CN107289930A - 基于mems惯性测量单元的纯惯性车辆导航方法 - Google Patents

基于mems惯性测量单元的纯惯性车辆导航方法 Download PDF

Info

Publication number
CN107289930A
CN107289930A CN201610202707.XA CN201610202707A CN107289930A CN 107289930 A CN107289930 A CN 107289930A CN 201610202707 A CN201610202707 A CN 201610202707A CN 107289930 A CN107289930 A CN 107289930A
Authority
CN
China
Prior art keywords
msubsup
mrow
vehicle
msup
mtd
Prior art date
Application number
CN201610202707.XA
Other languages
English (en)
Other versions
CN107289930B (zh
Inventor
王宇
姜磊
苏岩
吴志强
朱欣华
张希武
Original Assignee
南京理工大学
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 南京理工大学 filed Critical 南京理工大学
Priority to CN201610202707.XA priority Critical patent/CN107289930B/zh
Publication of CN107289930A publication Critical patent/CN107289930A/zh
Application granted granted Critical
Publication of CN107289930B publication Critical patent/CN107289930B/zh

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12Navigation; 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
    • G01C21/16Navigation; 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations

Abstract

本发明提供一种基于MEMS惯性测量单元的纯惯性车辆导航方法,包括:MEMS惯性测量单元获取角速度和加速度数值并存储;每一角速度和加速度数值经过高频惯导解算输出第一导航信息;存储一定时间的角速度和加速度数值经过低频导航状态量计算输出第二导航信息;第一导航信息和第二导航信息进行相减作为卡尔曼滤波观测量进行卡尔曼滤波获取导航信息误差估计值;导航信息误差估计值校正第一导航信息后输出校正后的导航信息。本方法采用数据挖掘算法支持向量机辨识出车辆的静止、直行和转弯状态,并在不同运动状态下,使用磁和车辆运动学辅助算法估计车辆的俯仰、横滚、航向或速度等导航量,然后进行滤波补偿,提高车辆纯惯性导航系统导航精度。

Description

基于MEMS惯性测量单元的纯惯性车辆导航方法

技术领域

[0001] 本发明涉及一种导航技术,特别是一种基于MEMS惯性测量单元的纯惯性车辆导航 方法。

背景技术

[0002] MEMS惯性器件具有传统惯性器件无法比拟的优势,受到了各国研究机构的高度重 视,产品层出不穷。美国Draper实验室的产品体积小于4in3,功率小于3W,可承受20000g的 过载,陀螺零偏稳定性达到了 1° /h,加速度的零偏稳定性小于IOOug ;美国的Analog Devices公司2002年生产的ADXR150陀螺的量程为± 150° /s,灵敏度为12.5mv/° /s,角度随 机游走为0.05°/s/Hz1/2,实现了量产化;德国的Robert Bosch公司的DRS-MM3陀螺,零偏稳 定性达到了 1 . 35° /h,角度随机游走为0.004° / s/Hz1/2;此外,美国的JPL、Crossbow Technology、Honeywell、Litton、Rockwell、Northrop,英国的BAE,德国的iMAR公司,瑞典 Imego等均拥有量产化的MEMS惯性器件。

[0003] MEMS惯性器件的高速发展,使MMU在集成度、体积、精度等方面有了很大的提高。 M頂U由三个微机械陀螺仪与三个微加速度计构成,敏感轴相互垂直,组成三维坐标系,处理 器接收MMU的输出信号,根据导航算法可以解算载体的方位角、姿态角、炜度、经度、速度等 参数。Draper实验室于2004年研制的MMJ的体积为133cm3、重量0.272kg、功耗3. lw、零偏重 复性为3° /h,可承受尚达20000g的过载。国外的许多知名公司已有商品化的MIMU系列广品, 在飞机和导弹的导航、制导与控制领域获得了广泛的应用,其中,典型的有Honeywell公司 的HG1900系列、HG1930系列,美国Analog Devices公司的ADS163xx系列,英国UTC Aerospace Systems的SiIMUxx系列等。

[0004] 国内于20世纪90年代开始MEMS惯性器件的研究,主要研究力量集中于清华大学、 东南大学、哈尔滨工业大学、中科院上海微系统与信息技术研究所、中国电子科技集团13所 等高校与科研院所,其中,清华大学研制的MEMS陀螺、电子13所的MSI3100型微惯性测量单 元的陀螺零偏稳定性与重复性均达到了 l〇°/h,其精度已接近国外同类产品。并且在尺寸和 价格上,现在的MMU已经适用于车载导航系统的应用,但是另外一个问题是由于陀螺噪声 引起的航向误差,典型的MEMS陀螺噪声特性会导致在积分成姿态角时出现较大的计算误 差。

[0005] 由于MEMS技术的发展,惯性导航系统(INS)的成本大大降低。低成本、短时精度高、 自主式的惯性导航系统得到了迅猛的发展。但是MEMS器件测量精度低、误差大,INS对测量 值进行积分会导致最后的姿态和位置信息快速发散。由于这些特点,INS和GPS结合的组合 导航系统成为了现在的研究热点。通过设计一个卡尔曼滤波器可以利用GPS的测量信息校 正惯导系统输出,抑制惯导系统的发散。但是GPS也有一些缺点,在高楼、隧道或者丛林中, 它常常会接收不到信号,无法给INS提供测量信息,导致INS很快的发散。

发明内容

[0006] 本发明的目的在于提供一种基于MEMS惯性测量单元的纯惯性车辆导航方法,采用 数据挖掘算法SVM辨识出车辆的静止、直行和转弯状态,并在不同运动状态下,使用磁和车 辆运动学辅助算法估计车辆的俯仰、横滚、航向或速度等导航量,然后进行滤波补偿,全面 提高车辆纯惯性导航系统导航精度。该方法包括:

[0007] MEMS惯性测量单元获取的角速度和加速度数值并存储,

[0008] 每一角速度和加速度数值经过高频惯导解算输出第一导航信息,

[0009] 存储一定时间的角速度和加速度数值经过低频导航状态量计算输出第二导航信 息,

[0010] 第一导航信息和第二导航信息进行相减获得导航信息误差后作为卡尔曼滤波观 测量进行卡尔曼滤波获取导航信息误差估计值,

[0011] 导航信息误差估计值校正第一导航信息后输出校正后的导航信息。

[0012] 本发明与现有技术相比,具有以下优点:

[0013] (1)能够在不需要先验信息的情况下只利用极短时间的静止和运动数据训练SVM (实验证明运动和静止数据各采集1分钟即可),就能够在后续导航过程中有效的区分车辆 的静止、直行和转弯状态。

[0014] (2)基于确定的运动状态能够获得更多的不随时间发散的导航状态量,从而能够 更有效的校正惯导系统,抑制惯导系统误差发散速度。

附图说明

[0015] 图1是本发明的方法流程图。

具体实施方式

[0016] 结合图1,本发明中每隔一个滤波周期解算出车辆的导航状态量,并与惯导系统的 输出进行卡尔曼滤波,将估计出的导航误差量反馈给惯性导航系统,利用误差量补偿后输 出导航状态量:姿态角、速度和位置。具体方法为:

[0017] 步骤1,对MEMS惯性测量单元获取的每一角速度和加速度数值经过惯导解算输出 第一导航信息;

[0018] 步骤2,存储一定时间的角速度和加速度数值经过低频导航状态量计算输出第二 导航ig息;

[0019] 步骤3,第一导航信息和第二导航信息进行相减获得导航信息误差后作为卡尔曼 滤波观测量进行卡尔曼滤波获取导航信息误差估计值;

[0020] 步骤4,导航信息误差估计值校正第一导航信息后输出校正后的导航信息;所述导 航信息包括姿态角、速度和位置。

[0021] 所述步骤2为获取车辆不同行使状态下的导航状态量估计值,其具体过程包括:

[0022] 步骤2.1,设定一阈值,基于存储的一定时间内航向陀螺的输出角速度均值的绝对 值判断车辆行使状态:若绝对值小于阈值,则车辆处于直行或静止状态,否则车辆处于转弯 状态。具体地,选定转弯判定阈值ωζ〇,计算出一个滑动窗口内z轴陀螺仪输出平均值,将这 个平均值的绝对值与阈值比较,判断是否转弯。判断准则为:若abs(mean( ω ζ(η)) > ω zQ,车 辆处于转弯状态;否则车辆处于静止或直行状态。具体计算如下

[0023]

Figure CN107289930AD00071

[0024] 其中c〇z(i)为i时刻z轴角速度的输出;k为滑动窗口长度;mean(coz(n))为窗口长 度k内z轴角速度输出的平均值。

[0025] 步骤2.2,对车辆处于静止或直行状态时,由存储的MEMS惯性测量单元输出信息获 取MEMS惯性测量单元输出的特征量,采用基于线性核函数的硬阈值SVM再次进行分类。

[0026] 步骤2.2.1,由存储的MEMS惯性测量单元输出信息获取MEMS惯性测量单元输出的 特征量。

[0027] 所述特征量包括三轴加速度计输出的模值Mf (η)、x轴方向加速度计输出信息Mfx、 频率信号幅值的均值

Figure CN107289930AD00072

、x轴方向加速度和角速度的幅值均值

Figure CN107289930AD00073

其中

[0028] (1)地球重力场产生的重力加速度大小为g,从而只要有机动,都会体现在由三轴 加速度计输出值计算得到的模值中,使模值不等于g。车辆在运动过程中很难保证绝对的没 有机动,因此可以利用三轴加速度计输出的模值信息作为第一类特征,具体特征计算如下

[0029]

Figure CN107289930AD00074

[0030] 其中:

[0031]

Figure CN107289930AD00075

[0032] f X (i)为i时刻X轴加速度计的输出;f y (i)为i时刻y轴加速度计的输出;f z (i)为i时 亥Ijz轴加速度计的输出。

[0033] (2)在某些特殊情况下,即时车辆存在机动,也有可能三轴加速度计输出的模值等 于重力加速度。考虑到车辆运动时只有一个方向的动力,而且人脚控制油门很难保证匀速 运动,因此车辆运动时,前进方向的加速度值相对静止状态应该有一定的特点,不管是突然 的加速还是减速都会体现在前进方向的加速度值中。故可以选择X轴方向加速度计输出的 信息作为另一特征,对第一类特征存在的缺陷进行补充,具体特征计算如下

[0034]

Figure CN107289930AD00076

[0035] 式中参数定义同上式。

[0036] (3)频域特征选择

[0037] 信号的频域特征已经被广泛应用于人体运动识别中,许多在时域上体现不出来的 信号特征在频域上都会体现的非常清楚。比如人步行、跑步对加速度计信号所造成的影响 在时域上很难看清,只能看到不断上下跳动的加速度值,但当转换到频域上时,特征就会非 常明显,因为步行和跑步造成的加速度计值变化拥有不同的频率。

[0038] 与人体运动类似,车辆静止时MMU输出的值主要来自于传感器本身的噪声;当车 辆运动时,车辆机动的信息就会作用在X轴方向。而道路不会完全平整又会造成车辆绕X轴 方向颠簸,也就是车辆左右摇晃。车辆机动的频率和道路不平整引起的车辆摇晃的频率显 然会大大低于发动机的转动频率。这类低频信号可以被加速度计和陀螺仪敏感到。因此车 辆静止和运动时X轴方向加速度和角速度的频谱和静止时会有很大不同。

[0039] 基于上述分析,选取X轴方向加速度计信息和陀螺仪信息的频域特征作为第三类 特征。

[0040] 为了得到信号的频率谱,可以采用离散傅里叶变换(DFT) JFT的定义为:

[0041]

Figure CN107289930AD00081

[0042] 其中X(f)为时域信号X中频率为f的信号;k为滑动窗口长度。

[0043] 式(4)也可以写成复数形式如下:

[0044]

Figure CN107289930AD00082

[0045] 其中

Figure CN107289930AD00083

[0046] 利用式(5)可以计算出各个频率信号的幅值大小:

[0047]

Figure CN107289930AD00084

[0048] 选取各个频率信号幅值的均值作为第三类特征,具体计算如式(7)

[0049]

Figure CN107289930AD00085

[0050] 其中|Xf(i) I为第i个频率下信号的幅值,k为滑动窗口长度。

[0051] 具体对应到X轴方向加速度和角速度的幅值均值,如下式:

[0052]

Figure CN107289930AD00086

[0053] 其中

Figure CN107289930AD00087

为X轴方向加速度频域信号的幅值

Figure CN107289930AD00088

为X轴方向角速度频域信号 的幅值,将X轴方向加速度和角速度的幅值均值作为第四类特征。

[0054] 已经经过实验验证,在选取上述四个特征量后,利用线性核函数下的硬阈值SVM即 可有效辨识出车辆的静止和运动状态。

[0055] 步骤2.2.2,采用基于线性核函数的硬阈值SVM再次进行分类。

[0056] 步骤2.2.2.1,首先利用基于线性核函数的硬阈值SVM进行训练。

[0057] 基于提取的上述四项特征,可以建立特征向量数组如下:

[0058]

Figure CN107289930AD00089

[0059] 其中:

Figure CN107289930AD000810

[0065] s为训练样本数,这里的训练样本是一组带标签的样本,对应的标签数组如下:

[0066] [yi ... yp yp+1 ... ys]

[0067] 其中p为第一类标签的样本数(例如静止状态),剩余另一类标签的样本数(例如直 行状态)。一般取

[0068]

Figure CN107289930AD00091

[0069] SVM利用上述建立的特征向量进行分类,即找到向量w和b,使得:

[0070]

Figure CN107289930AD00092

[0071] 满足上式的向量可能有若干个,SVM的目的是寻找其中使两类特征向量分隔得最 开的超平面,即最小化下面关于w的表达式

[0072]

Figure CN107289930AD00093

[0073] 这是一个带约束的最优化问题,利用拉格朗日方程可以求解,获得最优的w和b值。

[0074] 步骤2.2.2.2,存储一定时间的角速度和加速度数值带入训练后的基于线性核函 数的硬阈值SVM,判断在该时间内车辆处于的状态。

[0075] 步骤2.3,根据惯性导航比力方程推导的导航状态量估计值。

[0076] 传统的惯导系统假设导航坐标系为N系,本发明中N系均取为N-E-D坐标系,假设自 地心至导航坐标系的支点引位置矢量晃,根据哥氏定理可以得到比力方程:

[0077]

Figure CN107289930AD00094

[0078] 其中

Figure CN107289930AD00095

是在地球上观察到的位置矢量的变化率,所以是运载体相对地球的运动 速度,简称为地速,记作

Figure CN107289930AD00096

[0079] 这里考虑到车辆运动的特殊性,它在载体系中的运动特性更清楚,只沿载体前进 方向有速度和加速度,现在对式(12)两边求绝对变化率,并再次使用哥氏定理,其中相对变 化率对车辆载体系b系求取:

[0080]

Figure CN107289930AD00097

[0081 ] MEMS陀螺敏感不到地球自转,忽略心可得:

[0082]

Figure CN107289930AD00098

[0083] 其中,左边项可表示为

[0084]

Figure CN107289930AD00099

[0085]

Figure CN107289930AD000910

是单位质量上作用的非引力外力,为重力加速度。

Figure CN107289930AD000911

[0086]

Figure CN107289930AD000912

[0087]将式(16)向b系内投影,则比力方程为:

[0088]

Figure CN107289930AD00101

[0089] 其中

Figure CN107289930AD00102

即为车辆加速度,方向沿车辆前进方向

Figure CN107289930AD00103

为加速度计测得比力;

Figure CN107289930AD00104

为陀 螺仪测得角速度。

Figure CN107289930AD00105

[0090] 现在,以车辆前进方向为X轴,车辆侧向向右为y轴,纵向向下为z轴。根据汽车理想 状态下不会侧滑,不会离开地面,假设车辆横向和纵向速度为〇,假设汽车前进速度为Vx,加 速度为

Figure CN107289930AD00106

轴方向比力fx,y轴方向比力为fy,z轴方向比力为fz,可以写出比力方程矩阵形 式为:

[0091]

[0092] 化简式(18)可得:

[0093]

Figure CN107289930AD00107

[0094] 其中

Figure CN107289930AD00108

为姿态转移矩阵:

[0095]

Figure CN107289930AD00109

[0096]

Figure CN107289930AD001010

为航向角,Θ为俯仰角,γ为滚转角。

[0097] 将

Figure CN107289930AD001011

代入式(19),化简可得:

Figure CN107289930AD001012

[0101] 由式(20)、(21)、(22)即可以进行导航状态量的估计。

[0102] (1)若判定车辆处于静止状态,则可以根据(20)估计出俯仰角:

[0103]

Figure CN107289930AD001013

[0104] 进而根据(21)估计出滚转角:

[0105]

Figure CN107289930AD001014

[0106] 根据前面估算出的俯仰角Θ和滚转角γ对磁数据进行投影,转换到水平坐标系中:

[0107] m,x=mx cos9+my sinysin0+mz cos γ sinB (25)

[0108] m,y=my cos γ _mz sin γ (26)

[0109] 其中mx,my,mz为载体系中传感器测得的磁场值,!!!、,!!!^为投影后的水平坐标系中 的磁场值。

[0110] 然后进一步估算出航向角:

[0111]

Figure CN107289930AD001015

:,D 为磁偏角(27)

[0112] 同时,车辆静止时前进、横向、纵向速度为0:

[0113] Vx=O (28)

[0114] νγ = 0 (29)

[0115] Vz = O (30)

[0116] (2)若判定车辆处于直线行驶状态,则可以根据(21)、(22)估计出滚转角:

[0117]

Figure CN107289930AD00111

[0118] 横向、纵向速度为0:

[0119] Vy = O (32)

[0120] Vz = O (33)

[0121] (3)若判定车辆处于转弯状态,则根据式(22)可估计出车辆速度:

[0122]

Figure CN107289930AD00112

[0123] 横向、纵向速度为0:

[0124] Vy = O (35)

[0125] Vz = O (36)

[0126] 步骤3中,根据估计出的导航状态量,与惯导系统输出的导航状态量作差,进行卡 尔曼滤波。

[0127] (1)卡尔曼滤波状态方程:

[0128] 选取卡尔曼滤波状态量为

[0129]

Figure CN107289930AD00113

[0130] 其中5vn、3ve、3vd分别为北向、东向、地向速度误差,Φν、Φε、Φϋ分别为北向、东向、 地向姿态角误差,δί、δλ Jh分别为炜度、经度、高度误差。

[0131] 根据惯导系统误差传递方程,状态方程为

[0132]

Figure CN107289930AD00114

[0133] X为状态向量,F为状态转移矩阵,W为状态噪声方差阵,其中

Figure CN107289930AD00115

[0136] 其中Rm为子午圈面内主曲率半径,Rn为卯酉圈内主曲率半径,coie为地球自转角速 度。

[0137]

Figure CN107289930AD00121

[0138] 其中fN为北向比力值,fE为东向比力值,fD为地向比力值。

Figure CN107289930AD00122

[0145]

Figure CN107289930AD00131

[0146] (2)卡尔曼滤波观测方程:

[0147] Z = HX+V

[0148] Z为观测向量,H为观测矩阵,V为观测噪声方程阵。

[0149] a)车辆为静止状态时

[0150] 假设由磁和车辆运动学信息算出的虚拟观测量为

Figure CN107289930AD00132

惯导解算 出的状态量为

Figure CN107289930AD00133

,其中Vxi、Vyi、Vzi由

Figure CN107289930AD00134

得到。观测向量为:

[0151]

Figure CN107289930AD00135

[0152] 观测矩阵为:

Figure CN107289930AD00136

[0156] b)车辆为直行状态时

[0157] 假设由车辆运动学信息算出的虚拟观测量为yd、Vyd、Vzd;惯导解算出的状态量为 γ i、Vyi、VZi,其中Vyi、VZi由

Figure CN107289930AD00137

得到。观测向量为:

[0158]

Figure CN107289930AD00138

[0159] 观测矩阵为:

Figure CN107289930AD00139

[0162]

Figure CN107289930AD00141

[0163] c)车辆为转弯时

[0164] 假设由车辆运动学信息算出的虚拟观测量为Vxd、Vyd、Vzd;惯导解算出的状态量为 Vxi、Vyi、Vzi, 其中Vxi、Vyi、Vzi由

Figure CN107289930AD00142

得到。观测向量为:

[0165]

Figure CN107289930AD00143

[0166] 观测矩阵为:

[0167]

Figure CN107289930AD00144

[0168] 根据惯导系统状态方程和车辆不同运动状态下的观测方程利用下面5个卡尔曼滤 波方程对前面选择的9维状态量进行估计。

[0169] 状态一步预测

[0170]

Figure CN107289930AD00145

[0171] 状态估计

[0172]

Figure CN107289930AD00146

[0173] 滤波增益

[0174]

Figure CN107289930AD00147

[0175] 一步预测均方误差

[0176]

Figure CN107289930AD00148

[0177] 估计均方误差

[0178]

Figure CN107289930AD00149

[0179] 假设t时刻滤波估计出的状态量为:

[0180]

Figure CN107289930AD001410

[0181] 步骤4,利用该估计结果可以对惯导系统t时刻的输出进行校正,假设惯导系统t时 刻的输出的导航信息分别为:

[0182] 地理系下北-东-地三个方向的速度:

[0183] 经、炜度和高度:

Figure CN107289930AD001411

Figure CN107289930AD001412

[0184] 姿态角矩阵为

Figure CN107289930AD001413

[0185] 则可按下面方式进行补偿:

Figure CN107289930AD001414

[0188]

Figure CN107289930AD00151

[0189]经过校正后的信息误差会大大降低,因此上述方法在没有GPS输出作为外观测的 情况下可以有效的抑制导航误差的发散。

Claims (6)

1. 一种基于MEMS惯性测量单元的纯惯性车辆导航方法,其特征在于,包括: MEMS惯性测量单元获取的角速度和加速度数值并存储, 每一角速度和加速度数值经过高频惯导解算输出第一导航信息, 存储一定时间的角速度和加速度数值经过低频导航状态量计算输出第二导航信息, 第一导航信息和第二导航信息进行相减获得导航信息误差后作为卡尔曼滤波观测量 进行卡尔曼滤波获取导航信息误差估计值, 导航信息误差估计值校正第一导航信息后输出校正后的导航信息。
2. 根据权利要求1所述的方法,其特征在于,所述低频导航状态量计算输出第二导航信 息具体为获取车辆不同行使状态下的导航状态量估计值,其中车辆不同行使状态通过以下 步骤划分: 设定一阈值,基于存储的一定时间内航向陀螺的输出角速度均值的绝对值判断车辆行 使状态:若绝对值小于阈值,则车辆处于直行或静止状态,否则车辆处于转弯状态; 对车辆处于静止或直行状态时,由存储的MEMS惯性测量单元输出信息获取MEMS惯性测 量单元输出的特征量,然后采用基于线性核函数的硬阈值SVM再次进行分类。
3. 根据权利要求2所述的方法,其特征在于,所述特征量包括 三轴加速度计输出的模值
Figure CN107289930AC00021
X轴方向加速度计输出信I
Figure CN107289930AC00022
X轴方向加速度和角速度对应频域信号的幅值均值
Figure CN107289930AC00023
其中,
Figure CN107289930AC00024
为i时刻X轴加速度计的输出,fy(i)为i时刻y 轴加速度计的输出,f Z (i)为i时刻Z轴加速度计的输出,m、η分别为一定时间的起止时间,k-l=m-n,|Xf(i) I为第i个频率下信号的幅值,|ζί(〇|为X轴方向加速度频域上第i个频率信 号的幅值
Figure CN107289930AC00025
为X轴方向角速度频域上第i个频率信号的幅值。
4. 根据权利要求2所述的方法,其特征在于,所述基于线性核函数的硬阈值SVM进行分 类训练具体包括: 由训练样本数组建立特征向量数组、训练样本数组及训练样本标签数组,其中训练样 本数组为带标签的样本数组,不同车辆状态的训练样本标签分别为1和_1,1代表车辆静止 时采集数据的样本标签,-1代表车辆运动时采集数据的样本标签; 假设P为标签为1的样本数,s-p为标签为-1的样本数
Figure CN107289930AC00026
个样本的 标签值训练获取下列公式组'
Figure CN107289930AC00027
中的向量W和b,其中Vi为第i个样本的特 征向量数组,; 基于
Figure CN107289930AC00031
求解拉格朗日方程获取唯一 W和b值。
5.根据权利要求2所述的方法,其特征在于,根据导航状态量估计方程获取导航状态量 估计值,所述导航状态量估计方程为:
Figure CN107289930AC00032
以车辆前进方向为X轴,车辆侧向向右为y轴,纵向向下为z轴,兔为汽车前进加速度,fx 为X轴方向比力,fy为y轴方向比力,fz为z轴方向比力,g为重力加速度#为航向角,θ为俯仰 角,γ为滚转角,ω Z为z轴角速度,ω Ay轴角速度; 根据导航状态量估计方程获得的导航状态估计值分别为: (1) 车辆处于静止状态
Figure CN107289930AC00033
前进速度Vx = O 横向速度Vy = O 纵向速度Vz = O 其中,m’x=mxC〇s9+mysin γ sin9+mzcos γ sin9,m’y=mycos γ -mzsin γ,mx,my,mz为车辆 坐标系中MEMS惯性测量单元测得的磁场值,!11\,111%为俯仰角0和滚转角丫对磁数据进行投 影后的水平坐标系中的磁场值,D为磁偏角; (2) 车辆处于直行状态 滚转角
Figure CN107289930AC00034
横向速度Vy = O 纵向速度Vz = O (3) 车辆处于转弯状态 前进速度
Figure CN107289930AC00035
横向速度Vy = O 纵向速度Vz = 〇。 6 .根据权利要求1所述的方法,其特征在于,所述校正通过下式来进行
Figure CN107289930AC00041
其中,
Figure CN107289930AC00042
分别为MEMS惯性测量单元t时刻输出的地理系下北、东、地三个方向 的速度导航信息.
Figure CN107289930AC00043
ί分别为经、炜度和高度; t时刻卡尔曼滤波估计出的状态量为
Figure CN107289930AC00044
,其中
Figure CN107289930AC00045
分别为北 向、东向、地向速度误差
Figure CN107289930AC00046
,分别为北向、东向、地向姿态角误差SLt JAtJht分别 为纬度、经度、高度误差; 为姿态转移矩阵
Figure CN107289930AC00047
供为航向角,9为俯仰角,γ为滚转角。
CN201610202707.XA 2016-04-01 2016-04-01 基于mems惯性测量单元的纯惯性车辆导航方法 CN107289930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610202707.XA CN107289930B (zh) 2016-04-01 2016-04-01 基于mems惯性测量单元的纯惯性车辆导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610202707.XA CN107289930B (zh) 2016-04-01 2016-04-01 基于mems惯性测量单元的纯惯性车辆导航方法

Publications (2)

Publication Number Publication Date
CN107289930A true CN107289930A (zh) 2017-10-24
CN107289930B CN107289930B (zh) 2020-09-11

Family

ID=60088261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610202707.XA CN107289930B (zh) 2016-04-01 2016-04-01 基于mems惯性测量单元的纯惯性车辆导航方法

Country Status (1)

Country Link
CN (1) CN107289930B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109910904A (zh) * 2019-03-22 2019-06-21 深圳市澳颂泰科技有限公司 一种驾驶行为与车辆驾驶姿态识别系统
CN110058324A (zh) * 2019-05-09 2019-07-26 中国人民解放军国防科技大学 利用重力场模型的捷联式重力仪水平分量误差修正方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120232847A1 (en) * 2011-03-09 2012-09-13 Crossbow Technology, Inc. High Accuracy And High Dynamic Range MEMS Inertial Measurement Unit With Automatic Dynamic Range Control
CN103217158A (zh) * 2012-12-31 2013-07-24 贾继超 一种提高车载sins/od组合导航精度的方法
KR101331956B1 (ko) * 2011-03-21 2013-11-21 엘아이지넥스원 주식회사 아날로그 mems 센서를 이용하는 고정밀 ins 모듈 및 그 구동 방법
CN103616030A (zh) * 2013-11-15 2014-03-05 哈尔滨工程大学 基于捷联惯导解算和零速校正的自主导航系统定位方法
CN103759730A (zh) * 2014-01-16 2014-04-30 南京师范大学 一种基于导航信息双向融合的行人与智能移动载体的协同导航系统及其导航方法
CN103776446A (zh) * 2013-10-29 2014-05-07 哈尔滨工程大学 一种基于双mems-imu的行人自主导航解算算法
CN103791916A (zh) * 2014-01-28 2014-05-14 北京融智利达科技有限公司 一种基于mems惯导的组合车载导航系统
CN104698485A (zh) * 2015-01-09 2015-06-10 中国电子科技集团公司第三十八研究所 基于bd、gps及mems的组合导航系统及导航方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120232847A1 (en) * 2011-03-09 2012-09-13 Crossbow Technology, Inc. High Accuracy And High Dynamic Range MEMS Inertial Measurement Unit With Automatic Dynamic Range Control
KR101331956B1 (ko) * 2011-03-21 2013-11-21 엘아이지넥스원 주식회사 아날로그 mems 센서를 이용하는 고정밀 ins 모듈 및 그 구동 방법
CN103217158A (zh) * 2012-12-31 2013-07-24 贾继超 一种提高车载sins/od组合导航精度的方法
CN103776446A (zh) * 2013-10-29 2014-05-07 哈尔滨工程大学 一种基于双mems-imu的行人自主导航解算算法
CN103616030A (zh) * 2013-11-15 2014-03-05 哈尔滨工程大学 基于捷联惯导解算和零速校正的自主导航系统定位方法
CN103759730A (zh) * 2014-01-16 2014-04-30 南京师范大学 一种基于导航信息双向融合的行人与智能移动载体的协同导航系统及其导航方法
CN103791916A (zh) * 2014-01-28 2014-05-14 北京融智利达科技有限公司 一种基于mems惯导的组合车载导航系统
CN104698485A (zh) * 2015-01-09 2015-06-10 中国电子科技集团公司第三十八研究所 基于bd、gps及mems的组合导航系统及导航方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109910904A (zh) * 2019-03-22 2019-06-21 深圳市澳颂泰科技有限公司 一种驾驶行为与车辆驾驶姿态识别系统
CN110058324A (zh) * 2019-05-09 2019-07-26 中国人民解放军国防科技大学 利用重力场模型的捷联式重力仪水平分量误差修正方法

Also Published As

Publication number Publication date
CN107289930B (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
Li et al. Effective adaptive Kalman filter for MEMS-IMU/magnetometers integrated attitude and heading reference systems
CN105628024B (zh) 基于多传感器融合的单人定位导航器和定位导航方法
CN104061934B (zh) 基于惯性传感器的行人室内位置跟踪方法
Cho et al. A dead reckoning localization system for mobile robots using inertial sensors and wheel revolution encoding
Hua Attitude estimation for accelerated vehicles using GPS/INS measurements
Bevly et al. Integrating INS sensors with GPS measurements for continuous estimation of vehicle sideslip, roll, and tire cornering stiffness
Lupashin et al. Stabilization of a flying vehicle on a taut tether using inertial sensing
US8005635B2 (en) Self-calibrated azimuth and attitude accuracy enhancing method and system (SAAAEMS)
US9026263B2 (en) Automotive navigation system and method to utilize internal geometry of sensor position with respect to rear wheel axis
JP4989035B2 (ja) 慣性ナビゲーションシステムの誤差補正
Li et al. A fast SINS initial alignment scheme for underwater vehicle applications
Wang et al. Adaptive filter for a miniature MEMS based attitude and heading reference system
CA2569213C (en) Systems and methods for estimating position, attitude, and/or heading of a vehicle
US8010308B1 (en) Inertial measurement system with self correction
US6473676B2 (en) Method, apparatus and computer program product for estimating airplane attitude with reduced sensor set
US7463953B1 (en) Method for determining a tilt angle of a vehicle
Phuong et al. A DCM based orientation estimation algorithm with an inertial measurement unit and a magnetic compass
CN104198765B (zh) 车辆运动加速度检测的坐标系转换方法
CN101726295B (zh) 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法
JP5383801B2 (ja) 位置及び経路地図表示用の位置及び経路地図データを生成する装置及び当該データ提供方法
Gu et al. Coarse alignment for marine SINS using gravity in the inertial frame as a reference
CN100593689C (zh) 基于捷联惯性导航系统的姿态估计和融合的方法
CN101514900B (zh) 一种单轴旋转的捷联惯导系统初始对准方法
CN105783923B (zh) 基于rfid和mems惯性技术的人员定位方法
Bevly Global positioning system (GPS): A low-cost velocity sensor for correcting inertial sensor errors on ground vehicles

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