車載組合導(dǎo)航系統(tǒng)自適應(yīng)無跡卡爾曼濾波算法研究.pdf

1、以MEMS技術(shù)為基礎(chǔ)研制的微慣性導(dǎo)航系統(tǒng)與其它導(dǎo)航系統(tǒng)(如衛(wèi)星導(dǎo)航系統(tǒng)、天文導(dǎo)航等)構(gòu)建的組合導(dǎo)航系統(tǒng)可以避免因?yàn)閱我坏膶?dǎo)航系統(tǒng)進(jìn)行導(dǎo)航所帶來的不足,從而提高導(dǎo)航系統(tǒng)精度。而因?yàn)檩d體的高機(jī)動(dòng)、高動(dòng)態(tài)特性以及衛(wèi)星導(dǎo)航信號(hào)在峽谷、森林地帶會(huì)暫時(shí)失蹤,使得組合導(dǎo)航系統(tǒng)對(duì)導(dǎo)航算法提出了進(jìn)一步的要求。因此,如何合理的設(shè)計(jì)和完善組合導(dǎo)航系統(tǒng)的導(dǎo)航算法,提高導(dǎo)航信息的融合效果,對(duì)于提高組合導(dǎo)航系統(tǒng)的導(dǎo)航精度并進(jìn)一步的擴(kuò)大微慣性導(dǎo)航系統(tǒng)的應(yīng)用領(lǐng)域具有重

2、要的實(shí)際意義。
　　本文以陸用車輛為研究對(duì)象,針對(duì)車輛的平動(dòng)和轉(zhuǎn)動(dòng),利用動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)理論知識(shí)建立了車輛的運(yùn)動(dòng)學(xué)模型和動(dòng)力學(xué)模型。通過分析組合導(dǎo)航系統(tǒng)中慣性測(cè)量單元(Inertial Measurement Unit:IMU)的結(jié)構(gòu),對(duì)微慣性傳感器的誤差源進(jìn)行分類,利用時(shí)間序列分析中的ARMA模型誤差建模方法建立了車載組合導(dǎo)航系統(tǒng)中微慣性傳感器的誤差(尤其是隨機(jī)誤差)模型,主要的方法是利用微慣性器件的輸出信號(hào)的自相關(guān)函數(shù)值獲得功率

3、譜密度值,然后根據(jù)功率譜密度值得出AR模型的一般表達(dá)式,利用最小二乘方方法確定AR模型的參數(shù)值,采用LDA準(zhǔn)則估計(jì)AR模型的階次,參數(shù)值和階次確定之后,微慣性器件隨機(jī)誤差模型的表達(dá)式也就確定了。
　　通過對(duì)現(xiàn)有的以低成本慣性導(dǎo)航系統(tǒng)的信息融合技術(shù)進(jìn)行分析,開展車載組合導(dǎo)航系統(tǒng)中組合導(dǎo)航算法的研究,針對(duì)系統(tǒng)的數(shù)學(xué)模型和噪聲統(tǒng)計(jì)特性通常不是確切已知,導(dǎo)致傳統(tǒng)的卡爾曼濾波器遞推方程不適用的問題提出自適應(yīng)無跡卡爾曼濾波組合導(dǎo)航算法。由于車

4、輛的運(yùn)動(dòng)特性較復(fù)雜,而且GPS信號(hào)在森林、隧道、峽谷等地會(huì)頻繁失蹤,導(dǎo)致組合導(dǎo)航系統(tǒng)的數(shù)學(xué)模型是非線性,此時(shí)自適應(yīng)卡爾曼濾波器也不可用,此時(shí)應(yīng)采用無跡卡爾曼濾波器,但是無跡卡爾曼濾波器要求系統(tǒng)噪聲統(tǒng)計(jì)特性必須精確已知,從上可知,單一的改進(jìn)的卡爾曼濾波算法無法滿足導(dǎo)航系統(tǒng)的要求性能要求,在這種情況下,本文提出了一種新的組合導(dǎo)航算法-自適應(yīng)無跡卡爾曼濾波算法,這種算法能夠?qū)⑸鲜鰞煞N濾波器的優(yōu)點(diǎn)融合,克服車輛的運(yùn)動(dòng)特性并且在衛(wèi)星信號(hào)失蹤的情況