CN113376664A - 一种无人蜂群协同导航多故障检测方法 - Google Patents
一种无人蜂群协同导航多故障检测方法 Download PDFInfo
- Publication number
- CN113376664A CN113376664A CN202110569624.5A CN202110569624A CN113376664A CN 113376664 A CN113376664 A CN 113376664A CN 202110569624 A CN202110569624 A CN 202110569624A CN 113376664 A CN113376664 A CN 113376664A
- Authority
- CN
- China
- Prior art keywords
- sub
- filter
- measurement information
- fault
- unmanned
- 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
- 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
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
Abstract
本发明公开了一种无人蜂群协同导航多故障检测方法,利用无人蜂群协同信息辅助进行无人飞行器导航系统多故障检测与识别;结合各无人机相对量测信息与无人机自身导航观测信息进行协同容错架构设计,利用不同量测信息的组合构造多级卡尔曼滤波器,通过不同滤波器解的差异性检测无人机导航卫星及协同量测信息的故障状态,并将故障量测隔离以实现无人机协同导航系统的容错重构。本发明考虑了无人蜂群导航系统可能出现的多故障情况,构造不同层次的滤波器实现多个故障量测信息的分离,可灵活检测协同导航系统故障量测信息的个数,无需改变层次滤波结构,具有很好的适应性;本发明适用性广,不受协同辅助信息种类和数量的限制。
Description
技术领域
本发明属于导航技术领域,具体涉及一种无人蜂群协同导航多故障检测方法。
背景技术
无人蜂群往往用于执行复杂和具有挑战性的任务,当其工作在恶劣环境下时,无人蜂群的导航系统容易出现多种类型的故障同时发生的情况,极大地影响无人蜂群的自主可靠飞行。传统故障诊断方法主要利用飞行器自身传感器信息构建故障检测模型,在复杂和不确定性干扰情况下可能出现检测灵敏度下降,甚至检测错误的现象。多无人机间的协同信息为无人机导航系统提供了多尺度的冗余量测信息,可用于监测无人机导航系统的健康状况,辅助完成多故障的检测与识别,以提高无人蜂群在复杂环境下的适应性和生存能力。
因此,针对无人蜂群协同导航对导航量测信息可靠性的要求,需研究引入协同量测信息后导航系统的容错架构设计,考虑多个故障的在线检测及隔离方法,以实现无人蜂群的容错重构。
发明内容
发明目的:为解决传统故障检测方法对多个故障检测灵敏度下降,诊断失效或错误诊断等问题,本发明提出了一种无人蜂群协同导航多故障检测方法。
发明内容:本发明提出一种无人蜂群协同导航多故障检测方法,具体包括以下步骤:
(1)当前时刻为t,无人蜂群中的成员数量为N,无人蜂群各成员根据自身的机载惯导系统进行SINS误差状态建模;
(2)无人蜂群各成员分别通过自身卫星导航接收机确定各自的可用导航卫星个数并获得各卫星量测信息;
(3)无人蜂群各成员根据其他成员的定位精度,选择定位精度较高的基准无人机作为可用协同成员,并获得与可用协同成员的相对测量信息;
(4)针对无人蜂群任意一个成员k,k=1,2,…,N,成员k可用导航卫星量测信息和可用协同成员量测信息建立卫星-飞行器量测模型;
(5)成员k计算其可用量测量总个数为n=xk+yk,其中xk为成员k的可用导航卫星数,yk为成员k的可用协同成员数,并将成员k的可用量测量个数n与预设的阈值qk比较;若n-1>qk,则成员k的导航系统转入故障检测模式,执行(6),否则,成员k的导航系统转入可用检测量不足告警模式,转步骤(20);
(6)根据阈值qk计算成员k的最大可检测故障数m=xk+yk-qk-1,并将可用卫星进行编号为i,i=1,2,…,xk,将所有可用协同成员进行编号为i,i=xk+1,…,xk+yk;
(7)成员k对所有可用卫星和协同成员量测信息的故障状态进行同步检测,根据xk个卫星及yk个协同成员量测信息和惯导信息构造主滤波器F0,进行卡尔曼滤波后得到状态向量X0及协方差矩阵P0;
(9)成员k根据子滤波器Fi的量测信息和惯导信息共进行a次卡尔曼滤波,得到各子滤波器Fi的状态向量Xi、协方差矩阵Pi;
(10)根据主滤波器状态向量X0和子滤波器Fi状态向量Xi,i=1,2,…,a构造主滤波器与各子滤波器的解分离矢量dXi=X0-Xi,得到水平位置解分离矢量为计算子滤波器Fi,i=1,2,…,a的故障检测统计量为其中,|·|表示取向量的模;
(11)成员k计算子滤波器Fi,i=1,2,…,a的检测门限Ti;
(12)将子滤波器Fi的故障检验统计量di与检测门限Ti比较,若存在di>Ti,则成员k的所有量测量中存在故障,转入故障识别模式,执行步骤(13),否则,转步骤(20);
(13)成员k根据子滤波器Fi,i=1,2,…,a,计算各子滤波器Fi下属子-子滤波器个数为b=n-m,并构造子滤波器Fi下属子-子滤波器Fi,j,j=1,2,…,b;
(14)成员k根据步骤((13)子滤波器Fi,i=1,2,…,a下属子-子滤波器Fi,j,j=1,2,…,b的量测信息和惯导信息共进行a×b次卡尔曼滤波,得到各子-子滤波器Fi,j的状态向量Xi,j、协方差矩阵Pi,j;
(15)根据子滤波器Fi状态向量Xi和子-子滤波器Fi,j状态向量Xi,j构造各子滤波器与其下属子-子滤波器的解分离矢量dXi,j=Xi-Xi,j,得到水平位置解分离矢量为计算子-子滤波器Fi,j的故障检测统计量为其中,|·|表示取向量的模;
(16)成员k计算子滤波器Fi,i=1,2,…,a下属子-子滤波Fi,j,j=1,2,…,b的检测门限Ti,j;
(17)将子滤波器Fi,i=1,2,…,a下属子-子滤波器Fi,j,j=1,2,…,b的故障检验统计量di,j与检测门限Ti,j比较,得到子滤波器Fi下属子-子滤波器的检验统计量di,j均小于检测门限Ti,j的子滤波个数c,令其为正常子滤波器Gi,i=1,2,…,c,并得到正常子滤波器弃用的量测信息编号集合Vk,集合Vk中第1个元素为正常子滤波器G1弃用的量测信息编号,第i个元素为正常子滤波器Gi弃用的量测信息编号,第c个元素为正常子滤波器Gc弃用的量测信息编号;
(18)根据步骤(17)获得的正常子滤波器Gi,i=1,2,…,c判断成员k的故障量测信息个数z和故障量测信息编号,若c=1,则z=m,正常子滤波器G1弃用的量测信息编号为故障量测信息编号,并存入故障量测信息编号集合Wk;若c>1,则计算集合Vk中所有元素中均出现的量测信息编号的个数e,令z=e,集合Vk中所有元素中均出现的量测信息编号为故障量测信息编号,并存入故障量测信息编号集合Wk;
(19)成员k根据故障量测信息编号集合Wk判断所有可用量测量中的故障卫星及故障协同成员,将z个故障量测信息排除后利用剩余n-z个量测信息和惯导信息重构卡尔曼滤波,并进行滤波修正,输出组合导航解算结果,转步骤(21);
(20)成员k利用n个量测信息和惯导信息进行卡尔曼滤波,并进行滤波修正,输出组合导航解算结果;
(21)判断无人飞行器是否着陆,若是,则停止计算;否则,t+1,且返回步骤(1),整个无人蜂群协同导航系统进行下一时刻的故障检测及排除。
进一步地,步骤(1)所述的SINS误差状态建模是以东北天地理坐标系为导航坐标系,建立系统状态方程为:
其中,状态向量X(t)为:
其中,为东向、北向、天向数字平台误差角,δve,δvn,δvu为东向、北向、天向速度误差,δL,δλ,δh为东向、北向、天向位置误差,εbx,εby,εbz为东向、北向、天向陀螺常值漂移误差,εrx,εry,εrz为陀螺东向、北向、天向一阶马尔可夫漂移误差,为东向、北向、天向加速度计零偏误差;Φ(t)为系统一步状态转移矩阵;Γ(t)为系统误差矩阵;W(t)为系统误差白噪声矢量。
进一步地,所述步骤(4)包括以下步骤:
(4.1)基于导航卫星量测信息建立卫星量测方程为:
Zs(t)=Hs(t)X(t)+Vs(t)
(4.2)基于协同成员量测信息得到飞行器距离差方程为:
δdi=dIi-dci=ei1δx+ei2δy+ei3δz+υci
其中,dci为成员k与其可用协同成员i,i=1,2,…,yk的测量距离,yk为可用协同成员个数,dIi为成员k与其协同成员i的计算距离,(xI,yI,zI)为成员k惯导系统相对于ECEF坐标系的位置,(xci,yci,zci)为协同成员i的位置,(δx,δy,δz)为惯导系统在ECEF坐标系下的三维位置误差,υci为成员k与可用协同成员i的等效测距误差,设其为均值为0,方差为的白噪声;
(4.4)将卫星和飞行器量测方程结合,建立卫星-飞行器量测模型量测模型为:
其中,V(t)为系统量测噪声阵,其协方差矩阵R为
进一步地,步骤(5)所述qk为预设好的保证组合导航系统卡尔曼滤波器工作稳定的最小观测量的个数。
进一步地,步骤(8)所述子滤波器Fi为弃用m个量测信息后利用n-m个量测信息和惯导信息进行卡尔曼滤波,并得到各子滤波器Fi弃用的量测信息编号集合为Uk,Uk各元素为{1,2,…,m},{1,3,…,m+1},…,{n-m+1,…,n-1,n}。
进一步地,所述步骤(11)包括以下步骤:
(11.1)根据解分离矢量dXi计算其协方差矩阵dPi为:
进一步地,步骤(13)所述子-子滤波器Fi,j为除弃用子滤波器Fi弃用的m个量测信息外,还弃用另外1个量测信息后利用n-m-1个量测信息和惯导信息进行卡尔曼滤波。
进一步地,所述步骤(16)包括以下步骤:
(16.1)根据解分离矢量dXi,j计算其协方差矩阵dPi,j为:
有益效果:与现有技术相比,本发明的有益效果:本发明考虑了无人蜂群导航系统可能出现的多故障情况,构造不同层次的滤波器实现多个故障量测信息的分离,可灵活检测协同导航系统故障量测信息的个数,无需改变层次滤波结构,具有很好的适应性;本发明将无人机蜂群间的协同信息与无人机自身导航系统量测信息融合,建立无人蜂群协同容错体系架构,除检测导航卫星故障,也同步进行协同量测信息的故障诊断,以保证所有可用量测信息的可靠性,实现无人蜂群导航系统的容错重构;本发明适用性广,不受协同辅助信息种类和数量的限制。
附图说明
图1是本发明的流程图;
图2是无人蜂群协同导航多故障检测系统的结构示意图;
图3是蜂群无人飞行器飞行航迹图;
图4是未采本发明时无人机蜂群惯导RMSE位置误差图;
图5是无人飞行器1所有可用量测信息编号示意图;
图6是子滤波器F1下属子-子滤波器F1,1、F1,2和F1,3的检测函数曲线图;
图7是子滤波器F3下属子-子滤波器F3,1、F3,2和F3,3的检测函数曲线图;
图8是子滤波器F5下属子-子滤波器F5,1、F5,2和F5,3的检测函数曲线图;
图9是子滤波器F6下属子-子滤波器F6,1、F6,2和F6,3的检测函数曲线图;
图10是子滤波器F7下属子-子滤波器F7,1、F7,2和F7,3的检测函数曲线图;
图11是采用本发明后无人飞行器1的故障检测结果图;
图12是未采用本发明和采用本发明后的无人飞行器1导航误差曲线对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种无人蜂群协同导航多故障检测方法,利用无人蜂群协同信息辅助进行无人飞行器导航系统多故障检测与识别;结合各无人机相对量测信息与无人机自身导航观测信息进行协同容错架构设计,利用不同量测信息的组合构造多级卡尔曼滤波器,通过不同滤波器解的差异性检测无人机导航卫星及协同量测信息的故障状态,并将故障量测隔离以实现无人机协同导航系统的容错重构。如图1所示,具体步骤如下所示:
步骤(1):令当前时刻为t,设无人蜂群中的成员数量为N,无人蜂群各成员根据自身的机载惯导系统进行SINS误差状态建模。
以东北天地理坐标系为导航坐标系,建立系统状态方程为:
其中,状态向量X(t)为:
其中,为东向、北向、天向数字平台误差角,δve,δvn,δvu为东向、北向、天向速度误差,δL,δλ,δh为东向、北向、天向位置误差,εbx,εby,εbz为东向、北向、天向陀螺常值漂移误差,εrx,εry,εrz为陀螺东向、北向、天向一阶马尔可夫漂移误差,为东向、北向、天向加速度计零偏误差;Φ(t)为系统一步状态转移矩阵;Γ(t)为系统误差矩阵;W(t)为系统误差白噪声矢量。
步骤(2):无人蜂群各成员分别通过自身卫星导航接收机确定各自的可用导航卫星个数并获得各卫星量测信息。
步骤(3):无人蜂群各成员根据其他成员的定位精度,选择定位精度较高的基准无人机作为可用协同成员,并获得与可用协同成员的相对测量信息。
步骤(4):针对无人蜂群任意一个成员k,k=1,2,…,N,成员k根据步骤(2)获得可用导航卫星量测信息和步骤(3)获得的可用协同成员量测信息建立卫星/飞行器量测模型,包括以下子步骤:
(4.1)根据步骤(2)获得可用导航卫星伪距量测信息建立卫星量测方程为:
Zs(t)=Hs(t)X(t)+Vs(t)
(4.2)根据步骤(3)获得的可用协同成员量测信息得到飞行器距离差方程为:
δdi=dIi-dci=ei1δx+ei2δy+ei3δz+υci
其中,dci为成员k与其可用协同成员i,i=1,2,…,yk的测量距离,yk为可用协同成员个数,dIi为成员k与其协同成员i的计算距离,(xI,yI,zI)为成员k惯导系统相对于ECEF坐标系的位置,(xci,yci,zci)为协同成员i的位置,(δx,δy,δz)为惯导系统在ECEF坐标系下的三维位置误差,υci为成员k与可用协同成员i的等效测距误差,设其为均值为0,方差为的白噪声;
(4.3)建立飞行器量测模型为Zc(t)=Hc(t)X(t)+Vc(t),
其中,λ,L,h分别为惯导输出的经纬高。
(4.4)将卫星和飞行器量测方程结合,建立卫星/飞行器量测模型量测模型为
其中,V(t)为系统量测噪声阵,其协方差矩阵R为
步骤(5):成员k计算其可用量测量总个数为n=xk+yk,其中xk为成员k的可用导航卫星数,yk为成员k的可用协同成员数,并将成员k的可用量测量个数n与预设的阈值qk比较;若n-1>qk,则成员k的导航系统转入故障检测模式,执行步骤(6),否则,成员k的导航系统转入可用检测量不足告警模式,转步骤(20);所述qk为预设好的保证组合导航系统卡尔曼滤波器工作稳定的最小观测量的个数,本实施例中xk=4,yk=2,qk=2。
步骤(6):根据步骤(5)所述的阈值qk计算成员k的最大可检测故障数m=xk+yk-qk-1,并将所有可用卫星进行编号为i,i=1,2,…,xk,将所有可用协同成员进行编号为i,i=xk+1,…,xk+yk。
步骤(7):成员k对所有可用卫星和协同成员量测信息的故障状态进行同步检测,根据xk个卫星及yk个协同成员量测信息和惯导信息构造主滤波器F0,进行卡尔曼滤波后得到状态向量X0及协方差矩阵P0。
步骤(8):成员k根据步骤(6)获得的最大可检测故障数m计算子滤波器个数并构造子滤波器Fi,i=1,2,…,a,所述子滤波器Fi为弃用m个量测信息后利用n-m个量测信息和惯导信息进行卡尔曼滤波,如图2所示,得到各子滤波器Fi弃用的量测信息编号集合为Uk,Uk各元素为{1,2,…,m},{1,3,…,m+1},…,{n-m+1,…,n-1,n}。
步骤(9):成员k根据步骤(8)子滤波器Fi,i=1,2,…,a的量测信息和惯导信息共进行a次卡尔曼滤波,得到各子滤波器Fi的状态向量Xi、协方差矩阵Pi。
步骤(10):根据步骤(7)获得的主滤波器状态向量X0和步骤(9)获得的子滤波器Fi状态向量Xi,i=1,2,…,a构造主滤波器与各子滤波器的解分离矢量dXi=X0-Xi,得到水平位置解分离矢量为计算子滤波器Fi的故障检测统计量为其中,|·|表示取向量的模。
步骤(11):成员k计算子滤波器Fi,i=1,2,…,a的检测门限Ti,包括以下子步骤:
(11.1)根据步骤(10)获得的解分离矢量dXi计算其协方差矩阵dPi为
步骤(12):将子滤波器Fi的故障检验统计量di与检测门限Ti比较,若存在di>Ti,则成员k的所有量测量中存在故障,转入故障识别模式,执行步骤(13),否则,转步骤(20)。
步骤(13):成员k根据步骤(8)获得的子滤波器Fi,i=1,2,…,a,计算每个子滤波器Fi下属子-子滤波器个数为b=n-m,并构造子滤波器Fi下属子-子滤波器Fi,j,j=1,2,…,b,所述子-子滤波器Fi,j为除弃用子滤波器Fi弃用的m个量测信息外,还弃用另外1个量测信息后利用n-m-1个量测信息和惯导信息进行卡尔曼滤波。
步骤(14):成员k根据步骤(13)子滤波器Fi,i=1,2,…,a下属子-子滤波器Fi,j,j=1,2,…,b的量测信息和惯导信息共进行a×b次卡尔曼滤波,得到各子-子滤波器Fi,j的状态向量Xi,j、协方差矩阵Pi,j。
步骤(15):根据步骤(9)获得的子滤波器状态向量Xi和步骤(14)获得的子-子滤波器状态向量Xi,j构造各子滤波器与其下属子-子滤波器的解分离矢量dXi,j=Xi-Xi,j,则水平位置解分离矢量为计算子-子滤波器Fi,j的故障检测统计量为其中,|·|表示取向量的模。
步骤(16):成员k计算子滤波器Fi,i=1,2,…,a下属子-子滤波Fi,j,j=1,2,…,b的检测门限Ti,j,包括以下子步骤:
(16.1)根据步骤(15)获得的解分离矢量dXi,j计算其协方差矩阵dPi,j为
步骤(17):将子滤波器Fi,i=1,2,…,a下属子-子滤波器Fi,j,j=1,2,…,b的故障检验统计量di,j与检测门限Ti,j比较,得到子滤波器Fi下属子-子滤波器的检验统计量di,j均小于检测门限Ti,j的子滤波个数c,令其为正常子滤波器Gi,i=1,2,…,c,并得到正常子滤波器弃用的量测信息编号集合Vk,集合Vk中第1个元素为正常子滤波器G1弃用的量测信息编号,第i个元素为正常子滤波器Gi弃用的量测信息编号,第c个元素为正常子滤波器Gc弃用的量测信息编号。
步骤(18):根据步骤(17)获得的正常子滤波器Gi,i=1,2,…,c判断成员k的故障量测信息的个数z和故障量测信息编号,若c=1,则z=m,正常子滤波器G1弃用的量测信息编号为故障量测信息编号,并存入故障量测信息编号集合Wk;若c>1,则计算集合Vk中所有元素中均出现的量测信息编号个数e,令z=e,集合Vk中所有元素中均出现的量测信息编号为故障量测信息编号,并存入故障量测信息编号集合Wk。
步骤(19):成员k根据故障量测信息编号集合Wk判断所有可用量测量中的故障卫星及故障协同成员,将z个故障量测信息排除后利用剩余n-z个量测信息和惯导信息重构卡尔曼滤波,并进行滤波修正,输出组合导航解算结果,转步骤(21)。
步骤(20):成员k利用n个量测信息和惯导信息进行卡尔曼滤波,并进行滤波修正,输出组合导航解算结果。
步骤(21):判断无人飞行器是否着陆,若是,则停止计算;否则,t+1,且返回步骤(1),整个无人蜂群协同导航系统进行下一时刻的故障检测及排除。
为了验证本发明所提出的无人蜂群协同导航多故障检测方法的有效性,进行数字仿真分析。仿真中采用的无人机蜂群中无人飞行器数量为8架,飞行器间相对距离测量精度为5米。图3是蜂群无人飞行器飞行航迹;图4是未采用多故障检测方法时无人机蜂群RMSE位置误差图。以无人飞行器1为待检测飞行器为例,定位精度较高的基准无人飞行器为飞行器3和飞行器6,因此其可用协同成员个数为2。导航过程可见导航卫星个数为4。将无人飞行器1所有可用量测分别编号为1~4号卫星,5~6号协同成员,如图5。在仿真飞行的第800s-1000s时间段1号卫星和2号卫星具有40米的伪距故障,5号协同成员具有30米的伪距故障;第1800-2000s时间段1号卫星和3号卫星具有25米的伪距故障。仿真时,将检测统计量和检测限值由度转换为以米为单位。图6是子滤波器F1下属子-子滤波器F1,1、F1,2和F1,3的检测函数曲线;图7是子滤波器F3下属子-子滤波器F3,1、F3,2和F3,3的检测函数曲线;图8是子滤波器F5下属子-子滤波器F5,1、F5,2和F5,3的检测函数曲线;图9是子滤波器F6下属子-子滤波器F6,1、F6,2和F6,3的检测函数曲线;图10是子滤波器F7下属子-子滤波器F7,1、F7,2和F7,3的检测函数曲线;图11是采用本发明方法后无人飞行器1的故障检测结果;图12是未采用本发明方法和采用本发明方法后的无人飞行器1导航误差曲线对比图。由图6-图10可以看出,在第800-1000s时间段,只有子滤波器3下属子-子滤波器的检测统计量均小于检测门限,该子滤波器弃用1号卫星、2号卫星和5号协同成员为故障量测信息;在第1800-2000s时间段,子滤波器1、子滤波器5、子滤波器6和子滤波器7下属子-子滤波器的检测统计量均小于检测门限,由子滤波器1弃用1号、2号和3号量测信息,子滤波器5弃用1号、3号和4号量测信息,子滤波器6弃用1号、3号和5号量测信息,子滤波器7弃用1号、3号和6号量测信息,可得1号卫星和3号卫星为故障量测信息;由图11可以看出,采用本发明方法后,无人飞行器1在飞行过程能检测不同的故障量测个数和编号,具有很好的适应性;由图12可以看出,采用本实施例所提出的一种无人蜂群协同导航多故障检测方法后,无人飞行器1的位置误差保持较小,无人机蜂群系统具有较好的容错能力。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.一种无人蜂群协同导航多故障检测方法,其特征在于,包括如下步骤:
(1)当前时刻为t,无人蜂群中的成员数量为N,无人蜂群各成员根据自身的机载惯导系统进行SINS误差状态建模;
(2)无人蜂群各成员分别通过自身卫星导航接收机确定各自的可用导航卫星个数并获得各卫星量测信息;
(3)无人蜂群各成员根据其他成员的定位精度,选择定位精度较高的基准无人机作为可用协同成员,并获得与可用协同成员的相对测量信息;
(4)针对无人蜂群任意一个成员k,k=1,2,…,N,成员k可用导航卫星量测信息和可用协同成员量测信息建立卫星-飞行器量测模型;
(5)成员k计算其可用量测量总个数为n=xk+yk,其中xk为成员k的可用导航卫星数,yk为成员k的可用协同成员数,并将成员k的可用量测量个数n与预设的阈值qk比较;若n-1>qk,则成员k的导航系统转入故障检测模式,执行(6),否则,成员k的导航系统转入可用检测量不足告警模式,转步骤(20);
(6)根据阈值qk计算成员k的最大可检测故障数m=xk+yk-qk-1,并将可用卫星进行编号为i,i=1,2,…,xk,将所有可用协同成员进行编号为i,i=xk+1,…,xk+yk;
(7)成员k对所有可用卫星和协同成员量测信息的故障状态进行同步检测,根据xk个卫星及yk个协同成员量测信息和惯导信息构造主滤波器F0,进行卡尔曼滤波后得到状态向量X0及协方差矩阵P0;
(9)成员k根据子滤波器Fi的量测信息和惯导信息共进行a次卡尔曼滤波,得到各子滤波器Fi的状态向量Xi、协方差矩阵Pi;
(10)根据主滤波器状态向量X0和子滤波器Fi状态向量Xi,i=1,2,…,a构造主滤波器与各子滤波器的解分离矢量dXi=X0-Xi,得到水平位置解分离矢量为计算子滤波器Fi,i=1,2,…,a的故障检测统计量为其中,|·|表示取向量的模;
(11)成员k计算子滤波器Fi,i=1,2,…,a的检测门限Ti;
(12)将子滤波器Fi的故障检验统计量di与检测门限Ti比较,若存在di>Ti,则成员k的所有量测量中存在故障,转入故障识别模式,执行步骤(13),否则,转步骤(20);
(13)成员k根据子滤波器Fi,i=1,2,…,a,计算各子滤波器Fi下属子-子滤波器个数为b=n-m,并构造子滤波器Fi下属子-子滤波器Fi,j,j=1,2,…,b;
(14)成员k根据步骤((13)子滤波器Fi,i=1,2,…,a下属子-子滤波器Fi,j,j=1,2,…,b的量测信息和惯导信息共进行a×b次卡尔曼滤波,得到各子-子滤波器Fi,j的状态向量Xi,j、协方差矩阵Pi,j;
(15)根据子滤波器Fi状态向量Xi和子-子滤波器Fi,j状态向量Xi,j构造各子滤波器与其下属子-子滤波器的解分离矢量dXi,j=Xi-Xi,j,得到水平位置解分离矢量为计算子-子滤波器Fi,j的故障检测统计量为其中,|·|表示取向量的模;
(16)成员k计算子滤波器Fi,i=1,2,…,a下属子-子滤波Fi,j,j=1,2,…,b的检测门限Ti,j;
(17)将子滤波器Fi,i=1,2,…,a下属子-子滤波器Fi,j,j=1,2,…,b的故障检验统计量di,j与检测门限Ti,j比较,得到子滤波器Fi下属子-子滤波器的检验统计量di,j均小于检测门限Ti,j的子滤波个数c,令其为正常子滤波器Gi,i=1,2,…,c,并得到正常子滤波器弃用的量测信息编号集合Vk,集合Vk中第1个元素为正常子滤波器G1弃用的量测信息编号,第i个元素为正常子滤波器Gi弃用的量测信息编号,第c个元素为正常子滤波器Gc弃用的量测信息编号;
(18)根据步骤(17)获得的正常子滤波器Gi,i=1,2,…,c判断成员k的故障量测信息个数z和故障量测信息编号,若c=1,则z=m,正常子滤波器G1弃用的量测信息编号为故障量测信息编号,并存入故障量测信息编号集合Wk;若c>1,则计算集合Vk中所有元素中均出现的量测信息编号的个数e,令z=e,集合Vk中所有元素中均出现的量测信息编号为故障量测信息编号,并存入故障量测信息编号集合Wk;
(19)成员k根据故障量测信息编号集合Wk判断所有可用量测量中的故障卫星及故障协同成员,将z个故障量测信息排除后利用剩余n-z个量测信息和惯导信息重构卡尔曼滤波,并进行滤波修正,输出组合导航解算结果,转步骤(21);
(20)成员k利用n个量测信息和惯导信息进行卡尔曼滤波,并进行滤波修正,输出组合导航解算结果;
(21)判断无人飞行器是否着陆,若是,则停止计算;否则,t+1,且返回步骤(1),整个无人蜂群协同导航系统进行下一时刻的故障检测及排除。
3.根据权利要求1所述的无人蜂群协同导航多故障检测方法,其特征在于,所述步骤(4)包括以下步骤:
(4.1)基于导航卫星量测信息建立卫星量测方程为:
Zs(t)=Hs(t)X(t)+Vs(t)
(4.2)基于协同成员量测信息得到飞行器距离差方程为:
δdi=dIi-dci=ei1δx+ei2δy+ei3δz+υci
其中,dci为成员k与其可用协同成员i,i=1,2,…,yk的测量距离,yk为可用协同成员个数,dIi为成员k与其协同成员i的计算距离,(xI,yI,zI)为成员k惯导系统相对于ECEF坐标系的位置,(xci,yci,zci)为协同成员i的位置,(δx,δy,δz)为惯导系统在ECEF坐标系下的三维位置误差,υci为成员k与可用协同成员i的等效测距误差,设其为均值为0,方差为的白噪声;
(4.3)建立飞行器量测模型为Zc(t)=Hc(t)X(t)+Vc(t),
(4.4)将卫星和飞行器量测方程结合,建立卫星-飞行器量测模型量测模型为:
其中,V(t)为系统量测噪声阵,其协方差矩阵R为
4.根据权利要求1所述的无人蜂群协同导航多故障检测方法,其特征在于,步骤(5)所述qk为预设好的保证组合导航系统卡尔曼滤波器工作稳定的最小观测量的个数。
5.根据权利要求1所述的无人蜂群协同导航多故障检测方法,其特征在于,步骤(8)所述子滤波器Fi为弃用m个量测信息后利用n-m个量测信息和惯导信息进行卡尔曼滤波,并得到各子滤波器Fi弃用的量测信息编号集合为Uk,Uk各元素为{1,2,…,m},{1,3,...,m+1},…,{n-m+1,…,n-1,n}。
7.根据权利要求1所述的无人蜂群协同导航多故障检测方法,其特征在于,步骤(13)所述子-子滤波器Fi,j为除弃用子滤波器Fi弃用的m个量测信息外,还弃用另外1个量测信息后利用n-m-1个量测信息和惯导信息进行卡尔曼滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569624.5A CN113376664B (zh) | 2021-05-25 | 2021-05-25 | 一种无人蜂群协同导航多故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569624.5A CN113376664B (zh) | 2021-05-25 | 2021-05-25 | 一种无人蜂群协同导航多故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113376664A true CN113376664A (zh) | 2021-09-10 |
CN113376664B CN113376664B (zh) | 2022-07-26 |
Family
ID=77571738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110569624.5A Active CN113376664B (zh) | 2021-05-25 | 2021-05-25 | 一种无人蜂群协同导航多故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376664B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003051A (zh) * | 2021-10-14 | 2022-02-01 | 南京航空航天大学 | 一种用于混合少星条件的递归协同定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323007A (zh) * | 2013-06-17 | 2013-09-25 | 南京航空航天大学 | 一种基于时变量测噪声的鲁棒联邦滤波方法 |
CN106679693A (zh) * | 2016-12-14 | 2017-05-17 | 南京航空航天大学 | 一种基于故障检测的矢量信息分配自适应联邦滤波方法 |
CN108151737A (zh) * | 2017-12-19 | 2018-06-12 | 南京航空航天大学 | 一种动态互观测关系条件下的无人机蜂群协同导航方法 |
CN110196443A (zh) * | 2019-06-06 | 2019-09-03 | 中国人民解放军战略支援部队信息工程大学 | 一种飞行器的容错组合导航方法及系统 |
CN110208843A (zh) * | 2019-05-21 | 2019-09-06 | 南京航空航天大学 | 一种基于增广伪距信息辅助的容错导航方法 |
CN112697154A (zh) * | 2021-01-31 | 2021-04-23 | 南京理工大学 | 一种基于矢量分配的自适应多源融合导航方法 |
-
2021
- 2021-05-25 CN CN202110569624.5A patent/CN113376664B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323007A (zh) * | 2013-06-17 | 2013-09-25 | 南京航空航天大学 | 一种基于时变量测噪声的鲁棒联邦滤波方法 |
CN106679693A (zh) * | 2016-12-14 | 2017-05-17 | 南京航空航天大学 | 一种基于故障检测的矢量信息分配自适应联邦滤波方法 |
CN108151737A (zh) * | 2017-12-19 | 2018-06-12 | 南京航空航天大学 | 一种动态互观测关系条件下的无人机蜂群协同导航方法 |
CN110208843A (zh) * | 2019-05-21 | 2019-09-06 | 南京航空航天大学 | 一种基于增广伪距信息辅助的容错导航方法 |
CN110196443A (zh) * | 2019-06-06 | 2019-09-03 | 中国人民解放军战略支援部队信息工程大学 | 一种飞行器的容错组合导航方法及系统 |
CN112697154A (zh) * | 2021-01-31 | 2021-04-23 | 南京理工大学 | 一种基于矢量分配的自适应多源融合导航方法 |
Non-Patent Citations (1)
Title |
---|
刘建业等: "区域导航无人机空中基准站多源信息融合容错导航系统研究", 《导航与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003051A (zh) * | 2021-10-14 | 2022-02-01 | 南京航空航天大学 | 一种用于混合少星条件的递归协同定位方法 |
CN114003051B (zh) * | 2021-10-14 | 2023-10-31 | 南京航空航天大学 | 一种用于混合少星条件的递归协同定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113376664B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110196443B (zh) | 一种飞行器的容错组合导航方法及系统 | |
CA2664994C (en) | Hybrid ins/gnss system with integrity monitoring and method for integrity monitoring | |
CN109373999B (zh) | 基于故障容错卡尔曼滤波的组合导航方法 | |
CN110007317B (zh) | 一种选星优化的高级接收机自主完好性监测方法 | |
US7409289B2 (en) | Device for monitoring the integrity of information delivered by a hybrid INS/GNSS system | |
CN111928846A (zh) | 一种基于联邦滤波的多源融合即插即用组合导航方法 | |
CN101395443B (zh) | 混合定位方法和设备 | |
CN104729506A (zh) | 一种视觉信息辅助的无人机自主导航定位方法 | |
CN110823217A (zh) | 一种基于自适应联邦强跟踪滤波的组合导航容错方法 | |
CN109471143B (zh) | 自适应容错的列车组合定位方法 | |
CN108168509B (zh) | 一种升力模型辅助的四旋翼飞行器高度容错估计方法 | |
Zhang et al. | Improved fault detection method based on robust estimation and sliding window test for INS/GNSS integration | |
WO2001020360A9 (en) | Solution separation method and apparatus for ground-augmented global positioning system | |
CN114545454A (zh) | 一种面向自动驾驶的融合导航系统完好性监测方法 | |
CN112507281B (zh) | 一种基于双状态多因子抗差估计sins/dvl紧组合系统的方法 | |
CN108981709B (zh) | 基于力矩模型辅助的四旋翼横滚角、俯仰角容错估计方法 | |
Jiang et al. | An effective integrity monitoring scheme for GNSS/INS/vision integration based on error state EKF model | |
CN103454650A (zh) | 一种视觉辅助卫星完好性监测方法 | |
CN113376664B (zh) | 一种无人蜂群协同导航多故障检测方法 | |
CN110208843B (zh) | 一种基于增广伪距信息辅助的容错导航方法 | |
CN112179347B (zh) | 一种基于光谱红移误差观测方程的组合导航方法 | |
CN113483759A (zh) | 一种GNSS、INS、Vision组合导航系统完好性保护级计算方法 | |
CN111208544B (zh) | 一种用于无人机蜂群协同导航的完好性保护水平优化方法 | |
US20230341563A1 (en) | System and method for computing positioning protection levels | |
CN112697154A (zh) | 一种基于矢量分配的自适应多源融合导航方法 |
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 |