CN108871322B - 基于姿态角匹配的无模型船体变形测量方法 - Google Patents

基于姿态角匹配的无模型船体变形测量方法 Download PDF

Info

Publication number
CN108871322B
CN108871322B CN201710325685.0A CN201710325685A CN108871322B CN 108871322 B CN108871322 B CN 108871322B CN 201710325685 A CN201710325685 A CN 201710325685A CN 108871322 B CN108871322 B CN 108871322B
Authority
CN
China
Prior art keywords
ship
imu2
imu1
attitude
equation
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.)
Expired - Fee Related
Application number
CN201710325685.0A
Other languages
English (en)
Other versions
CN108871322A (zh
Inventor
彭侠夫
何荧
杨功流
仲训昱
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN201710325685.0A priority Critical patent/CN108871322B/zh
Publication of CN108871322A publication Critical patent/CN108871322A/zh
Application granted granted Critical
Publication of CN108871322B publication Critical patent/CN108871322B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01C21/203—Specially adapted for sailing ships

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

基于姿态角匹配的无模型船体变形测量方法，涉及船体变形测量，利用舰船中心航姿系统和用户设备之间的欧拉角作为观测量，在考虑双陀螺漂移的情况下结合舰船变形角和姿态失准角建立观测方程。为了回避对舰船变形角建立先验数学模型，利用神经网络对变形角进行拟合。为保证训练神经网络的实时性，将神经网络的连接权系数扩展至状态变量中，再利用非线性滤波器对系统状态方程和观测方程进行求解，最优估计出舰船变形角大小。理论直观，操作简便，满足舰船航行时对变形角实时测量的要求，仿真精度可达10角秒。

Description

基于姿态角匹配的无模型船体变形测量方法
技术领域
本发明涉及船体变形测量，尤其是涉及基于姿态角匹配的无模型船体变形测量方法。
背景技术
舰船并非绝对的刚体，在海上航行过程中受环境影响如日晒、温度、风浪等会发生轻微的挠曲变形，变形角虽然微小，但会严重影响中心航姿系统与舰载设备之间的传递对准，大大降低舰载设备的使用精度，更为严重的将导致任务执行的失败。因此，为了充分利用中心航姿系统的高精度导航信息，实现舰载设备高精度任务的精准执行，必须实时连续地对船体变形进行测量及校正。针对这一问题，国内外学者提出大量方法，如大钢管基准法、双光源CCD测量法、光栅法、压力测量法、摄影测量法和应变仪测量法[1]等，虽然这些方法的测量精度较高，但并不能在动态环境下实时测量变形角。目前惯性测量匹配法以其低成本、安装方便、动态适应性强等优点成为船体变形测量领域最具潜力的研究方向，现在已有大量相关的研究成果[2][3]，主要包括船体变形动[4][5][6]、静态模型研究[7]、海浪驱动建模及变形模型参数辨识[8][9]研究等。虽然这些方法在仿真过程中取得了比较好的效果，但在实际航海过程中，事先建立的模型与实际模型很难吻合，即使模型一致，舰船的变形模型并非固定不变，即使模型设定正确，模型参数也因环境的变化而不断发生变化，模型参数很难得到准确辨识。不准确的船体变形模型将大大降低卡尔曼滤波对变形角估计的精度，甚至直接导致卡尔曼滤波不收敛。
参考文献：
[1]汪顺亭,汪湛清,朱昀炤,等.船体变形的监测方法及其对航向姿态信息的修正[J].中国惯性技术学报,2007,15(6):635-641.
[2]Wang B,Deng Z,Liu C,et al.Estimation of information sharing errorby dynamic deformation between inertial navigation systems[J].IEEETransactions on Industrial Electronics,2014,61(4):2015-2023.
[3]袁二凯,杨功流,于沛,等.一种基于惯性匹配的船体姿态基准传递方法[J].舰船科学技术,2013(12):60-64.
[4]Yuan E K,Yang G L.High-accuracy Modeling of Ship Deformation Basedon Inertial Measuring Method[C]//Advanced Materials Research.Trans TechPublications,2013,760:1227-1232.
[5]Wu W,Qin S,Wang X,et al.A new integrated Gaussian-Markov processmodel for precision shipboard transfer alignment[C]//Position,Location andNavigation Symposium-PLANS 2014,2014IEEE/ION.IEEE,2014:21-26.
[6]Ma X,Qin S,Wang X,et al.Measurement of ship deformation based onARX model[C]//Selected Proceedings of the Chinese Society for OpticalEngineering Conferences held November 2015.International Society for Opticsand Photonics,2016:97961G-97961G-7.
[7]郑佳兴,秦石乔,王省书,等.考虑准静态缓变量的船体角形变测量[J].中国惯性技术学报,2011,19(1):6-10.
[8]Wu W,Chen S,Qin S.Determination of dynamic flexure modelparameters for ship angular deformation measurement[C]//Control(CONTROL),2012UKACC International Conference on.IEEE,2012:964-969.
[9]Wu W,Chen S,Qin S.Online estimation of ship dynamic flexure modelparameters for transfer alignment[J].IEEE Transactions on Control SystemsTechnology,2013,21(5):1666-1678.
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供无需事先建立变形模型的基于姿态角匹配的无模型船体变形测量方法。
本发明包括以下步骤：
1)将两个配备有三轴激光陀螺的惯性测量单元(IMU)分别安装在舰船中心位置及用户设备附近，第1个三轴激光陀螺的惯性测量单元IMU1为舰船中心航姿系统，精度较高，为全舰提供姿态基准，对应的坐标系为oxyz,该坐标系与舰船坐标系b1对准；第2个三轴激光陀螺的惯性测量单元IMU2的坐标系为o’x’y’z’，与坐标系oxyz近似对准，IMU2对应的载体系为b2，因为存在陀螺漂移，计算载体系会逐渐偏离真实载体系，记IMU1的计算载体系为
Figure BDA0001291083850000021
IMU2的计算载体系为
Figure BDA0001291083850000022
IMU1和IMU2的惯性坐标系为i；
2)根据IMU1和IMU2输出的角速率信息利用四元数姿态更新法对IMU1姿态矩阵
Figure BDA0001291083850000023
和IMU2的姿态矩阵
Figure BDA0001291083850000024
进行更新。记：
Figure BDA0001291083850000031
3)构建系统状态方程，具体方法为：
系统状态向量选取为：
X＝[θi θ′i ε0 ε′0 εr ε′r]T
其中θi、θ′i为IMU1和IMU2对应的真实惯性系与计算惯性系之间的误差角，ε0、ε′0分别为IMU1和IMU2的陀螺常值漂移，εr、ε′r分别为IMU1和IMU2的陀螺随机漂移；
系统状态方程组表达为：
Figure BDA0001291083850000032
其中μi为陀螺随机漂移的一阶马尔科夫系数，σi为陀螺漂移的均方差，w(t)为白噪声；
Figure BDA0001291083850000033
Figure BDA0001291083850000034
分别为IMU1和IMU2的真实姿态阵，计算时分别取
Figure BDA0001291083850000035
的值。
基于上述方程，将状态方程写为矩阵形式：
Figure BDA0001291083850000036
4)构建系统观测方程，具体方法为：
系统观测向量选取为：
Z＝[ψx ψy ψz]T
其中
ψx＝arcsin(C23),
Figure BDA0001291083850000037
Figure BDA0001291083850000038
则系统的观测方程表达为：
Figure BDA0001291083850000041
记上式为：
Z＝g(Z,W)+h(X)+v(t)
其中
Figure BDA0001291083850000042
Figure BDA00012910838500000412
为以Z为输入、W为连接权系数的神经网络函数，神经网络的目标输出为Z-h(X)，v(t)为量测噪声；
5)扩展状态变量，具体方法为：
将状态变量X和神经网络连接权系数W联合为新的状态变量
Figure BDA0001291083850000043
设定W是时不变的；若g(Z,W)设定为两层参数神经网络，则连接权系数W包含输入系数Wr、输入阈值br、输出系数Wc及输出阈值bc四个部分，即:
W＝[Wr,br,Wc,bc]T,
其中：
Figure BDA0001291083850000044
(l为中间层神经元个数)
Figure BDA0001291083850000045
Figure BDA0001291083850000046
Figure BDA0001291083850000047
对状态方程
Figure BDA0001291083850000048
离散化得到：
Xk+1＝f(Xk)+G·wk
扩展状态变量后的状态方程为：
Figure BDA0001291083850000049
其中
Figure BDA00012910838500000410
nw为连接权系数W的维数；
扩展状态变量后的系统状态方程和观测方程离散化为：
Figure BDA00012910838500000411
6)利用非线性滤波器对上述问题进行求解，实时估计状态变量
Figure BDA0001291083850000051
根据公式
Figure BDA0001291083850000052
计算出变形角
Figure BDA0001291083850000053
与现有技术相比，本发明具备以下的优点：
(1)在构建姿态角匹配量测方程时考虑到了双陀螺漂移的情况，能达到更高的船体变形估计精度。
(2)利用神经网络拟合船体变形，无需事先对船体变形角建立数学模型，回避了变形角模型不准确以及模型系数不精确带来的估计精度不高的问题。
(3)将神经网络的连接权系数扩展到状态变量中，利用非线性滤波器估计状态变量，实现了神经网络的实时训练。
附图说明
图1为有三轴激光陀螺的惯性测量单元(IMU)安装图及其坐标系示意图。
图2为X轴变形角仿真值与估计值对比图，由于两条曲线几乎重合，为清晰看清两条曲线，将仿真时间60min至62min的曲线放大显示。
图3为Y轴变形角仿真值与估计值对比图，由于两条曲线几乎重合，为清晰看清两条曲线，将仿真时间60min至62min的曲线放大显示。
图4为Z轴变形角仿真值与估计值对比图，由于两条曲线几乎重合，为清晰看清两条曲线，将仿真时间60min至62min的曲线放大显示。
图5为X、Y、Z三个轴变形角估计误差曲线图。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明。
(1)将两个配备有三轴激光陀螺的惯性测量单元(IMU)如图1所示分别安装在舰船中心位置及用户设备附近，IMU1为舰船中心航姿系统，精度较高，为全舰提供姿态基准，对应的坐标系为oxyz,该坐标系与舰船坐标系b1对准。IMU2的坐标系为o’x’y’z’，与坐标系oxyz近似对准，IMU2对应的载体系为b2。因为存在陀螺漂移，计算载体系会逐渐偏离真实载体系，记IMU1的计算载体系为
Figure BDA0001291083850000054
IMU2的计算载体系为
Figure BDA0001291083850000055
IMU1和IMU2的惯性坐标系为i。
(2)根据IMU1和IMU2输出的角速率信息利用四元数姿态更新法对IMU1姿态矩阵
Figure BDA0001291083850000056
和IMU2的姿态矩阵
Figure BDA0001291083850000061
进行更新，分别得到两个转换矩阵：
Figure BDA0001291083850000062
由此可以计算IMU1与IMU2之间的姿态转换矩阵C：
Figure BDA0001291083850000063
(3)构建考虑双陀螺漂移的姿态角匹配函数
根据坐标系的定义，在考虑双陀螺漂移时姿态矩阵之间的关系可以表达为：
Figure BDA0001291083850000064
其中
Figure BDA0001291083850000065
表示由m坐标系到n坐标系的转换矩阵
Figure BDA0001291083850000066
Figure BDA0001291083850000067
和
Figure BDA0001291083850000068
是分别由IMU1和IMU2的陀螺漂移所引起的计算载体系和真实载体系之间的转换矩阵。
记
Figure BDA0001291083850000069
和
Figure BDA00012910838500000610
对应的欧拉角分别为θε、
Figure BDA00012910838500000611
θ′ε和ψ，
忽略二阶小量，近似有：
Figure BDA00012910838500000612
其中ψ可由C中的元素表示为：
ψx＝arcsin(C23),
Figure BDA00012910838500000613
Figure BDA00012910838500000614
(4)建立陀螺常值漂移和随机漂移模型：
IMU1常值漂移：
Figure BDA00012910838500000615
IMU1随机漂移：
Figure BDA00012910838500000616
IMU2常值漂移：
Figure BDA00012910838500000617
IMU2随机漂移：
Figure BDA00012910838500000618
其中ε0、ε′0分别为IMU1和IMU2的陀螺常值漂移，εr、ε′r分别为IMU1和IMU2的陀螺随机漂移，μi为陀螺随机漂移的一阶马尔科夫系数，σi为陀螺漂移的均方差，w(t)为白噪声；
(5)建立姿态误差角模型
Figure BDA0001291083850000073
Figure BDA0001291083850000074
其中θi、θ′i为IMU1和IMU2对应的真实惯性系与计算惯性系之间的误差角，
Figure BDA0001291083850000075
分别为IMU1和IMU2的真实姿态阵，计算时分别取
Figure BDA0001291083850000076
的值
(6)构建系统状态方程
系统状态向量选取为：
X＝[θi θ′i ε0 ε′0 εr ε′r]T
将由步骤(4)中的陀螺漂移模型和步骤(5)中的姿态误差角模型作为系统的状态方程：
Figure BDA0001291083850000077
基于上述方程，可将状态方程写为矩阵形式：
Figure BDA0001291083850000078
(7)构建系统观测方程：
系统观测向量选取为：
Z＝[ψx ψy ψz]T
根据第(3)步中推导的公式
Figure BDA0001291083850000079
将系统的观测方程表达为：
Figure BDA00012910838500000710
记上式为：
Z＝g(Z,W)+h(X)+v(t)
其中
Figure BDA0001291083850000081
Figure BDA00012910838500000812
为以Z为输入、W为连接权系数的神经网络函数，神经网络的目标输出为Z-h(X)，v(t)为量测噪声。
(8)扩展状态变量
为了实现对神经网络的实时训练，将状态变量X和神经网络连接权系数W联合为新的状态变量
Figure BDA0001291083850000082
设定W是时不变的。对于两层参数神经网络，连接权系数W包含输入系数Wr、输入阈值br、输出系数Wc及输出阈值bc四个部分，即:
W＝[Wr,br,Wc,bc]T,
其中：
Figure BDA0001291083850000083
(l为中间层神经元个数)，
Figure BDA0001291083850000084
Figure BDA0001291083850000085
Figure BDA0001291083850000086
对状态方程
Figure BDA0001291083850000087
离散化得到：
Xk+1＝f(Xk)+G·wk
扩展状态变量后的状态方程为：
Figure BDA0001291083850000088
其中
Figure BDA0001291083850000089
nw为连接权系数W的维数；
扩展状态变量后的系统状态方程和观测方程离散化为：
Figure BDA00012910838500000810
(9)利用非线性滤波器对上述问题进行求解，实时估计状态变量
Figure BDA00012910838500000811
若选用无迹卡尔曼滤波器(UKF)，则按如下步骤进行计算：
加权系数的计算公式：
λ＝α2(L+κ)-n
Figure BDA0001291083850000091
Figure BDA0001291083850000092
Figure BDA0001291083850000093
Figure BDA0001291083850000094
其中α用于控制Sigma点在状态变量均值附近的分布情况；κ是一比例因子，在状态估计时可直接设置为0；β是另外一个比例因子，调节β有望提高输出方差阵的传播估计精度；L为状态变量
Figure BDA0001291083850000095
的维数。
时间更新：
Figure BDA0001291083850000096
χi,k+1|k＝f(χi,k)
Figure BDA0001291083850000097
Figure BDA0001291083850000098
量测更新：
Figure BDA0001291083850000099
Figure BDA00012910838500000910
Figure BDA00012910838500000911
Figure BDA00012910838500000912
Figure BDA00012910838500000913
Figure BDA00012910838500000914
Figure BDA00012910838500000915
其中
Figure BDA00012910838500000916
为χi,k+1|k中神经网络权系数的sigma点，
Figure BDA00012910838500000917
为χi,k+1|k中系统状态X的sigma点。
(10)将扩展状态变量
Figure BDA00012910838500000918
估计值中的神经网络连接权系数Wk+1以及量测量Zk+1作为神经网络函数的输入，此时神经网络的输出即为船体变形角
Figure BDA00012910838500000919
的估计值，公式表示为：
Figure BDA00012910838500000920
以下给出仿真实验。
舰船自身分别以幅度为4°、5°和3°的正弦规律绕X、Y、Z三个轴摇摆，摇摆周期为8s、7s和6s，随机选取初始相位。
将船体的变形设置为两个部分：准静态变形和动态变形。X、Y、Z三个轴向的准静态变形设置为周期为2h的正弦或余弦规律运动，动态变形设置为二阶马尔科夫过程。
两套三轴陀螺的常值漂移都取为0.05度/h，随机漂移为一阶马尔科夫过程。
采样率设定为10Hz，仿真时间为120min，采用无迹卡尔曼滤波器(UnscentedKalman Filter)对系统状态方程和量测方程进行求解。实验仿真结果分别如图2～5所示。从图5可以看出三轴估计误差都小于10角秒。

Claims (1)

1.基于姿态角匹配的无模型船体变形测量方法，其特征在于包括以下步骤：
1)将两个配备有三轴激光陀螺的惯性测量单元分别安装在舰船中心位置及用户设备附近，第1个三轴激光陀螺的惯性测量单元IMU1为舰船中心航姿系统，精度较高，为全舰提供姿态基准，对应的坐标系为oxyz,该坐标系与舰船坐标系b1对准；第2个三轴激光陀螺的惯性测量单元IMU2的坐标系为o’x’y’z’，与坐标系oxyz近似对准，IMU2对应的载体系为b2，因为存在陀螺漂移，计算载体系会逐渐偏离真实载体系，记IMU1的计算载体系为
Figure FDA0002682788790000011
IMU2的计算载体系为
Figure FDA0002682788790000012
IMU1和IMU2的惯性坐标系为i；
2)根据IMU1和IMU2输出的角速率信息利用四元数姿态更新法对IMU1姿态矩阵
Figure FDA0002682788790000013
和IMU2的姿态矩阵
Figure FDA0002682788790000014
进行更新，记：
Figure FDA0002682788790000015
3)构建系统状态方程，具体方法为：
系统状态向量选取为：
X＝[θi θ′i ε0 ε′0 εr ε′r]T
其中θi、θ′i为IMU1和IMU2对应的真实惯性系与计算惯性系之间的误差角，ε0、ε'0分别为IMU1和IMU2的陀螺常值漂移，εr、ε′r分别为IMU1和IMU2的陀螺随机漂移；
系统状态方程组表达为：
Figure FDA0002682788790000016
其中μi为陀螺随机漂移的一阶马尔科夫系数，σi为陀螺漂移的均方差，w(t)为白噪声；
Figure FDA0002682788790000017
Figure FDA0002682788790000021
分别为IMU1和IMU2的真实姿态阵，计算时分别取
Figure FDA0002682788790000022
的值；
基于上述方程，将状态方程写为矩阵形式：
Figure FDA0002682788790000023
4)构建系统观测方程，具体方法为：
系统观测向量选取为：
Z＝[ψx ψy ψz]T
其中：
ψx＝arcsin(C23),
Figure FDA0002682788790000024
Figure FDA0002682788790000025
则系统的观测方程表达为：
Figure FDA0002682788790000026
记上式为：
Z＝g(Z,W)+h(X)+v(t)
其中，
Figure FDA0002682788790000027
Figure FDA0002682788790000028
为以Z为输入、W为连接权系数的神经网络函数，神经网络的目标输出为Z-h(X)，v(t)为量测噪声；
5)扩展状态变量，具体方法为：
将状态变量X和神经网络连接权系数W联合为新的状态变量
Figure FDA0002682788790000029
设定W是时不变的；若g(Z,W)设定为两层参数神经网络，则连接权系数W包含输入系数Wr、输入阈值br、输出系数Wc及输出阈值bc四个部分，即：
W＝[Wr,br,Wc,bc]T
其中：
Figure FDA00026827887900000210
l为中间层神经元个数；
Figure FDA00026827887900000211
Figure FDA00026827887900000212
Figure FDA0002682788790000031
对状态方程
Figure FDA0002682788790000032
离散化得到：
Xk+1＝f(Xk)+G·wk
扩展状态变量后的状态方程为：
Figure FDA0002682788790000033
其中
Figure FDA0002682788790000034
nw为连接权系数W的维数；
扩展状态变量后的系统状态方程和观测方程离散化为：
Figure FDA0002682788790000035
6)利用非线性滤波器对上述问题进行求解，实时估计状态变量
Figure FDA0002682788790000036
根据公式
Figure FDA0002682788790000037
计算出变形角
Figure FDA0002682788790000038
CN201710325685.0A 2017-05-10 2017-05-10 基于姿态角匹配的无模型船体变形测量方法 Expired - Fee Related CN108871322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710325685.0A CN108871322B (zh) 2017-05-10 2017-05-10 基于姿态角匹配的无模型船体变形测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710325685.0A CN108871322B (zh) 2017-05-10 2017-05-10 基于姿态角匹配的无模型船体变形测量方法

Publications (2)

Publication Number Publication Date
CN108871322A CN108871322A (zh) 2018-11-23
CN108871322B true CN108871322B (zh) 2021-02-09

Family

ID=64287689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710325685.0A Expired - Fee Related CN108871322B (zh) 2017-05-10 2017-05-10 基于姿态角匹配的无模型船体变形测量方法

Country Status (1)

Country Link
CN (1) CN108871322B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109737960A (zh) * 2018-12-21 2019-05-10 哈尔滨工业大学 基于速度加角速度匹配的船体变形测量方法
CN109916366B (zh) * 2019-03-25 2021-04-20 西安电子科技大学 一种实时监测管道形变与姿态的系统及方法
CN110715639A (zh) * 2019-09-10 2020-01-21 广州文冲船厂有限责任公司 一种船体形变检测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6592412B1 (en) * 1999-06-24 2003-07-15 Siemens Aktiengesellschaft Propelling and driving system for boats
CN103528536A (zh) * 2013-10-16 2014-01-22 哈尔滨工程大学 一种基于光纤陀螺惯导系统的船体变形测量方法
CN103542816A (zh) * 2013-10-16 2014-01-29 哈尔滨工程大学 基于时间延迟补偿的船体变形测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6592412B1 (en) * 1999-06-24 2003-07-15 Siemens Aktiengesellschaft Propelling and driving system for boats
CN103528536A (zh) * 2013-10-16 2014-01-22 哈尔滨工程大学 一种基于光纤陀螺惯导系统的船体变形测量方法
CN103542816A (zh) * 2013-10-16 2014-01-29 哈尔滨工程大学 基于时间延迟补偿的船体变形测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姿态匹配法测量船体变形角中时间延迟的补偿;杨功流等;《光学精密工程》;20150515(第05期);全文 *

Also Published As

Publication number Publication date
CN108871322A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN104344837B (zh) 一种基于速度观测的冗余惯导系统加速度计系统级标定方法
CN108871322B (zh) 基于姿态角匹配的无模型船体变形测量方法
CN106840151B (zh) 基于时延补偿的无模型船体变形测量方法
CN108318038A (zh) 一种四元数高斯粒子滤波移动机器人姿态解算方法
Zhong et al. A quaternion-based method for SINS/SAR integrated navigation system
Li et al. A calibration method of DVL in integrated navigation system based on particle swarm optimization
CN103512584A (zh) 导航姿态信息输出方法、装置及捷联航姿参考系统
CN103878770A (zh) 基于速度估计的空间机器人视觉时延误差补偿方法
CN105300382B (zh) 一种基于惯性测量单元的大角度船体变形测量方法
CN108344413A (zh) 一种水下滑翔器导航系统及其低精度与高精度转换方法
Zhu et al. A calibration method of USBL installation error based on attitude determination
CN103776449A (zh) 一种提高鲁棒性的动基座初始对准方法
CN112683274A (zh) 一种基于无迹卡尔曼滤波的无人机组合导航方法和系统
Lipko Identification of the horizontal movement of the underwater vehicle MiddleAUV
Liu et al. SINS/DVL integrated system with current and misalignment estimation for midwater navigation
CN107796388B (zh) 一种基于惯性技术的相对姿态测量方法
He et al. A model-free hull deformation measurement method based on attitude quaternion matching
CN110044385B (zh) 一种大失准角情况下的快速传递对准方法
Zhe et al. Adaptive complementary filtering algorithm for imu based on mems
Blachuta et al. Attitude and heading reference system based on 3D complementary filter
Yang et al. Robust H∞ filtering for a spacecraft attitude determination system with affine LPV approach
Xiaorong et al. Angular rate matching method for shipboard transfer alignment based on H∞ filter
Zhang et al. Real-time disturbances estimating and compensating of nonlinear dynamic model for underwater vehicles
Wang et al. A polar-region-adaptable systematic bias collaborative measurement method for shipboard redundant rotational inertial navigation systems
Liu et al. H∞ filter for flexure deformation and lever arm effect compensation in M/S INS integration

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210209