Nm,t0为采样时间窗口的开始时间,为采样时间窗口的结束时间;
使用仿射变换,将时间窗口映射到τ∈[-1 1]
其中,τ为当前时间。
优选地,在所述步骤S1中:
对陀螺和加速度计观测插值,以获得切比雪夫点处的角速度与比力,分别表示为yg(τj),ya(τj),其中切比雪夫点定义为τj=-cos(jπ/N),j=0,1,…,N,N是切比雪夫多项式的阶数;
在一个解算时间窗口内,姿态四元数及其导数使用切比雪夫多项式表示为:
F0(τ)=1,F1(τ)=τ,
Fi+1(τ)=2τFi(τ)-Fi-1(τ)for i≥1
在一个解算时间窗口内,速度、速度导数以及位置使用切比雪夫多项式表示为:
优选地,在所述步骤S2中:
导航状态及传感器误差模型参数通过求解如下非线性优化问题获得:
其中,优化参数包括切比雪夫系数矩阵D,K,传感器模型参数Θ以及初始位置 pe(τ0);初始时刻状态的先验值其中分别表示ve、pe的初始时刻先验;ba,0、bg,0分别表示加速度计和陀螺仪零偏的初始时刻先验,Ma,0、Mg,0、Ω0分别为Ma, Mg和Ω的初始时刻先验;状态的初始误差δX0表示为:
其中,δψ0代表初始时刻的姿态误差,定义为运算符[·]2∶4表示取矩阵的第2至4行元素;与初始状态对应的初始方差表示为δX0包含的误差项由具体定义的导航状态x以及其他待估计参数Θ确定;目标函数中Jv,Jz分别定义如下:
上述非线性优化采用小时间窗口迭代完成,在完成当前窗口状态估计之后,当前窗口结束时刻的状态被当作下一窗口计算开始时刻的先验状态。
优选地,在所述步骤S3中:
递推求解状态估计的方差,具体的方差预测计算方法如下:
tk时刻有观测、约束,状态的方差采用下式更新:
其中,Hk代表线性化之后的观测/约束模型矩阵,Rk表示对应的观测/约束噪声协方差矩阵;计算矩阵Gk,Hk,Lk所需要的状态是上述非线性优化获得的;当获得当前区间内的状态以及方差之后,当前区间结束时刻的状态和方差被当作初值作为下一个区间的先验初值与方差。
根据本发明提供的一种基于多项式优化的惯性基导航信息融合***,包括:
模块M1:从当前惯导***中,获得陀螺仪和加速度计的测量数据,并对其进行插值,获得切比雪夫点处的角速度、比力;
模块M2:利用切比雪夫点处的角速度、比力,及其他辅助传感器的观测,求解关于切比雪夫系数及其他参数的非线性优化,获得导航状态估计结果;
模块M3:求解区间内估计状态的方差,将解算得到的导航状态估计结果与方差,传递给导航制导与控制模块,进行自主定位与导航;
将区间末的导航状态估计结果与方差当作下一区间的初始先验,重复模块M1至模块M4。
优选地,对于未标定的惯性传感器,陀螺仪与加速度计的测量与导航状态关系如下:
其中,上标、下标b表示载体坐标系b系,e表示地球坐标系e系,i表示惯性坐标系i系,g表示陀螺坐标系;表示b系相对于e系的姿态四元数,表示b系相对于 e系的姿态旋转矩阵,表示e系下的地球自转角速度,ve表示e系下载体相对于地球的速度地速度,γe表示e系下的地球重力向量;表示四元数乘法,*表示四元数的共轭;yg表示陀螺仪测量的角速度,ya表示加速度计测量的比力;bg表示陀螺仪的零偏, ba表示加速度计的零偏;ng~N(0,Rg)表示陀螺仪的高斯白噪声,na~N(0,Ra)表示加速度计的高斯白噪声,Rg表示陀螺仪的高斯白噪声协方差矩阵,Ra表示加速度计的高斯白噪声协方差矩阵;In表示n维单位矩阵;表示b系到g系的姿态旋转矩阵;Mg与 Ma是陀螺与加速度计的误差矩阵,包含比力因子和交轴耦合系数,表示为:
其中,sax,say,saz分别表示加速度计三轴的比力因子系数,maxy,maxz,mayz表示加速度计的交轴耦合系数;sgx,sgy,sgz分别表示陀螺仪三轴的比力因子系数,mgxy, mgxz,mgyz表示陀螺仪的交轴耦合系数;
将其他辅助传感器包括卫星导航接收机、磁力仪、里程计、雷达、摄像机的观测模型统一表示为:
ys(t)=h(x,Θ,t)+ns
其中,t表示观测时间,ys(t)表示传感器在t时刻的观测;ns~N(0,Rs)表示高斯白噪声,Rs为其协方差矩阵;函数h(·)表示传感器观测模型;x为待估计的导航状态;
运动约束模型统一表示为:
x与Θ的具体定义与使用的辅助传感器以及指定需要估计的导航状态有关,此外,观测模型与运动约束模型中的x能够包括多个时刻下的状态;
在当前采样时间窗口内,有陀螺测量的角速度yg(tk)或者角增量观测Δθ(tk),加速度计测量的比力ya(tk)或者速度增量Δv(tk),其中k=0,1,…Nm,t0为采样时间窗口的开始时间,为采样时间窗口的结束时间;
使用仿射变换,将时间窗口映射到τ∈[-1 1]
其中,τ为当前时间。
优选地,在所述模块M1中:
对陀螺和加速度计观测插值,以获得切比雪夫点处的角速度与比力,分别表示为yg(τj),ya(τj),其中切比雪夫点定义为τj=-cos(jπ/N),j=0,1,…,N,N是切比雪夫多项式的阶数;
在一个解算时间窗口内,姿态四元数及其导数使用切比雪夫多项式表示为:
F0(τ)=1,F1(τ)=τ,
Fi+1(τ)=2τFi(τ)-Fi-1(τ)for i≥1
在一个解算时间窗口内,速度、速度导数以及位置使用切比雪夫多项式表示为:
优选地,在所述模块M2中:
导航状态及传感器误差模型参数通过求解如下非线性优化问题获得:
其中,优化参数包括切比雪夫系数矩阵D,K,传感器模型参数Θ以及初始位置 pe(τ0);初始时刻状态的先验值其中分别表示ve、pe的初始时刻先验;ba,0、bg,0分别表示加速度计和陀螺仪零偏的初始时刻先验,Ma,0、Mg,0、Ω0分别为Ma, Mg和Ω的初始时刻先验;状态的初始误差δX0表示为:
其中,δψ0代表初始时刻的姿态误差,定义为运算符[·]2∶4表示取矩阵的第2至4行元素;与初始状态对应的初始方差表示为δX0包含的误差项由具体定义的导航状态x以及其他待估计参数Θ确定;目标函数中Jv,Jz分别定义如下:
上述非线性优化采用小时间窗口迭代完成,在完成当前窗口状态估计之后,当前窗口结束时刻的状态被当作下一窗口计算开始时刻的先验状态。
优选地,在所述模块M3中:
递推求解状态估计的方差,具体的方差预测计算方法如下:
tk时刻有观测、约束,状态的方差采用下式更新:
其中,Hk代表线性化之后的观测/约束模型矩阵,Rk表示对应的观测/约束噪声协方差矩阵;计算矩阵Gk,Hk,Lk所需要的状态是上述非线性优化获得的;当获得当前区间内的状态以及方差之后,当前区间结束时刻的状态和方差被当作初值作为下一个区间的先验初值与方差。
与现有技术相比,本发明具有如下的有益效果:
1、本发明在最大验后准则下是一种最优惯性基信息融合方法,克服了传统信息融合算法对***非线性所作的近似;
2、本发明相比于传统导航信息融合算法,收敛速度更快,精度更高,稳定性更好。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
根据本发明提供的一种基于多项式优化的惯性基导航信息融合方法,如图1所示,包括:
步骤S1:从当前惯导***中,获得陀螺仪和加速度计的测量数据,并对其进行插值,获得切比雪夫点处的角速度、比力;
具体地,在所述步骤S1中:
对陀螺和加速度计观测插值,以获得切比雪夫点处的角速度与比力,分别表示为yg(τj),ya(τj),其中切比雪夫点定义为τj=-cos(jπ/N),j=0,1,…,N,N是切比雪夫多项式的阶数;
在一个解算时间窗口内,姿态四元数及其导数使用切比雪夫多项式表示为:
F0(τ)=1,F1(τ)=τ,
Fi+1(τ)=2τFi(τ)-Fi-1(τ)for i≥1
在一个解算时间窗口内,速度、速度导数以及位置使用切比雪夫多项式表示为:
步骤S2:利用切比雪夫点处的角速度、比力,及其他辅助传感器的观测,求解关于切比雪夫系数及其他参数的非线性优化,获得导航状态估计结果;
具体地,在所述步骤S2中:
导航状态及传感器误差模型参数通过求解如下非线性优化问题获得:
其中,优化参数包括切比雪夫系数矩阵D,K,传感器模型参数Θ以及初始位置 pe(τ0);初始时刻状态的先验值其中分别表示ve、pe的初始时刻先验;ba,0、bg,0分别表示加速度计和陀螺仪零偏的初始时刻先验,Ma,0、Mg,0、Ω0分别为Ma, Mg和Ω的初始时刻先验;状态的初始误差δX0表示为:
其中,δψ0代表初始时刻的姿态误差,定义为运算符[·]2∶4表示取矩阵的第2至4行元素;与初始状态对应的初始方差表示为δX0包含的误差项由具体定义的导航状态x以及其他待估计参数Θ确定;目标函数中Jv,Jz分别定义如下:
上述非线性优化采用小时间窗口迭代完成,在完成当前窗口状态估计之后,当前窗口结束时刻的状态被当作下一窗口计算开始时刻的先验状态。
步骤S3:求解区间内估计状态的方差,将解算得到的导航状态估计结果与方差,传递给导航制导与控制模块,进行自主定位与导航;
具体地,在所述步骤S3中:
递推求解状态估计的方差,具体的方差预测计算方法如下:
tk时刻有观测、约束,状态的方差采用下式更新:
其中,Hk代表线性化之后的观测/约束模型矩阵,Rk表示对应的观测/约束噪声协方差矩阵;计算矩阵Gk,Hk,Lk所需要的状态是上述非线性优化获得的;当获得当前区间内的状态以及方差之后,当前区间结束时刻的状态和方差被当作初值作为下一个区间的先验初值与方差。
将区间末的导航状态估计结果与方差当作下一区间的初始先验,重复步骤S1至步骤S4。
具体地,对于未标定的惯性传感器,陀螺仪与加速度计的测量与导航状态关系如下:
其中,上标、下标b表示载体坐标系b系,e表示地球坐标系e系,i表示惯性坐标系i系,g表示陀螺坐标系;表示b系相对于e系的姿态四元数,表示b系相对于 e系的姿态旋转矩阵,表示e系下的地球自转角速度,ve表示e系下载体相对于地球的速度地速度,γe表示e系下的地球重力向量;表示四元数乘法,*表示四元数的共轭;yg表示陀螺仪测量的角速度,ya表示加速度计测量的比力;bg表示陀螺仪的零偏, ba表示加速度计的零偏;ng~N(0,Rg)表示陀螺仪的高斯白噪声,na~N(0,Ra)表示加速度计的高斯白噪声,Rg表示陀螺仪的高斯白噪声协方差矩阵,Ra表示加速度计的高斯白噪声协方差矩阵;In表示n维单位矩阵;表示b系到g系的姿态旋转矩阵;Mg与 Ma是陀螺与加速度计的误差矩阵,包含比力因子和交轴耦合系数,表示为:
其中,sax,say,saz分别表示加速度计三轴的比力因子系数,maxy,maxz,mayz表示加速度计的交轴耦合系数;sgx,sgy,sgz分别表示陀螺仪三轴的比力因子系数,mgxy, mgxz,mgyz表示陀螺仪的交轴耦合系数;
将其他辅助传感器包括卫星导航接收机、磁力仪、里程计、雷达、摄像机的观测模型统一表示为:
ys(t)=h(x,Θ,t)+ns
其中,t表示观测时间,ys(t)表示传感器在t时刻的观测;ns~N(0,Rs)表示高斯白噪声,Rs为其协方差矩阵;函数h(·)表示传感器观测模型;x为待估计的导航状态;
运动约束模型统一表示为:
x与Θ的具体定义与使用的辅助传感器以及指定需要估计的导航状态有关,此外,观测模型与运动约束模型中的x能够包括多个时刻下的状态;
在当前采样时间窗口内,有陀螺测量的角速度yg(tk)或者角增量观测Δθ(tk),加速度计测量的比力ya(tk)或者速度增量Δv(tk),其中k=0,1,…Nm,t0为采样时间窗口的开始时间,为采样时间窗口的结束时间;
使用仿射变换,将时间窗口映射到τ∈[-1 1]
其中,τ为当前时间。
根据本发明提供的一种基于多项式优化的惯性基导航信息融合***,包括:
模块M1:从当前惯导***中,获得陀螺仪和加速度计的测量数据,并对其进行插值,获得切比雪夫点处的角速度、比力;
具体地,在所述模块M1中:
对陀螺和加速度计观测插值,以获得切比雪夫点处的角速度与比力,分别表示为yg(τj),ya(τj),其中切比雪夫点定义为τj=-cos(jπ/N),j=0,1,…,N,N是切比雪夫多项式的阶数;
在一个解算时间窗口内,姿态四元数及其导数使用切比雪夫多项式表示为:
F0(τ)=1,F1(τ)=τ,
Fi+1(τ)=2τFi(τ)-Fi-1(τ)for i≥1
在一个解算时间窗口内,速度、速度导数以及位置使用切比雪夫多项式表示为:
模块M2:利用切比雪夫点处的角速度、比力,及其他辅助传感器的观测,求解关于切比雪夫系数及其他参数的非线性优化,获得导航状态估计结果;
具体地,在所述模块M2中:
导航状态及传感器误差模型参数通过求解如下非线性优化问题获得:
其中,优化参数包括切比雪夫系数矩阵D,K,传感器模型参数Θ以及初始位置 pe(τ0);初始时刻状态的先验值其中分别表示ve、pe的初始时刻先验;ba,0、bg,0分别表示加速度计和陀螺仪零偏的初始时刻先验,Ma,0、Mg,0、Ω0分别为Ma, Mg和Ω的初始时刻先验;状态的初始误差δX0表示为:
其中,δψ0代表初始时刻的姿态误差,定义为运算符[·]2∶4表示取矩阵的第2至4行元素;与初始状态对应的初始方差表示为PX0,δX0包含的误差项由具体定义的导航状态x以及其他待估计参数Θ确定;目标函数中Jv,Jz分别定义如下:
上述非线性优化采用小时间窗口迭代完成,在完成当前窗口状态估计之后,当前窗口结束时刻的状态被当作下一窗口计算开始时刻的先验状态。
模块M3:求解区间内估计状态的方差,将解算得到的导航状态估计结果与方差,传递给导航制导与控制模块,进行自主定位与导航;
具体地,在所述模块M3中:
递推求解状态估计的方差,具体的方差预测计算方法如下:
tk时刻有观测、约束,状态的方差采用下式更新:
其中,Hk代表线性化之后的观测/约束模型矩阵,Rk表示对应的观测/约束噪声协方差矩阵;计算矩阵Gk,Hk,Lk所需要的状态是上述非线性优化获得的;当获得当前区间内的状态以及方差之后,当前区间结束时刻的状态和方差被当作初值作为下一个区间的先验初值与方差。
将区间末的导航状态估计结果与方差当作下一区间的初始先验,重复模块M1至模块M4。
具体地,对于未标定的惯性传感器,陀螺仪与加速度计的测量与导航状态关系如下:
其中,上标、下标b表示载体坐标系b系,e表示地球坐标系e系,i表示惯性坐标系i系,g表示陀螺坐标系;表示b系相对于e系的姿态四元数,表示b系相对于 e系的姿态旋转矩阵,表示e系下的地球自转角速度,ve表示e系下载体相对于地球的速度地速度,γe表示e系下的地球重力向量;表示四元数乘法,*表示四元数的共轭;yg表示陀螺仪测量的角速度,ya表示加速度计测量的比力;bg表示陀螺仪的零偏, ba表示加速度计的零偏;ng~N(0,Rg)表示陀螺仪的高斯白噪声,na~N(0,Ra)表示加速度计的高斯白噪声,Rg表示陀螺仪的高斯白噪声协方差矩阵,Ra表示加速度计的高斯白噪声协方差矩阵;In表示n维单位矩阵;表示b系到g系的姿态旋转矩阵;Mg与 Ma是陀螺与加速度计的误差矩阵,包含比力因子和交轴耦合系数,表示为:
其中,sax,say,saz分别表示加速度计三轴的比力因子系数,maxy,maxz,mayz表示加速度计的交轴耦合系数;sgx,sgy,sgz分别表示陀螺仪三轴的比力因子系数,mgxy, mgxz,mgyz表示陀螺仪的交轴耦合系数;
将其他辅助传感器包括卫星导航接收机、磁力仪、里程计、雷达、摄像机的观测模型统一表示为:
ys(t)=h(x,Θ,t)+ns
其中,t表示观测时间,ys(t)表示传感器在t时刻的观测;ns~N(0,Rs)表示高斯白噪声,Rs为其协方差矩阵;函数h(·)表示传感器观测模型;x为待估计的导航状态;
运动约束模型统一表示为:
x与Θ的具体定义与使用的辅助传感器以及指定需要估计的导航状态有关,此外,观测模型与运动约束模型中的x能够包括多个时刻下的状态;
在当前采样时间窗口内,有陀螺测量的角速度yg(tk)或者角增量观测Δθ(tk),加速度计测量的比力ya(tk)或者速度增量Δv(tk),其中k=0,1,…Nm,t0为采样时间窗口的开始时间,为采样时间窗口的结束时间;
使用仿射变换,将时间窗口映射到τ∈[-1 1]
其中,τ为当前时间。
实施例2:
实施例2为实施例1的优选例,以更为具体地对本发明进行说明。
针对现有技术中的缺陷,本发明的目的是提供一种基于切比雪夫多项式优化的惯性基信息融合方法。所述方法包括:基于多项式优化的惯性基导航信息融合方法。
步骤S1:从当前惯导***中,获得陀螺仪和加速度计的测量数据,并对其进行插值,获得切比雪夫点处的角速度、比力;
步骤S2:利用切比雪夫点处的角速度、比力,及其他辅助传感器的观测,求解关于切比雪夫系数及其他参数的非线性优化,获得导航状态估计结果;
步骤S3:利用EKF方差预测与更新策略,求解区间内估计状态的方差
步骤S4:将解算得到的导航状态估计结果与方差,传递给导航制导与控制模块,进行相应的决策与控制,并最终应用于:无人***(无人机、无人车、机器人等)的自主定位与导航,航天器姿态估计与控制,人体运动估计与导航等场景
步骤S5:将区间末的导航状态估计结果与方差当作下一区间的初始先验,重复步骤 S1-S4。
对于未标定的惯性传感器,陀螺仪与加速度计的测量与导航状态有如下关系
其中上标/下标b表示载体坐标系(b系),e表示地球坐标系(e系),i表示惯性坐标系(i系),g表示陀螺坐标系。表示b系相对于e系的姿态四元数,表示b系相对于e系的姿态旋转矩阵,表示e系下的地球自转角速度,ve表示e系下载体相对于地球的速度(又称为地速度),γe表示e系下的地球重力向量;表示四元数乘法, *表示四元数的共轭;yg,ya分别表示陀螺仪测量的角速度与加速度计测量的比力;bg与ba分别表示陀螺仪与加速度计的零偏;ng~N(0,Rg),na~N(0,Ra)分别表示陀螺仪和加速度计的高斯白噪声,Rg与Ra为相应的白噪声协方差矩阵;In表示n维单位矩阵;上标,表示b系到g系的姿态旋转矩阵;Mg与Ma是陀螺与加速度计的误差矩阵(包含比力因子和交轴耦合系数),表示为:
其中sax,say,saz分别表示加速度计三轴的比力因子系数,maxy,maxz,mayz表示加速度计的交轴耦合系数;sgx,sgy,sgz分别表示陀螺仪三轴的比力因子系数,mgxy,mgxz, mgyz表示陀螺仪的交轴耦合系数。
将卫星导航接收机、磁力仪、里程计、雷达、摄像机等其他辅助传感器的观测模型统一表示为
ys(t)=h(x,Θ,t)+ns
其中t表示观测时间,ys(t)表示传感器在t时刻的观测;ns~N(0,Rs)表示高斯白噪声,Rs为其协方差矩阵;函数h(·)表示传感器观测模型;x为待估计的导航状态;
可能存在的运动约束模型(如零速度、零位置、零角速度、地面车辆非完整运动约束、旋翼无人机动力学约束等)统一表示为:
x与Θ的具体定义与使用的辅助传感器以及指定需要估计的导航状态有关。例如,对于已标定比力因子、交轴耦合的惯性器件与GNSS信息融合问题,GNSS位置观测模型表示为其中Θ=[ba T bg T lbT]T,lb表示GNSS接收机与惯性器件之间的杆臂;对于已标定比力因子、交轴耦合的惯性器件与零速约束融合问题,yc(t)=0,Θ=[ba T bg T]T。此外,观测模型与运动约束模型中的x可能包括多个时刻下的状态,如视觉、雷达的约束模型与多个时刻下的***状态都有关。
假设在当前采样时间窗口内,有陀螺测量的角速度yg(tk)或者角增量观测Δθ(tk),加速度计测量的比力ya(tk)或者速度增量Δv(tk),其中k=0,1,…Nm,t0为采样时间窗口的开始时间,为采样时间窗口的结束时间;
使用仿射变换,将时间窗口映射到τ∈[-1 1]
其中,τ为当前时间;
为了后续计算的需要,本发明首先对陀螺和加速度计观测插值,以获得切比雪夫点处的角速度与比力,分别表示为yg(τj),ya(τj),其中切比雪夫点定义为τj=-cos(jπ/N),j=0,1,…,N,N是切比雪夫多项式的阶数。
在一个解算时间窗口内,姿态四元数及其导数使用切比雪夫多项式表示为
F0(τ)=1,F1(τ)=τ,
Fi+1(τ)=2τFi(τ)-Fi-1(τ)for i≥1
类似的,在一个解算时间窗口内,速度、速度导数以及位置使用切比雪夫多项式表示为
根据以上模型,导航状态及传感器误差模型参数可以通过求解如下非线性优化问题获得
其中,优化参数包括切比雪夫系数矩阵D,K,传感器模型参数Θ以及初始位置 pe(τ0);初始时刻状态的先验值其中分别表示ve、pe的初始时刻先验;ba,0、bg,0分别表示加速度计和陀螺仪零偏的初始时刻先验,Ma,0、Mg,0、Ω0分别为Ma, Mg和Ω的初始时刻先验;状态的初始误差δX0表示为:
其中δψ0代表初始时刻的姿态误差,定义为运算符[·]2∶4表示取矩阵的第2~4行元素。与初始状态对应的初始方差表示为δX0包含的误差项由具体定义的导航状态x以及其他待估计参数Θ确定。目标函数中Jv,Jz分别定义如下
权重矩阵Wa,Wg,Ws,Wc分别表示初始先验、加速度计、陀螺仪、辅助传感器、约束观测对应的权重矩阵,分别通过对相应方差的逆进行Cholesky分解获得,即需要指出的是,上述优化区间内的位置使用了初始先验位置加上速度切比雪夫多项式的积分表示,因此非线性优化估计状态中包括了初始先验位置;也可以将位置直接表示为切比雪夫多项式的形式,速度以及速度的导数分别使用多项式的一阶、二阶导数表示,此时非线性优化状态将不再包括初始先验位置。
为了满足实时计算要求,上述非线性优化可以采用小时间窗口迭代完成。具体来说,在完成当前窗口状态估计之后,当前窗口结束时刻的状态被当作下一窗口计算开始时刻的先验状态。同时,还需要求解下一窗口状态的初始方差。本发明使用类似扩展Kalman滤波的策略递推求解状态估计的方差,具体的方差预测计算方法如下
假设tk时刻有观测/约束,状态的方差采用下式更新
Hk代表线性化之后的观测/约束模型矩阵,Rk表示对应的观测/约束噪声协方差矩阵。注意计算矩阵Gk,Hk,Lk所需要的状态是上述非线性优化获得的。当获得当前区间内的状态以及方差之后,当前区间结束时刻的状态和方差被当作初值作为下一个区间的先验初值与方差。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于多项式优化的惯性基导航信息融合方法,其特征在于,包括:
步骤S1:从当前惯导***中,获得陀螺仪和加速度计的测量数据,并对其进行插值,获得切比雪夫点处的角速度、比力;
步骤S2:利用切比雪夫点处的角速度、比力,及其他辅助传感器的观测,求解关于切比雪夫系数及其他参数的非线性优化,获得导航状态估计结果;
步骤S3:求解区间内估计状态的方差,将解算得到的导航状态估计结果与方差,传递给导航制导与控制模块,进行自主定位与导航;
将区间末的导航状态估计结果与方差当作下一区间的初始先验,重复步骤S1至步骤S4。
2.根据权利要求1所述的基于多项式优化的惯性基导航信息融合方法,其特征在于:
对于未标定的惯性传感器,陀螺仪与加速度计的测量与导航状态关系如下:
其中,上标、下标b表示载体坐标系b系,e表示地球坐标系e系,i表示惯性坐标系i系,g表示陀螺坐标系;表示b系相对于e系的姿态四元数,表示b系相对于e系的姿态旋转矩阵,表示e系下的地球自转角速度,ve表示e系下载体相对于地球的速度,也称作地速度,γe表示e系下的地球重力向量;表示四元数乘法,*表示四元数的共轭;yg表示陀螺仪测量的角速度,ya表示加速度计测量的比力;bg表示陀螺仪的零偏,ba表示加速度计的零偏;ng~N(0,Rg)表示陀螺仪的高斯白噪声,na~N(0,Ra)表示加速度计的高斯白噪声,Rg表示陀螺仪的高斯白噪声协方差矩阵,Ra表示加速度计的高斯白噪声协方差矩阵;In表示n维单位矩阵;表示b系到g系的姿态旋转矩阵;Mg与Ma是陀螺与加速度计的误差矩阵,包含比力因子和交轴耦合系数,表示为:
其中,sax,say,saz分别表示加速度计三轴的比力因子系数,maxy,maxz,mayz表示加速度计的交轴耦合系数;sgx,sgy,sgz分别表示陀螺仪三轴的比力因子系数,mgxy,mgxz,mgyz表示陀螺仪的交轴耦合系数;
将其他辅助传感器包括卫星导航接收机、磁力仪、里程计、雷达、摄像机的观测模型统一表示为:
ys(t)=h(x,Θ,t)+ns
其中,t表示观测时间,ys(t)表示传感器在t时刻的观测;ns~N(0,Rs)表示高斯白噪声,Rs为其协方差矩阵;函数h(·)表示传感器观测模型;x为待估计的导航状态;
运动约束模型统一表示为:
x与Θ的具体定义与使用的辅助传感器以及指定需要估计的导航状态有关,此外,观测模型与运动约束模型中的x能够包括多个时刻下的状态;
在当前采样时间窗口内,有陀螺测量的角速度yg(tk)或者角增量观测Δθ(tk),加速度计测量的比力ya(tk)或者速度增量Δv(tk),其中k=0,1,…Nm,t0为采样时间窗口的开始时间,为采样时间窗口的结束时间;
使用仿射变换,将时间窗口映射到τ∈[-1 1]
其中,τ为当前时间。
3.根据权利要求1所述的基于多项式优化的惯性基导航信息融合方法,其特征在于,在所述步骤S1中:
对陀螺和加速度计观测插值,以获得切比雪夫点处的角速度与比力,分别表示为yg(τj),ya(τj),其中切比雪夫点定义为τj=-cos(jπ/N),j=0,1,…,N,N是切比雪夫多项式的阶数;
在一个解算时间窗口内,姿态四元数及其导数使用切比雪夫多项式表示为:
F0(τ)=1,F1(τ)=τ,
Fi+1(τ)=2τFi(τ)-Fi-1(τ)for i≥1
在一个解算时间窗口内,速度、速度导数以及位置使用切比雪夫多项式表示为:
4.根据权利要求1所述的基于多项式优化的惯性基导航信息融合方法,其特征在于,在所述步骤S2中:
导航状态及传感器误差模型参数通过求解如下非线性优化问题获得:
其中,优化参数包括切比雪夫系数矩阵D,K,传感器模型参数Θ以及初始位置pe(τ0);初始时刻状态的先验值其中 分别表示ve、pe的初始时刻先验;ba,0、bg,0分别表示加速度计和陀螺仪零偏的初始时刻先验,Ma,0、Mg,0、Ω0分别为Ma,Mg和Ω的初始时刻先验;状态的初始误差δX0表示为:
其中,δψ0代表初始时刻的姿态误差,定义为运算符[·]2:4表示取矩阵的第2至4行元素;与初始状态对应的初始方差表示为δX0包含的误差项由具体定义的导航状态x以及其他待估计参数Θ确定;目标函数中Jv,Jz分别定义如下:
上述非线性优化采用小时间窗口迭代完成,在完成当前窗口状态估计之后,当前窗口结束时刻的状态被当作下一窗口计算开始时刻的先验状态。
5.根据权利要求1所述的基于多项式优化的惯性基导航信息融合方法,其特征在于,在所述步骤S3中:
递推求解状态估计的方差,具体的方差预测计算方法如下:
tk时刻有观测、约束,状态的方差采用下式更新:
其中,Hk代表线性化之后的观测/约束模型矩阵,Rk表示对应的观测/约束噪声协方差矩阵;计算矩阵Gk,Hk,Lk所需要的状态是上述非线性优化获得的;当获得当前区间内的状态以及方差之后,当前区间结束时刻的状态和方差被当作初值作为下一个区间的先验初值与方差。
6.一种基于多项式优化的惯性基导航信息融合***,其特征在于,包括:
模块M1:从当前惯导***中,获得陀螺仪和加速度计的测量数据,并对其进行插值,获得切比雪夫点处的角速度、比力;
模块M2:利用切比雪夫点处的角速度、比力,及其他辅助传感器的观测,求解关于切比雪夫系数及其他参数的非线性优化,获得导航状态估计结果;
模块M3:求解区间内估计状态的方差,将解算得到的导航状态估计结果与方差,传递给导航制导与控制模块,进行自主定位与导航;
将区间末的导航状态估计结果与方差当作下一区间的初始先验,重复模块M1至模块M4。
7.根据权利要求6所述的基于多项式优化的惯性基导航信息融合***,其特征在于:
对于未标定的惯性传感器,陀螺仪与加速度计的测量与导航状态关系如下:
其中,上标、下标b表示载体坐标系b系,e表示地球坐标系e系,i表示惯性坐标系i系,g表示陀螺坐标系;表示b系相对于e系的姿态四元数,表示b系相对于e系的姿态旋转矩阵,表示e系下的地球自转角速度,ve表示e系下载体相对于地球的速度地速度,γe表示e系下的地球重力向量;表示四元数乘法,*表示四元数的共轭;yg表示陀螺仪测量的角速度,ya表示加速度计测量的比力;bg表示陀螺仪的零偏,ba表示加速度计的零偏;ng~N(0,Rg)表示陀螺仪的高斯白噪声,na~N(0,Ra)表示加速度计的高斯白噪声,Rg表示陀螺仪的高斯白噪声协方差矩阵,Ra表示加速度计的高斯白噪声协方差矩阵;In表示n维单位矩阵;表示b系到g系的姿态旋转矩阵;Mg与Ma是陀螺与加速度计的误差矩阵,包含比力因子和交轴耦合系数,表示为:
其中,sax,say,saz分别表示加速度计三轴的比力因子系数,maxy,maxz,mayz表示加速度计的交轴耦合系数;sgx,sgy,sgz分别表示陀螺仪三轴的比力因子系数,mgxy,mgxz,mgyz表示陀螺仪的交轴耦合系数;
将其他辅助传感器包括卫星导航接收机、磁力仪、里程计、雷达、摄像机的观测模型统一表示为:
ys(t)=h(x,Θ,t)+ns
其中,t表示观测时间,ys(t)表示传感器在t时刻的观测;ns~N(0,Rs)表示高斯白噪声,Rs为其协方差矩阵;函数h(·)表示传感器观测模型;x为待估计的导航状态;
运动约束模型统一表示为:
x与Θ的具体定义与使用的辅助传感器以及指定需要估计的导航状态有关,此外,观测模型与运动约束模型中的x能够包括多个时刻下的状态;
在当前采样时间窗口内,有陀螺测量的角速度yg(tk)或者角增量观测Δθ(tk),加速度计测量的比力ya(tk)或者速度增量Δv(tk),其中k=0,1,…Nm,t0为采样时间窗口的开始时间,为采样时间窗口的结束时间;
使用仿射变换,将时间窗口映射到τ∈[-1 1]
其中,τ为当前时间。
8.根据权利要求6所述的基于多项式优化的惯性基导航信息融合***,其特征在于,在所述模块M1中:
对陀螺和加速度计观测插值,以获得切比雪夫点处的角速度与比力,分别表示为yg(τj),ya(τj),其中切比雪夫点定义为τj=-cos(jπ/N),j=0,1,…,N,N是切比雪夫多项式的阶数;
在一个解算时间窗口内,姿态四元数及其导数使用切比雪夫多项式表示为:
F0(τ)=1,F1(τ)=τ,
Fi+1(τ)=2τFi(τ)-Fi-1(τ)for i≥1
在一个解算时间窗口内,速度、速度导数以及位置使用切比雪夫多项式表示为:
9.根据权利要求6所述的基于多项式优化的惯性基导航信息融合***,其特征在于,在所述模块M2中:
导航状态及传感器误差模型参数通过求解如下非线性优化问题获得:
其中,优化参数包括切比雪夫系数矩阵D,K,传感器模型参数Θ以及初始位置pe(τ0);初始时刻状态的先验值其中 分别表示ve、pe的初始时刻先验;ba,0、bg,0分别表示加速度计和陀螺仪零偏的初始时刻先验,Ma,0、Mg,0、Ω0分别为Ma,Mg和Ω的初始时刻先验;状态的初始误差δX0表示为:
其中,δψ0代表初始时刻的姿态误差,定义为运算符[·]2:4表示取矩阵的第2至4行元素;与初始状态对应的初始方差表示为δX0包含的误差项由具体定义的导航状态x以及其他待估计参数Θ确定;目标函数中Jv,Jz分别定义如下:
上述非线性优化采用小时间窗口迭代完成,在完成当前窗口状态估计之后,当前窗口结束时刻的状态被当作下一窗口计算开始时刻的先验状态。
10.根据权利要求6所述的基于多项式优化的惯性基导航信息融合***,其特征在于,在所述模块M3中:
递推求解状态估计的方差,具体的方差预测计算方法如下:
tk时刻有观测、约束,状态的方差采用下式更新:
其中,Hk代表线性化之后的观测/约束模型矩阵,Rk表示对应的观测/约束噪声协方差矩阵;计算矩阵Gk,Hk,Lk所需要的状态是上述非线性优化获得的;当获得当前区间内的状态以及方差之后,当前区间结束时刻的状态和方差被当作初值作为下一个区间的先验初值与方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898677.6A CN115200578A (zh) | 2022-07-28 | 2022-07-28 | 基于多项式优化的惯性基导航信息融合方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898677.6A CN115200578A (zh) | 2022-07-28 | 2022-07-28 | 基于多项式优化的惯性基导航信息融合方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115200578A true CN115200578A (zh) | 2022-10-18 |
Family
ID=83584849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210898677.6A Pending CN115200578A (zh) | 2022-07-28 | 2022-07-28 | 基于多项式优化的惯性基导航信息融合方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115200578A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115824224A (zh) * | 2023-02-14 | 2023-03-21 | 河海大学 | 基于ahrs和dvl的水下机器人自主航位推算方法 |
CN116105731A (zh) * | 2023-04-07 | 2023-05-12 | 中国人民解放军国防科技大学 | 稀疏测距条件下的导航方法、装置、计算机设备及介质 |
-
2022
- 2022-07-28 CN CN202210898677.6A patent/CN115200578A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115824224A (zh) * | 2023-02-14 | 2023-03-21 | 河海大学 | 基于ahrs和dvl的水下机器人自主航位推算方法 |
CN116105731A (zh) * | 2023-04-07 | 2023-05-12 | 中国人民解放军国防科技大学 | 稀疏测距条件下的导航方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110501024B (zh) | 一种车载ins/激光雷达组合导航***的量测误差补偿方法 | |
CN108731670B (zh) | 基于量测模型优化的惯性/视觉里程计组合导航定位方法 | |
CN108592945B (zh) | 一种惯性/天文组合***误差的在线标定方法 | |
CN100516775C (zh) | 一种捷联惯性导航***初始姿态确定方法 | |
CN115200578A (zh) | 基于多项式优化的惯性基导航信息融合方法及*** | |
CN105203098A (zh) | 基于九轴mems传感器的农业机械全姿态角更新方法 | |
CN108362288B (zh) | 一种基于无迹卡尔曼滤波的偏振光slam方法 | |
CN110954102B (zh) | 用于机器人定位的磁力计辅助惯性导航***及方法 | |
CN108387236B (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
CN111121766B (zh) | 一种基于星光矢量的天文与惯性组合导航方法 | |
CN113063429B (zh) | 一种自适应车载组合导航定位方法 | |
CN111238535A (zh) | 一种基于因子图的imu误差在线标定方法 | |
CN113291493B (zh) | 一种卫星多敏感器融合姿态确定方法和*** | |
CN111189442A (zh) | 基于cepf的无人机多源导航信息状态预测方法 | |
CN111380516A (zh) | 基于里程计测量信息的惯导/里程计车辆组合导航方法及*** | |
CN106441291A (zh) | 一种基于强跟踪sdre滤波的组合导航***及导航方法 | |
CN108871319B (zh) | 一种基于地球重力场与地磁场序贯修正的姿态解算方法 | |
CN110849360A (zh) | 面向多机协同编队飞行的分布式相对导航方法 | |
CN111220151B (zh) | 载体系下考虑温度模型的惯性和里程计组合导航方法 | |
CN111190207B (zh) | 基于pstcsdref算法的无人机ins bds组合导航方法 | |
CN113503872B (zh) | 一种基于相机与消费级imu融合的低速无人车定位方法 | |
CN114935345A (zh) | 一种基于模式识别的车载惯导安装角误差补偿方法 | |
CN113375664B (zh) | 基于点云地图动态加载的自主移动装置定位方法 | |
CN111982126B (zh) | 一种全源BeiDou/SINS弹性状态观测器模型设计方法 | |
CN112284379B (zh) | 一种基于非线性积分补偿的组合运动测量***的惯性预积分方法 |
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 |