基于DSP的航姿系统多传感器信息融合技术
基于DSP四旋翼飞行器姿态控制系统硬件设计
进而输出控制信号给电机。在硬件设计阶段，需要考虑到传感器的选择、电 路设计、PCB布局等因素，以确保系统的稳定性和性能。
设计思路
1、传感器选择
姿态控制系统需要获取飞行器的角速度和角度信息，因此需要选择相应的传 感器。角速度传感器通常采用陀螺仪，而角度传感器则可采用加速度计或磁力计。 考虑到系统的性能和稳定性，我们选择了基于MEMS技术的角速度传感器和加速度 计，以及磁力计作为姿态信息的获取手段。
阔的发展前景。未来我们将继续深入研究四旋翼飞行器的相关技术，为推动 其发展做出贡献。
谢谢观看
为四旋翼飞行器的姿态控制系统提供了强大的支持。本次演示将介绍一种基 于DSP的四旋翼飞行器姿态控制系统的硬件设计。
关键词：四旋翼飞行器、DSP、 姿态控制系统、硬件设计
概述
四旋翼飞行器姿态控制系统的主要任务是通过对四个电机的精确控制，实现 飞行器在空中的稳定飞行。为了实现这一目标，姿态控制系统需要实时获取飞行 器的姿态信息（包括角速度和角度），并通过DSP对这些信息进行处理和计算，
然而，在实验过程中也出现了一些问题，如信号干扰和噪声等。为了解决这 些问题，我们采取了相应的措施，如优化PCB布局、增加滤波电路等，从而减小 了干扰和噪声对系统性能的影响。
结论
本次演示介绍了一种基于DSP的四旋翼飞行器姿态控制系统的硬件设计。该 设计包括传感器的选择、电路设计和PCB布局等关键环节。通过实验验证，该硬 件设计可以快速、准确地获取飞行器的姿态信息，
。本次演示将介绍四旋翼飞行器姿态控制系统的设计与实现。
一、系统构成
四旋翼飞行器的姿态控制系统主要由以下几个部分构成： 1、传感器：包括陀螺仪和加速度计，用于实时感知飞行器的姿态信息。
2、控制算法：通过算法对传感器感知的姿态信息进行处理，计算出控制指 令，实现对飞行器的控制。
多传感器融合技术在航空制导中的应用
多传感器融合技术在航空制导中的应用多传感器融合技术指的是利用多个传感器从不同角度对同一对象进行监测，并将不同传感器获取的信息融合在一起，从而提高对目标的感知能力和定位精度。
在航空制导领域，多传感器融合技术具有重要的应用价值。
传统的航空导航系统采用GPS等全球导航卫星系统进行位置定位，在晴朗天气条件下定位精度较高，但在城市峡谷、山区、建筑密集区域等信号遮蔽环境下，GPS的定位精度下降，甚至会出现定位失败。
因此，需要利用其他传感器来进行辅助定位。
首先，惯性测量单元（IMU）可以对航空器进行姿态、加速度、角速度等参数的测量。
IMU可以提供高频率、高精度、低时延的数据信息，因此可以用于判断平台姿态状态和位置信息，并且可以校正GPS信号的时间延迟和漂移误差。
其次，雷达传感器可以进行距离、速度和角度的测量。
这些信息有助于确定目标在空间中的位置和运动状态，同时也可以进行目标识别和跟踪。
因为雷达信号可以穿过云层和雨雾，因此在天气复杂的环境下也可以进行可靠的检测。
再次，光学传感器（如相机和激光雷达）可以进行高精度的三维空间重建。
相机可以利用双目或多目测量技术确定目标的视角和距离，从而实现精确的目标追踪；激光雷达可以进行高精度的三维点云测量，获取目标的形状、位置和方向信息。
另外，地磁、气压、温度等传感器也可以提供多样化的信息，用于环境状态的监测和校正。
多传感器融合技术将不同传感器获得的信息整合在一起，可以消除各传感器单独存在的噪声和误差，提高感知精度和稳定性。
同时，多传感器融合可以更好地应对复杂的环境和多重干扰，确保导航系统的高鲁棒性和实时性。
航空器的导航定位精度、精准自主驾驶以及自适应运动控制等方面都可以得到显著提升。
总之，多传感器融合技术在航空制导中的应用已初步展现出巨大的潜力。
随着传感器技术和算法的不断发展，其应用前景也将越来越广阔，为航空领域的创新和发展带来新的机遇和挑战。
航空器的多传感器数据处理与融合
航空器的多传感器数据处理与融合在现代航空领域，航空器的安全、高效运行离不开先进的技术支持。
多传感器数据处理与融合技术便是其中至关重要的一环。
它就像航空器的“智慧大脑”，能够将来自多个传感器的信息进行整合、分析和处理，为飞行员和地面控制人员提供准确、全面、及时的态势感知，从而保障飞行安全，提高飞行效率。
要理解航空器的多传感器数据处理与融合，首先得知道航空器上都有哪些传感器。
常见的航空器传感器包括但不限于惯性导航系统、全球定位系统（GPS）、气象雷达、气压高度计、空速传感器、姿态传感器等等。
这些传感器各自承担着不同的测量任务，为航空器提供了丰富的飞行状态和环境信息。
惯性导航系统是航空器内部的一种重要传感器，它通过测量加速度和角速度来计算航空器的位置、速度和姿态。
然而，惯性导航系统存在着误差累积的问题，随着时间的推移，其测量结果的准确性会逐渐降低。
GPS 则是通过接收卫星信号来确定航空器的位置和速度，具有高精度和全球性覆盖的优点。
但 GPS 信号容易受到干扰，比如在山区、高楼林立的城市或者恶劣天气条件下，可能会出现信号丢失或不准确的情况。
气象雷达能够探测前方的气象状况，帮助飞行员提前避开危险的气象区域。
气压高度计通过测量大气压力来计算航空器的飞行高度，空速传感器则用于测量航空器相对于空气的速度。
姿态传感器则负责监测航空器的俯仰、滚转和偏航角度。
这么多传感器各自为政可不行，这就需要多传感器数据处理与融合技术来发挥作用了。
多传感器数据处理与融合的过程就像是一场精心编排的“信息交响乐”。
首先，各个传感器采集到的数据会被进行预处理，这包括去除噪声、校准和转换等操作，以确保数据的质量和准确性。
接下来，就是数据融合的关键步骤。
数据融合的方法有很多种，比如卡尔曼滤波、贝叶斯估计、加权平均等等。
以卡尔曼滤波为例，它能够根据传感器的测量误差和历史数据，对当前的状态进行最优估计。
通过不断地更新和修正，融合后的结果能够更加准确地反映航空器的真实状态。
飞行器的多传感器数据融合技术
飞行器的多传感器数据融合技术在现代航空航天领域，飞行器的性能和安全性要求越来越高，多传感器数据融合技术应运而生。
这项技术就像是给飞行器装上了一双更加敏锐和全面的“眼睛”，让其能够在复杂的环境中更加稳定、高效地飞行。
想象一下，飞行器在飞行过程中，会有各种各样的传感器在同时工作。
比如，有测量速度的传感器、测量高度的传感器、测量姿态的传感器，还有测量周围环境的传感器等等。
这些传感器就像一个个独立的信息源，它们各自获取着不同但又相关的数据。
然而，如果只是单纯地依赖某一个传感器的数据，就可能会出现偏差或者不全面的情况。
这时候，多传感器数据融合技术就发挥了关键作用。
多传感器数据融合技术的核心目标是将来自多个传感器的信息进行整合和处理，以获得更准确、更完整、更可靠的关于飞行器状态和周围环境的认知。
通过这种融合，可以有效地弥补单个传感器的局限性，提高整个系统的性能和可靠性。
为了更好地理解多传感器数据融合技术，我们可以把它类比成一个拼图游戏。
每个传感器获取的数据就像是一块拼图，单独看每一块可能不太能看出全貌，但当把所有的拼图块按照正确的方式拼接在一起时，一幅清晰完整的画面就呈现出来了。
在飞行器中，这个“拼接”的过程是通过一系列复杂的算法和数学模型来实现的。
在实际应用中，多传感器数据融合技术通常分为三个层次：数据级融合、特征级融合和决策级融合。
数据级融合是最底层也是最直接的融合方式。
在这个层次，直接将各个传感器获取的原始数据进行组合和处理。
就好像把一堆未经加工的原材料直接混合在一起，然后进行统一的加工处理。
这种融合方式能够最大程度地保留原始数据的细节，但同时也需要处理大量的数据，计算量较大。
特征级融合则是在数据级融合的基础上，先对各个传感器的数据进行特征提取，然后再将这些特征进行融合。
这就好比先从原材料中提取出关键的特征部分，然后再把这些特征组合起来。
这样可以减少数据量，提高处理效率，但也可能会在特征提取的过程中丢失一些有用的信息。
飞行器导航与控制系统中的传感器融合技术
飞行器导航与控制系统中的传感器融合技术在飞行器导航与控制系统中，传感器融合技术被广泛应用，它可以将多个传感器收集到的数据进行综合分析和处理，以提供更准确、可靠的飞行状态信息，从而实现飞行器的有效导航和控制。
传感器融合技术的基本原理是将不同类型的传感器，如惯性传感器、全球定位系统（GPS）接收器、气压传感器、磁力计等，通过融合算法综合利用。
传感器融合可以通过降低各个传感器的误差、提高系统的鲁棒性和可靠性，从而提高导航和控制的精度和性能。
一种常见的传感器融合技术是基于卡尔曼滤波器（Kalman Filter）的方法。
卡尔曼滤波器是一种递归滤波器，它根据传感器测量的状态和系统动力学模型，通过迭代运算来估计和预测飞行器的状态。
通过融合不同类型的传感器数据，卡尔曼滤波器可以提供精确的位置、速度和姿态等状态信息，用于飞行器的导航和控制。
除了卡尔曼滤波器，其他传感器融合技术也得到了广泛研究和应用。
例如，粒子滤波器（Particle Filter）是一种基于蒙特卡洛方法的非线性滤波技术，可以有效处理非线性、非高斯的传感器测量数据。
同时，模型预测控制（Model Predictive Control）也可以结合传感器融合技术，将多个传感器测量数据作为反馈信息，实现对飞行器的自适应控制。
传感器融合技术在飞行器导航与控制中的应用包括以下几个方面：首先，传感器融合可以提供精确的位置和速度信息，用于实现飞行器的定位和导航。
通过将GPS接收器的位置信息与惯性传感器的加速度和角速度数据进行融合，可以实现对飞行器位置和速度的准确估计，从而实现飞行器的航线控制、航迹规划和自主导航。
其次，传感器融合可以提供姿态和方向信息，用于实现飞行器的稳定控制。
通过将磁力计、气压传感器和惯性传感器的数据进行融合，可以准确估计飞行器的姿态和方向信息，从而实现飞行器的姿态控制、悬停稳定和目标追踪等功能。
此外，传感器融合还可以提供环境感知和障碍物检测信息，用于实现飞行器的避障和安全飞行。
导航导引系统中的多传感器信息融合定位技术研究
导航导引系统中的多传感器信息融合定位技术研究多传感器信息融合定位技术是导航导引系统中的重要技术之一。
随着科技的不断发展和应用需求的增加，人们对于导航的定位精度、实时性和可靠性的要求也越来越高。
为了满足这些需求，多传感器信息融合定位技术被广泛应用于导航导引系统中。
多传感器信息融合定位技术基于传感器数据的融合，通过将不同传感器的测量结果进行整合，得到更加准确、鲁棒的位置估计。
常见的传感器包括全球卫星导航系统（GNSS）、惯性测量单元（IMU）、地面基站等。
这些传感器具有各自的精度、实时性和工作条件限制，通过融合不同传感器的数据，可以克服单一传感器的不足，提高导航系统的性能。
在多传感器信息融合定位技术中，定位算法的设计起着关键的作用。
常见的定位算法包括扩展卡尔曼滤波（EKF）、粒子滤波（PF）、无迹卡尔曼滤波（UKF）等。
这些算法通过对传感器数据进行滤波和估计，得到位置和姿态的估计值。
通过选择适当的算法和调节算法参数，可以得到更加准确和稳定的定位结果。
此外，多传感器信息融合定位技术还需要考虑传感器的有效性判定和异常检测。
由于不同传感器在不同环境和工作状态下可能出现故障或失效，因此需要设计相应的算法来检测传感器的有效性，并排除异常数据的影响。
有效性判定和异常检测的准确性和实时性对于导航系统的性能至关重要。
在实际应用中，多传感器信息融合定位技术还需要考虑导航环境的特点和应用需求。
例如，在室内环境中，由于GNSS 信号受限或者无法使用，可以采用惯性导航和视觉传感器来进行定位。
另外，在无人驾驶汽车和无人机等领域，多传感器信息融合定位技术也得到了广泛应用，通过融合多种传感器的数据，提供高精度、高可靠性的自主定位能力。
多传感器信息融合定位技术的研究还面临一些挑战和问题。
首先，传感器数据融合的复杂性和实时性要求高，需要设计高效的算法来实现。
其次，传感器数据的不确定性和误差传播的问题也需要解决，以保证定位结果的准确性和可靠性。
船舶导航系统的多传感器融合技术
船舶导航系统的多传感器融合技术在广袤无垠的海洋上，船舶的安全、高效航行离不开先进的导航技术。
而多传感器融合技术在现代船舶导航系统中扮演着至关重要的角色，就如同为船舶装上了一双更加敏锐、精准的“眼睛”，让船舶在复杂多变的海洋环境中能够准确无误地驶向目的地。
船舶导航的重要性不言而喻。
无论是货运船只穿梭于各大港口之间，还是客轮搭载着乘客进行长途旅行，又或是军舰执行各种任务，都需要依靠可靠的导航系统来指引方向、确定位置、规划航线以及避免碰撞等危险情况的发生。
在过去，单一的导航传感器，如罗盘、GPS 等，虽然能够提供一定的导航信息，但往往存在着局限性和不足之处。
罗盘作为传统的导航工具，其指示方向的精度容易受到磁场干扰的影响。
而GPS 虽然能够提供较为精确的位置信息，但在信号受到遮挡、干扰或者出现故障的情况下，就可能导致导航的中断或者错误。
此外，海洋环境复杂多变，风浪、洋流等因素都会对船舶的航行产生影响，如果仅仅依靠单一的传感器，很难全面、准确地了解船舶的状态和周围的环境。
多传感器融合技术的出现，有效地解决了这些问题。
它将多种不同类型的传感器，如惯性导航系统、雷达、声纳、风速风向传感器、电子海图等，整合在一起，通过对这些传感器所获取的数据进行融合处理，从而得到更加全面、准确、可靠的导航信息。
惯性导航系统是一种不依赖外部信息的自主式导航系统，它通过测量船舶的加速度和角速度来计算船舶的位置和姿态。
然而，惯性导航系统存在着误差积累的问题，随着时间的推移，其精度会逐渐降低。
此时，将惯性导航系统与 GPS 相结合，就能够利用 GPS 来定期校正惯性导航系统的误差，从而提高导航的精度和可靠性。
雷达在船舶导航中也发挥着重要作用。
它能够探测到船舶周围的障碍物和其他船只，提供相对距离和方位信息。
但雷达的探测范围和精度会受到天气条件的影响。
而声纳则可以在水下探测到海底地形、暗礁等信息，与雷达互为补充，为船舶在近岸和复杂水域的航行提供更加全面的保障。
航空器的多传感器数据处理与融合技术
航空器的多传感器数据处理与融合技术在当今高度发展的航空领域，航空器的性能和安全性不断提升，这在很大程度上依赖于先进的多传感器数据处理与融合技术。
这些技术就像是航空器的“智慧之眼”和“敏锐之耳”，能够收集、处理和整合来自各种传感器的海量信息，为飞行员提供准确、全面和及时的飞行态势感知，从而保障飞行的安全与高效。
首先，让我们来了解一下航空器上常见的传感器类型。
其中，最基本的当属惯性传感器，如加速度计和陀螺仪。
加速度计能够测量航空器在各个方向上的加速度，而陀螺仪则用于测量航空器的角速度。
这两种传感器组合在一起，可以为航空器的姿态和位置估计提供重要的初始信息。
还有压力传感器，它们可以测量大气压力，从而帮助计算航空器的高度。
另外，空速传感器能够测量航空器相对于周围空气的速度，这对于飞行控制和导航至关重要。
除此之外，航空器上还配备了各种类型的雷达，如气象雷达用于探测前方的气象状况，避免遭遇恶劣天气；而导航雷达则帮助航空器确定自身与地面目标的相对位置。
随着技术的不断发展，光学传感器，如摄像机和激光雷达，也在航空器中得到了越来越广泛的应用。
摄像机可以获取视觉图像信息，用于识别目标和监测飞行环境；激光雷达则能够通过发射激光束并测量反射时间来精确测量距离和生成三维地图。
这么多的传感器，它们各自采集到的数据往往具有不同的特点和精度。
比如，惯性传感器的数据更新频率高，但随着时间的推移会产生累积误差；而压力传感器和空速传感器的测量精度受到环境因素的影响较大。
因此，如何对这些来自不同传感器的多样化数据进行有效的处理和融合，就成为了一个关键的问题。
多传感器数据处理的第一步是数据预处理。
这就像是对刚采摘的蔬菜进行初步清洗和整理一样。
在这个阶段，需要对原始数据进行去噪、校准和归一化处理。
去噪可以去除由于传感器本身的噪声或者外界干扰导致的异常数据点；校准则是对传感器的测量偏差进行修正，以确保数据的准确性；归一化则是将不同量纲的数据转化为统一的标准，便于后续的处理和分析。
智能飞行器的多传感器融合技术
智能飞行器的多传感器融合技术在当今科技飞速发展的时代，智能飞行器已经成为航空领域的热门话题。
智能飞行器的高效运行和精准控制离不开先进的技术支持，其中多传感器融合技术起着至关重要的作用。
一、多传感器融合技术的基本概念多传感器融合技术是指将来自多个不同类型传感器的数据进行综合处理和分析，以获得更全面、更准确、更可靠的信息。
对于智能飞行器而言，这些传感器可能包括惯性测量单元（IMU）、全球定位系统（GPS）、气压计、磁强计、摄像头、激光雷达等。
惯性测量单元能够测量飞行器的加速度和角速度，从而推算出其姿态和位置变化。
然而，由于积分误差的存在，长时间工作后其精度会逐渐降低。
全球定位系统则可以提供较为精确的位置信息，但在信号受到干扰或遮挡的情况下，其性能会受到影响。
气压计能够测量大气压力，从而推算出飞行器的高度，但容易受到天气变化的干扰。
磁强计可以感知地球磁场，辅助确定飞行器的方向，但周围的磁场干扰可能导致测量误差。
摄像头能够获取丰富的图像信息，用于目标识别和环境感知，但在光线不足或复杂环境中效果受限。
激光雷达通过发射激光束并测量反射时间来获取周围环境的距离信息，具有高精度和高分辨率，但成本相对较高。
二、多传感器融合技术的重要性智能飞行器在飞行过程中面临着复杂多变的环境和任务需求，单一传感器往往难以满足要求。
多传感器融合技术的重要性主要体现在以下几个方面：1、提高系统的可靠性和容错性当某个传感器出现故障或测量误差较大时，其他传感器的数据可以进行补充和修正，确保飞行器能够继续稳定运行。
2、增强系统的适应性和鲁棒性不同传感器在不同的环境和条件下具有不同的性能优势。
通过融合多个传感器的数据，智能飞行器能够更好地适应各种复杂的飞行环境和任务场景。
3、提供更全面和准确的信息各个传感器从不同的角度和维度对飞行器的状态和周围环境进行测量，融合这些数据可以获得更完整、更精确的信息，为飞行控制和决策提供有力支持。
三、多传感器融合的方法目前，常见的多传感器融合方法主要有卡尔曼滤波、扩展卡尔曼滤波、粒子滤波以及基于人工智能的融合方法等。
航空器的多传感器数据融合
航空器的多传感器数据融合在现代航空领域，确保航空器的安全、高效运行是至关重要的目标。
而实现这一目标的关键之一，就在于对航空器上多种传感器所收集的数据进行有效的融合与处理。
想象一下，一架航空器就像是一个复杂而精密的机器“巨人”，其身上装备了各种各样的传感器，如同“巨人”的“眼睛”和“耳朵”，时刻感知着周围的环境和自身的状态。
这些传感器包括但不限于雷达、惯性导航系统、GPS 接收器、气压高度计、风速传感器等等。
它们各自以独特的方式获取着不同类型的信息，然而，单独依靠某一个传感器所提供的数据往往是不够全面和准确的。
例如，雷达能够探测到远距离的目标，但在某些天气条件下可能会受到干扰；惯性导航系统可以提供连续的位置和姿态信息，但随着时间的推移会产生累积误差；GPS 接收器在开阔的天空中能够提供高精度的定位，但在信号受到遮挡的区域可能会出现信号丢失的情况。
这时，多传感器数据融合的重要性就凸显出来了。
多传感器数据融合的过程就像是一场精心编排的“信息交响乐”。
首先，需要对来自各个传感器的原始数据进行预处理。
这包括去除噪声、校准误差以及将数据转换为统一的格式和单位。
就好比不同乐器在演奏前需要调好音准一样。
接下来，是特征提取的环节。
从预处理后的数据中提取出有意义的特征，这些特征能够反映出数据的本质和关键信息。
这有点像从复杂的音符组合中找出旋律的主题。
然后，通过合适的融合算法将这些特征进行融合。
常见的融合算法有卡尔曼滤波、贝叶斯估计、DS 证据理论等。
卡尔曼滤波就像是一个聪明的“协调者”，能够根据传感器数据的预测值和测量值进行最优估计；贝叶斯估计则像是一个基于概率的“推理者”，根据先验知识和新的证据来更新对状态的估计；DS 证据理论则适用于处理不确定性和冲突的信息。
在融合的过程中，还需要考虑传感器的可靠性和权重。
可靠性高的传感器所提供的数据在融合时应给予更大的权重，就如同在交响乐中，主奏乐器的声音往往更突出。
同时，也要处理好不同传感器数据之间的时间同步问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2005年第24卷第9期 传感器技术(Journa l o f T ransducer T echno logy)前沿技术基于DSP的航姿系统多传感器信息融合技术*杜亚玲1,刘建业1,姜 涌2,曾庆化1(1.南京航空航天大学自动化学院导航研究中心,江苏南京210016;2.南京航空航天大学无人机研究院,江苏南京210016)摘 要:设计了基于DSP的专用导航计算机,并以此为硬件平台,采集陀螺仪、加速度计、磁航向传感器和速度传感器信号,利用卡尔曼滤波技术进行多传感器信息融合,成功搭建了低成本小型航姿系统。
针对该航姿系统的特点,设计了导航计算机程序快速更新软件,对卡尔曼滤波器进行低阶处理。
针对导航计算机 数字信号处理器(D SP)+单片机(M C U) 的特殊结构,设计了合理的多传感器信息融合程序。
实验证明:航姿系统利用多传感器信息融合技术,使用自行研制的专用导航计算机平台,姿态误差小于0.2 ,航向误差小于0.5 ,且大大减小了系统成本、体积和功率,具有实际应用价值。
关键词:航姿系统;多传感器;数据融合;导航计算机;数字信号处理器;低阶卡尔曼滤波器中图分类号:V249.32 文献标识码:B 文章编号:1000-9787(2005)09-0085-04M ulti sensors data fusion i n attitude and headi ng referencesyste m based on DSPDU Ya ling1,L I U Jian ye1,JI ANG Yong2,ZE NG Q ing hua1(1.Navigation R es Center,Nanjing U niversity of A eronau tics&Astronautics,Nan jing210016,Ch i na;2.R es Dept of Unm anned Aer i a lV eh ic l es,Nan jing Un iversity of Aernau tic&A stronaut i cs,N an ji ng210016,Ch ina)Abstract:Spec i a l nav i gation compu ter based on D SP i s desi gned,and i t is used to coll ec t t he si gna l of gyros, acce lerom eters,m agnetic head i ng sensor and v eloc i ty senso r,the K al man filter i s appli ed to mu lti senso rs da ta fusi on,t hen t he AHR S i s bu ilt up.A ccord i ng to t he AHR S charac teristi cs,a progra m update soft w are and a l ow o rder K al man filter are des i gned,and the progra m for the spec i a l structure DSP+M CU ism odifi ed.Exper i m ents prove t hat using the m ulti sensor data fusi on and t he spec i a l nav igati on computer designed by ourse l v es,the attitude error is less than0.2deg ree and t he head i ng ang le erro r l ess than0.5deg ree.Further mo re,the AHR S can w ork steadily w ith l ow er pr i ce,s ma ll er vo l u m e and l ow er po w er.It is i m portant for practice.K ey words:a ttitude and head i ng re ference system(AHR S);m ulti sensors;data f usion;nav i gation co m puter;d i g ita l si gnal pro cessor(D SP);lo w orde r K a l m an filter0 引 言传统的基于中高精度惯性器件的航姿系统价格昂贵,而且,由于陀螺误差随时间不断累积,航姿误差随之增大。
航姿系统要确保姿态精度在0.5 以内,航向精度在1 以内。
在低成本的条件下,显然纯惯性导航系统方案是不能满足精度指标的。
目前,大多航姿系统采用G PS信号辅助的方法。
但是,对于小型化的军事应用领域,如,新型智能武器、微小型飞行器等,G PS信息是不可靠的。
本文使用三轴陀螺、三轴加速度计、磁航向传感器和速度传感器组成多传感器系统,利用低阶卡尔曼滤波技术进行信息融合,有效地提高了系统的精度。
利用自行研制开收稿日期:2005-02-21*基金项目:国家自然科学基金资助项目(60472125)发的基于数字微处理器(DSP)的专用导航计算机,取代了通用计算机和扩展卡,有效地降低了系统成本、减小系统体积。
针对该导航计算机,本文作者设计了快速程序更新软件,将多传感器信息融合算法在该硬件平台上加以实现,成功搭建了基于DSP的航姿系统,并取得了很好的效果。
1 系统硬件结构1.1 系统整体结构捷联惯性航姿系统硬件主要包括六自由度惯性组件(I M U)、三维捷联磁航向传感器、速度传感器、导航计算机和外部监控计算机。
系统通过采集各种传感器信号,经过导航运算,实时输出高精度姿态和航向角,提供给监控计算85传 感 器 技 术 第24卷机显示。
本文主要针对其中的导航计算机进行研究。
1.2 DSP+M CU 的双CPU 结构导航计算机实质上是多传感器信息采集和融合计算的硬件平台。
本文选用D SP 作为核心芯片。
由于DSP 的外部接口很少,不能满足数据采集的需要。
这就要求对DSP 外部进行接口的扩展。
对于一般的数据采集系统,大都采用DSP 总线进行接口扩展的方案。
但是,这样需要多个接口芯片,很难实现导航计算机的小型化。
经过综合考虑系统的性能、小型化,可靠性等因素[1]。
本文采用了D SP +M C U 的双CPU 设计方案,系统硬件结构如图1。
图1 航姿系统硬件结构示意图F i g 1 Sche m ati c diagram of hard w are structure of AHRSDSP 选用TM S320C5416-D SP ,该芯片的时钟频率达到160MH z ,内部RAM 有128k ,6通道的DM A,1路定时器。
作为导航计算机的主处理器,该芯片的计算能力能够达到系统要求。
同时,由于该芯片还含有3路M cBSP (多路缓冲串口),在一定程度上减轻了M C U 接口扩展的负担。
M CU 选用C8051F021-M CU,该芯片含有丰富的数字外设,包括4个8位I /O 端口,可同时使用的硬件S M Bus ,SP I 和2个增强性UART 串口,5个通用的16位计数器/定时器,专用的看门狗定时器。
该芯片的时钟频率达到了25MH z 。
作为导航计算机的从处理器,该芯片能够方便地扩展接口,实时采集各路传感器信号。
另外,由于该芯片内部FLA S H 达到64k ,可以将DSP 的程序存储到单片机中,D SP 通过H P I 口进行程序加载。
这样,可以省去DSP 外部扩展FLA S H,更有利于系统的小型化[2]。
D SP 与M CU 之间的快速、可靠的数据通信是系统设计成功的关键。
本文利用DSP 提供的HP I (主机接口)实现了双CPU 间并行数据通信,数据传输速度可达160M B /s 。
对HP I 接口的操作把握的基本思想是:通过这样的连接,D SP 中的RAM 相当于一个双口RAM,M C U 通过HP I 口对此RAM 进行操作,而D SP 则是操作自己的内存。
两者对同一单元操作所产生的竞争由HP I 电路解决:赋予M CU 优先权,DSP 等待一个周期再对此单元进行访问。
2 多传感器信息融合软件设计2.1 导航计算机软件快速更新设计如图2所示,系统软件分别在3个平台上加以实现,即图2 基于D S P 的导航计算机程序更新软件程序图F ig 2 F l owchart of program upda te soft ware i n navigati on co m puter based on D S P86第9期 杜亚玲等:基于D SP 的航姿系统多传感器信息融合技术 控制计算机、单片机和D SP 。
一般在调试过程中,单片机和D SP 下载程序需要使用硬件仿真器。
为了使软件升级更新更加简单快捷,系统设计开发了DSP 嵌入式系统软件快速更新。
更新分为3个步骤:(1)控制计算机通过网络,接收更新文件:为了防止指令代码文件在未经许可情况下被查看或修改,控制计算机需要利用D e l ph i 附带的工具Brcc32,把更新文件编译成资源文件嵌入到最终的可执行文件中;(2)控制计算机通过串口,更新单片机内部FLA S H 的固化程序:串行方式更新程序的工作过程与个人计算机系统的引导过程类似,关键是保证单片机程序存储空间可通过软件擦写,合理分配单片机存储空间和中断资源以及对单片机程序的重定位;(3)单片机通过D SP 的H P I Boo t 方式,把指令代码上传到DSP 。
更新程序完成后,DSP 和单片机重新初始化,并进入导航程序。
2.2 低阶卡尔曼滤波本文采用卡尔曼滤波技术进行多传感器数据的融合,由于高阶卡尔曼滤波器会给导航计算机带来沉重的计算负担,从而限制系统的采样速率、影响系统实时性。
另外,系统使用的I MU 本身精度不高,对器件的精确建模意义不大,所以,系统采用八维误差状态变量的卡尔曼滤波器的闭环校正算法来实现[3]。
陀螺噪声模型考虑为一阶马尔柯夫过程,加速度计误差简化为白噪声,利用状态扩充法,系统状态矢量确定为X =[ E N U v E v N E N U ]T ,(1)式中 E , N , U 分别表示载体东向、北向和天向的平台误差角; v E , v N 为东向和北向的速度; E , N , U 为东向、北向和天向陀螺的误差量。
卡尔曼滤波器的误差方程为= n ie + n en -( n ie + n en ) + p,(2)v =f n -(2 n ie + n en v -(2n ie + n en ) v + p ,(3)式中 为捷联惯导系统数学平台误差角矢量; n ie 为地球自转角速率; n en 为导航坐标系相对于地球坐标系的角速度在导航坐标系轴向的分量构成的列向量; p为等效陀螺漂移; v 为惯导系统速度误差矢量;f n 为加速度计测量出的比力; p 为加速度计测量误差。