CN110926466A - 一种面向无人船组合导航信息融合的多尺度数据分块算法 - Google Patents
一种面向无人船组合导航信息融合的多尺度数据分块算法 Download PDFInfo
- Publication number
- CN110926466A CN110926466A CN201911287615.6A CN201911287615A CN110926466A CN 110926466 A CN110926466 A CN 110926466A CN 201911287615 A CN201911287615 A CN 201911287615A CN 110926466 A CN110926466 A CN 110926466A
- Authority
- CN
- China
- Prior art keywords
- sensor
- unmanned ship
- sins
- matrix
- scale
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 230000000903 blocking effect Effects 0.000 title claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000005259 measurement Methods 0.000 claims description 52
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 230000036544 posture Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 208000011231 Crohn disease Diseases 0.000 claims 1
- 238000003491 array Methods 0.000 claims 1
- 238000007500 overflow downdraw method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011426 transformation method Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G01C21/165—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 combined with non-inertial navigation instruments
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种面向无人船组合导航信息融合的多尺度数据分块算法,简称MDS,包括以下步骤:建立组合导航系统数学模型;建立组合导航多尺度系统模型;设计最优融合算法。本发明针对无人船组合导航系统多传感器异步采样的问题,提出一种多尺度数据分块的信息融合方法(MDS),相比于传统联邦滤波(FKF)的分布式滤波算法,有效的解决了传感器信息异步融合的问题。本发明在原有多尺度滤波方法的基础上,将多尺度滤波方法与数据分块的方法结合,相比于小波变换的方法,该方法计算量更小,更简便,并提高了无人船组合导航系统的信息融合效果。
Description
技术领域
本发明属于多传感器信息融合领域,尤其涉及一种多尺度数据分块算法在无人船SINS/GPS/Compass组合导航系统的多传感器信息融合中的应用研究。
背景技术
组合导航系统指各种导航传感器,通过控制器进行控制组合而成的导航系统。组合导航系统广泛应用于汽车、船舶等应用领域,用于提供精确的信息参数。由于捷联惯导系统可以提供较多的导航参数,所以组合导航系统大多以捷联惯导为基础进行设计。目前,多传感器信息融合方法广泛应用于组合导航的数据处理融合,多传感器信息融合常用的滤波结构包括集中式滤波结构和分布式滤波结构。集中式滤波结构简单、精度更高,但是可靠性低、计算负担大。分布式滤波具有容错性高、可靠性强等优点,所以在组合导航多传感器信息融合领域得到了广泛应用。常用的分布式滤波方法主要为联邦卡尔曼滤波,在此基础上,将自适应、模糊等方法与之结合,具备了更高的应用价值。
目前,组合导航系统多传感器信息融合方法得到了广泛研究,但在实际应用过程中,由于传感器性能限制、信号变化率相差较大、采样周期不同等问题限制,每个导航传感器的采样率不尽相同,而且其中包括传感器固有延迟和通信延迟,所以导航传感器并不是同步将传感器数据发送回融合中心,造成多传感器信息融合的异步问题,降低组合导航系统导航精度,增大了组合导航系统的误差。
发明内容
为解决现有技术存在的上述问题,本发明要设计一种能够解决传感器信息融合异步问题的面向无人船组合导航信息融合的多尺度数据分块算法。
为了实现上述目的,本发明的技术方案如下:一种面向无人船组合导航信息融合的多尺度数据分块算法,简称MDS,包括以下步骤:
A、建立组合导航系统数学模型
针对无人船组合导航多传感器信息融合问题,建立无人船组合导航系统的数学模型。所述无人船组合导航系统包括捷联惯导系统传感器即SINS传感器、全球定位系统传感器即GPS传感器、三维电子罗盘传感器即Compass传感器和嵌入式处理器。所述嵌入式处理器内采用多尺度数据分块算法进行传感器信息融合,输出无人船的位置、速度和姿态信息。采用SINS传感器的误差方程作为组合导航系统的状态方程,导航坐标系选用东北天坐标系即NEU,通过对SINS传感器的性能及误差源分析,组合导航系统的状态方程和量测方程分别描述为:
其中,为组合导航系统的状态估计值;F(t)为组合导航系统的状态转移矩阵;X(t)为组合导航系统的状态变量;W(t)为组合导航系统的白噪声矩阵;i=1、2、3,Z1(t)为SINS/GPS子滤波器速度的量测值,Z2(t)为SINS/GPS子滤波器位置的量测值,Z3(t)为SINS/Compass子滤波器姿态的量测值,Hi(t)为组合导航系统的量测矩阵,Vi(t)为组合导航系统的量测噪声,t为时间。
组合导航系统的状态变量X(t)为:
式中,分别为无人船东、北、天方向的姿态误差角;δVE、δVN、δVU分别为无人船东、北、天方向的速度误差;δλ、δL、δh分别为无人船的纬度、经度、高度的误差;εbx、εby、εbz分别为无人船导航坐标系下陀螺仪东、北、天方向的常值漂移;εrx、εry、εrz分别为无人船导航坐标系下陀螺仪东、北、天方向的慢变漂移;分别为无人船导航坐标系下加速度计东、北、天方向的常值随机误差。
无人船组合导航系统共有3组观测值,分别为GPS传感器测得的无人船速度与SINS传感器测得的无人船速度之间的差值、GPS传感器测得的无人船位置与SINS传感器测得的无人船位置之间的差值、Compass传感器测得的无人船姿态与SINS传感器测得的无人船姿态之间的差值。
取GPS传感器测得的无人船速度与SINS测得的无人船速度之间的差值作为SINS/GPS子滤波器速度的量测值,定义速度量测方程为:
式中:
V1(t)=[ME,MN,MU]T
其中,H1(t)为SINS/GPS子滤波器速度的量测矩阵;V1(t)为SINS/GPS子滤波器速度的量测噪声,当做白噪声处理;VIE、VIN、VIU分别为SINS传感器测得的无人船的东、北、天方向的速度;VGE、VGN、VGU分别为GPS传感器测得的无人船的东、北、天方向的速度;ME、MN、MU分别为GPS传感器测得的无人船的东、北、天方向的速度误差。
取GPS传感器测得的无人船位置与SINS传感器测得的无人船位置之间的差值作为SINS/GPS子滤波器位置的量测值,定义位置量测方程为:
式中:
V2(t)=[NN,NE,NU]T
RM=Re(1-2f+3f sin2L)
RN=Re(1+f sin2L)
其中,H2(t)为SINS/GPS子滤波器位置的量测矩阵;V2(t)为SINS/GPS子滤波器位置的量测噪声,当做白噪声处理。NN、NE、NU分别为GPS传感器测得的无人船的纬度、经度、高度的误差;λI、LI、hI分别为SINS传感器测得的无人船的东、北、天方向的位置;λG、LG、hG分别为GPS传感器测得的无人船的东、北、天方向的位置;Re为地球赤道半径,取6378137m;f为地球扁率,取1/298.257;O3×6为3行6列的零矩阵;O3×9为3行9列的零矩阵;L为纬度。
将Compass传感器测得的无人船姿态与SINS传感器测得的无人船姿态之间的差值作为SINS/Compass子滤波器的量测值,则观测方程为:
式中:
H3(t)=[I3×3,03×15]
V3(t)=[δαc,δβc,δγc]T
其中,H3(t)为SINS/Compass子滤波器姿态的量测矩阵;V3(t)为SINS/Compass子滤波器姿态的量测噪声,是均值为零的观测白噪声;分别为SINS测得的无人船的东、北、天方向的姿态,分别为Compass测得的无人船的东、北、天的姿态;δαE、δαN、δαU分别为Compass测得的无人船的东、北、天方向的姿态误差;I3×3为3行3列的单位矩阵,O3×15为3行15列单位矩阵。
B、建立组合导航多尺度系统模型
B1、描述组合导航多尺度系统
对组合导航系统的状态方程和量测方程进行离散化,根据多尺度理论,各传感器以不同采样率对数据进行观测,在最高采样率下即最细尺度上建立状态方程,将组合导航多尺度系统模型描述为:
XN(m+1)=FN(m)XN(m)+WN(m) m≥0
Zd(m)=Hd(m)X(m)+Vd(m)
其中,N=3,传感器d以不同的采样率Sd进行观测,且传感器之间的的采样是异步的,其中d=1、2、3,分别表示SINS传感器、GPS传感器、Compass传感器,SINS传感器为最高采样率的传感器,即最细尺度传感器;Compass传感器为最低采样率的传感器,即最粗尺度的传感器。GPS传感器为中采样率的传感器,即中尺度的传感器。其中,m为组合导航系统数学模型离散化后的时间。
各传感器采样率间的关系满足:
S3=2S2
S2=3S1
XN(m)表示m时刻在最高采样率下的组合导航多尺度系统的状态变量;FN(m)表示m时刻在最高采样率下的组合导航多尺度系统的一步转移矩阵;WN(m)表示m时刻在最高采样率下的组合导航多尺度系统的噪声,其为零均值高斯白噪声,并满足特点如下:
E{WN(m)}=0
其中,g是采样时刻,δmg为克罗尼克函数、表示同一传感器不同采样时刻的的相关性。
Zd(m)表示组合导航多尺度系统在m时刻的量测值;Z1(m)、Z2(m)、Z3(m)分别为离散化后m时刻的SINS/GPS子滤波器速度的量测值、SINS/GPS子滤波器位置的量测值、SINS/Compass子滤波器姿态的量测值、Hd(m)表示组合导航多尺度系统m时刻的量测矩阵;Vd(m)表示组合导航多尺度系统m时刻的观测噪声,其中Vd(m)为高斯白噪声序列,其协方差为Rd(m),并满足特点如下:
E{Vd(m)}=0
E{Vd(m)WN(m)}=0
状态变量的初始值XN(0)为随机向量,且有:
E{XN(0)}=X0
E{[XN(0)-X0][XN(0)-X0]T}=P0
B2、对组合导航系统进行数据分块
针对组合导航系统各传感器多速率异步采样,建立组合导航系统多尺度系统模型,采用数据分块的算法进行数据分块,将一定长度的采样时间内的状态数据列为一个数据块,对一个数据块的状态数据进行最优融合,定义数据块的长度为:
即状态向量和测量向量被分割成长度为Md的数据块。
进行数据分块后的状态方程表示为如下形式:
XN(m+1)=XN(m)FN(m)+WN(m)
组合导航多尺度系统噪声的协方差阵Qi(m)表示为:
E{WN(m)}=0
B3、建立多尺度转换关系
传感器d的状态信息在传感器N的尺度上的有如下的转换关系,所述的状态信息包括位置、速度和姿态:
其中:
由上述推导得,传感器d与传感器N之间在尺度上有如下关系:
组合导航多尺度系统的量测方程为:
Zd(m)=Hd(m)Xd(m)+Vd(m)
其中,组合导航多尺度系统的量测值为:
组合导航多尺度系统的量测噪声为:
组合导航多尺度系统的量测矩阵为:
E{Vd(m)}=0
Rd(m)=diag{Rd(mM+1),Rd(mM+2),...,Rd(mM)}
其中,j=1、2、3;
C、设计最优融合算法
在多传感器异步信息融合过程中,如果传感器d在m时刻有测量值,那么m与nd之间呈整数倍关系。通过用mod(m,nd)等于零来判断传感器d在m时刻有无测量值,有如下两种情况:
其中,n1=1,n2=3,n3=6。
状态一步预测矩阵为:
状态估计矩阵为:
滤波增益矩阵为:
KN(m)=PN(m+1|m)HN(m)[HN(m)PN(m+1|m)HN(m)+RN(m)]-1
一步预测均方误差阵为:
PN(m|m)=[I-KN(m)HN(m)]PN(m+1|m)
估计均方误差阵为:
PN(m|m-1)=FN(m-1)PN(m-1|m-1)FN(m-1)+QN(m-1)
C2、滤波更新2:若传感器d在m时刻有测量值,则m时刻基于所有传感器的最优估计为:
β0(d,m)和βp(dp,m)为信息分配因子,分别表示如下:
状态一步预测矩阵为:
状态估计矩阵为:
滤波增益矩阵为:
一步预测均方误差阵为:
估计均方误差阵为:
结束。
与现有技术相比,本发明具有以下有益效果:
1、本发明针对无人船组合导航系统多传感器异步采样的问题,提出一种多尺度数据分块的信息融合方法(MDS),相比于传统联邦滤波(FKF)的分布式滤波算法,有效的解决了传感器信息异步融合的问题。
2、本发明在原有多尺度滤波方法的基础上,将多尺度滤波方法与数据分块的方法结合,相比于小波变换的方法,该方法计算量更小,更简便,并提高了无人船组合导航系统的信息融合效果。
附图说明
图1是多传感器异步采样的示意图。
图2是多尺度数据分块的组合导航信息融合流程图。
图3是MDS算法与FKF算法的纬度误差仿真波形图。
图4是MDS算法与FKF算法的经度误差仿真波形图。
图5是MDS算法与FKF算法的高度误差仿真波形图。
图6是MDS算法与FKF算法的东向速度误差仿真波形图。
图7是MDS算法与FKF算法的北向速度误差仿真波形图。
图8是MDS算法与FKF算法的天向速度误差仿真波形图。
图9是MDS算法与FKF算法的天向姿态误差仿真波形图。
图10是MDS算法与FKF算法的天向姿态误差仿真波形图。
图11是MDS算法与FKF算法的天向姿态误差仿真波形图。
具体实施方式
下面结合附图对本发明进行进一步地描述。为了说明本发明的有效性和可行性,MATLAB仿真系统采用无人船的动态仿真的方式,航行轨迹按照无人船的特性进行设定,对本发明进行验证。
为模拟多传感器异步采样的效果,分别设置SINS、GPS、Compass三个传感器的采样周期的比例为1:2:3,对MEMS惯性传感器的性能指标设定如表1所示。
表1传感器的误差项设定
无人船的初始参数设定为:初始航向45°、初始速度5m/s、初始位置为东经124.0°、北纬39.0°。实验时,取原始尺度N=3,则式中MN=3,设最高采样率的传感器的采样周期为200s,连续200次蒙特卡洛仿真的结果如图3-11所示。
对相同的SINS、GPS、Compass三个传感器的仿真数据,本发明与联邦卡尔曼算法的滤波实验进行比较。
图1为多传感器异步采样的示意图,由图可知异步采样的原理,各传感器采样周期不一致,不能同时进行数据融合,所以将一定长度的采样时间进行数据分块,对一个数据块内的数据进行最优融合。
图2为多尺度数据分块的信息融合流程图,针对异步采样问题,首先,建立组合导航多尺度系统模型,进行数据分块;然后,滤波更新1和滤波更新2两个滤波模块根据m时刻有无测量值,采用不同的滤波模块进行滤波更新;最后,采用最优融合的方法,求取最优融合的无偏估计值及其相应的估计误差协方差矩阵。
图3-5分别为本发明和联邦滤波算法(FKF)的纬度、经度、高度误差仿真效果图。图6-8分别为本发明和联邦滤波算法(FKF)的东向、北向、天向速度误差的仿真波形图。图9-11分别为分别为本发明和联邦滤波算法(FKF)的东向、北向、天向姿态误差的仿真波形图。
综合分析,通过两种算法的仿真结果对比,本发明的9项观测数据结果,仅有1项误差结果相比于联邦滤波算法偏大,但是误差结果已控制在无人船航行标准的要求范围内,而联邦滤波算法在起始阶段误差漂移较大,且误差上下波动较大,所以本发明具有更高的可靠性和稳定性。
综上所述,本发明在异步采样情况下有效的降低了传感器误差,提高了航行精度,对无人船组合导航系统的实际航行应用有极大的帮助和提高。
本发明不局限于本实施例,任何在本发明披露的技术范围内的等同构思或者改变,均列为本发明的保护范围。
Claims (1)
1.一种面向无人船组合导航信息融合的多尺度数据分块算法,其特征在于:包括以下步骤:
A、建立组合导航系统数学模型
针对无人船组合导航多传感器信息融合问题,建立无人船组合导航系统的数学模型;所述无人船组合导航系统包括捷联惯导系统传感器即SINS传感器、全球定位系统传感器即GPS传感器、三维电子罗盘传感器即Compass传感器和嵌入式处理器;所述嵌入式处理器内采用多尺度数据分块算法进行传感器信息融合,输出无人船的位置、速度和姿态信息;采用SINS传感器的误差方程作为组合导航系统的状态方程,导航坐标系选用东北天坐标系即NEU,通过对SINS传感器的性能及误差源分析,组合导航系统的状态方程和量测方程分别描述为:
其中,为组合导航系统的状态估计值;F(t)为组合导航系统的状态转移矩阵;X(t)为组合导航系统的状态变量;W(t)为组合导航系统的白噪声矩阵;i=1、2、3,Z1(t)为SINS/GPS子滤波器速度的量测值,Z2(t)为SINS/GPS子滤波器位置的量测值,Z3(t)为SINS/Compass子滤波器姿态的量测值,Hi(t)为组合导航系统的量测矩阵,Vi(t)为组合导航系统的量测噪声,t为时间;
组合导航系统的状态变量X(t)为:
式中,分别为无人船东、北、天方向的姿态误差角;δVE、δVN、δVU分别为无人船东、北、天方向的速度误差;δλ、δL、δh分别为无人船的纬度、经度、高度的误差;εbx、εby、εbz分别为无人船导航坐标系下陀螺仪东、北、天方向的常值漂移;εrx、εry、εrz分别为无人船导航坐标系下陀螺仪东、北、天方向的慢变漂移;分别为无人船导航坐标系下加速度计东、北、天方向的常值随机误差;
无人船组合导航系统共有3组观测值,分别为GPS传感器测得的无人船速度与SINS传感器测得的无人船速度之间的差值、GPS传感器测得的无人船位置与SINS传感器测得的无人船位置之间的差值、Compass传感器测得的无人船姿态与SINS传感器测得的无人船姿态之间的差值;
取GPS传感器测得的无人船速度与SINS测得的无人船速度之间的差值作为SINS/GPS子滤波器速度的量测值,定义速度量测方程为:
式中:
V1(t)=[ME,MN,MU]T
其中,H1(t)为SINS/GPS子滤波器速度的量测矩阵;V1(t)为SINS/GPS子滤波器速度的量测噪声,当做白噪声处理;VIE、VIN、VIU分别为SINS传感器测得的无人船的东、北、天方向的速度;VGE、VGN、VGU分别为GPS传感器测得的无人船的东、北、天方向的速度;ME、MN、MU分别为GPS传感器测得的无人船的东、北、天方向的速度误差;
取GPS传感器测得的无人船位置与SINS传感器测得的无人船位置之间的差值作为SINS/GPS子滤波器位置的量测值,定义位置量测方程为:
式中:
V2(t)=[NN,NE,NU]T
RM=Re(1-2f+3f sin2 L)
RN=Re(1+f sin2 L)
其中,H2(t)为SINS/GPS子滤波器位置的量测矩阵;V2(t)为SINS/GPS子滤波器位置的量测噪声,当做白噪声处理;NN、NE、NU分别为GPS传感器测得的无人船的纬度、经度、高度的误差;λI、LI、hI分别为SINS传感器测得的无人船的东、北、天方向的位置;λG、LG、hG分别为GPS传感器测得的无人船的东、北、天方向的位置;Re为地球赤道半径,取6378137m;f为地球扁率,取1/298.257;O3×6为3行6列的零矩阵;O3×9为3行9列的零矩阵;L为纬度;
将Compass传感器测得的无人船姿态与SINS传感器测得的无人船姿态之间的差值作为SINS/Compass子滤波器的量测值,则观测方程为:
式中:
H3(t)=[I3×3,03×15]
V3(t)=[δαc,δβc,δγc]T
其中,H3(t)为SINS/Compass子滤波器姿态的量测矩阵;V3(t)为SINS/Compass子滤波器姿态的量测噪声,是均值为零的观测白噪声;分别为SINS测得的无人船的东、北、天方向的姿态,分别为Compass测得的无人船的东、北、天的姿态;δαE、δαN、δαU分别为Compass测得的无人船的东、北、天方向的姿态误差;I3×3为3行3列的单位矩阵,O3×15为3行15列单位矩阵;
B、建立组合导航多尺度系统模型
B1、描述组合导航多尺度系统
对组合导航系统的状态方程和量测方程进行离散化,根据多尺度理论,各传感器以不同采样率对数据进行观测,在最高采样率下即最细尺度上建立状态方程,将组合导航多尺度系统模型描述为:
XN(m+1)=FN(m)XN(m)+WN(m)m≥0
Zd(m)=Hd(m)X(m)+Vd(m)
其中,N=3,传感器d以不同的采样率Sd进行观测,且传感器之间的的采样是异步的,其中d=1、2、3,分别表示SINS传感器、GPS传感器、Compass传感器,SINS传感器为最高采样率的传感器,即最细尺度传感器;Compass传感器为最低采样率的传感器,即最粗尺度的传感器;GPS传感器为中采样率的传感器,即中尺度的传感器;其中,m为组合导航系统数学模型离散化后的时间;
各传感器采样率间的关系满足:
S3=2S2
S2=3S1
XN(m)表示m时刻在最高采样率下的组合导航多尺度系统的状态变量;FN(m)表示m时刻在最高采样率下的组合导航多尺度系统的一步转移矩阵;WN(m)表示m时刻在最高采样率下的组合导航多尺度系统的噪声,其为零均值高斯白噪声,并满足特点如下:
E{WN(m)}=0
其中,g是采样时刻,δmg为克罗尼克函数、表示同一传感器不同采样时刻的的相关性;
Zd(m)表示组合导航多尺度系统在m时刻的量测值;Z1(m)、Z2(m)、Z3(m)分别为离散化后m时刻的SINS/GPS子滤波器速度的量测值、SINS/GPS子滤波器位置的量测值、SINS/Compass子滤波器姿态的量测值、Hd(m)表示组合导航多尺度系统m时刻的量测矩阵;Vd(m)表示组合导航多尺度系统m时刻的观测噪声,其中Vd(m)为高斯白噪声序列,其协方差为Rd(m),并满足特点如下:
E{Vd(m)}=0
E{Vd(m)WN(m)}=0
状态变量的初始值XN(0)为随机向量,且有:
E{XN(0)}=X0
E{[XN(0)-X0][XN(0)-X0]T}=P0
B2、对组合导航系统进行数据分块
针对组合导航系统各传感器多速率异步采样,建立组合导航系统多尺度系统模型,采用数据分块的算法进行数据分块,将一定长度的采样时间内的状态数据列为一个数据块,对一个数据块的状态数据进行最优融合,定义数据块的长度为:
即状态向量和测量向量被分割成长度为Md的数据块;
进行数据分块后的状态方程表示为如下形式:
XN(m+1)=XN(m)FN(m)+WN(m)
组合导航多尺度系统噪声的协方差阵Qi(m)表示为:
E{WN(m)}=0
B3、建立多尺度转换关系
传感器d的状态信息在传感器N的尺度上的有如下的转换关系,所述的状态信息包括位置、速度和姿态:
其中:
由上述推导得,传感器d与传感器N之间在尺度上有如下关系:
组合导航多尺度系统的量测方程为:
Zd(m)=Hd(m)Xd(m)+Vd(m)
其中,组合导航多尺度系统的量测值为:
组合导航多尺度系统的量测噪声为:
组合导航多尺度系统的量测矩阵为:
E{Vd(m)}=0
Rd(m)=diag{Rd(mM+1),Rd(mM+2),...,Rd(mM)}
其中,j=1、2、3;
C、设计最优融合算法
在多传感器异步信息融合过程中,如果传感器d在m时刻有测量值,那么m与nd之间呈整数倍关系;通过用mod(m,nd)等于零来判断传感器d在m时刻有无测量值,有如下两种情况:
其中,n1=1,n2=3,n3=6;
状态一步预测矩阵为:
状态估计矩阵为:
滤波增益矩阵为:
一步预测均方误差阵为:
PN(m|m)=[I-KN(m)HN(m)]PN(m+1|m)
估计均方误差阵为:
PN(m|m-1)=FN(m-1)PN(m-1|m-1)FN(m-1)+QN(m-1)
C2、滤波更新2:若传感器d在m时刻有测量值,则m时刻基于所有传感器的最优估计为:
β0(d,m)和βp(dp,m)为信息分配因子,分别表示如下:
p=1,2
状态一步预测矩阵为:
状态估计矩阵为:
滤波增益矩阵为:
一步预测均方误差阵为:
估计均方误差阵为:
结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911287615.6A CN110926466A (zh) | 2019-12-14 | 2019-12-14 | 一种面向无人船组合导航信息融合的多尺度数据分块算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911287615.6A CN110926466A (zh) | 2019-12-14 | 2019-12-14 | 一种面向无人船组合导航信息融合的多尺度数据分块算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110926466A true CN110926466A (zh) | 2020-03-27 |
Family
ID=69863569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911287615.6A Pending CN110926466A (zh) | 2019-12-14 | 2019-12-14 | 一种面向无人船组合导航信息融合的多尺度数据分块算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110926466A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111999747A (zh) * | 2020-08-28 | 2020-11-27 | 大连海事大学 | 一种惯导-卫星组合导航系统的鲁棒故障检测方法 |
CN112346104A (zh) * | 2020-09-11 | 2021-02-09 | 中国人民解放军国防科技大学 | 一种无人机信息融合定位方法 |
CN113639754A (zh) * | 2021-08-11 | 2021-11-12 | 浙江大学 | 一种基于多周期二次融合ekf算法的组合导航方法 |
CN114096001A (zh) * | 2020-08-24 | 2022-02-25 | 香港科技大学 | 一种融合异质信号的任意组合以确定电子装置位置的概率系统及方法 |
CN115342814A (zh) * | 2022-07-26 | 2022-11-15 | 江苏科技大学 | 一种基于多传感器数据融合的无人船定位方法 |
CN117346794A (zh) * | 2023-12-05 | 2024-01-05 | 山东省科学院海洋仪器仪表研究所 | 一种用于浒苔跟踪的无人船组合导航系统及导航方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130141233A1 (en) * | 2011-02-23 | 2013-06-06 | Embedrf Llc | Position tracking and mobility assessment system |
CN103278152A (zh) * | 2013-04-22 | 2013-09-04 | 哈尔滨工程大学 | 一种船舶异步位置参考系统融合方法 |
CN103714045A (zh) * | 2014-01-09 | 2014-04-09 | 北京理工大学 | 面向异步多速率不均匀采样观测数据的信息融合估计方法 |
CN109269497A (zh) * | 2018-07-31 | 2019-01-25 | 哈尔滨工程大学 | 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法 |
-
2019
- 2019-12-14 CN CN201911287615.6A patent/CN110926466A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130141233A1 (en) * | 2011-02-23 | 2013-06-06 | Embedrf Llc | Position tracking and mobility assessment system |
CN103278152A (zh) * | 2013-04-22 | 2013-09-04 | 哈尔滨工程大学 | 一种船舶异步位置参考系统融合方法 |
CN103714045A (zh) * | 2014-01-09 | 2014-04-09 | 北京理工大学 | 面向异步多速率不均匀采样观测数据的信息融合估计方法 |
CN109269497A (zh) * | 2018-07-31 | 2019-01-25 | 哈尔滨工程大学 | 基于auv切法向速度模型的多尺度无迹卡尔曼滤波估计方法 |
Non-Patent Citations (2)
Title |
---|
朱倚娴: "AUV组合导航系统容错关键技术研究" * |
林雪原: "一种异步多传感器组合导航系统融合算法" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114096001A (zh) * | 2020-08-24 | 2022-02-25 | 香港科技大学 | 一种融合异质信号的任意组合以确定电子装置位置的概率系统及方法 |
CN114096001B (zh) * | 2020-08-24 | 2024-03-26 | 香港科技大学 | 一种融合异质信号的任意组合以确定电子装置位置的概率系统及方法 |
CN111999747A (zh) * | 2020-08-28 | 2020-11-27 | 大连海事大学 | 一种惯导-卫星组合导航系统的鲁棒故障检测方法 |
CN111999747B (zh) * | 2020-08-28 | 2023-06-20 | 大连海事大学 | 一种惯导-卫星组合导航系统的鲁棒故障检测方法 |
CN112346104A (zh) * | 2020-09-11 | 2021-02-09 | 中国人民解放军国防科技大学 | 一种无人机信息融合定位方法 |
CN112346104B (zh) * | 2020-09-11 | 2023-08-08 | 中国人民解放军国防科技大学 | 一种无人机信息融合定位方法 |
CN113639754A (zh) * | 2021-08-11 | 2021-11-12 | 浙江大学 | 一种基于多周期二次融合ekf算法的组合导航方法 |
CN115342814A (zh) * | 2022-07-26 | 2022-11-15 | 江苏科技大学 | 一种基于多传感器数据融合的无人船定位方法 |
WO2024021642A1 (zh) * | 2022-07-26 | 2024-02-01 | 江苏科技大学 | 一种基于多传感器数据融合的无人船定位方法 |
CN115342814B (zh) * | 2022-07-26 | 2024-03-19 | 江苏科技大学 | 一种基于多传感器数据融合的无人船定位方法 |
CN117346794A (zh) * | 2023-12-05 | 2024-01-05 | 山东省科学院海洋仪器仪表研究所 | 一种用于浒苔跟踪的无人船组合导航系统及导航方法 |
CN117346794B (zh) * | 2023-12-05 | 2024-02-23 | 山东省科学院海洋仪器仪表研究所 | 一种用于浒苔跟踪的无人船组合导航系统及导航方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110926466A (zh) | 一种面向无人船组合导航信息融合的多尺度数据分块算法 | |
CN110579740B (zh) | 一种基于自适应联邦卡尔曼滤波的无人船组合导航方法 | |
Gao et al. | Rapid fine strapdown INS alignment method under marine mooring condition | |
CN104655131B (zh) | 基于istssrckf的惯性导航初始对准方法 | |
CN108197350B (zh) | 一种无人船速度和不确定性估计系统及设计方法 | |
CN106871928B (zh) | 基于李群滤波的捷联惯性导航初始对准方法 | |
CN102096086B (zh) | 一种基于gps/ins组合导航系统不同测量特性的自适应滤波方法 | |
CN105424036B (zh) | 一种低成本水下潜器地形辅助惯性组合导航定位方法 | |
CN109931955B (zh) | 基于状态相关李群滤波的捷联惯性导航系统初始对准方法 | |
CN108318038A (zh) | 一种四元数高斯粒子滤波移动机器人姿态解算方法 | |
CN111596333B (zh) | 一种水下定位导航方法及系统 | |
CN102252677A (zh) | 一种基于时间序列分析的变比例自适应联邦滤波方法 | |
CN110906933B (zh) | 一种基于深度神经网络的auv辅助导航方法 | |
CN103759742A (zh) | 基于模糊自适应控制技术的捷联惯导非线性对准方法 | |
CN110849360B (zh) | 面向多机协同编队飞行的分布式相对导航方法 | |
CN113847915B (zh) | 一种捷联惯导/多普勒组合导航系统的导航方法 | |
CN109596144A (zh) | Gnss位置辅助sins行进间初始对准方法 | |
CN109739088B (zh) | 一种无人船有限时间收敛状态观测器及其设计方法 | |
CN110186461A (zh) | 一种基于重力梯度信息测距的协同导航方法 | |
CN109059914A (zh) | 一种基于gps和最小二乘滤波的炮弹滚转角估计方法 | |
CN113916226B (zh) | 一种基于最小方差的组合导航系统抗扰滤波方法 | |
CN113029173A (zh) | 车辆导航方法及装置 | |
Ma et al. | Vehicle model aided inertial navigation | |
CN112325878A (zh) | 基于ukf与空中无人机节点辅助的地面载体组合导航方法 | |
CN104344835A (zh) | 一种基于切换式自适应控制罗经的捷联惯导动基座对准方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |
|
RJ01 | Rejection of invention patent application after publication |