CN102679977A - 基于惯性网络的分布式导航装置及其信息融合方法 - Google Patents

Abstract

本发明公开了一种基于惯性网络的分布式导航装置及其信息融合方法，属于惯性导航定位技术领域。分布式导航装置由n个惯性网络节点构成的网络拓扑结构，n≥2的自然数。信息融合方法通过数据采集单元得到惯性传感器信息，通过旋转变换矩阵计算与更新单元，得到旋转变换矩阵，对SRIMU的测量信息进行分布式惯性测量融合处理，得到局部惯性状态向量。所得的惯性状态向量结合其它节点的惯性测量信息，以及其它节点的相同类型的局部导航状态，进行分布式导航状态融合处理，得到更高性能的局部导航状态估计。本发明不仅满足高性能导航系统的需求，还能提供精确的局部惯性信息，用于局部运动的稳定和补偿。

Description

基于惯性网络的分布式导航装置及其信息融合方法

技术领域

本发明涉及一种基于惯性网络的分布式导航装置及其信息融合方法，属于惯性导航定位技术领域。

背景技术

基于惯性传感器网络系统的分布式导航是一种新的导航系统设计理念，是在近年来新一代的低成本、小体积、轻质量导航传感器（如光纤陀螺、光纤加速度计、MEMS惯性传感器、GNSS接收机等）、高速大容量的嵌入式微处理器，以及分布式的模块化电子设备结构的基础上发展起来的新技术。分布式惯性导航系统是将多个惯性传感器配置在运动载体（如飞机、舰船、大型航天器）的不同空间部位，为运动载体导航提供冗余的分布式测量信息。

各个传感器网络节点用来测量运动载体的局部导航信息，由惯性传感器组件和微处理器模块组成，所有传感器网络节点共同构成完全的分布式导航网络结构。分布式导航机构通过重构和共享有限的机载计算资源，可以提高故障容错水平，并能动态的配置传感器系统功能。它由分布在运动载体各个关键部位的网络节点组成，采用先进的惯性导航器件误差估计、校准以及信息融合技术，确保网络节点的惯性导航系统提供准确、实时的导航状态测量。

分布式冗余结构是随着网络化、模块化的电子设备发展而出现的新概念。惯性传感器网络节点安装在运动载体的不同部位，为运动载体导航、机载（舰载、星载）武器系统提供惯性状态信息，不仅满足高性能导航系统的故障容错需求，还能提供精确的局部惯性信息，用于局部运动的稳定和补偿。不同部位的惯性传感器可以采用相同类型和不同类型的传感器，也可以采用具有相同误差特性以及不同误差特性的惯性传感器。网络系统拓扑是用来连接和描述不同传感器系统之间的逻辑关系和物理联接，目前联邦结构和综合模块结构是两种典型拓扑结构，其中邦联结构通过共用数据总线连接，尽管具有一定的故障容错能力，但没有充分的利用目前计算机的快速处理能力；综合模块结构有利于设计可靠有效的电子系统。分布式惯性网络是在综合模块结构基础上，设计完全分布式连接拓扑。目前在国内已经初步研究了利用惯性网络测量舰船甲板的变形，但还未见有公开报道关于分布式网络在导航中的应用。

国内外对于导航系统信息融合技术已开展了深入研究，可以分为4类信息融合结构：集中式、瀑布式、联邦式以及分布式。集中式滤波结构将所有导航传感器的测量信息，采用综合滤波器进行统一处理，目前的许多INS/GPS组合导航系统均采用该方法，理论上集中式滤波可以获得导航状态的最优估计，但是随着传感器数量的增加，滤波计算将过于复杂和耗时，而且不利于故障的诊断和隔离。瀑布式滤波结构是将前一个滤波器的输出（包括状态估计、误差协方差等）作为下一级滤波器的输入，该结构尤其适合拥有各自Kalman滤波器的单个导航设备的情况，然而实际中许多导航系统并不输出所需的协方差等信息，而且该方法过分依赖于初级滤波器的性能。联邦滤波器结构最初由Carlson提出，是为了提高多导航传感器系统的故障容错和精度，已作为美国空军“公共滤波器”的算法基础，具有计算量小、编排灵活等优点而备受青睐。联邦滤波解决了集中式滤波的“维数灾难”及故障隔离等问题，但仍然是基于单一模型的滤波，其所有的局部滤波器都应用了共同的参考导航系统模型，当实际系统模型发生改变或外部环境发生改变时，联邦滤波对状态估计的误差就会增大，甚至发散，因此该滤波结构和算法不适合应用到分布式惯性网络中，因为其没有共同的系统状态模型。

分布式滤波结构最初主要应用于分布式传感器系统的目标跟踪和识别，后来开始应用于导航系统的故障容错中。与前面所述的滤波结构不同，分布式滤波结构并没有标准的模型，根据所使用的信息不同，大体可分为测量融合和状态融合。分布式滤波结构为设计多传感器导航系统提供了最灵活的方案，目前已发展了多种分布式滤波算法，但多数并不适合直接应用于分布式的惯性网路系统中。将惯性网络配置在载体的多个位置，各网络节点间变形引起的误差不能忽略，各网络节点测量局部状态，相互之间具有相对动态关系，需要建立局部运动模型和网络节点间的动态关系，这是开展信息融合算法的基础，但是对于该问题，国内外还鲜有研究报道。

发明内容

本发明以运动载体动力学模型为基础，考虑惯性网络节点间的动态关系，建立惯性网络模型和局部运动模型，充分利用惯性网络的测量信息，采用分布式信息融合方法，提出了一种基于惯性网络的分布式导航装置及其信息融合方法，提高导航系统性能。

本发明为解决其技术问题采用如下技术方案：

一种基于惯性网络的分布式导航装置，由n个惯性网络节点构成的网络拓扑结构，其中，n≥2的自然数；单个惯性网络节点均由斜装冗余惯性测量单元、基于现场可编程门阵列的微处理器和网络接口顺序连接；各惯性网络节点通过网络接口相互连接，进行分布式信息共享。

基于惯性网络的分布式导航装置的信息融合方法，包括如下步骤：由数据采集单元得到惯性传感器信息，通过旋转变换矩阵计算与更新单元，对其中的角速度信息采用斜对称矩阵形式，建立旋转变换矩阵动力学分析模型，通过微分计算得到不同惯性节点之间的旋转变换矩阵，应用于分布式惯性测量融合单元和分布式导航状态融合单元中；根据各节点旋转变换矩阵和局部估计误差的协方差计算公式，建立各个节点的惯性测量融合方程，然后采用加权最小二乘法进行求解，对所有节点的惯性网络测量信息进行融合处理，得到局部惯性状态向量；所得的惯性状态向量结合其它节点的惯性测量信息，构建局部卡尔曼滤波器，得到该节点的局部导航状态估计；最后接收其它节点的相同类型的局部导航状态估计信息，构建局部信息融合滤波器进一步进行局部信息融合，得到更新的局部导航状态。

本发明的有益效果如下：

1、导航装置采用完全分布式的网络拓扑，不仅满足高性能导航系统的需求，还能提供精确的局部惯性信息，用于局部运动的稳定和补偿。

2、拥有良好的故障容错能力，任一网络节点或单个惯性传感器出现故障时，不会降低整个导航系统的性能。

3、各个网络节点可以具有相同的性能、相同的结构配置，也可以具有不同的性能、不同的结构配置。

4、具有良好的灵活性，便于增加或移除分布式网络的节点或传感器。

5、高性能的导航状态估计，提出了一种新的分布式信息融合方法，考虑网络节点间的动态关系，充分融合各个网络节点的惯性测量和状态估计信息。

6、不存在全局的最优导航解算，而是各个网络节点都充分利用了整个网络的共享信息，提高各自的导航性能。

 附图说明

图1为本发明的基于惯性网络的分布式导航装置示意图。

图2为本发明的惯性网络节点之间的拓扑结构示意图。

图3为本发明的分布式信息融合系统示意图。

图4为本发明的惯性网络节点的分布式信息融合算法流程图。

图5（a）为仿真中的载体运动轨迹示意图；图5（b）为惯性网络节点之间相对运动角度示意图。

图6（a）为惯性网络节点1的实际位置误差及其滤波估计示意图；图6（b）为惯性网络节点1的位置误差估计的均方差示意图；图6(c)为惯性网络节点1的速度误差估计的均方差示意图；图6(d)为惯性网络节点1的姿态误差估计的均方差示意图。

图7（a）为惯性网络节点2的实际位置误差及其滤波估计示意图；图7 (b)为惯性网络节点2的实际姿态误差及其滤波估计示意图；图7 (c)为惯性网络节点2的位置误差估计的均方差示意图；图7 (d)为惯性网络节点2的速度误差估计的均方差示意图；图7 (e)为惯性网络节点2的姿态误差估计的均方差示意图。

具体实施方式

下面结合附图对本发明创造做进一步详细说明。

技术实施整体路线

如图1所示，本发明的基于惯性网络的分布式导航装置由n个惯性网络节点构成的网络拓扑结构，其中，n≥2的自然数；各惯性网络节点通过网络接口相互连接，进行分布式信息共享；各个网络节点与其它节点的连接，可以采用有线网络的连接方式，也可以采用无线网络连接方式，各个网络节点的惯性信息和局部导航估计信息在网络中共享；在各个惯性网络节点的微处理器中，采用分布式信息融合方法，实现分布式导航信息融合处理。

其中，单个惯性网络节点由斜装冗余惯性测量单元（SRIMU）、基于现场可编程门阵列（FPGA）的微处理器、网络接口组成。各个网络节点的SRIMU可以具有相同的配置结构，也可以具有不同的配置结构。例如可以采用四面体、六面体、十二面体等安装，或者采用正交安装的惯性测量单元（IMU，即SRIMU的特例）。同时各个网络节点的SRIMU可以具有相同的性能，也可以具有不同的性能。单个网络节点，可以采集节点自身的SRIMU测量信息，同时融合其它节点的SRIMU测量信息，经过基于FPGA的微处理器的分布式信息融合处理，得到增强的局部导航状态估计信息。单个节点的局部导航状态估计信息可以发送到其它节点，进一步进行分布式信息融合处理，可以提高整个分布式系统的导航性能。

网络节点之间的拓扑结构

如图2所示，惯性网络节点（i、j、k）分别配置在载体（如飞机、舰船、大型航天器）的不同部位，即配置在载体的局部载体系（i、j、k）中，各网络节点相对于惯性参考系I，以及各个网络节点之间，随着载体的局部运动（如挠曲变形、震颤变形等）而进行旋转变化，记旋转变换矩阵为                                                

，增加上、下标表示两网络节点的旋转变换，例如为节点j相对于节点i的旋转变换阵。各网络节点共同构成分布式拓扑结构，不仅可以通过分布式信息融合进行导航处理，提高整体导航性能，还可以对载体的局部运动进行测量。各惯性网络节点测量各自的局部导航状态，不同节点的测量和估计信息动态相关。

分布式信息融合方法

如图3所示，分布式导航装置的分布式信息融合，采用分级处理的方式，由分布式惯性测量融合（i、j、k）以及分布式导航状态融合（i、j、k）构成。在各个网络节点（i、j、k）分别进行分布式信息融合，得到各自的局部导航状态估计（i、j、k）。本发明的分布式导航装置及其分布式信息融合方法，不存在全局的最优导航解算，而是各个网络节点都充分利用了整个网络的共享信息，提高各自的导航性能。

如图4所示，在分布式惯性测量融合、分布式导航状态融合处理时，还充分考虑网络拓扑的动态关系，进行旋转变换矩阵的计算与更新。网络节点的分布式信息融合系统，由数据采集单元、旋转变换矩阵的计算与更新单元、分布式惯性测量融合单元、分布式状态融合单元组成。该分布式信息融合系统在微处理器中进行融合算法的实现，将由数据采集单元得到的惯性传感器信息，通过旋转变换矩阵计算与更新单元，得到旋转变换矩阵，应用于测量融合单元和状态融合单元中。建立各个节点的惯性测量融合方程，对SRIMU的测量信息进行分布式惯性测量融合处理，得到更加精确可靠的局部惯性状态向量。所得的惯性状态向量结合其它节点的惯性测量信息，构建局部卡尔曼滤波器，得到该节点的局部导航状态估计。最后接收其它节点的相同类型的局部状态估计信息，构建局部信息融合滤波器进行局部信息融合，得到更新的局部导航状态估计，作为最终的导航状态估计值，比局部卡尔曼滤波器得到的局部导航状态，具有更高的性能。

旋转变换矩阵计算与更新

如图4所示，经过分布式信息融合系统的数据采集单元，可以得到各个SRIMU相对于局部载体系（i、j、k）的惯性测量信息。假设以局部坐标系k为参考系，来表示其它网络节点的旋转运动，则有如下关系：

                        (1)

其中，

为角速度

的斜对称矩阵，上标

表示角速度向量在k系的投影，下标

表示局部系i相对于惯性系I的角速度，下标

表示局部系j相对于惯性系I的角速度，下标

表示局部系k相对于惯性系I的角速度，下标

表示局部系i相对于局部系k的角速度，下标

表示局部系j相对于局部系k的角速度。考虑旋转变换矩阵

的微分方程，由式（1）的第1个方程可以得到

                               (2)

其中，

为k系到i系坐标转换阵的微分，

为i系到k系的坐标转换阵，由此，可以建立旋转变换矩阵动力学分析模型，得到不同惯性节点的旋转变换矩阵微分方程：

，

     (3)

其中，

、

和

分别为网络节点k、i、j相对于惯性系I的角速度斜对称阵，

为k系到i系坐标转换阵的微分，

为k系到i系坐标转换阵, 

为i系到k系坐标转换阵, 

为k系到j系坐标转换阵的微分，

为k系到j系坐标转换阵，

为j系到k系坐标转换阵， 

为k系到j系坐标转换阵，可分别由各个网络节点的SRIMU所测得的惯性信息转化得到，根据式（3）可以求出节点i、j相对于节点k的旋转变换阵

、

，还可以进一步得到节点i与j之间的旋转变换阵

                          (4)

分布式惯性测量融合

如图4所示，在分布式惯性测量融合阶段，单个节点的微处理器对所有节点的惯性测量信息进行融合处理，得到更加精确可靠的局部惯性状态向量。

在进行惯性测量融合时，根据各节点旋转变换矩阵和局部估计误差的协方差，建立各个节点的惯性测量融合方程，采用加权最小二乘法进行求解，对所有节点的惯性测量信息进行融合。分布式惯性测量融合处理如下：

                                                                              (5)

其中，

（

）为局部惯性测量信息；

为局部观测矩阵；

为局部惯性状态估计误差的协方差矩阵。

分布式导航状态融合

如图4所示，在分布式状态融合阶段，分布式惯性测量融合阶段所得的惯性测量信息结合其它节点的惯性测量信息，构建局部卡尔曼滤波器，得到该节点的局部导航状态估计；在此基础上接收其它节点相同类型的局部导航状态估计值，进一步构建局部信息融合滤波器，得到更高性能的局部状态更新值。

对于第（

）个节点的局部卡尔曼滤波器，令其状态量为

，观测量为

。其中

表示该节点的局部导航状态，表示该节点的惯性传感器误差状态，

表示接收其它节点惯性测量信息后的所有观测量（包括该节点的观测量）。则该节点的局部卡尔曼滤波器模型为：

                      （6） 

其中，

为

到

时刻的状态转移矩阵；和

分别为系统噪声和测量噪声向量。基于卡尔曼滤波递推方程组，可以得到局部导航状态估计为

              （7） 

                     （8） 

其中，和

分别为局部状态估计及其协方差阵；

和分别为由局部信息融合滤波器得到的局部状态更新，下面对其计算方法进行说明。

对于第

（

）个节点的局部状态估计，接收其它节点的局部状态估计后，可以设计一个二次成本函数

     （9）

其中，

表示局部状态估计中的导航状态，

表示真实的局部导航状态。当

越小时代表局部导航状态估计和真实的局部导航状态越接近。因此，最终目标是最小化

。基于最小加权均方误差准则，对

求导并令其为零，即可得到各个节点的局部导航状态更新。以第i个节点为例，更新的局部导航状态方程如下

      （10）                       

    其它节点更新的局部导航状态方程可以由式（10）类似写出，由式（10）的导航状态更新，可以反馈到式（7）的局部状态估计中。由式（7）、（8）、（10）共同构成了分布式状态融合，可以显著提高分布式导航解算的性能。

有益效果分析

根据以上主要技术实施方式，对本发明的有益效果进行分析。建立一套仿真系统，包括载体与飞行轨迹模拟器、惯导节点模拟器、惯性网络拓扑、分布式惯性测量融合、分布式导航状态融合模块等，开展仿真实验与分析。为了方便起见，对由两个惯性网络节点构成的惯性网络进行仿真（增加节点并不改变系统结构和信息融合算法，但会增加复杂性和计算量）。

惯性网络节点1由三轴陀螺和三轴加速度计构成的IMU（惯性测量单元），与惯性网络节点2的IMU进行惯性测量融合后，进行捷联惯导解算，再与GNSS（全球导航卫星系统）接收机和高度计两类助航系统进行信息融合。IMU采样频率为50Hz，性能为2nmi/h，其误差源为：陀螺常值漂移0.009(°)/h，随机游走0.003(°)/h/；加速度计偏差80

，白噪声25/

。惯导节点2没有助航系统，只有三轴陀螺和三轴加速度计构成的IMU，采样频率为50Hz，性能比节点1低一个数量级：陀螺漂移0.01(°)/h，随机游走0.03(°)/h/

，加速度计偏差800

。节点2与1进行惯性测量融合后，进行捷联惯导解算，再开展导航状态融合解算。载体飞行速度为700km/h，在飞行过程中进行机动操作，惯性网络节点1和节点2之间的动态关系用正弦函数模拟，飞行运动轨迹以及惯导节点之间的相对运动角度变化分别如图5（a）和图5（b）所示。

惯性网络节点1和2的捷联惯导解算均采用游动方位坐标系，导航状态融合采用开环滤波的方法，即未对惯性导航进行校正（这对于评估滤波估计的精度是可行的）。惯性网络节点1的状态量为

，其中

为基本导航状态误差（共9维），即3维的位置、速度、姿态误差，为传感器误差状态（共9维），包含陀螺、加速度计、高度计以及GNSS接收机的钟漂和频漂误差；惯性导航和GNSS采用基于伪距观测的紧组合方式，观测量

包含伪距差向量、高度差以及IMU残差向量。惯性网络节点1的导航信息融合结果如图6所示。由图6可以看出，基于本发明的分布式信息融合，滤波估计与实际惯导误差吻合较好（图6a），x和y方向位置精度优于2m，速度精度优于0.5m/s,姿态精度优于0.3°（图6b～6d）。

惯性网络节点2的状态量

只包含

的9维基本导航状态误差，观测量

包含3维位置残差、速度残差以及姿态残差向量，共9维残差量（即网络节点1和网络节点2的导航状态之差）。惯性网络节点2的导航信息融合结果如图7所示，可以看出，节点2的滤波估计值与实际惯导误差也能很好的吻合（图7a～7b），位置精度优于3m，速度精度优于0.6m/s，姿态优于0.4°（图7c～7e）。

 对比图6和图7的结果可以看出，尽管网络节点2比节点1的性能要差1个数量级，同时惯性网络节点之间还存在较大的动态变形（见图5），但采用本发明的方法，在导航信息融合算法中充分利用了惯性网络的共享信息，网络节点2仍能达到与网络节点1相当的估计精度。

Claims (2)

1.一种基于惯性网络的分布式导航装置，其特征在于：由n个惯性网络节点构成的网络拓扑结构，其中，n≥2的自然数；单个惯性网络节点均由斜装冗余惯性测量单元、基于现场可编程门阵列的微处理器和网络接口顺序连接；各惯性网络节点通过网络接口相互连接，进行分布式信息共享。

2.一种采用权利要求1所述的基于惯性网络的分布式导航装置的信息融合方法，其特征在于，包括如下步骤：由数据采集单元得到惯性传感器信息，通过旋转变换矩阵计算与更新单元，对其中的角速度信息采用斜对称矩阵形式，建立旋转变换矩阵动力学分析模型，通过微分计算得到不同惯性节点之间的旋转变换矩阵，应用于分布式惯性测量融合单元和分布式导航状态融合单元中；根据各节点旋转变换矩阵和局部估计误差的协方差计算公式，建立各个节点的惯性测量融合方程，然后采用加权最小二乘法进行求解，对所有节点的惯性网络测量信息进行融合处理，得到局部惯性状态向量；所得的惯性状态向量结合其它节点的惯性测量信息，构建局部卡尔曼滤波器，得到该节点的局部导航状态估计；最后接收其它节点的相同类型的局部导航状态估计信息，构建局部信息融合滤波器进一步进行局部信息融合，得到更新的局部导航状态。

Images