CN108413986B - 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法 - Google Patents

一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法 Download PDF

Info

Publication number
CN108413986B
CN108413986B CN201810187804.5A CN201810187804A CN108413986B CN 108413986 B CN108413986 B CN 108413986B CN 201810187804 A CN201810187804 A CN 201810187804A CN 108413986 B CN108413986 B CN 108413986B
Authority
CN
China
Prior art keywords
filtering
noise
matrix
value
gyroscope
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
CN201810187804.5A
Other languages
English (en)
Other versions
CN108413986A (zh
Inventor
胡少兴
李晓东
田博显
肖深
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201810187804.5A priority Critical patent/CN108413986B/zh
Publication of CN108413986A publication Critical patent/CN108413986A/zh
Application granted granted Critical
Publication of CN108413986B publication Critical patent/CN108413986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Gyroscopes (AREA)

Abstract

本发明提供了一种基于Sage‑Husa卡尔曼滤波的陀螺仪滤波方法,陀螺仪在无人机中是惯导解算的重要器件,也是姿态解算的核心元件,而姿态解算是后续速度与位置解算的基础。传统的滤波方法为低通滤波与时间序列建模进行卡尔曼滤波,但是存在的问题是:低通滤波延时较严重;时间序列建模时噪声矩阵只能表征静态情况下的一段时间的特征,且对于不同器件,要重新分析建模,程序繁琐,不具有通用性。本方法采用了Sage‑Husa自适应卡尔曼滤波,通过分析陀螺仪特性,进行简易建模,省去繁琐且不具有通用性的时间序列分析建模,且将噪声作为滤波状态量进行处理,能够较好地抑制系统的随机漂移。

Description

一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法
技术领域
本发明主要涉及低成本陀螺仪输出信号处理技术领域,属于惯性导航,无人机导航等技术领域,具体涉及一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法。
背景技术
低成本陀螺仪现在普遍应用于手机、智能穿戴及无人机等行业。其是惯导姿态解算核心器件,其随机噪声对导航解算影响极大。
对于陀螺仪数据处理,最简易的为低通滤波与滑动窗口滤波,优点为实现简单,不需要系统模型,但是当作用效果较强时,延时较为严重。目前,较为普遍的方法是对陀螺仪数据进行离线采集,进行时间序列分析,得出状态方程,然后通过卡尔曼滤波进行数据处理。但是此类方法,即使针对同一型号的不同陀螺仪,也需要重新分析建模,步骤繁琐且不具通用性。
发明内容
为解决利用时间序列分析建模进行卡尔曼滤波步骤繁琐且不具有通用性的问题,本发明提出一种简易建模的Sage-Husa卡尔曼滤波算法进行陀螺仪输出数据滤波处理。本发明能够省去时间序列建模的麻烦,且相应的将噪声加入状态量的方法能够保证滤波效果及稳定性。
本发明采用的技术方案为:一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法,包括如下步骤:
(1)根据陀螺仪特性建立卡尔曼滤波状态方程与量测方程:
状态方程:
Figure BDA0001590819430000011
量测方程:
Figure BDA0001590819430000021
其中,
Figure BDA0001590819430000022
为k时刻滤波状态量,
Figure BDA0001590819430000023
为k-1时刻的滤波状态量,x(k)为k时刻陀螺仪输出数据状态量,w(k)为k时刻陀螺仪噪声;
Figure BDA0001590819430000024
为状态转移矩阵,根据陀螺仪特性,
Figure BDA0001590819430000025
ε(k-1)为均值为零的白噪声;Z(k)为k时刻角速度观测值,即陀螺仪输出;[H(k)0]为量测矩阵,其中H(k)=1;V(k)为观测值噪声。
(2)给出滤波变量所需初值:
Figure BDA0001590819430000026
其中
Figure BDA0001590819430000027
一般设为上电时刻的角速度值,
Figure BDA0001590819430000028
可以设为单位矩阵,其它噪声初值可设为0,
Figure BDA0001590819430000029
为与噪声有关的矩阵或是向量,分别为量测噪声,量测噪声矩阵,模型噪声及模型噪声矩阵,b为比例因子,用以计算权值,k用以表征第k个滤波周期。
(3)开始进入滤波周期,计算权值:
dk=(1-b)/(1-bk+1) (3)
其中参数b为比例因子,取值范围为0.9~0.95;计算得到的dk用来表征计算k时刻噪声值时k-1时刻噪声值所占比例。
(4)卡尔曼滤波时间更新,更新预测状态量及预测协方差矩阵:
预测状态量:
Figure BDA00015908194300000210
预测协方差阵:
Figure BDA00015908194300000211
其中Xk-1为式(1)中的
Figure BDA00015908194300000212
φk,k-1为状态转移矩阵,为式(1)中的
Figure BDA00015908194300000213
Figure BDA00015908194300000214
为一步状态转移矩阵,
Figure BDA00015908194300000215
为状态噪声,Pk-1为k-1时刻的协方差矩阵,Pk,k-1为一步预测协方差阵,
Figure BDA00015908194300000216
为状态噪声矩阵。
(5)计算新息序列:
Figure BDA0001590819430000031
Figure BDA0001590819430000032
Figure BDA0001590819430000033
与vk为新息值,用于更新量测噪声与模型噪声;dk为式(3)计算得到的比例值;Zk为观测量,亦即陀螺仪角速度输出;
Figure BDA0001590819430000034
为式(4)中计算得到的一步状态转移矩阵;Hk为量测矩阵;
Figure BDA0001590819430000035
为上一个滤波周期得到的新息值。
(6)计算量测噪声:
Figure BDA0001590819430000036
其中
Figure BDA0001590819430000037
只要给定初值便可以迭代计算。
Figure BDA0001590819430000038
为上个滤波周期计算得到的量测噪声矩阵;dk为式(3)计算得到的比例值;vk为式(7)计算得到的新息值;Pk,k-1为式(5) 中计算得到的一步预测协方差矩阵;Hk为量测矩阵。
(7)滤波量测更新,计算卡尔曼增益、滤波输出值及协方差矩阵:
卡尔曼增益:
Figure BDA0001590819430000039
滤波输出值:
Figure BDA00015908194300000310
协方差阵:
Pk=[I-KkHk]Pk,k-1 (11)
其中Kk为卡尔曼增益,表征一步预测值与量测值两者在滤波输出值中的比例关系; Pk,k-1为式(5)中计算得到的一步预测协方差矩阵;Hk为量测矩阵;
Figure BDA00015908194300000311
为式(8)计算得到的量测噪声矩阵;
Figure BDA00015908194300000312
为式(4)中计算得到的一步状态转移矩阵;Zk为观测量,亦即陀螺仪角速度输出;
Figure BDA00015908194300000313
为卡尔曼滤波的最终输出值;I为单位矩阵;Pk用于下一周期计算。
(8)计算模型噪声
Figure BDA00015908194300000314
Figure BDA0001590819430000041
其中噪声
Figure BDA0001590819430000042
Figure BDA0001590819430000043
只要确定初值,便可进行迭代计算。dk为式(3)计算得到的比例值;
Figure BDA0001590819430000044
为上一滤波周期得到的模型噪声;
Figure BDA0001590819430000045
为式(10)计算得到的卡尔曼输出值;φk,k-1为状态转移矩阵;
Figure BDA0001590819430000046
为式(4)中计算得到的一步状态转移矩阵;
Figure BDA0001590819430000047
为上一滤波周期计算得到的模型噪声矩阵;Kk为式(9)计算得到的卡尔曼增益;vk为式(7)计算得到的新息值;Pk为式(11)计算得到的协方差矩阵;Pk-1为上一滤波周期得到的协方差矩阵。
本发明的创新点在于不需要对陀螺仪数据进行离线分析,通过分析陀螺仪特性,得到陀螺仪通用性状态方程,省去离线时间序列分析的繁琐,且使滤波算法对陀螺仪具有通用性。在滤波过程中同时将数据噪声加入状态量,提高滤波效果及稳定性,同时采用Sage-Husa自适应卡尔曼滤波,实时在线更新状态噪声与量测噪声,保证噪声估计精度。本发明方法能够在嵌入式平台中实时运行,在飞控板中进行了实际测试,能够适应静态,定值速率及振动状态等各种情况,算法稳定可靠。
附图说明
图1为本发明的滤波去噪方法实现流程图;
图2为本发明的陀螺仪静态数据滤波前曲线图;
图3为本发明的滤波算法对陀螺仪静态数据处理结果图;
图4为本发明的25°/s陀螺仪定值速率数据滤波前曲线图;
图5为本发明的滤波算法对25°/s的陀螺仪定值速率数据处理结果图;
图6为本发明的的陀螺仪振动状态下滤波前曲线图;
图7为本发明的滤波算法对振动状态下的陀螺仪数据处理结果图。
具体实施方式
下面结合附图说明进一步说明本发明。
(1)如图1所示,对于传统卡尔曼滤波或是Sage-Husa卡尔曼滤波,都要先建立系统的状态方程与量测方程,然后设定滤波初值,进入解算迭代周期。
对于无人机中应用的的陀螺仪,因为导航及控制系统对于实时性要求较高,所以陀螺仪采样频率极快,两次数据采样之间陀螺仪数据变化率为0;滤波时将噪声值作为状态量的一部分来提高滤波效果及稳定性,于是得到状态方程与量测方程:
Figure BDA0001590819430000051
Figure BDA0001590819430000052
由上式得一步状态转移矩阵
Figure BDA0001590819430000053
ε(k-1)为均值为零的白噪声;Z(k)为k时刻角速度观测值,即陀螺仪输出;[H(k)0]为量测矩阵,其中H(k)=1; V(k)为观测值噪声。
建立系统的状态方程与量测方程后,便可得到滤波迭代周期计算时的状态转移矩阵与量测矩阵。
(2)给出滤波变量所需初值:
Figure BDA0001590819430000054
其中
Figure BDA0001590819430000055
一般设为上电时刻的角速度值,
Figure BDA0001590819430000056
可以设为单位矩阵,其它噪声初值可设为0,
Figure BDA0001590819430000057
为与噪声有关的矩阵或是向量,分别为量测噪声,量测噪声矩阵,模型噪声及模型噪声矩阵,b为比例因子,用以计算权值,k用以表征第k个滤波周期。
(3)开始进入滤波周期,计算权值:
dk=(1-b)/(1-bk+1) (3)
其中参数b为比例因子,取值范围为0.9~0.95;计算得到的dk用来表征计算k时刻噪声值时k-1时刻噪声值所占比例。
(4)卡尔曼滤波时间更新,更新预测状态量及预测协方差矩阵:
预测状态量:
Figure BDA0001590819430000058
预测协方差阵:
Figure BDA0001590819430000059
其中Xk-1为式(1)中的
Figure BDA0001590819430000061
φk,k-1为状态转移矩阵,为式(1)中的
Figure BDA0001590819430000062
Figure BDA0001590819430000063
为一步状态转移矩阵,
Figure BDA0001590819430000064
为状态噪声,Pk-1为k-1时刻的协方差矩阵,Pk,k-1为一步预测协方差阵,
Figure BDA0001590819430000065
为状态噪声矩阵。
(5)计算新息序列:
Figure BDA0001590819430000066
Figure BDA0001590819430000067
Figure BDA0001590819430000068
与vk为新息值,用于更新量测噪声与模型噪声;dk为式(3)计算得到的比例值;Zk为观测量,亦即陀螺仪角速度输出;
Figure BDA0001590819430000069
为式(4)中计算得到的一步状态转移矩阵; Hk为量测矩阵;
Figure BDA00015908194300000610
为上一个滤波周期得到的新息值。
(6)计算量测噪声:
Figure BDA00015908194300000611
其中
Figure BDA00015908194300000612
只要给定初值便可以迭代计算。
Figure BDA00015908194300000613
为上个滤波周期计算得到的量测噪声矩阵;dk为式(3)计算得到的比例值;vk为式(7)计算得到的新息值;Pk,k-1为式(5) 中计算得到的一步预测协方差矩阵;Hk为量测矩阵。
(7)滤波量测更新,计算卡尔曼增益、滤波输出值及协方差矩阵:
卡尔曼增益:
Figure BDA00015908194300000614
滤波输出值:
Figure BDA00015908194300000615
协方差阵:
Pk=[I-KkHk]Pk,k-1 (11)
其中Kk为卡尔曼增益,表征一步预测值与量测值两者在滤波输出值中的比例关系; Pk,k-1为式(5)中计算得到的一步预测协方差矩阵;Hk为量测矩阵;
Figure BDA00015908194300000616
为式(8)计算得到的量测噪声矩阵;
Figure BDA00015908194300000617
为式(4)中计算得到的一步状态转移矩阵;Zk为观测量,亦即陀螺仪角速度输出;
Figure BDA0001590819430000071
为卡尔曼滤波的最终输出值;I为单位矩阵;Pk用于下一周期计算。
(8)计算模型噪声
Figure BDA0001590819430000072
Figure BDA0001590819430000073
其中噪声
Figure BDA0001590819430000074
Figure BDA0001590819430000075
只要确定初值,便可进行迭代计算。dk为式(3)计算得到的比例值;
Figure BDA0001590819430000076
为上一滤波周期得到的模型噪声;
Figure BDA0001590819430000077
为式(10)计算得到的卡尔曼输出值;φk,k-1为状态转移矩阵;
Figure BDA0001590819430000078
为式(4)中计算得到的一步状态转移矩阵;
Figure BDA0001590819430000079
为上一滤波周期计算得到的模型噪声矩阵;Kk为式(9)计算得到的卡尔曼增益;vk为式(7)计算得到的新息值;Pk为式(11)计算得到的协方差矩阵;Pk-1为上一滤波周期得到的协方差矩阵。
传统卡尔曼滤波计算需要确定初值的量为状态量与协方差阵,状态量初值设为上电时刻的陀螺仪量测值,状态量的噪声初值可以设为0;协方差矩阵通常设为单位矩阵。
本发明采用Sage-Husa自适应卡尔曼滤波,实时在线更新量测噪声与状态噪声。关于噪声变量的初值均可设为0。
计算噪声前需要计算权值dk=(1-b)/(1-bk+1),b值可以根据系统在0.9至0.95之间选取。权值dk与卡尔曼滤波的卡尔曼增益含义相似,均需要k-1时刻的变量值在本次计算中占有一定比例。
然后便可以进行卡尔曼滤波的时间更新与量测更新。中间穿插新息序列、量测噪声与状态噪声的计算。
图2与图3分别为静止状态下二十分钟陀螺仪z轴滤波前后的数据曲线,通过对比能够看出静止状态下,本发明提出的滤波算法能够有效去除原始数据中的随机噪声。
图4和图5为定值速率25°/s下十五分钟陀螺仪z轴滤波前后的数据曲线,通过两图对比能够看出,动态下本发明能够保证滤波效果。
图6和图7为振动状态下四分钟陀螺仪z轴滤波前后的数据曲线,两图对比表明即使在振动情况下,本发明依然能够保证滤波效果,且稳定收敛不发散。
在滤波过程中将数据噪声加入状态量,提高滤波效果及稳定性,同时采用Sage-Husa自适应卡尔曼滤波,实时在线更新状态噪声与量测噪声,保证噪声估计精度。基于此本发明能够适应静态、动态及振动状态下的滤波。
以上详细描述了本发明的实施方式,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。

Claims (1)

1.一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法,其特征是:包括如下步骤:
(1)根据陀螺仪特性建立卡尔曼滤波状态方程与量测方程:
状态方程:
Figure FDA0003197321880000011
量测方程:
Figure FDA0003197321880000012
其中,
Figure FDA0003197321880000013
为k时刻滤波状态量,
Figure FDA0003197321880000014
为k-1时刻的滤波状态量,x(k)为k时刻陀螺仪输出数据状态量,w(k)为k时刻陀螺仪噪声;
Figure FDA0003197321880000015
为状态转移矩阵,根据陀螺仪特性,
Figure FDA0003197321880000016
ε(k-1)为均值为零的白噪声;Z(k)为k时刻角速度观测值,即陀螺仪输出;[H(k)0]为量测矩阵,其中H(k)=1;V(k)为观测值噪声;
(2)给出滤波变量所需初值:
Figure FDA0003197321880000017
其中
Figure FDA0003197321880000018
设为上电时刻的角速度值,
Figure FDA0003197321880000019
设为单位矩阵,其它噪声初值设为0,
Figure FDA00031973218800000110
为与噪声有关的矩阵或是向量,分别为量测噪声,量测噪声矩阵,模型噪声及模型噪声矩阵,b为比例因子,用以计算权值,k用以表征第k个滤波周期;
(3)开始进入滤波周期,计算权值:
dk=(1-b)/(1-bk+1) (3)
其中参数b为比例因子,取值范围为0.9~0.95;计算得到的dk用来表征计算k时刻噪声值时k-1时刻噪声值所占比例;
(4)卡尔曼滤波时间更新,更新预测状态量及预测协方差矩阵:
预测状态量:
Figure FDA00031973218800000111
预测协方差阵:
Figure FDA0003197321880000021
其中Xk-1为式(1)中的
Figure FDA0003197321880000022
φk,k-1为状态转移矩阵,为式(1)中的
Figure FDA0003197321880000023
Figure FDA0003197321880000024
为一步状态转移矩阵,
Figure FDA0003197321880000025
为模型噪声,Pk-1为k-1时刻的协方差矩阵,Pk,k-1为一步预测协方差矩阵,
Figure FDA0003197321880000026
为模型噪声矩阵;
(5)计算新息序列:
Figure FDA0003197321880000027
Figure FDA0003197321880000028
Figure FDA0003197321880000029
与vk为新息序列,用于更新量测噪声与模型噪声;dk为式(3)计算得到的权值;Zk为角速度观测值,亦即陀螺仪角速度输出;
Figure FDA00031973218800000210
为式(4)中计算得到的一步状态转移矩阵;Hk为量测矩阵;
Figure FDA00031973218800000211
为上一个滤波周期得到的新息值;
(6)计算量测噪声:
Figure FDA00031973218800000212
其中
Figure FDA00031973218800000213
只要给定初值便可以迭代计算;
Figure FDA00031973218800000214
为上个滤波周期计算得到的量测噪声矩阵;dk为式(3)计算得到的权值;vk为式(7)计算得到的新息值;Pk,k-1为式(5)中计算得到的一步预测协方差矩阵;Hk为量测矩阵;
(7)滤波量测更新,计算卡尔曼增益、滤波输出值及协方差矩阵:
卡尔曼增益:
Figure FDA00031973218800000215
滤波输出值:
Figure FDA00031973218800000216
协方差矩阵:
Pk=[I-KkHk]Pk,k-1 (11)
其中Kk为卡尔曼增益,表征一步预测值与量测值两者在滤波输出值中的比例关系;Pk,k-1为式(5)中计算得到的一步预测协方差矩阵;Hk为量测矩阵;
Figure FDA0003197321880000031
为式(8)计算得到的量测噪声矩阵;
Figure FDA0003197321880000032
为式(4)中计算得到的一步状态转移矩阵;Zk为角速度观测值,亦即陀螺仪角速度输出;
Figure FDA0003197321880000033
为卡尔曼滤波的最终输出值;I为单位矩阵;Pk用于下一周期计算;
(8)计算模型噪声
Figure FDA0003197321880000034
Figure FDA0003197321880000035
其中噪声
Figure FDA0003197321880000036
Figure FDA0003197321880000037
只要确定初值,便可进行迭代计算;dk为式(3)计算得到的权值;
Figure FDA0003197321880000038
为上一滤波周期得到的模型噪声;
Figure FDA0003197321880000039
为式(10)计算得到的卡尔曼输出值;φk,k-1为状态转移矩阵;
Figure FDA00031973218800000310
为式(4)中计算得到的一步状态转移矩阵;
Figure FDA00031973218800000311
为上一滤波周期计算得到的模型噪声矩阵;Kk为式(9)计算得到的卡尔曼增益;vk为式(7)计算得到的新息值;Pk为式(11)计算得到的协方差矩阵;Pk-1为上一滤波周期得到的协方差矩阵;
该方法不需要对陀螺仪数据进行离线分析,通过分析陀螺仪特性,得到陀螺仪通用性状态方程,省去离线时间序列分析的繁琐,且使滤波算法对陀螺仪具有通用性;在滤波过程中同时将数据噪声加入状态量,提高滤波效果及稳定性,同时采用Sage-Husa自适应卡尔曼滤波,实时在线更新状态噪声与量测噪声,保证噪声估计精度;该方法能够在嵌入式平台中实时运行,在飞控板中进行了实际测试,能够适应静态,定值速率及振动状态各种情况,算法稳定可靠。
CN201810187804.5A 2018-03-07 2018-03-07 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法 Active CN108413986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810187804.5A CN108413986B (zh) 2018-03-07 2018-03-07 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810187804.5A CN108413986B (zh) 2018-03-07 2018-03-07 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法

Publications (2)

Publication Number Publication Date
CN108413986A CN108413986A (zh) 2018-08-17
CN108413986B true CN108413986B (zh) 2021-11-05

Family

ID=63130489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810187804.5A Active CN108413986B (zh) 2018-03-07 2018-03-07 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法

Country Status (1)

Country Link
CN (1) CN108413986B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109443342A (zh) * 2018-09-05 2019-03-08 中原工学院 新型自适应卡尔曼无人机姿态解算方法
CN109916407B (zh) * 2019-02-03 2023-03-31 河南科技大学 基于自适应卡尔曼滤波器的室内移动机器人组合定位方法
CN109974714B (zh) * 2019-04-29 2023-07-04 南京航空航天大学 一种Sage-Husa自适应无迹卡尔曼滤波姿态数据融合方法
CN110221304A (zh) * 2019-06-04 2019-09-10 哈尔滨工程大学 一种水下机器人多声呐数据融合方法
CN110375772B (zh) * 2019-07-29 2021-05-04 中国航空工业集团公司北京长城计量测试技术研究所 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102278984A (zh) * 2011-05-23 2011-12-14 北京航空航天大学 高精度光纤陀螺系统噪声抑制的滤波方法及装置
KR20130044392A (ko) * 2011-09-22 2013-05-03 삼성전기주식회사 자이로 시스템
CN103852082A (zh) * 2012-11-30 2014-06-11 上海航天控制工程研究所 一种星间测量和陀螺的姿态轨道一体化滤波估计方法
CN104062672A (zh) * 2013-11-28 2014-09-24 哈尔滨工程大学 基于强跟踪自适应Kalman滤波的SINSGPS组合导航方法
CN105628056A (zh) * 2016-03-31 2016-06-01 北京航空航天大学 一种针对陀螺仪随机游走噪声的精细滤波方法与测试平台

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102278984A (zh) * 2011-05-23 2011-12-14 北京航空航天大学 高精度光纤陀螺系统噪声抑制的滤波方法及装置
KR20130044392A (ko) * 2011-09-22 2013-05-03 삼성전기주식회사 자이로 시스템
CN103852082A (zh) * 2012-11-30 2014-06-11 上海航天控制工程研究所 一种星间测量和陀螺的姿态轨道一体化滤波估计方法
CN104062672A (zh) * 2013-11-28 2014-09-24 哈尔滨工程大学 基于强跟踪自适应Kalman滤波的SINSGPS组合导航方法
CN105628056A (zh) * 2016-03-31 2016-06-01 北京航空航天大学 一种针对陀螺仪随机游走噪声的精细滤波方法与测试平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
光纤陀螺随机噪声的建模与滤波;黄磊;《弹箭与制导学报》;20131231;第33卷(第6期);第27-30页 *
改进的Sage-Husa滤波在精确空投组合导航系统中的应用;牛振中等;《科学技术与工程》;20120930;第12卷(第25期);第6395-6400页 *

Also Published As

Publication number Publication date
CN108413986A (zh) 2018-08-17

Similar Documents

Publication Publication Date Title
CN108413986B (zh) 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法
CN109974714B (zh) 一种Sage-Husa自适应无迹卡尔曼滤波姿态数据融合方法
CN112013836B (zh) 一种基于改进自适应卡尔曼滤波的航姿参考系统算法
Narasimhappa et al. A modified Sage-Husa adaptive Kalman filter for denoising Fiber Optic Gyroscope signal
Narasimhappa et al. Fiber-optic gyroscope signal denoising using an adaptive robust Kalman filter
CN109163720A (zh) 基于渐消记忆指数加权的卡尔曼滤波跟踪方法
CN108507568B (zh) 补偿温度漂移误差的方法、装置和组合导航系统
CN113204038B (zh) 基于时域与频域的卡尔曼平滑滤波方法及平滑滤波器
CN103776449B (zh) 一种提高鲁棒性的动基座初始对准方法
CN110705041B (zh) 一种基于easi的线性结构工作模态参数识别方法
CN110346821A (zh) 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统
CN109067381B (zh) 一种mems陀螺仪随机噪声的实时滤波系统及方法
Narasimhappa et al. An innovation based random weighting estimation mechanism for denoising fiber optic gyro drift signal
CN109840517A (zh) 一种mems陀螺噪声估计和滤波方法
CN110595434B (zh) 基于mems传感器的四元数融合姿态估计方法
CN108120452B (zh) Mems陀螺仪动态数据的滤波方法
CN111750865A (zh) 一种用于双功能深海无人潜器导航系统的自适应滤波导航方法
CN115615417A (zh) 自适应滤波系统构造方法、自适应滤波方法及装置
CN112632454B (zh) 一种基于自适应卡尔曼滤波算法的mems陀螺滤波方法
CN113432612A (zh) 飞行体的导航方法、装置及系统
CN106153046B (zh) 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法
CN110912535A (zh) 一种新型无先导卡尔曼滤波方法
CN108050997B (zh) 一种基于容积卡尔曼的光纤陀螺滤波方法
Liu et al. Modeling of mems gyroscope random error based on Kalman filter
CN117664117B (zh) 一种光纤陀螺的漂移数据分析及优化补偿方法

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