CN101750050A - 一种提高高程数据稳定性的滤波方法 - Google Patents

Abstract

本发明属于定位、导航数据的处理方法，是一种提高高程数据稳定性的滤波方法。目的是设计出一种性能优良的高程数据处理方法，提高高程数据的精度和分辨率，对高程投影误差的进行抑制。本发明包括如下步骤：步骤一、通过车辆的俯仰角以及前进速度计算车辆在高度方向上的速度；步骤二、通过GPS高程数据对高程计数据进行校正；步骤三、构建对高度数据进行最优估计的卡尔曼滤波模型；步骤四、通过步骤三中构建的滤波模型，进行卡尔曼滤波；步骤五、最后将高程数据进行输出。本发明的优点是采用了卡尔曼滤波的数据处理方法，利用多个数据源对高程数据进行修正，较强地抑制了车载定位系统中的高程投影误差，使车载定位精度提高了18％。

Description

一种提高高程数据稳定性的滤波方法

技术领域

本发明属于定位、导航数据的处理方法，尤其涉及一种提高高程数据稳定性的滤波方法。

背景技术

车载定位技术是实现武器系统机动化的必要条件，在车载定位领域中，高程投影误差一直是制约定位精度的主要因素，为了满足现代机动武器系统的高精度定位需求，必须对高程投影误差进行抑制，从而提高定位系统的精度。

产生高程投影误差的主要原因是高程计的测量误差，目前的高程测量主要是通过气压高度计来实现，由于本身的原理所致，采用这种方法的测量分辨率和精度都较低，目前最高分辨率的高度计也只有1m左右，但测量误差却可以达到几百米，直接使用难以满足车载定位的使用。

发明内容

本发明的目的是设计出一种性能优良的高程数据处理方法，提高高程数据的精度和分辨率，对高程投影误差进行抑制。

本发明是这样实现的：一种提高高程数据稳定性的滤波方法，包括如下步骤：

步骤一、通过车辆的俯仰角以及行驶速度计算车辆在高度方向上的速度v_z＝vsinα≈vα，v车辆行驶速度；α为车辆俯仰角；

步骤二、通过GPS高程数据对高程计数据进行校正，校正通过以下公式实现：h＝h_q+K_h(h_G-h)，h为校正后的高程数据；h_q为高程计输出；h_G为GPS高程数据；K_h为校正增益；

步骤三、通过步骤一、步骤二中得到的h与v_z建立状态变量，构建对高度数据进行最优估计的卡尔曼滤波模型：

$X=\left[\begin{array}{c}h\\ v_z\end{array}\right],$ $\mathrm{\Φ}=\left[\begin{array}{cc}1& T\\ 0& 1\end{array}\right]$

X_k+1＝ΦX_k+W_k+1，方差E[W_kW_j]＝R·δ_k，j；

Z_k＝X_k+V_k，方差E[V_kV_j]＝Q·δ_k，j；

式中：k表示当前时刻，X为状态变量，X_k为第k时刻的状态；T为滤波周期；Φ为状态转移矩阵；Z_k为第k时刻的量测量；δ为狄拉克函数；W，V为模型误差与量测误差；R，Q为模型误差与量测误差的方差；

步骤四、通过步骤三中构建的滤波模型，进行卡尔曼滤波，滤波所依据的数学方程为：

${\hat{X}}_{k+1/k}=\mathrm{\Φ}{\hat{X}}_k$

${\hat{X}}_{k+1}={\hat{X}}_{k+1/k}+K_{k+1}(Z_{k+1}-{\hat{X}}_{k+1/k})$

K_k+1＝P_k+1/k(P_k+1/k+R)^-1

P_k+1/k＝ΦP_kΦ^T+Q

P_k+1＝(I-K_k+1)P_k+1/k

式中：P为方差矩阵；K为滤波增益；

为X_k的最优估计值；

步骤五、最后将状态变量

中的高程数据进行输出：

即为最后得到的k时刻的高程数据。

本发明的优点是首先建立里程计及姿态传感器或惯性平台进行高程测量的模型，利用里程计可以测量车辆前进里程的特点，将里程数据与车辆俯仰角结合，就可以将里程投影到垂直通道，进行高程计算。然后，结合上述计算出的高程与气压式高程计的输出，建立高程滤波模型，以惯性平台、气压高度计、里程计为基础，利用高程、俯仰角与车辆前进速度之间的联系，采用合理的数学模型和计算方法将测量信息通过卡尔曼滤波器进行融合，构成滤波方案，同时利用GPS高程测量的长期稳定性，进一步对高程进行修正，得到更高精度的高程数据。将高程数据的分辨率由1m提高到0.02m，精度提高了8％。通过使用此滤波方法，在车载定位系统中进行了应用，较强地抑制了车载定位系统中的高程投影误差，使车载定位精度由0.3％(CEP)提高至0.25％，精度提高了18％。

附图说明

图1是一种提高高程数据稳定性的滤波方法流程示意图；

图2是应用一种提高高程数据稳定性的滤波方法的硬件系统示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明：

如图1所示，一种提高高程数据稳定性的滤波方法实现过程具体包括如下步骤：

步骤一、通过惯性平台测量得到的俯仰角以及里程数据计算在高度方向上的速度；

v_z＝vsinα≈vα

式中：v——里程计输出，车辆行驶速度；

α——惯性平台输出，车辆俯仰角；

步骤二、通过GPS高程数据对高程计数据进行校正，校正通过以下公式实现：

h＝h_q+K_h(h_G-h)

式中：h——校正后的高程数据；

h_q——气压高度计输出；

h_G——GPS高程数据；

K_h——校正增益，此数据是校正关键，需要根据试验进行标定，不同的GPS和气压高度计可能导致不同的校正增益；标定时，是在标准环境下，采集h_q，h_G，利用已知的h，计算得到K_h。

步骤三、通过步骤一、步骤二中计算出的数据h与v_z建立状态变量，构建对高程数据进行最优估计的卡尔曼滤波模型：

$X=\left[\begin{array}{c}h\\ v_z\end{array}\right],$ $\mathrm{\Φ}=\left[\begin{array}{cc}1& T\\ 0& 1\end{array}\right]$

X_k+1＝ΦX_k+W_k+1，方差E[W_kW_j]＝R·δ_k，j；

Z_k＝X_k+V_k，方差E[V_kV_j]＝Q·δ_k，j

式中：k——滤波进行到的当前时刻，

X——状态变量，

X_k——第k时刻的状态；

T——滤波周期；

Φ——状态转移矩阵；

Z_k——第k时刻的量测；

δ——为狄拉克函数；

W，V——为模型误差与量测误差；

R，Q——为模型误差与量测误差的方差，此数据为常量，经试验测定，测定的方法为公知技术，测定结果的精度将影响滤波性能。

步骤四、通过步骤三中构建的滤波模型，进行卡尔曼滤波，并实时输出滤波后的高程数据，滤波所依据的数学方程为：

${\hat{X}}_{k+1/k}=\mathrm{\Φ}{\hat{X}}_k$

${\hat{X}}_{k+1}={\hat{X}}_{k+1/k}+K_{k+1}(Z_{k+1}-{\hat{X}}_{k+1/k})$

K_k+1＝P_k+1/k(P_k+1/k+R)^-1

P_k+1/k＝ΦP_kΦ^T+Q

P_k+1＝(I-K_k+1)P_k+1/k

式中：P——方差矩阵，初值P₀可以任意设定，只要能够使卡尔曼滤波收敛即可，经滤波一段时间会自动稳定；

K——滤波增益，根据模型误差与量测误差的方差R，Q以及方差矩阵P经过递推得出；

——k时刻得到的最优的估计值，初值

可以任意给定。

步骤五、最后将状态变量

中的高程数据进行输出：

即为最后得到的k时刻的高程数据。

实现本方法可以利用如图2所示的硬件平台，通过导航计算机将GPS高程数据、气压高度计数据、里程计数据以及惯性平台俯仰角数据采集进来，然后导航计算机利用本方法对各种数据进行处理，通常，GPS、气压高度计以及惯性平台通过串行口将数据送至导航计算机，里程计将输出脉冲送至导航计算机。

本发明的优点是采用了卡尔曼滤波的数据处理方法，利用多个数据源对高程数据进行修正，将高程数据的分辨率由1m提高到0.02m，精度提高了8％。通过使用此滤波方法，在车载定位系统中进行了应用，较强地抑制了车载定位系统中的高程投影误差，使车载定位精度由0.3％(CEP)提高至0.25％，精度提高了18％。

Claims (1)

1.一种提高高程数据稳定性的滤波方法，包括如下步骤：

步骤一、通过车辆的俯仰角以及行驶速度计算车辆在高度方向上的速度v_z＝vsinα≈vα，v车辆行驶速度；α为车辆俯仰角；

步骤二、通过GPS高程数据对高程计数据进行校正，校正通过以下公式实现：h＝h_q+K_h(h_G-h)，h为校正后的高程数据；h_q为高程计输出；h_G为GPS高程数据；K_h为校正增益；

步骤三、通过步骤一、步骤二中得到的h与v_z建立状态变量，构建对高度数据进行最优估计的卡尔曼滤波模型：

$X=\left[\begin{array}{c}h\\ v_z\end{array}\right],$ $\mathrm{\Φ}=\left[\begin{array}{cc}1& T\\ 0& 1\end{array}\right]$

X_k+1＝ΦX_k+W_k+1，方差E[W_kW_j]＝R·δ_k，j；

Z_k＝X_k+V_k，方差E[V_kV_j]＝Q·δ_k，j；

式中：k表示当前时刻，X为状态变量，X_k为第k时刻的状态；T为滤波周期；Φ为状态转移矩阵；Z_k为第k时刻的量测量；δ为狄拉克函数；W，V为模型误差与量测误差；R，Q为模型误差与量测误差的方差；

步骤四、通过步骤三中构建的滤波模型，进行卡尔曼滤波，滤波所依据的数学方程为：

${\hat{X}}_{k+1/k}=\mathrm{\Φ}{\hat{X}}_k$

${\hat{X}}_{k+1}={\hat{X}}_{k+1/k}+K_{k+1}(Z_{k+1}-{\hat{X}}_{k+1/k})$

K_k+1＝P_k+1/k(P_k+1/k+R)^-1

P_k+1/k＝ΦP_kΦ^T+Q

P_k+1＝(I-K_k+1)P_k+1/k

式中：P为方差矩阵；K为滤波增益；

为X_k的最优估计值；

步骤五、最后将状态变量

中的高程数据进行输出：

即为最后得到的k时刻的高程数据。

Images