基于强跟踪滤波器的MIMU_GPS组合导航系统

Kalman滤波在运动跟踪中建模

目录 一、kalman滤波简介 (1) 二、kalman滤波基本原理 (1) 三、Kalman滤波在运动跟踪中的应用的建模 (3) 四、仿真结果 (6) 1、kalman的滤波效果 (6) 2、简单轨迹的kalman的预测效果 (7) 3、椭圆运动轨迹的预测 (9) 4、往返运动归轨迹的预测 (10) 五、参数的选取 (11) 附录： (13) Matlab程序： (13) C语言程序： (13)

Kalman滤波在运动跟踪中的应用 一、kalman滤波简介 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 Kalman滤波是卡尔曼(R.E.kalman)于1960年提出的从与被提取信号的有关的观测量中通过算法估计出所需信号的一种滤波算法。他把状态空间的概念引入到随机估计理论中，把信号过程视为白噪声作用下的—个线性系统的输出，用状方程来描述这种输入—输出关系，估计过程中利用系统状态方程、观测方程和白噪声激励(系统噪声和观测噪声)的统计特性形成滤波算法，由于所用的信息都是时域内的量，所以不但可以对平稳的一维随机过程进估计，也可以对非平稳的、多维随机过程进行估汁。 Kalman滤波是一套由计算机实现的实时递推算法．它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计值(系统的状态或参数)作为滤波器的输出，滤波器的输入与输出之间是由时间更新和观测更新算法联系在一起的，根据系统方程和观测方程估计出所有需要处理的信号。所以，Kalman滤波与常规滤波的涵义与方法不同，它实质上是一种最优估计法。 卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法），对于解决很大部分的问题，他是最优，效率最高甚至是最有用的 二、kalman滤波基本原理 Kalman滤波器是目标状态估计算法解决状态最优估计的一种常用方法具有计算量小、存储量低、实时性高的优点。实际应用中，可以将物理系统的运行过程看作是一个状态转换过程，卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来。其基本思想是给系统信号和噪声的状态空间建立方程和观测方程，只用信号的前一个估计值和最近一个观察值就可以在线性无偏最小方差估计准则下对信号的当前值做出最优估计。 设一系统所建立的模型为：

某组合导航系统捷联导航方案及仿真技术研究

某组合导航系统捷联导航方案及仿真技术研究 发表时间：2018-09-27T18:19:29.877Z 来源：《知识-力量》2018年9月中作者：王欣张龙飞李锦龙王丹李晓菊[导读] 捷联导航方案在自主导航系统中广泛应用。本文主要阐述了导航原理，导航方法设计，以及仿真设计原理和实现。利用仿真技术，进行捷联惯性组合导航系统模拟试验，验证了所设计的捷联惯性组合导航系统的可行性和有（中国航天科技集团公司第四研究院四〇一所，西安 710025） 摘要：捷联导航方案在自主导航系统中广泛应用。本文主要阐述了导航原理，导航方法设计，以及仿真设计原理和实现。利用仿真技术，进行捷联惯性组合导航系统模拟试验，验证了所设计的捷联惯性组合导航系统的可行性和有效性。关键词：组合导航系统；组合导航方法；数据修正；仿真 1组合方案内容 1.1性能分析及组合导航原理根据组合导航系统的使用要求，惯性/卫星组合导航系统可供选择的组合方式有简单组合模式、浅组合模式、深组合模式。简单组合模式是利用卫星导航系统提供的位置和速度直接重置惯性导航系统；浅组合模式是利用惯性导航系统和卫星导航系统输出的位置和速度信息的差值作为观测量，利用滤波器估计惯性导航系统的误差，并进行校正；深组合模式是惯性导航系统和卫星导航系统相互辅助和相互修正，实现协同超越。三种组合方式对比，简单组合模式能直接修正惯性导航系统的位置和速度，但无法修正姿态误差和惯性测量元件误差，浅组合模式能校正惯性导航系统的误差，但无法修正卫星导航系统的误差，不能彻底发挥二者的优势，深组合模式对惯性导航系统和卫星导航系统都有修正效果，但是工程实现难度较大，因此，组合模式选用简单组合模式。组合导航系统定位误差在不考虑对准误差和姿态解算误差的情况下，加速度测量误差不能大于，但是，实际系统肯定存在对准误差和姿态解算误差，所以单一的惯性导航不能满足技术指标要求，必须与其他导航方式组合。采用GNSS导航和捷联惯性导航的组合方式。其中GNSS导航具有定位精度高、导航误差不随时间积累、可全天时、全天候工作、难直接提供姿态信息、数据更新率低、易受电磁干扰等特点；惯性导航系统具有隐蔽性好、抗干扰能力强、短时精度高、导航信息完整和数据更新率高等特点。两种导航方式对比，捷联惯性导航系统能提供完整连续的导航参数，具有完全自主、短时精度高的优点。捷联惯性导航系统解算出的速度、位置与GNSS提供的速度、位置之差作为卡尔曼滤波器的观测量，姿态误差、速度误差和位置误差作为卡尔曼滤波器的状态变量，估计出状态变量的最优估计值后，对捷联惯性导航系统进行校正。 1.2捷联惯性导航算法组合导航系统的捷联导航算法包含姿态更新、速度更新和位置更新。算法设计时，利用四元数法将系统采集到的角速度实时算出姿态 阵，进而求出载体的姿态角，对系统采集到的视加速度进行补偿和坐标转换，解算出速度和位置 捷联导航算法原理见图1中虚线框内部分。 图1捷联导航算法原理框图 1.3组合导航方法 采用节所述的方法解算出载体当前速度和位置，与GNSS提供的速度和位置相减作为卡尔曼滤波器的观测量，姿态误差、速度误差和位置误差作为卡尔曼滤波器的状态变量，估计出姿态误差、速度误差和位置误差的最优估计值后，对捷联惯性导航系统进行校正。 2仿真 2.1仿真结果 仿真曲线见图2-3所示：

强跟踪滤波器(STF)进行信号处理及信号参数估计

%% 强跟踪滤波器 function test3_STF close all; clc; tic; %计时 %模型：y=A0+A1*cos(omega*t+phy1) %离散化：y(k)=A0(k)+A1(k)*cos(omega(k)*k*Ts+phy1(k)) %状态变量：x1(k)=A0(k),x2(k)=omega(k),x3(k)=A1(k)*cos(omega(k)*k*Ts+phy1(k) ),x4(k)=A1(k)*sin(omega(k)*k*Ts+phy1(k)) %下一时刻状态变量为(假设状态不突变)：A0(k+1)=A0(k),A1(k+1)=A1(k),omega(k+1)=omega(k),phy1(k+1)=phy1 (k); %则对应状态为：x1(k+1)=x1(k),x2(k+1)=x2(k),x3(k+1)=x3(k)*cos(x2(k)*Ts)- x4(k)*sin(x(2)*Ts),x4(k+1)=x3(k)*sin(x2(k)*Ts)+x4(k)*cos(x(2)*Ts); %状态空间描述：X(k+1)=f(X(k))+W(k);y(k)=H*X(k)+v(k) %f(X(k))=[x1(k);x2(k);x3(k)*cos(x2(k)*Ts)- x4(k)*sin(x(2)*Ts);x3(k)*sin(x2(k)*Ts)+x4(k)*cos(x(2)*Ts)] %偏导(只求了三个)：f`(X(k))=[1,0,0;0,1,0;0,-x3(k)*Ts*sin(x2(k)*Ts)-x4(k)*Ts*cos(x2(k)*Ts),cos(x2(k)*Ts);0,x3(k)*Ts*cos(x2(k)*Ts)- x4(k)*Ts*sin(x2(k)*Ts),sin(x2(k)*Ts)]

MEMS仪表惯性组合导航系统发展现状与趋势_蔡春龙

DOI:10.13695/https://www.sodocs.net/doc/255834214.html,ki.12-1222/o3.2009.05.006 第17卷第5期中国惯性技术学报V ol.17 No.5 2009年10月 Journal of Chinese Inertial Technology Oct. 2009 文章编号：1005-6734(2009)05-0562-06 MEMS仪表惯性组合导航系统发展现状与趋势 蔡春龙1, 刘 翼1，刘一薇2 （1. 北京航天时代光电科技有限公司，北京100854；2. 航天东方红卫星有限公司，北京100094） 摘要：基于MEMS仪表的惯性组合导航系统是飞行器实现轻小型化的关键配套设备之一。针对国外MEMS惯性组 合导航系统产品的实现方案与性能指标进行了综述；介绍我国在该领域的研究现状，简要分析当前存在的问题 与技术瓶颈，指出我国应结合现有硅微惯性器件加工水平与理论研究成果展开有针对性的研究工作。最后，对 该领域的技术发展方向进行了分析。 关键词：微机械系统；组合导航系统；信息融合 中图分类号：U666.1 文献标志码：A Status quo and trend of inertial integrated navigation system based on MEMS CAI Chun-long1, LIU Yi1, LIU Yi-wei2 (1. Beijing Aerospace Times Optical-Electronic Technology Co., Ltd., Beijing 100854, China; 2. China Spacesat Co., Ltd., Beijing 100094, China) Abstract: As one of the core equipments of the miniaturization of vehicle, the inertial integrated navigation system based on MEMS has significant meaning to both the aerospace industry and the construction of national defense. Firstly, the system solution and performance specification of foreign latest products are summarized. Then the status quo of Chinese development is introduced. The problems and technological bottlenecks at present are analyzed. It is also pointed out that some pertinent research should be made based on the present manufacturing level of Chinese micro-silicon inertial sensors and existing theoretical achievements. Finally, the future development direction of the techniques in this field is analyzed. Key words: MEMS; inertial integrated navigation system; filter; information fusion 微机械惯性测量单元（Micro-Electronic Mechanical System Inertial Measurement Unit，MEMS-IMU）作为第三代惯性测量组件，与第一代机械转子陀螺惯性测量组件、第二代光电陀螺惯性测量组件相比，具有体积小、重量轻、功耗少、成本低、集成化程度高等优点，拥有更广阔的工程应用前景，尤其对于微小型运载体的导航、制导与姿态控制具有重要意义，已被多个国家列为未来惯性导航系统的重点发展方向之一。但从目前国内外微机械惯性测量器件的研制现状来看，由于受到加工工艺、选材等因素的限制，MEMS-IMU在精度以及稳定性等方面与前两代惯性测量组件相比仍然存在较大差距，同时受限于惯导系统固有的导航误差随时间积累问题，微惯性导航系统尚不具备独立完成导航定位任务的能力。 因此，基于MEMS-IMU的组合导航方案是解决上述问题的一条有效途径。 目前，MEMS-IMU组合导航系统已经在民用和军用领域得到了广泛认可。民用方面，具有导航定位功能的汽车、精细农业用机械与车辆、用于农药喷洒与林区防火的无人飞机等已部分装配该类型组合导航系统；军用方面，欧美发达国家已成功将其应用于战术制导武器、微小型无人侦查飞机、卫星探测、航天器导航等领域。我国在该领域的研究工作起步较晚，目前正处于从原理样机研制向工程应用过渡阶段，国内各科研院所与高校正在加紧进行该领域的技术攻关工作。 收稿日期：2009-07-24；修回日期：2009-09-03 作者简介：蔡春龙（1967—），男，研究员，研究方向为光纤陀螺捷联惯性导航系统。E-mail：cai_chun_long@https://www.sodocs.net/doc/255834214.html,

(整理)Kalman滤波在运动跟踪中的建模.

目录一、kalman滤波简介 1 二、kalman滤波基本原理 (1) 三、Kalman滤波在运动跟踪中的应用的建模 (3) 四、仿真结果 (6) 1、kalman的滤波效果 (6) 2、简单轨迹的kalman的预测效果 (7) 3、椭圆运动轨迹的预测 (9) 4、往返运动归轨迹的预测 (10) 五、参数的选取 (11) 附录： (13) Matlab程序： (13) C语言程序： (13)

Kalman滤波在运动跟踪中的应用 一、kalman滤波简介 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 Kalman滤波是卡尔曼(R.E.kalman)于1960年提出的从与被提取信号的有关的观测量中通过算法估计出所需信号的一种滤波算法。他把状态空间的概念引入到随机估计理论中，把信号过程视为白噪声作用下的—个线性系统的输出，用状方程来描述这种输入—输出关系，估计过程中利用系统状态方程、观测方程和白噪声激励(系统噪声和观测噪声)的统计特性形成滤波算法，由于所用的信息都是时域内的量，所以不但可以对平稳的一维随机过程进估计，也可以对非平稳的、多维随机过程进行估汁。 Kalman滤波是一套由计算机实现的实时递推算法．它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计值(系统的状态或参数)作为滤波器的输出，滤波器的输入与输出之间是由时间更新和观测更新算法联系在一起的，根据系统方程和观测方程估计出所有需要处理的信号。所以，Kalman滤波与常规滤波的涵义与方法不同，它实质上是一种最优估计法。 卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法），对于解决很大部分的问题，他是最优，效率最高甚至是最有用的 二、kalman滤波基本原理 Kalman滤波器是目标状态估计算法解决状态最优估计的一种常用方法具有计算量小、存储量低、实时性高的优点。实际应用中，可以将物理系统的运行过程看作是一个状态转换过程，卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来。其基本思想是给系统信号和噪声的状态空间建立方程和观测方程，只用信号的前一个估计值和最近一个观察值就可以在线性无偏最小方差估计准则下对信号的当前值做出最优估计。 设一系统所建立的模型为：

基于相关滤波器的目标跟踪方法综述

0引言 视觉跟踪是计算机视觉中引人瞩目且快速发展的领域,主要用于获取运动目标的位置、姿态、轨迹等基本运动信息,是理解服务对象或对目标实施控制的前提和基础。其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现,如导航制导、事件检测、行为识 别、视频监控、自动驾驶、移动机器人等[1-4]。虽然跟踪方法取得了长足进展,但由于遮挡、目标的平面内/外旋 转、快速运动、模糊、光照及变形等因素的存在使其仍然是非常具有挑战性的工作。 近年来,基于相关滤波器CF(Correlation Filter)的跟踪 方法得到了极大关注[5-9]。CF 最大的优点是计算效率高,这归结于其假设训练数据的循环结构,因为目标和候选 区域能在频域进行表示并通过快速傅里叶变换(FFT)操作。Bolme [6]等首次将CF 应用于跟踪提出MOSSE 算法,其利用FFT 的快速性使跟踪速度达到了600-700fps 。瑞典林雪平大学的Martin Danelljan 在2016年ECCV 上提出的相关滤波器跟踪算法C -COT [7]取得了VOT2016竞赛冠军,2017年其提出的改进算法ECO [8]在取得非常好的精度和鲁棒性的同时,显著提高运算速度至C-COT 的6倍之多。 基于CF 的跟踪算法如此优秀,已然成为研究热点。近年和相关滤波有关的论文层出不穷,很有必要对这些论文及相关滤波的发展等进行一个归纳和总结,以推动该方向的发展。文献[9]虽已做过综述并取得了一定效果,但有两点不足:(1)过多介绍现有几种方法的具体细节,没有对更多文献进行对比分析;(2)缺乏对基于相关滤波器跟踪方法的分类对比分析。基于此,本文的不同 ?基金项目:陕西理工大学科研项目资助(SLGKY16-03) 基于相关滤波器的目标跟踪方法综述? 马晓虹1,尹向雷 2 (1.陕西理工大学电工电子实验中心,陕西汉中723000;2.陕西理工大学电气工程学院,陕西汉中723000) 摘要:目标跟踪是计算机视觉中的重要组成部分,广泛应用于军事、医学、安防、自动驾驶等领域。虽然取得了很大进展,但由于遮挡、快速运动、模糊、光照及变形等因素存在,其仍是具有挑战性的研究领域。近年来,属于判别式类型的相关滤波器跟踪方法由于具有非常高的处理速度备受关注。首先介绍了目标跟踪和相关滤波器的基本知识,之后对相关滤波器方法在朴素阶段、循环结构和核技巧、多特征通道、与深度特征的结合、尺度研究、边界效应以及其他信息的利用方面进行了详述,最后对基于相关滤波器方法的研究方向和发展趋势给出了几点看法。关键词:计算机视觉;目标跟踪;相关滤波器中图分类号:TP391 文献标识码:A DOI :10.16157/j.issn.0258-7998.174811 中文引用格式:马晓虹,尹向雷.基于相关滤波器的目标跟踪方法综述[J].电子技术应用,2018,44(6):3-7,14. 英文引用格式:Ma Xiaohong ,Yin Xianglei.Method of object tracking based on correlation filters :a survey[J].Application of Elec-tronic Technique ,2018,44(6):3-7,14. Method of object tracking based on correlation filters :a survey Ma Xiaohong 1,Yin Xianglei 2 (1.Electrical and Electronic Experiment Teaching Center ,Shannxi University of Technology ,Hanzhong 723000,China ; 2.School of Electrical Engineering ,Shannxi University of Technology ,Hanzhong 723000,China) Abstract :Object tracking is an important part in computer vision and is widely used in military,medical,security and autonomous driving.Although great progress has been made,it is still a challenging research field due to the factors such as occlusion,rapid speed,motion blur,illumination and deformation.In recent years,the correlation filter tracking method,one of discriminant type,has attracted much attention due to its higher processing speed.We first introduces the basic knowledge of the object tracking and the correlation filter tracking,and the correlation filter tracking methods in simple stage,we also discussed the circular structure and the kernel trick,the combination of multiple feature channels and deep feature,scale research,boundary effect and the use of other information.Finally,the research direction and development trend of the method based on the correlation filter is given.Key words :computer vision ;object tracking ;correlation filter

用强跟踪滤波器的方法解决一类传感器故障

用强跟踪滤波器的方法解决一类传感器故障 于凤满，周玉国，徐志超 (青岛理工大学自动化工程学院，山东青岛266033) 摘要：针对一种常见的传感器恒偏差故障问题，提出一种基于强跟踪卡尔曼滤波传感器故障诊断的方法。仿真实验表明，强跟踪卡尔曼滤波算法是一种较好的非线性系统传感器故障诊断方法。 关键词：故障诊断；强跟踪滤波器；传感器；恒偏差；仿真 中图分类号：TP273文献标识码：A文章编号：1674-7720(2011)01-0066-03 Using strong tracking filter for solving a class of sensor fault Yu Fengman，Zhou Yuguo，Xu Zhichao (School of Automation，Qingdao Technological University，Qingdao266033，China) Abstract：In this paper，a common constant discrepancy sensor failure problem，the method of fault diagnosis based-on a strong tracking Kalman filter has been proposed.Finally，it was verified that，the algorithm of the strong tracking Kalman filter is a better method of nonlinear system fault diagnosis with simulation results. Key words：fault diagnosis；strong tracking filter；sensor；constant discrepancy；simulation 目前，对线性系统的参数估计技术已经比较成熟，可以采用传统的卡尔曼估计、最小二乘估计等方法来实现。而对复杂的时变、强耦合非线性系统，传统的扩展卡尔曼滤波器EKF(Extended Kalman Filter)由于其对系统参数变化不具有鲁棒性，在系统参数突变的情况下容易出现滤波误差增大(甚至发散)现象。另外，当扩展卡尔曼滤波器达到平稳的状态下，滤波增益阵会变得很小。当系统参数突变后，由于滤波增益阵不能迅速增大，所以会导致滤波器对状态突变跟踪能力极差，不能用于非线性系统参数估计。为了增强卡尔曼滤波器在参数突变情况下的鲁棒性和跟踪能力，清华大学的周东华教授等人提出了强跟踪滤波器STF(Strong Tracking Filter)的理论[1]。基于这种理论，本文提出一类关于非线性系统传感器恒偏差故障问题的检测与诊断方法，可用于估计故障的幅值。 实际控制系统的典型故障有：(1)执行机构及输出传感器的增益逐渐衰减或突然衰减，导致超出允许范围； (2)执行机构及输出传感器出现超限的阶跃型或缓变型输出偏差等。 1传感器恒偏差失效故障 考虑如下一大类离散非线性系统的状态估计问题： x(k+1)=f(k，u(k)，x(k))+Γ(k)ν(k) y(k+1)=h(k+1，x(k+1))+e(k+1 ) (1) 其中：整数k≥0为离散时间变量；x∈R n为状态向量；u∈R q为确定性的输入量；y∈R m为输出向量；非线性函数f：R n×R q→R n，h：R n→R m具有关于状态的一阶连续偏导数；Γ∈R n×p为已知的矩阵；f，h关于状态连续可微；系统噪声ν(k)、测量噪声e(k)分别为高斯白噪声向量。 针对这一种传感器恒偏差故障建立其数学模型如下： x(k+1)=f(k，u(k)，x(k))+Γ(k)ν(k) y(k+1)=h(k+1，x(k+1))+g(k+1)+e(k+1) g(k+1)=g(k)，g(0)= → → → → → → → → →0 (2) 只有第J1，J2，…，J m1，J m1∈{1，2，…，m}输出传感器可能发生故障时，可得到下面的简化模型： x(k+1)=f(k，u(k)，x(k))+Γ(k)ν(k) y(k+1)=h(k+1，x(k+1))+Dg(k+1)+e(k+1) g(k+1)=g(k)，g(0)= → → → →→ → → → → → →0 (3) 其中：g(k)=[g J 1 (k)，g J 2 (k)，…，g Jm1(k)]T，D∈R m×m1，其第J i行、第i列元素为1，其余为零。 令：x e= x(k+1) g(k+1 →→ ) Γe(k)= Γ(k) →→ 66 《微型机与应用》2011年第30卷第1期

自适应CKF强跟踪滤波器及其应用

第19卷一第11期2015年11月一电一机一与一控一制一学一报Electri c 一Machines 一and 一Control 一Vol．19No．11Nov.2015 一一一一一一自适应CKF 强跟踪滤波器及其应用 丁家琳1,一肖建1,一赵涛2 (1.西南交通大学电气工程学院,四川成都610031;2.西南交通大学交通运输与物流学院,四川成都610031)摘一要:针对强跟踪滤波器(STF )的理论局限以及基于UT 变换的强跟踪滤波器(UTSTF )处理高维非线性系统时滤波精确度下降甚至发散等问题,提出一种基于容积卡尔曼滤波(CKF )算法的强跟踪滤波器(CKFSTF )三CKFSTF 兼具了STF 和CKF 的优点:鲁棒性强,滤波精度高,数值稳定性好,计算速度快,容易实现且应用范围广三此外,对于目标跟踪系统过程噪声统计特性未知的情况,在CKFSTF 的基础上应用Sage-Husa 噪声估值器对噪声统计特性进行在线估计,形成自适应CKFSTF 三 仿真结果验证了新算法的有效性三关键词:强跟踪滤波器;容积卡尔曼滤波;自适应性;目标跟踪 DOI :10.15938/j.emc.2015.11.017 中图分类号:TP 273文献标志码:A 文章编号:1007-449X(2015)11-0111-10 Adaptive CKF strong tracking filter and application DING Jia-lin 1,一XIAO Jian 1,一ZHAO Tao 2 (1.School of Electrical Engineering,Southwest Jiaotong University,Chengdu 610031,China;2.School of Transportation and Logistics,Southwest Jiaotong University,Chengdu 610031,China) Abstract :For the problem that Strong tracking filter (STF)has some theoretical limitations and the STF based on unscented transformation (UTSTF)declines in accuracy and further diverges when solving the nonlinear filtering problem in high dimension,a cubature Kalman filter (CKF)with strong tracking be-havior (CKFSTF)was proposed.CKFSTF combines advantages of STF and CKF:strong robustness,high accuracy,strong numerical stability,fast calculation speed,easy implementation and wide range of applications.Furthermore,adaptive CKFSTF was proposed when the prior noise statistic is unknown and time-varying,which using Sage-Husa noise statistic estimator based on CKFSTF.Validity of the new pro-posed algorithm was verified by the simulation examples.Keywords :strong tracking filter;cubature kalman filter;adaptability;target tracking 收稿日期:2013-10-06基金项目:国家自然科学基金(51177137);国家自然科学基金重点项目(61134001) 作者简介:丁家琳(1986 ),女,博士研究生,研究方向为非线性滤波算法及其在电机状态估计中应用; 肖一建(1950 ),男,教授,博士生导师,研究方向为交流传动系统,模糊控制和计算机控制; 赵一涛(1988 ),男,博士研究生,研究方向为二型模糊系统二智能控制三 通讯作者:丁家琳0一引一言 由于实际应用系统的复杂性与时变性,非线性 系统状态和参数的估计一直受到广泛的关注三为了 能对系统实现精确的控制,众多学者进行了大量的研究工作并提出了许多经典的非线性滤波算法三其中,扩展卡尔曼滤波器(extend Kalman filter,EKF)因其算法简单二收敛速度快等优点得到了广泛的应

组合导航系统的计算程序代码

组合导航系统的计算程序代码 function yy=ukf_IMUgps() %function ukf_IMUgps() % UKF在IMU/GPS组合导航系统中应用 % % 以IMU中的位置、速度、姿态误差角、陀螺漂移常值为状态量； % 以GPS中的位置、速度为观测量。 % % 7,July 2008. clc % Initialise state global we RN RM g fl deta wg Tt wt d ww v u W Rbl Ta wa d=0; %验证循环次数 %地球自转角速度we(rad/s): we=7.292115e-5; g=9.81; %地球重力加速度（m/s^2） a=6.378137e+6; %地球长半轴 e2=0.; %地球第一偏心率的平方 %姿态角初始值（r,p,y） zitai=(pi/180).*[0 2.0282 196.9087]; %姿态误差角 fai=(pi/180).*[1/36 1/36 5/36]; %(100'',100'',500'') r=zitai(1)+fai(1); p=zitai(2)+fai(2); y=zitai(3)+fai(3); %当地坐标系（l）相对于载体坐标系（b）的转换矩阵：Rbl(在e,n,u坐标系下）Rbl=[cos(r)*cos(y)-sin(r)*sin(y)*sin(p) -sin(y)*cos(p) cos(y)*sin(r)+sin(y)*sin(p)*cos(r) cos(r)*sin(y)+sin(r)*cos(y)*sin(p) cos(y)*cos(p) sin(y)*sin(r)-cos(y)*sin(p)*cos(r) -cos(p)*sin(r) sin(p) cos(p)*cos(r)];

组合导航技术的发展趋势_曾伟一

技术开发与应用 组合导航技术的发展趋势 曾伟一1 林训超2 曾友州3 贺银平4 (1.2.3.4.成都航空职业技术学院,四川成都610100) 收稿日期:2011-01-10 作者简介:曾伟一(1956 ),男,四川省成都市人,副教授,主要研究方向为电气自动化和微机控制技术。 摘 要:本文揭示了组合导航技术的优越性,论述了组合导航的关键技术,对硅微惯性测量单元的发展和应用情况进行了介绍,指出GNSS/INS 组合中松耦合、紧耦合与深耦合方式的技术特点,展望了耦合技术未来发展方向。 关键词:组合导航 卫星导航 惯性导航 中图分类号:TN967 2 文献标识码:B 文章编号:1671-4024(2011)02-0041-04 Development Tendency of Integrated Navigation Technology ZE NG Weiyi 1,LIN Xunchao 2,ZE NG Youzhou 3,HE Yinping 4 (1.2.3.4.Chengdu Aeronautic Vocational &Technical College,Chengdu,Sichuan 610100,China) Abstract This paper analyzes the advanta ges of integrated navigation technique and the key inte grated navigation technology,presents the development and application of measuring units of silicon micro inertia,points out the techniques of loose coupling,tight coupling and deep c oupling in the combination of GNSS and INS and prospects the development tendenc y of c oupling technology. Key Words integrated navigation,GNSS,I NS 组合导航是采用两种或两种以上导航系统,形成的性能更高、安全性和可靠性更强的导航方式。可与GNSS 进行组合导航的技术有I NS 、多普勒雷达、天文导航、气压高度表、磁力计等。目前世界上应用最为广泛、性能最优、自主性最强的组合导航为卫星导航系统和惯性导航系统的组合,该组合系统主要利用卫星导航系统的长期稳定性与适中精度,来弥补I NS 的误差随时间传播或增大的缺点,同时再利用I NS 的短期高精度来弥补卫星导航接收机在受干扰时误差增大或遮挡时丢失信号等的缺点,提高卫星导航的动态性能和抗干扰能力和卫星的重新捕获能力,从而实现完整的高精度、高可靠性、高稳 定性、高适用性、持续全天候的导航,广泛应用于海、陆、空、天各领域,包括飞机、轮船、车辆、机器人等的 导航。组合导航技术已成为目前世界上最先进的、全天候、自主式制导技术,也是导航技术最具有应用前景的发展方向[1] 。本文针对未来组合导航定位领域的关键技术的发展趋势和面临的挑战进行了论述。 一、惯性器件发展趋势与面临的挑战 惯导系统的误差源包括陀螺和加速度计的器件误差、系统初始对准误差和导航解算中采用的重力场模型误差等,器件误差为大多数系统的主要误差源 [2] 。 41 成都航空职业技术学院学报Journal of Che ngdu Aeronauti c Voc atio na l a nd Te chni cal Col lege 2011年06月第2期(总第87期)Vol.27No.2(Serial No.87)2011

惯性导航系统发展应用现状

惯性导航系统发展应用现状 测绘10-2班张智远07103094 摘要：阐述了惯性导航技术的核心技术构成（陀螺定向），总结了惯性导航的发展概况，并列举出陀螺仪的发展历程及发展方向。同时，概括了惯性技术的应用领域及当前应用情况。最后指出，随着新型惯性器件的涌现和完善，以惯性导航为基础的组合导航系统将成为未来导航系统的主要发展方向。 关键词：惯性导航陀螺仪惯性导航技术惯性导航系统 惯性导航（Inertial Navigation）是20 世纪中期发展起来的完自主式的导航技术。通过惯性测量组件（IMU）测量载体相对惯性空间的角速率和加速度信息，利用牛顿运动定律自动推算载体的瞬时速度和位置信息，具有不依赖外界信息、不向外界辐射能量、不受干扰、隐蔽性好的特点，且惯导系统能连续地提供载体的全部导航、制导参数（位置、线速度、角速度、姿态角）。惯性导航技术，包括平台式惯导系统和捷联惯导系统。平台式惯性导航系统将陀螺通过平台稳定回路控制平台跟踪导航坐标系在惯性空间的角速度。捷联惯性导航系统利用相对导航坐标系角速度计算姿态矩阵，把雷体坐标系轴向加速度信息转换到导航坐标系轴向并进行导航计算。惯性导航系统通常由惯性测量装置、计算机、控制显示器等组成。惯性测量装置包括加速度计和陀螺仪,又称惯性导航组合。3个自由度陀螺仪用来测量飞行器的三个转动运动；3个加速度计用来测量飞行器的3个平移运动的加速度。计算机根据测得的加速度信号计算出飞行器的速度和位置数据。控制显示器显示各种导航参数。 陀螺仪是惯性系统的主要元件。陀螺仪通常是指安装在万向支架中高速旋转的转子，转子同时可绕垂直于自转轴的一根轴或两根轴进动，前者称单自由度陀螺仪，后者称二自由度陀螺仪。陀螺仪具有定轴性和进动性，利用这些特性制成了敏感角速度的速率陀螺和敏感角偏差的位置陀螺。由于光学、MEMS 等技术被引入于陀螺仪的研制，现在习惯上把能够完成陀螺功能的装置统称为陀螺。陀螺仪种类多种多样，按陀螺转子主轴所具有的进动自由度数目可分为二自由度陀螺仪和单自由度陀螺仪；按支承系统可分为滚珠轴承支承陀螺，液浮、气浮与磁浮陀螺，挠性陀螺（动力调谐式挠性陀螺仪），静电陀螺；按物理原理分为利用高速旋转体物理特性工作的转子式陀螺，和利用其他物理原理工作的半球谐振陀螺、微机械陀螺、环形激光陀螺和光纤陀螺等。 由于陀螺仪是惯性导航的核心部件，因此，可以按各种类型陀螺出现的先后、理论的建立和新型传感器制造技术的出现，将惯性技术的发展划分为四代，但是惯性技术发展的各阶段之间并无明显界线。 第一代惯性技术指1930年以前的惯性技术。自1687年牛顿三大定律的建立，并成为惯性导航的理论基础；到l852年，傅科(Leon Foucault)提出陀螺的定义、原理及应用设想；再到1908年由安修茨(Hermann Anschütz—Kaempfe)研制出世界上第一台摆式陀螺罗经，以及1910年的舒勒(Max Schuler)调谐原理；第一代惯性技术奠定了整个惯性导航发展的基础。 第二代惯性技术开始于上世纪40年代火箭发展的初期，其研究内容从惯性仪表技术发展扩大到惯性导航系统的应用。首先是惯性技术在德国V-II火箭上的第一次成功应用。到50年代中后期，0．5n mile／h的单自由度液浮陀螺平台惯导系统研制并应用成功。1968年，漂移约为0．005°／h的G6B4型动压陀螺研制成功。这一时期，还出现了另一种惯性传感

组合惯性导航系统有哪些

组合惯性导航系统有哪些？ 随着时代的发展，单一惯性导航系统逐渐被组合惯性导航系统所代替。单一导航系统都有各自的局限性，组合惯性导航系统是将飞机和舰船 等运载体上的两种或两种以上的导航设备组合在一起的导航系统。下 面雅驰为你介绍一些利用多种信息源互补构成精确度更高的多功能导 航系统。 1、卫星惯导组合： 通过卫星定位系统信息定时对惯性系统进行偏差纠正。在无法接受卫 星信号时，惯性定向定位导航系统也能够保障信息在一定时间内的精 准度。具有精度高，可通讯的特点，但是需要从外界获取信息。 2、天文与惯性导航系统组合： 关于天文和惯性导航系统组合，以下三种方式供你参考：一是利用惯 性导航和天文导航系统位置信息差值来校正的组合方法，给出工程应 用的实际结果；二是根据天文导航系统观测天体的高度、方位值，依 据天文原理计算两者之差作为观测卡尔曼滤波组合；三是确定产台坐 标系在惯性坐标中跟踪地理坐标系的误差作为观测卡尔曼滤波组合， 最后采用天文导航位置信息对陀螺常值漂移的校正。 3、GPS/INS组合导航系统： 能很好的实现惯性传感器的校准、惯导系统的空中对准和高度稳定性等，从而提高惯导系统的性能、精度、跟踪卫星的能力。还可以实现GPS完整性检测，提高可靠性，实现一体化。 4、惯导/多普勒组合：

惯性导航系统和多普勒导航的组合解决了多普勒受地形影响的因素， 又解决了惯性导航自身的误差，体现了两者很好的互补效果。 5、惯导/地磁组合导航系统： 具有自主性强、隐蔽性好、成本低、可用范围广等优点，是当前惯性 导航系统研究领域的一个热点。 6、惯导/地形匹配组合导航系统： 因为地形匹配的定位精度很高，所以可以利用这种精度的信息来消除 长时间工作的误差累计，提高惯性导航的定位精度。 7、GPS/航迹推算组合导航系统： 航迹推算是在GPS失效的情况下，根据大气数据测得空速，推算出地 速和航迹角。当信号中断或差时，由航迹确定位置；当信号质量好时，利用GPS定位确定位置。这样有效的降低了系统的成本。