CN112097771A - Gps延迟时间自适应的扩展卡尔曼滤波导航算法 - Google Patents
Gps延迟时间自适应的扩展卡尔曼滤波导航算法 Download PDFInfo
- Publication number
- CN112097771A CN112097771A CN202010828676.5A CN202010828676A CN112097771A CN 112097771 A CN112097771 A CN 112097771A CN 202010828676 A CN202010828676 A CN 202010828676A CN 112097771 A CN112097771 A CN 112097771A
- Authority
- CN
- China
- Prior art keywords
- gps
- matrix
- covariance
- delay time
- vector
- 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.)
- Granted
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
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)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明属于自适应组合导航算法领域,尤其涉及一种测量的速度、位置存在延迟时,INS/GPS自适应组合导航算法。本发明基于缓存的历史IMU数据和GPS数据,提出了一种通过代价函数优化算法提取GPS的速度、位置测量的延迟时间的方法,可有效解决GPS/IMU数据对齐的问题。在执行GPS/INS扩展卡尔曼滤波组合导航算法过程中,基于延迟时间进行测量值误差协方差的自适应调整,有效提高了在测量值大延迟环境下的导航精度。
Description
技术领域
本发明属于自适应组合导航算法领域,尤其涉及一种测量的速度、位置存在延迟时,INS/GPS自适应组合导航算法。
背景技术
近年来,随着无人驾驶汽车、无人机领域的发展,对运载体的姿态、速度、位置等导航参数的求解精度提出了越来越高的要求。精确可靠的导航算法,是实现运载体无人制导的前提。
在民用领域,大多使用低成本的MEMS惯导传感器进行导航,但是由于低成本MEMS传感器精度不高,仅仅依赖MEMS传感器进行导航会导致解算过程极易发散;若使用纯GPS导航,则存在信号遮挡失效、信号延迟、导航频率过低等缺点,无法应用于高机动的运载体,所以使用INS/GPS组合导航一直是目前的主流方法。一种常见的组合方式是,使用三轴磁力计,MEMS传感器提供的陀螺角速度、加速度,以及GPS接收机提供的速度、位置,进行扩展卡尔曼滤波融合。
保证INS/GPS组合导航求解精度的一个关键要求是,所有传感器的采集出的数据必须在同一个时间点上进行融合,但现实情况是,GPS接收机送入扩展卡尔曼滤波器的速度、位置,相较于角速度、加速度等参数,存在随机延迟,这种延迟来自于以下几个方面:卫星和GPS接收机的钟差、GPS接收机处理器的解算速度、大气传播延迟、主控CPU解析处理GPS报文的延迟,以及GPS接收机穿越遮挡区发生丢星等诸多因素。
然而,一旦获取到了GPS测量的数据的延迟时间,就可以通过缓存MEMS传感器、地磁传感器的数据,在历史时间上进行扩展卡尔曼数据融合,做出精度较高的INS/GPS组合导航。但是由于GPS测量的数据延迟时间,并不是一个固定值,难以在历史时间上对齐GPS的测量值与MEMS传感器的测量值,因此有必要对传统的组合导航算法做出改进,以进一步提高导航参数的求解精度。
发明内容
为解决背景技术中提到的缺陷,本发明展示了一种GPS延迟时间自适应的扩展卡尔曼滤波导航算法。
为实现上述目的,现提供技术方案如下:
一种GPS延迟时间自适应的扩展卡尔曼滤波导航算法,包括
步骤1,准备数据;
1.1、读取传感器IMU采集的加速度和GPS采集的速度;
1.2、对原始数据做高阶低通滤波处理,以便消除数据跳动;
1.3、将处理后的数据送入先入先出队列FIFO进行缓存;
1.4、以一定频率,取出一段时间内的缓存数据,以最小化代价函数为目标,进行迭代优化直至找出最佳延迟时间td,建立关于GPS延迟时间的代价函数:
以代价函数取得最小值为优化目标,以GPS的采集周期为步长,对td从0
到M进行进行扫描,获取优化后td的值;
步骤2,执行自适应扩展卡尔曼滤波迭代;
2.1、取出步骤1中FIFO中的最新数据,以及延迟时间td;
2.2、执行先验估计过程:
其中:
Δt为算法迭代周期;
g为当地重力加速度标量;
DBG为从载体系到大地系的方向余弦矩阵,其值可由缓存的姿态四元数q获得;
按照先验估计过程的非线性运动状态方程进行状态一步预测,这一过程可描述为:
2.3、建立卡尔曼先验估计误差的协方差矩阵递推模型:
P(t+Δt)=F·P(t)·FT+Q(t),
Q为过程误差的协方差矩阵,F为状态转移矩阵,
其中E为3×3的单位矩阵,0为3×3的零矩阵;
2.4、定义观测向量Z=[vx vy vz px py pz]T;
建立卡尔曼观测矩阵H:
其中三轴速度观测值vx、vy、vz,三轴位置观测值px、py、pz可由GPS接收机获得;
2.5、根据步骤一给出的延迟时间td,自适应计算速度、位置的测量误差协方差:
r(td)=r0·(1+k·arctan(td))
其中,r0为速度或位置误差协方差的基准值,k代表协方差随时间延迟而做出非线性自适应增大的增益系数;
2.6、根据自适应的测量值误差协方差,更新卡尔曼增益:
K(t+Δt)=P(t+Δt)HT(t+Δt)(H(t+Δt)P(t+Δt)H(t+Δt)+R(t+Δt,td))
尤其注意到,上式中测量误差的协方差定义为:R=R(t+Δt,td);
2.7、更新卡尔曼后验估计:
2.8、更新后验估计的误差协方差矩阵:
P+(t+Δt)=(E-K(t+Δt)H(t+Δt))P-(t+Δt);
步骤3,执行无监督惯导递推,同时返回步骤1,去准备新一轮的数据。
本发明的有益效果:
本发明基于缓存的历史IMU数据和GPS数据,提出了一种通过代价函数优化算法提取GPS的速度、位置测量的延迟时间的方法,可有效解决GPS/IMU数据对齐的问题。在执行GPS/INS扩展卡尔曼滤波组合导航算法过程中,基于延迟时间进行测量值误差协方差的自适应调整,有效提高了在测量值大延迟环境下的导航精度。
附图说明
图1为本发明算法流程图示意图。
具体实施方式
为使本领域技术人员更加清楚和明确本发明技术方案,下面结合附图对本发明技术方案进行详细描述,但本发明的实施方式不限于此。
为了克服GPS测量时间延迟,对组合导航参数求解精度的不良影响,本发明的目的是,提供一种把GPS测量延迟时间考虑在内的组合导航算法,即使GPS测量时间存在随机延迟,仍能够使得GPS的测量值与MEMS传感器的测量值能够在历史时间上自适应对齐,为后续导航参数的求解过程提供良好的保障。
为实现上述目的,本发明采用的技术方案是:
首先定义:与运载体(例如无人车、无人机)固连的坐标系称为“载体坐标系”,与大地固连的坐标系称为“大地坐标系”。
本发明提出的算法迭代过程中需要用到方向测量工具,如磁力计或双GPS测向等,这些内容对于本领域工程人员来说属于已公开知识,下文中关于测向的内容不再出现。
对于GPS接收机采集的速度,进行差分处理,得出加速度aS,通过先入先出队列FIFO将M秒内的aS进行缓存。
为避免差分处理所导致的aS数值异常跳动,可对GPS采集的速度施加二阶以上高阶低通滤波,截止频率记为fa,进而获取平滑的加速度值。
通过姿态四元数将IMU输出的载体坐标系下的加速度aB,和加速度计0偏,转换为大地系下的加速度aG,通过先入先出队列FIFO将N秒内采集的aG进行缓存,N至少比M多Tr秒,Tr=2。
对IMU采集的加速度,亦施加截止频率为fa的二阶以上高阶低通滤波。
建立关于GPS延迟时间td的代价函数:
以代价函数取得最小值为优化目标,以GPS的采集周期为步长,对td从0到M进行进行扫描,获取优化后td的值。
优化过程在大机动过程中应增加权重,在平稳过程中存在较大误差,应减小权重。
其中:
Δt为算法迭代周期;
g为当地重力加速度标量;
DBG为从载体系到大地系的方向余弦矩阵,其值可由缓存的姿态四元数q获得:
定义状态向量X=[vx vy vz px py pz aBbx aBby aBbz]T,建立卡尔曼先验估计误差的协方差矩阵递推模型:
P(t+Δt)=F·P(t)·FT+Q
其中:
Q为过程误差的协方差矩阵;F为状态转移矩阵,而且,F可由式(1)来获得:
定义观测向量Z=[vx vy vz px py pz]T,建立卡尔曼观测矩阵H:
其中三轴速度观测值vx、vy、vz,三轴位置观测值px、py、pz可由GPS接收机获得。
基于前述状态转移矩阵、观测矩阵等,执行后续卡尔曼迭代算法:计算卡尔曼增益、计算后验估计、计算后验估计的误差协方差矩阵。
在计算卡尔曼增益时,速度、位置测量误差的协方差的对角元要与GPS延迟时间自适应,公式如下:
r(td)=r0·(1+k·arctan(td)) (3)
其中,r0为速度或位置误差协方差的基准值,k代表协方差随时间延迟而做出非线性自适应增大的增益系数。
在计算出后验估计的基础上,从FIFO中取出从t-td到t时刻的加速度计数据,再次利用式(1)所述的运动模型进行无监督的惯导推进。
以上所述,仅是本发明的最佳实施例而已,并非对本发明的任何形式的限制,任何熟悉本领域的技术人员,在不脱离本发明技术方案范围的情况下利用上述揭示的方法和内容对本发明做出的许多可能的变动和修饰,均属于权利要求书保护的范围。
Claims (1)
1.一种GPS延迟时间自适应的扩展卡尔曼滤波导航算法,其特征在于:包括
步骤1,准备数据;
1.1、读取传感器IMU采集的加速度和GPS采集的速度;
1.2、对原始数据做高阶低通滤波处理,以便消除数据跳动;
1.3、将处理后的数据送入先入先出队列FIFO进行缓存;
1.4、以一定频率,取出一段时间内的缓存数据,以最小化代价函数为目标,进行迭代优化直至找出最佳延迟时间td,建立关于GPS延迟时间的代价函数:
以代价函数取得最小值为优化目标,以GPS的采集周期为步长,对td从0到M进行进行扫描,获取优化后td的值;
步骤2,执行自适应扩展卡尔曼滤波迭代;
2.1、取出步骤1中FIFO中的最新数据,以及延迟时间td;
2.2、执行先验估计过程:
其中:
Δt为算法迭代周期;
g为当地重力加速度标量;
DBG为从载体系到大地系的方向余弦矩阵,其值可由缓存的姿态四元数q获得;
按照先验估计过程的非线性运动状态方程进行状态一步预测,这一过程可描述为:
2.3、建立卡尔曼先验估计误差的协方差矩阵递推模型:
P(t+Δt)=F·P(t)·FT+Q(t),
Q为过程误差的协方差矩阵,F为状态转移矩阵,
其中E为3×3的单位矩阵,0为3×3的零矩阵;
2.4、定义观测向量Z=[vx vy vz px py pz]T;
建立卡尔曼观测矩阵H:
其中三轴速度观测值vx、vy、vz,三轴位置观测值px、py、pz可由GPS接收机获得;
2.5、根据步骤一给出的延迟时间td,自适应计算速度、位置的测量误差协方差:
r(td)=r0·(1+k·arctan(td))
其中,r0为速度或位置误差协方差的基准值,k代表协方差随时间延迟而做出非线性自适应增大的增益系数;
2.6、根据自适应的测量值误差协方差,更新卡尔曼增益:
K(t+Δt)=P(t+Δt)HT(t+Δt)(H(t+Δt)P(t+Δt)H(t+Δt)+R(t+Δt,td))
尤其注意到,上式中测量误差的协方差定义为:R=R(t+Δt,td);
2.7、更新卡尔曼后验估计:
2.8、更新后验估计的误差协方差矩阵:
P+(t+Δt)=(E-K(t+Δt)H(t+Δt))P-(t+Δt);
步骤3,执行无监督惯导递推,同时返回步骤1,去准备新一轮的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010828676.5A CN112097771B (zh) | 2020-08-18 | 2020-08-18 | Gps延迟时间自适应的扩展卡尔曼滤波导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010828676.5A CN112097771B (zh) | 2020-08-18 | 2020-08-18 | Gps延迟时间自适应的扩展卡尔曼滤波导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112097771A true CN112097771A (zh) | 2020-12-18 |
CN112097771B CN112097771B (zh) | 2022-04-29 |
Family
ID=73754439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010828676.5A Active CN112097771B (zh) | 2020-08-18 | 2020-08-18 | Gps延迟时间自适应的扩展卡尔曼滤波导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112097771B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413885A (zh) * | 2021-12-22 | 2022-04-29 | 华人运通(上海)自动驾驶科技有限公司 | 基于多传感器融合定位的时间同步方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090135056A1 (en) * | 2007-05-31 | 2009-05-28 | Dai Liwen L | Distance dependant error mitigation in real-time kinematic (RTK) positioning |
US20090276155A1 (en) * | 2008-04-30 | 2009-11-05 | Honeywell International, Inc. | Systems and methods for determining location information using dual filters |
CN103983997A (zh) * | 2014-05-09 | 2014-08-13 | 北京航空航天大学 | 一种抗gps失效的车载组合导航方法 |
CN108629793A (zh) * | 2018-03-22 | 2018-10-09 | 中国科学院自动化研究所 | 使用在线时间标定的视觉惯性测程法与设备 |
CN109425876A (zh) * | 2017-08-22 | 2019-03-05 | 北京自动化控制设备研究所 | 一种提高定位精度的改进卡尔曼滤波方法 |
-
2020
- 2020-08-18 CN CN202010828676.5A patent/CN112097771B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090135056A1 (en) * | 2007-05-31 | 2009-05-28 | Dai Liwen L | Distance dependant error mitigation in real-time kinematic (RTK) positioning |
US20090276155A1 (en) * | 2008-04-30 | 2009-11-05 | Honeywell International, Inc. | Systems and methods for determining location information using dual filters |
CN103983997A (zh) * | 2014-05-09 | 2014-08-13 | 北京航空航天大学 | 一种抗gps失效的车载组合导航方法 |
CN109425876A (zh) * | 2017-08-22 | 2019-03-05 | 北京自动化控制设备研究所 | 一种提高定位精度的改进卡尔曼滤波方法 |
CN108629793A (zh) * | 2018-03-22 | 2018-10-09 | 中国科学院自动化研究所 | 使用在线时间标定的视觉惯性测程法与设备 |
Non-Patent Citations (3)
Title |
---|
ANDRE´ HAUSCHILD Æ OLIVER MONTENBRUCK: "Kalman-filter-based GPS clock estimation for near real-time positioning", 《GPS SOLUT》 * |
HENRY · HIMBERG等: "A multiple model approach to track head orientation with delta quaternions", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
汤金 等: "基于北斗的无人机高精度自主导航与监控技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413885A (zh) * | 2021-12-22 | 2022-04-29 | 华人运通(上海)自动驾驶科技有限公司 | 基于多传感器融合定位的时间同步方法及系统 |
CN114413885B (zh) * | 2021-12-22 | 2024-05-24 | 华人运通(上海)自动驾驶科技有限公司 | 基于多传感器融合定位的时间同步方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112097771B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11435186B2 (en) | Dead reckoning method and apparatus for vehicle, device and storage medium | |
CN108759845B (zh) | 一种基于低成本多传感器组合导航的优化方法 | |
JP5569681B2 (ja) | 慣性センサ,磁気センサおよび速度計を用いた移動体の姿勢推定装置および姿勢推定方法 | |
CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
CN114018274B (zh) | 车辆定位方法、装置及电子设备 | |
CN110954102B (zh) | 用于机器人定位的磁力计辅助惯性导航系统及方法 | |
CN111189442B (zh) | 基于cepf的无人机多源导航信息状态预测方法 | |
CN111307114B (zh) | 基于运动参考单元的水面舰船水平姿态测量方法 | |
CN112097771B (zh) | Gps延迟时间自适应的扩展卡尔曼滤波导航方法 | |
CN114915913A (zh) | 一种基于滑窗因子图的uwb-imu组合室内定位方法 | |
CN113008229B (zh) | 一种基于低成本车载传感器的分布式自主组合导航方法 | |
Xiang et al. | A SINS/GNSS/2D-LDV integrated navigation scheme for unmanned ground vehicles | |
CN116718153B (zh) | 一种基于gnss和ins的形变监测方法及系统 | |
CN110849364B (zh) | 基于动中通的自适应卡尔曼姿态估计方法 | |
CN112859139B (zh) | 一种姿态测量方法、装置及电子设备 | |
CN115900697B (zh) | 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆 | |
CN116242373A (zh) | 一种融合多源数据的高精度导航定位方法及系统 | |
CN115037703B (zh) | 数据处理方法、装置、计算机存储介质及计算机程序产品 | |
CN109596139B (zh) | 基于mems的车载导航方法 | |
CN118482744B (zh) | 基于Neighbor2Neighbor自监督去噪的紧组合导航方法及系统 | |
CN117948986B (zh) | 一种极区因子图构建方法和极区组合导航方法 | |
Zhang et al. | Research on UWB/INS Fusion Indoor Positioning Algorithm Based on Tightly Coupled EKF | |
CN116878497A (zh) | 一种神经网络辅助的鲁棒多传感器因子图融合定位方法 | |
Jiao et al. | The accuracy of vehicle position and heading angle improvement based on dual-antenna GNSS/INS/Barometer integration using extended Kalman filter | |
CN116086488A (zh) | 统一建模原理的极区动基座对准方法、设备及介质 |
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 |