CN114636842A - 一种高超声速飞行器的大气数据估计方法及装置 - Google Patents

一种高超声速飞行器的大气数据估计方法及装置 Download PDF

Info

Publication number
CN114636842A
CN114636842A CN202210532690.XA CN202210532690A CN114636842A CN 114636842 A CN114636842 A CN 114636842A CN 202210532690 A CN202210532690 A CN 202210532690A CN 114636842 A CN114636842 A CN 114636842A
Authority
CN
China
Prior art keywords
data
coordinate system
ground
height
estimated
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
Application number
CN202210532690.XA
Other languages
English (en)
Other versions
CN114636842B (zh
Inventor
肖地波
蒋保睿
张勇
蒋世奇
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.)
Nanjing University of Aeronautics and Astronautics
Chengdu University of Information Technology
Original Assignee
Nanjing University of Aeronautics and Astronautics
Chengdu University of Information Technology
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 Nanjing University of Aeronautics and Astronautics, Chengdu University of Information Technology filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210532690.XA priority Critical patent/CN114636842B/zh
Publication of CN114636842A publication Critical patent/CN114636842A/zh
Application granted granted Critical
Publication of CN114636842B publication Critical patent/CN114636842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G01P13/02—Indicating direction only, e.g. by weather vane
    • G01P13/025—Indicating direction only, e.g. by weather vane indicating air data, i.e. flight variables of an aircraft, e.g. angle of attack, side slip, shear, yaw
    • 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
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G01C5/005—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels altimeters for aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种高超声速飞行器的大气数据估计方法及装置，其方法包括：利用FADS测量的静压数据得到第一高度数据和第一声速数据；利用FADS中的大气数据、第一声速数据以及INS中的姿态角数据，得到地面坐标系下的空速数据；根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据，并利用非线性卡尔曼滤波算法对所述地面坐标系下的地速数据进行估计处理，得到所述地面坐标系下的估计地速数据；利用所述姿态角数据、所述估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据，并利用所述机体坐标系下的估计空速数据和所述第一声速数据，得到高超声速飞行器的估计大气数据。

Description

一种高超声速飞行器的大气数据估计方法及装置
技术领域
本发明涉及大气数据估计技术领域，特别涉及一种高超声速飞行器的大气数据估计方法及装置。
背景技术
大气数据（攻角、侧滑角、马赫数等）是高超声速飞行器重要的参数，对飞行控制、推进等系统极为重要，由于高热环境，需采用嵌入式大气数据系统（Flush Air DataSensing System，FADS），该系统通过测量表面压力来间接获取大气数据。然而，在大机动等复杂飞行状态下，FADS性能显著下降；此外，高超声速飞行环境也容易导致FADS压力数据失效，由于受到实时性、准确性、建模困难等多方面限制，导致高超声速飞行器FADS故障在线检测和处理难度大。因此，单一的FADS系统难以保证高超声速飞行器全飞行包线内的大气数据测量精度，将FADS与其他系统信息融合成为高超声速飞行器大气数据测量的主要方式之一。
惯性导航系统（INS）能够快速响应飞行器运动状态变化，与FADS具有良好的互补性，将FADS/INS融合估计大气数据得到了较为广泛的应用。然而，一方面FADS与INS融合要获得较好的性能需要FADS和INS均能正常工作，不利于提高鲁棒性；另一方面，大气环境参数完全由FADS压力数据反映，也不利于提高鲁棒性和精度。此外，当前FADS与其他系统信息融合测量高超声速飞行器大气数据的方法还有：FADS/INS/飞控系统信息融合、FADS/INS/卫星导航、FADS/INS/无线电融合等方式估计大气数据。FADS/INS/飞控系统信息融合中，飞控系统主要是提供一种虚拟的大气数据估计方法，在FADS失效时提供一种备用估计方式，提高鲁棒性，对精度提高作用不大；FADS/INS/卫星导航数据融合、FADS与INS/无线电数据融合等方式，主要是通过卫星/无线电位置数据，主要是提供了一种位置数据冗余，以提高飞行器位置估计精度和鲁棒性，对大气数据估计的鲁棒性和精度提高不大，此外，这两种方式会增加额外的机载设备，无线电/卫星导航信号还可能会受到外界影响，降低系统的自主性。
发明内容
根据本发明实施例提供的方案解决的技术问题是当前FADS/INS融合测量高超声速飞行器的大气数据时精度易受风速变化、静压测量不准等情况造成参数估计不准确、鲁棒性不足。
根据本发明实施例提供的一种高超声速飞行器的大气数据估计方法，包括：
利用嵌入式大气数据传感系统FADS测量的静压数据对高度数据进行校准处理，得到校准后的第一高度数据，并利用校准后的第一高度数据，得到第一声速数据；
利用所述FADS中的大气数据、所述第一声速数据以及惯性导航系统INS中的姿态角数据，得到地面坐标系下的空速数据；
根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据，并利用非线性卡尔曼滤波算法对所述地面坐标系下的地速数据进行估计处理，得到所述地面坐标系下的估计地速数据；
利用所述姿态角数据、所述地面坐标系下的估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据，并利用所述机体坐标系下的估计空速数据和所述第一声速数据，得到高超声速飞行器的估计大气数据。
根据本发明实施例提供的一种高超声速飞行器的大气数据估计装置，包括：
获取高度和声速模块，用于利用嵌入式大气数据传感系统FADS测量的静压数据对高度数据进行校准处理，得到校准后的第一高度数据，并利用校准后的第一高度数据，得到第一声速数据；
获取空速模块，用于利用所述FADS中的大气数据、所述第一声速数据以及惯性导航系统INS中的姿态角数据，得到地面坐标系下的空速数据；
获取估计地速模块，用于根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据，并利用非线性卡尔曼滤波算法对所述地面坐标系下的地速数据进行估计处理，得到所述地面坐标系下的估计地速数据；
获取估计大气数据模块，用于利用所述姿态角数据、所述地面坐标系下的估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据，并利用所述机体坐标系下的估计空速数据和所述第一声速数据，得到高超声速飞行器的估计大气数据。
根据本发明实施例提供的方案，通过融合嵌入式大气数据、惯性导航数据和气象预报数据，实现高超声速飞行器大气数据高精度强鲁棒性的测量。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于理解本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例提供的一种高超声速飞行器的大气数据估计方法的流程图；
图2是本发明实施例提供的一种高超声速飞行器的大气数据估计装置的示意图；
图3是本发明实施例提供的FADS融合气象数据的预处理过程图；
图4是本发明实施例提供的融合FADS/INS/气象预报信息时的大气数据估计示意图；
图5是本发明实施例提供的攻角误差与FADS和FADS/INS融合得到的攻角误差对比示意图；
图6是本发明实施例提供的侧滑角误差与FADS和FADS/INS融合得到的侧滑角误差对比示意图；
图7是本发明实施例提供的马赫数误差与FADS和FADS/INS融合得到的马赫数误差对比示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1是本发明实施例提供的一种高超声速飞行器的大气数据估计方法的流程图，如图1所示，包括：
步骤S101：利用嵌入式大气数据传感系统FADS测量的静压数据对高度数据进行校准处理，得到校准后的第一高度数据，并利用校准后的第一高度数据，得到第一声速数据；
步骤S102：利用所述FADS中的大气数据、所述第一声速数据以及惯性导航系统INS中的姿态角数据，得到地面坐标系下的空速数据；
步骤S103：根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据，并利用非线性卡尔曼滤波算法对所述地面坐标系下的地速数据进行估计处理，得到所述地面坐标系下的估计地速数据；
步骤S104：利用所述姿态角数据、所述地面坐标系下的估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据，并利用所述机体坐标系下的估计空速数据和所述第一声速数据，得到高超声速飞行器的估计大气数据。
具体地说，所述利用嵌入式大气数据传感系统FADS测量的静压数据对高度数据进 行校准处理，得到校准后的第一高度数据包括：根据所述FADS中预存的包含静压与高度对 应关系的国际大气参数表，查找与所述静压数据相对应的第一高度
Figure 990429DEST_PATH_IMAGE001
；根据所述气象 预报系统中预存的静压与高度的对应关系表，查找与所述静压数据相对应的第二高度
Figure 750312DEST_PATH_IMAGE002
；通过滤波求解高度算法对所述第一高度
Figure 405416DEST_PATH_IMAGE003
和所述第二高度
Figure 908947DEST_PATH_IMAGE002
进行校准 处理，得到校准后的第一高度数据。
其中，所述通过滤波求解高度算法对所述第一高度
Figure 67527DEST_PATH_IMAGE001
和所述第二高度
Figure 998312DEST_PATH_IMAGE004
进行校准处理，得到校准后的第一高度数据包括：计算所述滤波求解高度算法中的 增益K；根据所述第一高度
Figure 858820DEST_PATH_IMAGE003
、所述第二高度
Figure 401928DEST_PATH_IMAGE005
以及增益K，得到校准后的第一高 度数据。
具体地说，所述利用校准后的第一高度数据，得到第一声速数据包括：根据所述气象预报系统中预存的高度与声速的对应关系表，查找与所述校准后的第一高度数据相对应的第一声速数据。
具体地说，所述利用所述FADS中的大气数据、所述第一声速数据以及惯性导航系统INS中的姿态角数据，得到地面坐标系下的空速数据包括：根据所述FADS输出的包含攻角、侧滑角以及马赫数的大气数据和所述第一声速数据，得到机体坐标系下的空速数据；根据惯性导航系统INS中的姿态角数据，计算用于机体坐标系向地面坐标系转换的第一坐标转换矩阵；根据所述第一坐标转换矩阵将所述机体坐标系下的空速数据转换为地面坐标系下的空速数据。
具体地说，所述根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据包括：将所述地面坐标系下的空速数据和气象预报系统测量的风速数据进行相加计算，得到地面坐标系下的地速数据。
其中，所述非线性卡尔曼滤波算法是指以所述地面坐标系下的地速数据、所述INS中的姿态角数据为状态量，以所述INS中的角速度数据和加速度数据为输入量，且以所述地面坐标系下的地速数据组成的列向量为观测量所建立的卡尔曼滤波模型。
具体地说，所述利用所述姿态角数据、所述地面坐标系下的估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据包括：利用所述姿态角数据，计算用于地面坐标系向机体坐标系转换的第二坐标转换矩阵；根据所述第二坐标转换矩阵将所述地面坐标系下的估计地速数据转换为机体坐标系下的估计地速数据；将所述机体坐标系下的估计地速数据和气象预报系统测量的风速数据进行相减计算，得到机体坐标系下的估计空速数据；其中，所述第一坐标转换矩阵与所述第二坐标转换矩阵互为转置。
其中，所述利用所述机体坐标系下的估计空速数据和第一声速数据，得到高超声速飞行器的估计大气数据包括：
Figure 438849DEST_PATH_IMAGE006
其中，所述
Figure 307579DEST_PATH_IMAGE007
是指估计大气数据中的攻角；
Figure 435810DEST_PATH_IMAGE008
是指估计大气数据中的侧滑角；
Figure 517030DEST_PATH_IMAGE009
是指估计大气数据中的马赫数；
Figure 148737DEST_PATH_IMAGE010
是指估计空速数据中的空速分量；
Figure 188368DEST_PATH_IMAGE011
是指第一声速数据。
图2是本发明实施例提供的一种高超声速飞行器的大气数据估计装置的示意图，如图2所示，包括：获取高度和声速模块201，用于利用嵌入式大气数据传感系统FADS测量的静压数据对高度数据进行校准处理，得到校准后的第一高度数据，并利用校准后的第一高度数据，得到第一声速数据；获取空速模块202，用于利用所述FADS中的大气数据、所述第一声速数据以及惯性导航系统INS中的姿态角数据，得到地面坐标系下的空速数据；获取估计地速模块203，用于根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据，并利用非线性卡尔曼滤波算法对所述地面坐标系下的地速数据进行估计处理，得到所述地面坐标系下的估计地速数据；获取估计大气数据模块204，用于利用所述姿态角数据、所述地面坐标系下的估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据，并利用所述机体坐标系下的估计空速数据和所述第一声速数据，得到高超声速飞行器的估计大气数据。
本发明在高超声速飞行器起飞前24小时（也可以是其它时间，离起飞时间越近的气象数据，越有利于本方法精度提高，本发明中一律以24小时为例进行说明），将气象预报数据导入大气数据解算系统，利用气象预报数据提供的大气状态信息，构造FADS/INS/气象预报融合算法，提高实时飞行过程中大气数据解算的精度和鲁棒性。融合估计分成两部分，第一部分为气压高度数据融合，将实际测量的高度与大气静压和高度与声速的对应关系带入算法中，FADS实时测量气压的大小，并由气象预报信息构建高度与气压、高度与声速的对应关系，达到对高度值和声速的校准功能。因为FADS的测量依托于飞行器与空气的相对运动，而INS则依托于惯性参考系，对于大气中的变化风场，会使FADS和INS的测量值相差一个变量，进而无法通过简单的数据融合获取高精度的飞行数据。本方法第二部分将实际测量的风速带入算法中，与FADS测量的空速相加，得到相对于地面的速度矢量，此值与INS测量的速度矢量在理想条件下是相等的，在实际测量时又因为不同的噪声来源各自具有一定的误差。具体表现为：FADS和气象预报获得的对地速度误差体现在压力传感器的精度、压力传感器阵列的建模偏差、气象预报的误差；INS测量的速度体现在惯性测量元件（加速度计与角加速度计）的零偏、初始对准过程中的误差和离散化累加造成的算法误差。由此，用飞行器参数与INS的数据对飞行状态建模，由FADS和气象预报融合的数据作为观测量，构建滤波模型，输出高精度的空速矢量与飞行高度，即可计算出攻角、侧滑角、马赫数等大气参数。因此，采用两步融合，充分利用可以感知的数据信息，具有在变化风场下精确估算飞行器速度的能力，从而在整体上提高算法的计算精度与性能，以满足对大气数据的测量需求。
图3是本发明实施例提供的FADS融合气象数据的预处理过程图，如图3所示，所述的气象预报数据取自24小时前气象部门公布的气象数据，其包含两方面的信息：（1）不同高度对应的气压值、声速值；（2）风速。在预处理中仅使用各海拔高度对应的气压来校准大气等压面漂移的现象。
FADS计算得到的静压数据
Figure 23469DEST_PATH_IMAGE012
可通过国际大气参数表中包含的静压与高度的对应 关系，换算出高度
Figure 672494DEST_PATH_IMAGE001
，此高度受到气流、温度等条件影响，精度较低。
从气象预报数据中提取出预报的高度与
Figure 925752DEST_PATH_IMAGE012
的对应关系，与静压
Figure 843941DEST_PATH_IMAGE012
进行对比，得 到气象预报与FADS数据结合的高度
Figure 917071DEST_PATH_IMAGE013
。
所述的滤波求解高度算法，一方面使用高度
Figure 635366DEST_PATH_IMAGE014
,另一方面使用高度
Figure 726819DEST_PATH_IMAGE015
， 通过两者的统计特性，令前者的方差为P1，后者的方差为P2，经滤波融合2个高度数据，获得 输出的高度
Figure 577094DEST_PATH_IMAGE016
，
Figure 167213DEST_PATH_IMAGE016
也有一个估计的方差，设其为P0。具体的滤波计算过程如下：
第一步：确定P0,P1,P2初值。根据实验测量的方差确定P1和P2，初始时刻P0可认为 是0，
Figure 925085DEST_PATH_IMAGE017
的初值假定与
Figure 120311DEST_PATH_IMAGE001
相同。P1和P2的确定方法参照统计学中正态分布样本估计方 差的方法，对若干个样本计算样本方差来代替总体方差。例如：在同样的高度下，采集n个
Figure 672647DEST_PATH_IMAGE001
的值，令其为
Figure 236481DEST_PATH_IMAGE018
；采集n个的
Figure 63623DEST_PATH_IMAGE019
值，令其为
Figure 644515DEST_PATH_IMAGE020
，则P1、P2 的求解公式为：
Figure 898910DEST_PATH_IMAGE021
第二步：计算增益K并更新方差P0：
Figure 463621DEST_PATH_IMAGE022
上述三个公式，第一个公式表示更新方差，式中P0’是对高度的方差的估计值；第 二个公式用于计算增益，K为滤波过程的增益，其值越大说明
Figure 32137DEST_PATH_IMAGE023
越可信；第三个公式用 于更新方差，式中P0为更新后的
Figure 467535DEST_PATH_IMAGE024
的高度的方差。
第三步：计算
Figure 627252DEST_PATH_IMAGE017
：
Figure 153961DEST_PATH_IMAGE025
。
第四步：结果输出与后续。第三步计算得到的
Figure 791746DEST_PATH_IMAGE017
即为输出的高度，若仍有待估计 的值需要在下一时刻估计，则继续2-4步的迭代计算。
图4是本发明实施例提供的融合FADS/INS/气象预报信息时的大气数据估计示意 图，如图4所示，INS输出三轴加速度
Figure 347230DEST_PATH_IMAGE026
、角速度
Figure 677849DEST_PATH_IMAGE027
，若给定初始速度 与姿态角，经计算后还能输出三轴速度
Figure 685994DEST_PATH_IMAGE028
与三轴姿态角
Figure 111159DEST_PATH_IMAGE029
。
气象预报系统中保存有高度与声速的对应关系表，根据高度
Figure 288193DEST_PATH_IMAGE017
从高度与声速的 对应关系表中查找得到对应的声速
Figure 757090DEST_PATH_IMAGE011
。
FADS系统依靠飞行器与空气的相对运动输出攻角
Figure 488416DEST_PATH_IMAGE030
、侧滑角
Figure 960681DEST_PATH_IMAGE031
、马赫数
Figure 992222DEST_PATH_IMAGE032
， 结合当地声速
Figure 428757DEST_PATH_IMAGE033
，可以由下式获得三维空间下飞行器与空气的相对速度（即空速）：
Figure 647380DEST_PATH_IMAGE034
式中，
Figure 460353DEST_PATH_IMAGE035
为空速的三轴分量。此处
Figure 611980DEST_PATH_IMAGE036
的上标B代表速度 是在飞行器的机体坐标系下的量，参照国际惯例，本文所述的机体坐标系具体描述为：原点 位于飞行器质心的右手三维正交直角坐标系，OX轴位于飞行器参考平面内平行于机身轴线 并指向飞行器前方，OY轴垂直于飞行器参考面并指向飞行器右方，OZ轴在参考面内垂直于 XOY平面，指向航空器下方。
使用INS输出的姿态角数据可将上述速度矢量进行坐标变换，即：
Figure 688258DEST_PATH_IMAGE037
式中
Figure 394177DEST_PATH_IMAGE038
为坐标转换矩阵（第一坐标转换矩阵），此矩阵右乘机体坐标系下的速 度矢量可以得到地面坐标系下的速度矢量，本文所述的地面坐标系具体描述为：与飞行器 起飞瞬间时机体坐标系重合的坐标系。
Figure 485542DEST_PATH_IMAGE038
的具体表达式如下：
Figure 960516DEST_PATH_IMAGE040
Figure 4434DEST_PATH_IMAGE041
为地面坐标系下的飞行器相对空气的速度（下文相对于空气的速 度简称为“空速”），此速度与风速的和是飞行器相对地面的速度（下文相对于地面的速度简 称为“地速”），
Figure 463228DEST_PATH_IMAGE042
与气象预报的三轴风速
Figure 352424DEST_PATH_IMAGE043
相加，即为 图4所述的三轴地速
Figure 213064DEST_PATH_IMAGE044
。
所述的非线性卡尔曼滤波为一种滤波算法，在此处用于估计飞行器的地速。算法 以三轴地速
Figure 162303DEST_PATH_IMAGE045
、姿态角（滚转角
Figure 842814DEST_PATH_IMAGE046
、偏航角
Figure 756542DEST_PATH_IMAGE047
、俯仰角
Figure 2847DEST_PATH_IMAGE048
）为状态量，即；以 x/y/ z三轴加速度
Figure 326249DEST_PATH_IMAGE049
、三轴角速度
Figure 228478DEST_PATH_IMAGE050
为输入量，即：
Figure 725056DEST_PATH_IMAGE051
；以三轴地速组成的列向量为观测量
Figure 29129DEST_PATH_IMAGE052
，即：
Figure 789013DEST_PATH_IMAGE053
，建立卡尔曼滤波模 型。因为涉及机体与地面的坐标变换，在大机动时依靠机体自身状态量和INS的输入量的状 态估计具有较强的非线性关系，为保持滤波过程中的精度，使用非线性滤波方法进行估计， 以容积卡尔曼滤波（CKF）为例具体的滤波步骤如下：
第一步：建立模型，赋予初值。卡尔曼滤波模型的两大方程是状态转移方程和观测 方程。状态转移方程根据当前状态产生一个新的状态，并带入一些噪声，同时系统的一些已 知的信息也会被加入。观测方程根据每时刻的状态，计算出一个可见输出，同时观测时也会 有一定的误差被加入。此处建立状态方程为
Figure 975274DEST_PATH_IMAGE054
，建立观测方程为
Figure 219086DEST_PATH_IMAGE055
。
其中，
Figure 361354DEST_PATH_IMAGE056
为系统噪声向量，
Figure 324762DEST_PATH_IMAGE057
为量测噪声向量，
Figure 965697DEST_PATH_IMAGE058
为输入量。
Figure 508805DEST_PATH_IMAGE059
的具体形式为：
Figure 551585DEST_PATH_IMAGE060
式中
Figure 951473DEST_PATH_IMAGE061
分别为
Figure 814125DEST_PATH_IMAGE062
的第1~3行，
Figure 160924DEST_PATH_IMAGE063
分别 代表输入向量
Figure 786772DEST_PATH_IMAGE064
的第1~6项。
Figure 826403DEST_PATH_IMAGE065
是一个函数，用于取其自变量的第1,2,3项，因其自变量X为一个6行的向量，所 以此处h(x)为X左乘一个3行×6列的矩阵，矩阵的具体形式为：
Figure 176351DEST_PATH_IMAGE066
设定时间初值k=1，初始时刻的状态滤波误差协方差矩阵取一个随机的6维对角矩阵，状态量的各项取值使用已知的系统状态初值。
第一步初始值设置完成，令k=2。
第二步：对于k-1时刻的状态滤波误差协方差矩阵
Figure 326840DEST_PATH_IMAGE067
，采用Cholesky因式分解 将其分解为一个下三角矩阵及其共轭转置的乘积：
Figure 813054DEST_PATH_IMAGE068
式中
Figure 289166DEST_PATH_IMAGE069
即为将
Figure 657568DEST_PATH_IMAGE070
进行Cholesky因式分解得到的下三角矩阵。
因为所用状态转移方程是非线性的，因此对状态计算容积点：
Figure 257089DEST_PATH_IMAGE071
式中：
Figure 896012DEST_PATH_IMAGE072
m为系统向量维数的两倍，这里即为12。
第三步：由k-1时刻的状态向量
Figure 41560DEST_PATH_IMAGE073
和状态转移方程f估计k时刻的状态
Figure 133144DEST_PATH_IMAGE074
， 并估计观测值。
估算状态：
Figure 389551DEST_PATH_IMAGE075
式中：
Figure 617401DEST_PATH_IMAGE076
为估计的k时刻状态量容积点，
Figure 199430DEST_PATH_IMAGE077
为估计的k时刻状态量的 值，
Figure 512730DEST_PATH_IMAGE078
。
估计协方差矩阵预测值：
Figure 402906DEST_PATH_IMAGE079
式中：
Figure 265689DEST_PATH_IMAGE080
为系统过程噪声的协方差矩阵，代表对预测值的置信度，由实验确定。
对观测的预测值更新，将
Figure 785663DEST_PATH_IMAGE081
使用Cholesky因式分解得到下三角矩阵
Figure 147112DEST_PATH_IMAGE082
。
估计容积点：
Figure 246786DEST_PATH_IMAGE083
估计观测预测值：
Figure 964075DEST_PATH_IMAGE084
式中
Figure 159345DEST_PATH_IMAGE085
为估计的k时刻观测量容积点，
Figure 181659DEST_PATH_IMAGE086
为估计的k时刻观测量的 值。
第四步：使用k时刻的协方差矩阵和第二步所求的一阶状态转移矩阵更新k时刻的 协方差矩阵
Figure 317980DEST_PATH_IMAGE087
：
估计新息协方差矩阵：
Figure 374929DEST_PATH_IMAGE088
式中：
Figure 204082DEST_PATH_IMAGE089
为观量噪声的协方差矩阵，代表对观测值的置信度，由实验确定。
估计互协方差矩阵
Figure 713692DEST_PATH_IMAGE090
与增益
Figure 325808DEST_PATH_IMAGE091
：
更新误差协方差：
Figure 605305DEST_PATH_IMAGE092
同时结合
Figure 215147DEST_PATH_IMAGE093
和
Figure 241747DEST_PATH_IMAGE094
，计算系统状态
Figure 955756DEST_PATH_IMAGE095
：
Figure 485832DEST_PATH_IMAGE096
取
Figure 689412DEST_PATH_IMAGE097
的第1,2,3三项，得到“非线性卡尔曼滤波”环节的输出
Figure 678008DEST_PATH_IMAGE098
估计的地速，地速减去风速
Figure 726867DEST_PATH_IMAGE099
即可得到估计的空速
Figure 908187DEST_PATH_IMAGE100
， 再经坐标系变换可得到机体坐标系下的空速分量
Figure 797515DEST_PATH_IMAGE101
，此处坐标转换的公式 如下：
Figure 34592DEST_PATH_IMAGE102
式中
Figure 588939DEST_PATH_IMAGE103
表示地面坐标系向机体坐标系的转换矩阵（第二坐标转换矩阵），与矩阵
Figure 595072DEST_PATH_IMAGE104
互为转置。
此速度经下式计算即可得到当前时刻的攻角
Figure 859830DEST_PATH_IMAGE007
、侧滑角
Figure 36733DEST_PATH_IMAGE105
与马赫数
Figure 942241DEST_PATH_IMAGE106
：
Figure 68460DEST_PATH_IMAGE107
若下一时刻仍有待估计的值，则令k=k+1，继续执行第二步至第四步的计算。
采用本发明所述的大气数据估计方法，估计得到的攻角误差与FADS和FADS/INS融合估计得到的攻角误差比较如图5所示，侧滑角误差与FADS和FADS/INS融合估计得到的侧滑角误差比较如图6所示，马赫数误差与FADS和FADS/INS融合估计得到的马赫数误差比较如图7所示。
根据本发明实施例提供的方案，根据FADS采集的数据粗略估计大气数据，与INS和气象预报的数据进行融合后，综合考虑各渠道获得的信息，进而减小大气扰动对状态估计带来的影响，提高解算的可靠性与精度。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (10)

1.一种高超声速飞行器的大气数据估计方法，其特征在于，包括：
利用嵌入式大气数据传感系统FADS测量的静压数据对高度数据进行校准处理，得到校准后的第一高度数据，并利用校准后的第一高度数据，得到第一声速数据；
利用所述嵌入式大气数据传感系统FADS中的大气数据、所述第一声速数据以及惯性导航系统INS中的姿态角数据，得到地面坐标系下的空速数据；
根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据，并利用非线性卡尔曼滤波算法对所述地面坐标系下的地速数据进行估计处理，得到地面坐标系下的估计地速数据；
利用所述姿态角数据、所述地面坐标系下的估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据，并利用所述机体坐标系下的估计空速数据和所述第一声速数据，得到高超声速飞行器的估计大气数据。
2.根据权利要求1所述的方法，其特征在于，所述利用嵌入式大气数据传感系统FADS测量的静压数据对高度数据进行校准处理，得到校准后的第一高度数据包括：
根据所述嵌入式大气数据传感系统FADS中预存的包含静压与高度对应关系的国际大 气参数表，查找与所述静压数据相对应的第一高度
Figure DEST_PATH_IMAGE001
；
根据所述气象预报系统中预存的静压与高度的对应关系表，查找与所述静压数据相对 应的第二高度
Figure 256772DEST_PATH_IMAGE002
；
通过滤波求解高度算法对所述第一高度
Figure DEST_PATH_IMAGE003
和所述第二高度
Figure 966102DEST_PATH_IMAGE002
进行校准处 理，得到校准后的第一高度数据。
3.根据权利要求2所述的方法，其特征在于，所述通过滤波求解高度算法对所述第一高 度
Figure 182319DEST_PATH_IMAGE003
和所述第二高度
Figure 720617DEST_PATH_IMAGE002
进行校准处理，得到校准后的第一高度数据包括：
计算所述滤波求解高度算法中的增益K；
根据所述第一高度
Figure 338680DEST_PATH_IMAGE001
、所述第二高度
Figure 687753DEST_PATH_IMAGE002
以及增益K，得到校准后的第一高度 数据。
4.根据权利要求3所述的方法，其特征在于，所述利用校准后的第一高度数据，得到第一声速数据包括：
根据所述气象预报系统中预存的高度与声速的对应关系表，查找与所述校准后的第一高度数据相对应的第一声速数据。
5.根据权利要求4所述的方法，其特征在于，所述利用所述嵌入式大气数据传感系统FADS中的大气数据、所述第一声速数据以及惯性导航系统INS中的姿态角数据，得到地面坐标系下的空速数据包括：
根据所述嵌入式大气数据传感系统FADS输出的包含攻角、侧滑角以及马赫数的大气数据和所述第一声速数据，得到机体坐标系下的空速数据；
根据惯性导航系统INS中的姿态角数据，计算用于机体坐标系向地面坐标系转换的第一坐标转换矩阵；
根据所述第一坐标转换矩阵将所述机体坐标系下的空速数据转换为地面坐标系下的空速数据。
6.根据权利要求5所述的方法，其特征在于，所述根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据包括：
将所述地面坐标系下的空速数据和气象预报系统测量的风速数据进行相加计算，得到地面坐标系下的地速数据。
7.根据权利要求6所述的方法，其特征在于，所述非线性卡尔曼滤波算法是指以所述地面坐标系下的地速数据、所述惯性导航系统INS中的姿态角数据为状态量，以所述惯性导航系统INS中的角速度数据和加速度数据为输入量，且以所述地面坐标系下的地速数据组成的列向量为观测量所建立的卡尔曼滤波模型。
8.根据权利要求7所述的方法，其特征在于，所述利用所述姿态角数据、所述地面坐标系下的估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据包括：
利用所述姿态角数据，计算用于地面坐标系向机体坐标系转换的第二坐标转换矩阵；
根据所述第二坐标转换矩阵将所述地面坐标系下的估计地速数据转换为机体坐标系下的估计地速数据；
将所述机体坐标系下的估计地速数据和气象预报系统测量的风速数据进行相减计算，得到机体坐标系下的估计空速数据；
其中，所述第一坐标转换矩阵与所述第二坐标转换矩阵互为转置。
9.根据权利要求8所述的方法，其特征在于，所述利用所述机体坐标系下的估计空速数据和第一声速数据，得到高超声速飞行器的估计大气数据包括：
Figure 391267DEST_PATH_IMAGE004
其中，所述
Figure 343042DEST_PATH_IMAGE005
是指估计大气数据中的攻角；
Figure 205825DEST_PATH_IMAGE006
是指估计大气数据中的侧滑角；
Figure 850433DEST_PATH_IMAGE007
是指估计大气数据中的马赫数；
Figure DEST_PATH_IMAGE008
是指估计空速数据中的空速分 量；
Figure 447767DEST_PATH_IMAGE009
是指第一声速数据。
10.一种高超声速飞行器的大气数据估计装置，其特征在于，包括：
获取高度和声速模块，用于利用嵌入式大气数据传感系统FADS测量的静压数据对高度数据进行校准处理，得到校准后的第一高度数据，并利用校准后的第一高度数据，得到第一声速数据；
获取空速模块，用于利用所述嵌入式大气数据传感系统FADS中的大气数据、所述第一声速数据以及惯性导航系统INS中的姿态角数据，得到地面坐标系下的空速数据；
获取估计地速模块，用于根据所述地面坐标系下的空速数据和气象预报系统测量的风速数据，计算地面坐标系下的地速数据，并利用非线性卡尔曼滤波算法对所述地面坐标系下的地速数据进行估计处理，得到地面坐标系下的估计地速数据；
获取估计大气数据模块，用于利用所述姿态角数据、所述地面坐标系下的估计地速数据以及所述风速数据，得到机体坐标系下的估计空速数据，并利用所述机体坐标系下的估计空速数据和所述第一声速数据，得到高超声速飞行器的估计大气数据。
CN202210532690.XA 2022-05-17 2022-05-17 一种高超声速飞行器的大气数据估计方法及装置 Active CN114636842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210532690.XA CN114636842B (zh) 2022-05-17 2022-05-17 一种高超声速飞行器的大气数据估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210532690.XA CN114636842B (zh) 2022-05-17 2022-05-17 一种高超声速飞行器的大气数据估计方法及装置

Publications (2)

Publication Number Publication Date
CN114636842A true CN114636842A (zh) 2022-06-17
CN114636842B CN114636842B (zh) 2022-08-26

Family

ID=81953107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210532690.XA Active CN114636842B (zh) 2022-05-17 2022-05-17 一种高超声速飞行器的大气数据估计方法及装置

Country Status (1)

Country Link
CN (1) CN114636842B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127763A (zh) * 2023-02-02 2023-05-16 中国科学院力学研究所 一种临近空间高超声速飞行器的大气数据计算方法
CN117251942A (zh) * 2023-11-17 2023-12-19 成都凯天电子股份有限公司 一种估算飞行器空速、攻角和侧滑角的方法及系统

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1990015334A1 (en) * 1989-06-02 1990-12-13 Massachusetts Institute Of Technology Winds aloft estimation through radar observation of aircraft
JP2005219699A (ja) * 2004-02-09 2005-08-18 Fuji Heavy Ind Ltd 航空機及び航空機の風向推定方法
US20080066540A1 (en) * 2006-09-14 2008-03-20 The Boeing Company Methods and systems for calculating atmospheric vehicle air data
CN102520726A (zh) * 2011-12-19 2012-06-27 南京航空航天大学 大攻角飞行状态下的大气攻角及侧滑角估计方法
JP2012126201A (ja) * 2010-12-14 2012-07-05 Kawasaki Heavy Ind Ltd 飛行制御装置およびこれを備える飛行体
NO20120626A1 (no) * 2012-04-02 2013-10-03 Prox Dynamics As Fremgangsmåte og anordning for å navigere et luftfartøy
ITTO20130601A1 (it) * 2013-07-16 2013-10-15 Torino Politecnico Sistema e procedimento di misura e valutazione di dati aria e inerziali.
WO2013174559A1 (en) * 2012-05-25 2013-11-28 Prox Dynamics As Method and device for estimating a wind field
CN103487822A (zh) * 2013-09-27 2014-01-01 南京理工大学 北斗/多普勒雷达/惯性自主式组合导航系统及其方法
US20140343765A1 (en) * 2012-12-28 2014-11-20 Sean Patrick Suiter Flight Assistant with Automatic Configuration and Landing Site Selection
US8914164B1 (en) * 2013-08-02 2014-12-16 Honeywell International Inc. System and method for computing mach number and true airspeed
WO2016037035A1 (en) * 2014-09-04 2016-03-10 Sikorsky Aircraft Corporation Airspeed estimation system
US9310222B1 (en) * 2014-06-16 2016-04-12 Sean Patrick Suiter Flight assistant with automatic configuration and landing site selection method and apparatus
CN108152529A (zh) * 2017-11-02 2018-06-12 成都飞机工业（集团）有限责任公司 一种基于飞行参数计算风速及风向的方法
CN110455310A (zh) * 2019-05-28 2019-11-15 中国空气动力研究与发展中心 高超声速飞行器的大气数据测量方法
CN111122899A (zh) * 2019-12-11 2020-05-08 南京航空航天大学 一种用于大气扰动中飞行的迎角侧滑角估计方法
CN111257593A (zh) * 2020-02-13 2020-06-09 南京航空航天大学 一种融合导航数据的大气数据估计与状态监测方法
CN111766397A (zh) * 2020-06-19 2020-10-13 北京航空航天大学合肥创新研究院 一种基于惯性/卫星/大气组合的气象风测量方法
CN111783307A (zh) * 2020-07-07 2020-10-16 哈尔滨工业大学 一种高超声速飞行器状态估计方法
CN111854762A (zh) * 2020-08-05 2020-10-30 翟瑞永 一种基于卡尔曼滤波算法的三维定位方法及其定位系统
CN112580275A (zh) * 2020-12-29 2021-03-30 成都信息工程大学 一种简单高效的高超声速飞行器fads系统测压孔布局方法
CN112685972A (zh) * 2020-12-29 2021-04-20 南京航空航天大学 一种高效率的高超声速飞行器压力传感器分布优化方法
WO2022005419A1 (en) * 2020-06-30 2022-01-06 Tusas- Turk Havacilik Ve Uzay Sanayii Anonim Sirketi A navigation system

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1990015334A1 (en) * 1989-06-02 1990-12-13 Massachusetts Institute Of Technology Winds aloft estimation through radar observation of aircraft
JP2005219699A (ja) * 2004-02-09 2005-08-18 Fuji Heavy Ind Ltd 航空機及び航空機の風向推定方法
US20080066540A1 (en) * 2006-09-14 2008-03-20 The Boeing Company Methods and systems for calculating atmospheric vehicle air data
JP2012126201A (ja) * 2010-12-14 2012-07-05 Kawasaki Heavy Ind Ltd 飛行制御装置およびこれを備える飛行体
CN102520726A (zh) * 2011-12-19 2012-06-27 南京航空航天大学 大攻角飞行状态下的大气攻角及侧滑角估计方法
NO20120626A1 (no) * 2012-04-02 2013-10-03 Prox Dynamics As Fremgangsmåte og anordning for å navigere et luftfartøy
WO2013174559A1 (en) * 2012-05-25 2013-11-28 Prox Dynamics As Method and device for estimating a wind field
US20140343765A1 (en) * 2012-12-28 2014-11-20 Sean Patrick Suiter Flight Assistant with Automatic Configuration and Landing Site Selection
ITTO20130601A1 (it) * 2013-07-16 2013-10-15 Torino Politecnico Sistema e procedimento di misura e valutazione di dati aria e inerziali.
US8914164B1 (en) * 2013-08-02 2014-12-16 Honeywell International Inc. System and method for computing mach number and true airspeed
CN103487822A (zh) * 2013-09-27 2014-01-01 南京理工大学 北斗/多普勒雷达/惯性自主式组合导航系统及其方法
US9310222B1 (en) * 2014-06-16 2016-04-12 Sean Patrick Suiter Flight assistant with automatic configuration and landing site selection method and apparatus
WO2016037035A1 (en) * 2014-09-04 2016-03-10 Sikorsky Aircraft Corporation Airspeed estimation system
CN108152529A (zh) * 2017-11-02 2018-06-12 成都飞机工业（集团）有限责任公司 一种基于飞行参数计算风速及风向的方法
CN110455310A (zh) * 2019-05-28 2019-11-15 中国空气动力研究与发展中心 高超声速飞行器的大气数据测量方法
CN111122899A (zh) * 2019-12-11 2020-05-08 南京航空航天大学 一种用于大气扰动中飞行的迎角侧滑角估计方法
CN111257593A (zh) * 2020-02-13 2020-06-09 南京航空航天大学 一种融合导航数据的大气数据估计与状态监测方法
CN111766397A (zh) * 2020-06-19 2020-10-13 北京航空航天大学合肥创新研究院 一种基于惯性/卫星/大气组合的气象风测量方法
WO2022005419A1 (en) * 2020-06-30 2022-01-06 Tusas- Turk Havacilik Ve Uzay Sanayii Anonim Sirketi A navigation system
CN111783307A (zh) * 2020-07-07 2020-10-16 哈尔滨工业大学 一种高超声速飞行器状态估计方法
CN111854762A (zh) * 2020-08-05 2020-10-30 翟瑞永 一种基于卡尔曼滤波算法的三维定位方法及其定位系统
CN112580275A (zh) * 2020-12-29 2021-03-30 成都信息工程大学 一种简单高效的高超声速飞行器fads系统测压孔布局方法
CN112685972A (zh) * 2020-12-29 2021-04-20 南京航空航天大学 一种高效率的高超声速飞行器压力传感器分布优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S. A. WHITMORE: "Reconstruction of the shuttle reentry air data parameters using a linearized Kalman filter", 《ATMOSPHERIC FLIGHT MECHANICS CONFERENCE》 *
张勇 等: "锥体弹头的嵌入式大气数据传感系统组合算法", 《传感器与微系统》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127763A (zh) * 2023-02-02 2023-05-16 中国科学院力学研究所 一种临近空间高超声速飞行器的大气数据计算方法
CN116127763B (zh) * 2023-02-02 2024-06-07 中国科学院力学研究所 一种临近空间高超声速飞行器的大气数据计算方法
CN117251942A (zh) * 2023-11-17 2023-12-19 成都凯天电子股份有限公司 一种估算飞行器空速、攻角和侧滑角的方法及系统
CN117251942B (zh) * 2023-11-17 2024-03-08 成都凯天电子股份有限公司 一种估算飞行器空速、攻角和侧滑角的方法及系统

Also Published As

Publication number Publication date
CN114636842B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN114636842B (zh) 一种高超声速飞行器的大气数据估计方法及装置
CN102692225B (zh) 一种用于低成本小型无人机的姿态航向参考系统
CN109033485B (zh) 用于基于天气缓冲模型估计飞行器空速的系统
CN102353378B (zh) 一种矢量形式信息分配系数的组合导航系统自适应联邦滤波方法
US7347090B1 (en) Methods and systems for calculating atmospheric vehicle air data
CN112146655B (zh) 一种BeiDou/SINS紧组合导航系统弹性模型设计方法
CN105136145A (zh) 一种基于卡尔曼滤波的四旋翼无人机姿态数据融合的方法
CN110426032B (zh) 一种解析式冗余的飞行器容错导航估计方法
CN111766397B (zh) 一种基于惯性/卫星/大气组合的气象风测量方法
Cao et al. Anti-disturbance fault tolerant initial alignment for inertial navigation system subjected to multiple disturbances
Brossard et al. Tightly coupled navigation and wind estimation for mini UAVs
CN111189442A (zh) 基于cepf的无人机多源导航信息状态预测方法
Cho et al. Airflow angle and wind estimation using GPS/INS navigation data and airspeed
Jiang et al. Constrained Kalman filter for uncooperative spacecraft estimation by stereovision
Wang et al. A robust backtracking CKF based on Krein space theory for in-motion alignment process
Ducard et al. Strategies for sensor-fault compensation on UAVs: review, discussions & additions
Lu et al. Air data estimation by fusing navigation system and flight control system
CN111982126A (zh) 一种全源BeiDou/SINS弹性状态观测器模型设计方法
Emran et al. A cascaded approach for quadrotor's attitude estimation
CN116222541A (zh) 利用因子图的智能多源组合导航方法及装置
Zarei et al. Performance improvement for mobile robot position determination using cubature Kalman filter
WO2021140491A1 (en) Method and system for estimating aerodynamic angles of a flying body
CN112762960A (zh) 一种飞行器所处风场的在线计算方法
CN112013849A (zh) 一种水面船自主定位方法及系统
Jarrell et al. Aircraft attitude, position, and velocity determination using sensor fusion

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