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)可以避免因為單一的導(dǎo)航系統(tǒng)進行導(dǎo)航所帶來的不足,從而提高導(dǎo)航系統(tǒng)精度。而因為載體的高機動、高動態(tài)特性以及衛(wèi)星導(dǎo)航信號在峽谷、森林地帶會暫時失蹤,使得組合導(dǎo)航系統(tǒng)對導(dǎo)航算法提出了進一步的要求。因此,如何合理的設(shè)計和完善組合導(dǎo)航系統(tǒng)的導(dǎo)航算法,提高導(dǎo)航信息的融合效果,對于提高組合導(dǎo)航系統(tǒng)的導(dǎo)航精度并進一步的擴大微慣性導(dǎo)航系統(tǒng)的應(yīng)用領(lǐng)域具有重

2、要的實際意義。
　　本文以陸用車輛為研究對象,針對車輛的平動和轉(zhuǎn)動,利用動力學(xué)和運動學(xué)理論知識建立了車輛的運動學(xué)模型和動力學(xué)模型。通過分析組合導(dǎo)航系統(tǒng)中慣性測量單元(Inertial Measurement Unit:IMU)的結(jié)構(gòu),對微慣性傳感器的誤差源進行分類,利用時間序列分析中的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(尤其是隨機誤差)模型,主要的方法是利用微慣性器件的輸出信號的自相關(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模型的一般表達式,利用最小二乘方方法確定AR模型的參數(shù)值,采用LDA準則估計AR模型的階次,參數(shù)值和階次確定之后,微慣性器件隨機誤差模型的表達式也就確定了。
　　通過對現(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,針對系統(tǒng)的數(shù)學(xué)模型和噪聲統(tǒng)計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、輛的運動特性較復(fù)雜,而且GPS信號在森林、隧道、峽谷等地會頻繁失蹤,導(dǎo)致組合導(dǎo)航系統(tǒng)的數(shù)學(xué)模型是非線性,此時自適應(yīng)卡爾曼濾波器也不可用,此時應(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)計特性必須精確已知,從上可知,單一的改進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)點融合,克服車輛的運動特性并且在衛(wèi)星信號失蹤的情況