CN114199279A - 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 - Google Patents
全量模式下基于高精度惯组的mems惯组参数的在线估计方法 Download PDFInfo
- Publication number
- CN114199279A CN114199279A CN202111423727.7A CN202111423727A CN114199279A CN 114199279 A CN114199279 A CN 114199279A CN 202111423727 A CN202111423727 A CN 202111423727A CN 114199279 A CN114199279 A CN 114199279A
- Authority
- CN
- China
- Prior art keywords
- measurement unit
- inertial measurement
- output
- axis
- triaxial
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000009434 installation Methods 0.000 claims description 28
- 239000010453 quartz Substances 0.000 claims description 27
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012886 linear function Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 210000001153 interneuron Anatomy 0.000 claims description 6
- 238000013459 approach Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Manufacturing & Machinery (AREA)
- Gyroscopes (AREA)
Abstract
本发明涉及一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法,包括:构建激光惯组和MEMS惯组的测量模型;根据激光惯组的输出和标定参数计算载体坐标系下的三轴角增量值和视速度增量值;通过累积时间点t之前的三轴角增量值和视速度增量值分别得到的三轴角度和视速度在时间点t的累积值;使用时间点t以及三轴角度在时间点t的累积值作为输入训练三轴角度的神经网络模型;将时间点t以及三轴视速度在时间点t的累积值作为输入训练三轴视速度的神经网络模型;将得到的当前时间点和三轴角度和视速度在当前时间点的累积值分别输入到对应的神经网络模型中在线估计MEMS惯组参数。本发明实现低精度惯组参数的在线估计,提高定位的精度。
Description
技术领域
本发明涉及导航技术领域,尤其涉及一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法。
背景技术
由于运载火箭、飞机、舰船等运动体的可靠性要求越来越高,任务越来越复杂,需要导航系统在运载火箭任务中,在提供可靠,高精度的导航信息的同时具备成本低,重量轻,功耗低的优点。
冗余设计是提高导航系统可靠性的技术途径之一。当前运载火箭等的导航系统的可靠性多采用惯组冗余的方式来保证,然而多个高精度惯组的冗余模式势必给带来大体积,高功耗,高成本等问题。因此传统冗余方案一般只用在大型运载火箭中,小型商业运载火箭一般只采用一套高性能的光学惯组。MEMS惯组作为一种微型惯组器件,虽然精度不如光学惯组高,但在体积重量和成本上有很大优势,且MEMS惯组单次通电的稳定性相较于多次通电啊有一定的优势,因此MEMS惯组可以作为冗余惯组设计的一部分。但由于MEMS惯组的精度不足,而且需要进行射前标定,带来了额外的工作量,因此对作为冗余的MEMS惯组的参数进行在线估计成为需要。。
发明内容
鉴于上述的分析,本发明旨在提供一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法。实现了低精度惯组参数的在线估计。
本发明提供的技术方案是:
本发明公开了一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法,包括以下步骤:
构建激光惯组和MEMS惯组的测量模型;
根据激光惯组的输出和标定参数计算载体坐标系下的三轴角增量值和视速度增量值;通过累积时间点t之前的所述三轴角增量值和视速度增量值分别得到的三轴角度和视速度在时间点t的累积值;
使用所述时间点t以及三轴角度在时间点t的累积值作为输入训练三轴角度的神经网络模型;将所述时间点t以及三轴视速度在时间点t的累积值作为输入训练三轴视速度的神经网络模型;
将得到的当前时间点和三轴角度和视速度在当前时间点的累积值分别输入到对应的神经网络模型中在线估计MEMS惯组参数。
进一步地,所述三轴角度的神经网络模型为三层的线性神经网络模型,其中,输入层为4个神经元、隐藏层为3个神经元,输出层为3个神经元;
输入层和隐藏层之间的神经元间连接权值表示为Dlij和Dli0i=1,2,3;j=x,y,z;其中,Dlij为MEMS惯组的三轴陀螺的安装系数,Dli0为MEMS惯组的三轴陀螺零次项参数;
其中,输出函数为线性函数。
进一步地,通过迭代更新线性神经网络的权值,以得到MEMS惯组的三轴陀螺的安装矩阵参数和零次项参数的误差;
所述安装矩阵参数和零次项参数的更新算法为:
D(n+1)=D(n)+ηxT(n)e(n);
x(n)为迭代次数为n时神经网络输入;
e(n)为实际输出和期望输出的差值;该网络中,实际输出即网络计算值,期望输出为MEMS陀螺的观测量;η为学习率,根据输入数据的量级决定。
进一步地,所述迭代更新过程的终止迭代条件为:
(1)误差e累计值变化连续m次小于设定阈值;
(2)参数更新变化量满足|D(n+1)-D(n)|<ξ;ξ为参数变化阈值;
(3)设置迭代最大值,无论是否到达要求都停止迭代。
进一步地,所述三轴视速度的神经网络模型为三层的线性神经网络模型,其中,输入层为4个神经元、隐藏层为3个神经元,输出层为3个神经元;
输入层和隐藏层之间的神经元间连接权值表示为Elij和Eli0i=1,2,3;j=x,y,z;其中,Elij为MEMS惯组的三轴加速度计的安装系数,Eli0为MEMS惯组的三轴加速度计的零次项参数;
其中,输出函数为线性函数。
进一步地,通过迭代更新线性神经网络的权值,得到MEMS惯组的三轴加速度计的安装矩阵参数和零次项参数的误差;
所述安装矩阵参数和零次项参数的更新算法为:
E(n+1)=E(n)+ηyT(n)ε(n);
y(n)为迭代次数为n时神经网络输入;
ε(n)为实际输出和期望输出的差值;该网络中,实际输出即网络计算值,期望输出为MEMS惯组的三轴加速度计的观测量;η为学习率,根据输入数据的量级决定。
进一步地,所述迭代更新过程的终止迭代条件为:
(1)误差ε的累计值变化连续m′次小于设定阈值;
(2)参数更新变化量满足|E(n+1)-E(n)|<ξ′;ξ′为参数变化阈值;
(3)设置迭代最大值,无论是否到达要求都停止迭代。
进一步地,所述激光惯组的测量模型包括激光陀螺测量模型和石英加速度计测量模型;
所述激光陀螺测量模型为:
其中,为载体坐标系下三轴角增量的真实值;为激光陀螺输出的三轴角增量;Dh1x、Dh1y、Dh1z、Dh2x、Dh2y、Dh2z、Dh3x、Dh3y和Dh3z为激光陀螺实际的三轴的安装矩阵系数;Dh10、Dh20、Dh30为激光陀螺三轴的实际零次项参数;T为采样周期;为激光陀螺三轴噪声;
所述石英加速度计测量模型为:
其中,为载体坐标系下三轴视速度增量的真实值;为石英加速度计输出的三轴视速度增量;Eh1x、Eh1y、Eh1z、Eh2x、Eh2y、Eh2z、Eh3x、Eh3y、Eh3z为石英加速度计实际的三轴的安装矩阵系数,Eh10、Eh20、Eh30为石英加速度计三轴的实际零次项参数;T为采样周期;为石英加速度计三轴的噪声。
进一步地,所述MEMS惯组的测量模型包括陀螺测量模型和加速度计测量模型;
所述陀螺测量模型为:
其中,为载体坐标系下三轴角增量的真实值;为MEMS惯组三轴陀螺输出的角增量;Dl1x、Dl1y、Dl1z、Dl2x、Dl2y、Dl2z、Dl3x、Dl3y、Dl3z为MEMS惯组三轴陀螺实际的安装矩阵系数,Dl10、Dl20、Dl30为MEMS惯组三轴陀螺实际的零次项参数;T为采样周期;为MEMS惯组三轴陀螺的噪声;
所述加速度计测量模型为:
其中,为载体坐标系下三轴视速度增量的真实值;为MEMS惯组三轴加速度计输出的视速度增量;El1x、El1y、El1z、El2x、El2y、El2z、El3x、El3y、El3z为MEMS惯组三轴加速度计的实际安装矩阵;El10、El20、El30为MEMS惯组三轴加速度计实际的零次项参数;T为采样周期;为MEMS惯组三轴加速度计的噪声。
进一步地,所述根据激光惯组的输出和标定参数计算出载体坐标系下三轴角增量值为:
视速度增量为:
其中,
本发明的有益效果:
本发明基于激光惯组的输出数据对低精度惯组器件参数进行估计,减免了对所有惯性器件进行射前标定的工作量,实现低精度惯组参数的在线估计,并使低精度惯组测量值尽可能向激光惯组靠近,提高定位的精度。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例中的MEMS惯组参数的在线估计方法流程图;
图2为本发明实施例中的三轴角度的神经网络模型结构示意图;
图3为本发明实施例中的三轴视速度的神经网络模型结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本实施例公开了一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法,包括以下步骤:
步骤S1、构建激光惯组和MEMS惯组的测量模型;
步骤S2、根据激光惯组的输出和标定参数计算载体坐标系下的三轴角增量值和视速度增量值;通过累积时间点t之前的所述三轴角增量值和视速度增量值分别得到的三轴角度和视速度在时间点t的累积值;
步骤S3、使用所述时间点t以及三轴角度在时间点t的累积值作为输入训练三轴角度的神经网络模型;将所述时间点t以及三轴视速度在时间点t的累积值作为输入训练三轴视速度的神经网络模型;
步骤S4、将得到的当前时间点和三轴角度和视速度在当前时间点的累积值分别输入到对应的神经网络模型中在线估计MEMS惯组参数。
具体的,所述步骤S1中,
对于激光惯组,构建基于三轴角增量的激光陀螺测量模型和基于三轴视速度增量的石英加速度计测量模型;
对于MEMS惯组,构建基于三轴角增量的陀螺测量模型和基于三轴视速度增量的加速度计测量模型。
具体的,构建的基于三轴角增量的激光陀螺测量模型为:
其中,为载体坐标系下三轴角增量的真实值;为激光陀螺输出的三轴角增量;Dh1x、Dh1y、Dh1z、Dh2x、Dh2y、Dh2z、Dh3x、Dh3y和Dh3z为激光陀螺实际的三轴的安装矩阵系数;Dh10、Dh20、Dh30为激光陀螺三轴的实际零次项参数;T为采样周期;为激光陀螺三轴噪声。
写成矩阵形式为:
具体的,构建的基于三轴视速度增量的石英加速度计测量模型;
其中,为载体坐标系下三轴视速度增量的真实值;为石英加速度计输出的三轴视速度增量;Eh1x、Ehly、Eh1z、Eh2x、Eh2y、Eh2z、Eh3x、Eh3y、Eh3z为石英加速度计实际的三轴的安装矩阵系数,Eh10、Eh20、Eh30为石英加速度计三轴的实际零次项参数;T为采样周期;为石英加速度计三轴的噪声。
写成矩阵形式为:
具体的,构建的基于三轴角增量的MEMS惯组的陀螺测量模型为:
其中,为载体坐标系下三轴角增量的真实值;为MEMS惯组三轴陀螺输出的角增量;Dl1x、Dl1y、Dl1z、Dl2x、Dl2y、Dl2z、Dl3x、Dl3y、Dl3z为MEMS惯组三轴陀螺实际的安装矩阵系数,Dl10、Dl20、Dl30为MEMS惯组三轴陀螺实际的零次项参数;T为采样周期;为MEMS惯组三轴陀螺的噪声;
写成矩阵形式为:
具体的,构建的基于三轴视速度增量的MEMS惯组的加速度计测量模型:
其中,为载体坐标系下三轴视速度增量的真实值;为MEMS惯组三轴加速度计输出的视速度增量;El1x、El1y、El1z、El2x、El2y、El2z、El3x、El3y、El3z为MEMS惯组三轴加速度计的实际安装矩阵;El10、El20、El30为MEMS惯组三轴加速度计实际的零次项参数;T为采样周期;为MEMS惯组三轴加速度计的噪声。
写成矩阵形式为:
具体的,在步骤S2中,
所述根据激光惯组的输出和标定参数计算出载体坐标系下三轴角增量值为:
三轴视速度增量为:
其中,
具体的,步骤S3中的三轴角度的神经网络模型如图2所示,为三层的线性神经网络模型,其中,输入层为4个神经元、隐藏层为3个神经元,输出层为3个神经元;
输入层和隐藏层之间的神经元间连接权值表示为Dlij和Dli0i=1,2,3;j=x,y,z;其中,Dlij为MEMS惯组的三轴陀螺的安装系数,Dli0为MEMS惯组的三轴陀螺零次项参数;
其中,输出函数为线性函数;则输入输出之间是一个简单的比例关系,本实施例采用的线性函数为f(x)=x,即上一层神经元的输出即为输出层输出。
则,本实施例的三轴角度的神经网络模型输出的MEMS惯组的三轴陀螺的观测值:
采用累积值,即在全量模式下,通过线性神经网络模型进行参数估计,将MEMS惯组的三轴陀螺的安装系数和零次项参数作为神经元间连接权,在进行迭代运算时,可以使惯性器件测量模型中,除确定性误差之外的无法进行工具补偿的随机误差,在叠加过程中有一部分的抵消,从而较少由于噪声对误差参数补偿精度的影响提高参数估计的准确度。
即,通过迭代更新线性神经网络的权值,以得到MEMS惯组的三轴陀螺的安装矩阵参数和零次项参数的误差;在进行迭代更新时,历史时间点、当前时间点、以及历史时间点和当前时间点对应的三轴角增量值累计值构成迭代更新的输入数据集,每次迭代时从数据集取出数据进行迭代运算,更新线性神经网络的权值,即更新安装矩阵参数和零次项参数。
具体的,所述安装矩阵参数和零次项参数的更新算法为:
D(n+1)=D(n)+ηxT(n)e(n);
x(n)为迭代次数为n时神经网络输入;
e(n)为实际输出和期望输出的差值;该网络中,实际输出即网络计算值,期望输出为MEMS陀螺的观测量;η为学习率,根据输入数据的量级决定。
优选的,在对陀螺进行参数估计时,由于陀螺当量较小,换算为弧度,单位时间的测得角增量的值很小,一般在10-6量级。根据线性神经网络的权重更新公式,权值变化量是对四个参数同时进行的,因此,为保证四个参数得到的修改程度相近;因此,将输入统一在同一量级,更有利于每个输入充分发挥作用。神经网络的输入为高精度陀螺组合输出角增量的值在体坐标系下的三个投影量以及常数t共四维。将网络输入输出角增量的值均扩大106倍,进行网络参数训练。对安装误差估计无影响,对零次项估计结果再乘以10-6即可。
以采样周期为准,每过一个采样周期,则可增加一组神经网络输入和期望输出值。
在迭代更新过程中的终止迭代条件为:
(1)误差e累计值变化连续m次小于设定阈值;
(2)参数更新变化量满足|D(n+1)-D(n)|<ξ;ξ为参数变化阈值;
(3)设置迭代最大值,无论是否到达要求都停止迭代,以避免发散引起的死循环。
具体的,步骤S3中三轴视速度的神经网络模型如图3所示,为三层的线性神经网络模型,其中,输入层为4个神经元、隐藏层为3个神经元,输出层为3个神经元;
输入层和隐藏层之间的神经元间连接权值表示为Elij和Eli0i=1,2,3;j=x,y,z;其中,Elij为MEMS惯组的三轴加速度计的安装系数,Eli0为MEMS惯组的三轴加速度计的零次项参数;
其中,输出函数为线性函数;则输入输出之间是一个简单的比例关系,本实施例采用的线性函数为f(x)=x,即上一层神经元的输出即为输出层输出。
则,本实施例的三轴视速度的神经网络模型输出的MEMS惯组的三轴加速度计观测值为:
采用累积值,即在全量模式下,通过线性神经网络模型进行参数估计,将MEMS惯组的三轴加速度计的安装系数和零次项参数作为神经元间连接权,在进行迭代运算时,可以使惯性器件测量模型中,除确定性误差之外的无法进行工具补偿的随机误差,在叠加过程中有一部分的抵消,从而较少由于噪声对误差参数补偿精度的影响提高参数估计的准确度。
即,通过迭代更新线性神经网络的权值,得到MEMS惯组的三轴加速度计的安装矩阵参数和零次项参数的误差;在进行迭代更新时,历史时间点、当前时间点、以及历史时间点和当前时间点对应的三轴视速度增量值累计值构成迭代更新的输入数据集,每次迭代时从数据集取出数据进行迭代运算,更新线性神经网络的权值,即更新安装矩阵参数和零次项参数。
具体的,所述安装矩阵参数和零次项参数的更新算法为:
E(n+1)=E(n)+ηyT(n)ε(n);
y(n)为迭代次数为n时神经网络输入;
ε(n)为实际输出和期望输出的差值;该网络中,实际输出即网络计算值,期望输出为MEMS惯组的三轴加速度计的观测量;η为学习率,根据输入数据的量级决定。
在迭代更新过程中的终止迭代条件为:
(1)误差ε的累计值变化连续m′次小于设定阈值;
(2)参数更新变化量满足|E(n+1)-E(n)|<ξ′;ξ′为参数变化阈值;
(3)设置迭代最大值,无论是否到达要求都停止迭代,以避免发散引起的死循环。
在步骤S4中,将得到的当前时间点和三轴角度的累计值输入到训练好的三轴角度的神经网络模型中,神经网络模型输出的即为经过误差校正的MEMS惯组的三轴角度数据;
将当前时间点和三轴视速度的累计值输入到训练好的三轴视速度的神经网络模型中,神经网络模型输出的即为经过误差校正的MEMS惯组的三轴视速度数据。
综上所述,本实施例的低精度惯组参数估计方方法,基于激光惯组的输出数据对低精度惯组器件参数进行估计,减免了对所有惯性器件进行射前标定的工作量,实现低精度惯组参数的在线估计,并使低精度惯组测量值尽可能向激光惯组靠近,提高定位的精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法,其特征在于,包括以下步骤:
构建激光惯组和MEMS惯组的测量模型;
根据激光惯组的输出和标定参数计算载体坐标系下的三轴角增量值和视速度增量值;通过累积时间点t之前的所述三轴角增量值和视速度增量值分别得到的三轴角度和视速度在时间点t的累积值;
使用所述时间点t以及三轴角度在时间点t的累积值作为输入训练三轴角度的神经网络模型;将所述时间点t以及三轴视速度在时间点t的累积值作为输入训练三轴视速度的神经网络模型;
将得到的当前时间点和三轴角度和视速度在当前时间点的累积值分别输入到对应的神经网络模型中在线估计MEMS惯组参数。
4.根据权利要求1所述的在线估计方法,其特征在于,
所述迭代更新过程的终止迭代条件为:
(1)误差e累计值变化连续m次小于设定阈值;
(2)参数更新变化量满足|D(n+1)-D(n)|<ξ;ξ为参数变化阈值;
(3)设置迭代最大值,无论是否到达要求都停止迭代。
7.根据权利要求6所述的在线估计方法,其特征在于,
所述迭代更新过程的终止迭代条件为:
(1)误差ε的累计值变化连续m'次小于设定阈值;
(2)参数更新变化量满足|E(n+1)-E(n)|<ξ';ξ'为参数变化阈值;
(3)设置迭代最大值,无论是否到达要求都停止迭代。
8.根据权利要求1所述的低精度惯组参数估计方法,其特征在于,
所述激光惯组的测量模型包括激光陀螺测量模型和石英加速度计测量模型;
所述激光陀螺测量模型为:
其中,为载体坐标系下三轴角增量的真实值;为激光陀螺输出的三轴角增量;Dh1x、Dh1y、Dh1z、Dh2x、Dh2y、Dh2z、Dh3x、Dh3y和Dh3z为激光陀螺实际的三轴的安装矩阵系数;Dh10、Dh20、Dh30为激光陀螺三轴的实际零次项参数;T为采样周期;为激光陀螺三轴噪声;
所述石英加速度计测量模型为:
9.根据权利要求2所述的低精度惯组参数估计方法,其特征在于,所述MEMS惯组的测量模型包括陀螺测量模型和加速度计测量模型;
所述陀螺测量模型为:
其中,为载体坐标系下三轴角增量的真实值;为MEMS惯组三轴陀螺输出的角增量;Dl1x、Dl1y、Dl1z、Dl2x、Dl2y、Dl2z、Dl3x、Dl3y、Dl3z为MEMS惯组三轴陀螺实际的安装矩阵系数,Dl10、Dl20、Dl30为MEMS惯组三轴陀螺实际的零次项参数;T为采样周期;为MEMS惯组三轴陀螺的噪声;
所述加速度计测量模型为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423727.7A CN114199279B (zh) | 2021-11-26 | 2021-11-26 | 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423727.7A CN114199279B (zh) | 2021-11-26 | 2021-11-26 | 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114199279A true CN114199279A (zh) | 2022-03-18 |
CN114199279B CN114199279B (zh) | 2023-06-20 |
Family
ID=80649183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111423727.7A Active CN114199279B (zh) | 2021-11-26 | 2021-11-26 | 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114199279B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106352880A (zh) * | 2016-10-28 | 2017-01-25 | 中国电子科技集团公司第五十四研究所 | 一种基于非线性网络的惯性导航算法架构的确定方法 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN110389527A (zh) * | 2019-07-18 | 2019-10-29 | 西北工业大学 | 基于异类估计的mems陀螺仪滑模控制方法 |
CN110567492A (zh) * | 2019-09-03 | 2019-12-13 | 兰州交通大学 | 低成本mems惯性传感器系统级标定方法 |
CN112985462A (zh) * | 2021-04-21 | 2021-06-18 | 智道网联科技(北京)有限公司 | 基于卷积神经网络模型的惯性测量数据校正方法及装置 |
-
2021
- 2021-11-26 CN CN202111423727.7A patent/CN114199279B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106352880A (zh) * | 2016-10-28 | 2017-01-25 | 中国电子科技集团公司第五十四研究所 | 一种基于非线性网络的惯性导航算法架构的确定方法 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN110389527A (zh) * | 2019-07-18 | 2019-10-29 | 西北工业大学 | 基于异类估计的mems陀螺仪滑模控制方法 |
CN110567492A (zh) * | 2019-09-03 | 2019-12-13 | 兰州交通大学 | 低成本mems惯性传感器系统级标定方法 |
CN112985462A (zh) * | 2021-04-21 | 2021-06-18 | 智道网联科技(北京)有限公司 | 基于卷积神经网络模型的惯性测量数据校正方法及装置 |
Non-Patent Citations (1)
Title |
---|
曹咏弘;张慧;马铁华;范锦彪;祖静;: "基于神经网络的无陀螺捷联惯导系统姿态预测" * |
Also Published As
Publication number | Publication date |
---|---|
CN114199279B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020220729A1 (zh) | 基于角加速度计/陀螺/加速度计的惯性导航解算方法 | |
CN106873611B (zh) | 一种多通道线性自抗扰控制器的设计方法 | |
CN105929836B (zh) | 用于四旋翼飞行器的控制方法 | |
Crassidis et al. | Minimum model error approach for attitude estimation | |
US6681182B2 (en) | Fault detection pseudo gyro | |
CN107024674A (zh) | 一种基于递推最小二乘法的磁强计现场快速标定方法 | |
CN106767797B (zh) | 一种基于对偶四元数的惯性/gps组合导航方法 | |
CN105739537B (zh) | 一种小天体表面附着运动主动控制方法 | |
CN104698485B (zh) | 基于bd、gps及mems的组合导航系统及导航方法 | |
JP2007086076A (ja) | ジャイロセンサの補正方法及び補正装置 | |
CN108279010A (zh) | 一种基于多传感器的微小卫星姿态确定方法 | |
CN110426032B (zh) | 一种解析式冗余的飞行器容错导航估计方法 | |
CN110048674B (zh) | 基于角动量估计的高轨零动量卫星帆板转动故障判定方法 | |
CN110702143A (zh) | 基于李群描述的sins捷联惯性导航系统动基座快速初始对准方法 | |
CN109632185B (zh) | 一种大惯量转动部件动不平衡特性在轨估计方法 | |
CN107101649B (zh) | 一种空间飞行器制导工具在轨误差分离方法 | |
CN101226206A (zh) | 一种对加速度计零位偏差进行在轨标定的方法 | |
CN114199279B (zh) | 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 | |
CN116380038A (zh) | 一种基于在线增量尺度因子图的多源导航信息融合方法 | |
CN114370885B (zh) | 一种惯性导航系统误差补偿方法及系统 | |
CN114252073B (zh) | 一种机器人姿态数据融合方法 | |
CN108871312A (zh) | 一种重力梯度仪及星敏感器的联合定姿方法 | |
CN114526729A (zh) | 一种基于冗余技术的mems惯性定位系统航向优化方法 | |
Marques et al. | Comparison of small satellite attitude determination methods | |
CN110733671B (zh) | 一种小天体自旋角速度动力学修正方法 |
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 |