卡尔曼滤波与组合导航原理—初始对准

合集下载

基于H∞的INS/GPS组合导航系统初始对准研究

基于H∞的INS/GPS组合导航系统初始对准研究
Ke y wor ds: i n i t i a l a l i g n me nt ; H f il t e r i ng; mo v i n g b a s e; I NS /GP S
0 引 言
初 始对 准 是 惯 性 导 航 系 统 中 的 一 项 关 键 技 术 。 惯 性 导航 系 统 初 始 对 准 的 误 差 直 接 影 响 导 航 精 度 ,
Re s e a r c h o n i ni t i a l a l i g n me nt i n i n t e g r a t e I NS /G PS n a v i g a t i o n
s y s t e m ba s e d o n H f i l t e r i n g
i n i t i l a li a g n me n t i n i n t e ra g t e I NS /GP S n a v i g a t i o n s y s t e m o n mo v i n g b a s e Wa s p r o p o s e d, a n d c o mp u t e r s i mu l a t i o n Wa s
I NS /GPS n a v i g a t i o n s y s t e m o n mo v i n g b a s e, wi t h i t s f a s t s p e e d, hi g h a c c u r a c y a n d s  ̄o n g r o b u s t , a n d i t h s a a g o o d
第3 5卷 第 5期
2 0 1 3年 5月






Vo 1 . 3 5, No . 5 Ma y,2 01 3

卡尔曼滤波算法及其在组合导航中的应用综述

卡尔曼滤波算法及其在组合导航中的应用综述
第2 9卷第 1 0期
V 1 9 No 1 o. .2 2
企 业 技 术 开 发
TECHNOLOGI CAL DEVELOPMENT OF ENTERPRI SE
21 0 0年 6 月
J n .01 u e2 0
卡 尔曼滤 波算法及 其在 组合 导航 中的应 用综述
刘 星 。 谢
利 用 系统 状 态 方 程 、 测 方 程 、 统 噪声 和观 测 噪声 的统 观 系 计 特 性形 成 滤 波 算 法 。
滤 波发 散 。
2 卡 尔曼 滤 波 算法 及 其 发散 抑 制方 法
21 K l n滤 波 算 法 . ama 设 随 线性 离散 系 统 的 方 程 为 :
() 3 () 4
一 T , 1 K k k+rk P- 1 - () 5
k1 _
Q _ 。 k k F。, 1 1 _
估 计 误 差 方 差 阵 : IKHJk P — k - F【 Pk _ 滤 波增 益 :k K= k k - 1 l
Hk k l T R P H k k k + _

1 组合导航系统基本特性描述
要描述一个实际系统 , 首先要对其进行建模 , 即建立 系 统 的状 态 方 程 和 测量 方 程 。 于组 合 导 航 系 统 , 进 行 对 要
滤 波计 算 必 须 建 立 数学 模 型 , 模 型具 有 以下 特 点 。 此 11 非 线 性 . 组 合 导 航 系 统 本 质 上 是非 线 性 系 统 ,有 时 为 了减 少 计 算 量及 提 高 系 统 实 时 性 ,在 某些 假 设 条 件 下 组 合 导 航 系 统 的非 线 性 因素 可 以忽 略 ,其 可 以用 线 性 化 的数 学 模

卡尔曼滤波器的原理与应用

卡尔曼滤波器的原理与应用

卡尔曼滤波器的原理与应用1. 什么是卡尔曼滤波器?卡尔曼滤波器(Kalman Filter)是一种用于估计系统状态的数学算法,它通过将系统的测量值和模型预测值进行加权平均,得到对系统状态的最优估计。

卡尔曼滤波器最初由卡尔曼(Rudolf E. Kálmán)在20世纪60年代提出,广泛应用于航天、航空、导航、机器人等领域。

2. 卡尔曼滤波器的原理卡尔曼滤波器的原理基于贝叶斯滤波理论,主要包括两个步骤:预测步骤和更新步骤。

2.1 预测步骤预测步骤是根据系统的动力学模型和上一时刻的状态估计,预测出当前时刻的系统状态。

预测步骤的过程可以用以下公式表示:x̂k = Fk * x̂k-1 + Bk * ukP̂k = Fk * Pk-1 * Fk' + Qk其中,x̂k为当前时刻的状态估计,Fk为状态转移矩阵,x̂k-1为上一时刻的状态估计,Bk为输入控制矩阵,uk为输入控制量,Pk为状态协方差矩阵,Qk为过程噪声的协方差矩阵。

2.2 更新步骤更新步骤是根据系统的测量值和预测步骤中的状态估计,通过加权平均得到对系统状态的最优估计。

更新步骤的过程可以用以下公式表示:Kk = P̂k * Hk' * (Hk * P̂k * Hk' + Rk)^-1x̂k = x̂k + Kk * (zk - Hk * x̂k)Pk = (I - Kk * Hk) * P̂k其中,Kk为卡尔曼增益矩阵,Hk为测量矩阵,zk为当前时刻的测量值,Rk 为测量噪声的协方差矩阵,I为单位矩阵。

3. 卡尔曼滤波器的应用卡尔曼滤波器广泛应用于以下领域:3.1 导航与定位卡尔曼滤波器在导航与定位领域的应用主要包括惯性导航、GPS定位等。

通过融合惯性测量单元(Inertial Measurement Unit)和其他定位信息,如GPS、罗盘等,卡尔曼滤波器可以提高导航与定位的准确性和鲁棒性。

3.2 机器人控制卡尔曼滤波器在机器人控制领域的应用主要包括姿态估计、移动定位、目标跟踪等。

卡尔曼滤波算法原理

卡尔曼滤波算法原理

卡尔曼滤波算法原理卡尔曼滤波(Kalman Filter)是一种用来估计系统状态的算法。

它基于对系统的数学模型和测量数据进行分析,通过使用贝叶斯统计推断来计算系统当前的最优状态估计。

卡尔曼滤波算法在控制系统、导航系统、机器人学、图像处理等领域有广泛的应用。

卡尔曼滤波算法的原理可以概括为以下几步:1. 系统建模:首先,需要建立系统的数学模型,包括系统的动态方程和观测方程。

动态方程描述了系统状态的演化规律,而观测方程则描述了系统状态与测量值之间的关系。

这些方程通常以线性高斯模型表示,即系统的状态和测量误差符合高斯分布。

2. 初始化:在开始使用卡尔曼滤波算法之前,需要对系统状态进行初始化。

这包括初始化系统状态的均值和协方差矩阵。

通常情况下,均值可以通过先验知识来估计,而协方差矩阵可以设置为一个较大的值,表示对系统状态的初始不确定性较大。

3. 预测:在每一次测量之前,需要对系统的状态进行预测。

预测过程基于系统的动态方程,将上一时刻的状态估计作为输入,得到当前时刻的状态的先验估计。

预测的结果是一个高斯分布,其均值和协方差矩阵表示了对当前状态估计的不确定性。

4. 测量更新:当获取了新的测量值时,需要将其与预测结果进行比较,以修正对系统状态的估计。

测量更新过程基于系统的观测方程,将预测的状态估计与实际的测量值进行比较,得到对系统状态的最优估计。

测量更新的结果也是一个高斯分布,其均值和协方差矩阵表示了对当前状态估计的不确定性。

5. 迭代:在每一次测量更新之后,会得到对系统状态的最优估计。

然后,可以根据当前估计的状态再次进行预测,并等待下一次的测量更新。

这样,通过不断地迭代,卡尔曼滤波算法可以逐步提高对系统状态的估计精度。

卡尔曼滤波算法的核心思想是将动态方程和观测方程结合起来,使用贝叶斯推断的方法进行状态估计。

通过动态方程对系统进行预测,再通过观测方程修正预测结果,从而得到对系统状态的最优估计。

卡尔曼滤波算法在估计过程中考虑了对系统状态的不确定性,通过动态预测和测量更新不断修正对系统状态的估计结果,达到更准确的状态估计。

导航6-2卡尔曼滤波与组合导航-第5讲

导航6-2卡尔曼滤波与组合导航-第5讲
y z
δ y δ z εx εy εz ∇x ∇y ∇z
T
X 系统状态向量
X = φx φy φz δ Vx δ Vy δ Vz δ x δ y δ z εx εy εz ∇x ∇y ∇z
T
14 /70
基于集中滤波的SINS/CNS/GPS SINS/CNS/GPS组合导航 2.2 基于集中滤波的SINS/CNS/GPS组合导航
12 /70
0 0 f14
f15
0 0 f24 f25 0 0 f34 f35 0 0 1 0 0 1 0 0 0 0 0 0
基于集中滤波的SINS/CNS/GPS SINS/CNS/GPS组合导航 2.2 基于集中滤波的SINS/CNS/GPS组合导航
(3) 系统误差模型 平台失准角误差方程
& ϕx C11 C12 C13 εx + Wεx ϕ = C C C ε + Wε &y 22 23 y y 21 ϕz C31 C32 C33 εz + Wεz &
9 /70
2.1 集中滤波概述
(3) 集中式滤波器缺点
集中式滤波理论上可以给出误差估计的最优估计, 集中式滤波理论上可以给出误差估计的最优估计, 但存在着如下缺点: 但存在着如下缺点: 状态维数高,计算负担重,不利于滤波实时运行, (1) 状态维数高,计算负担重,不利于滤波实时运行, 状态维数高会带来“维数灾难” 状态维数高会带来“维数灾难”; 容错性能差,不利于故障诊断,信息污染问题。 (2) 容错性能差,不利于故障诊断,信息污染问题。
13 /70
基于集中滤波的SINS/CNS/GPS SINS/CNS/GPS组合导航 2.2 基于集中滤波的SINS/CNS/GPS组合导航

卡尔曼滤波的原理与应用pdf

卡尔曼滤波的原理与应用pdf

卡尔曼滤波的原理与应用一、什么是卡尔曼滤波卡尔曼滤波是一种用于估计系统状态的算法,其基本原理是将过去的观测结果与当前的测量值相结合,通过加权求和的方式进行状态估计,从而提高对系统状态的准确性和稳定性。

二、卡尔曼滤波的原理卡尔曼滤波的原理可以简单概括为以下几个步骤:1.初始化:初始状态估计值和协方差矩阵。

2.预测:使用系统模型进行状态的预测,同时更新预测的状态协方差矩阵。

3.更新:根据测量值,计算卡尔曼增益,更新状态估计值和协方差矩阵。

三、卡尔曼滤波的应用卡尔曼滤波在很多领域都有广泛的应用,下面列举了几个常见的应用场景:•导航系统:卡尔曼滤波可以用于航空器、汽车等导航系统中,实时估计和优化位置和速度等状态参数,提高导航的准确性。

•目标追踪:如在无人机、机器人等应用中,利用卡尔曼滤波可以对目标进行状态估计和跟踪,提高目标追踪的鲁棒性和准确性。

•信号处理:在雷达信号处理、语音识别等领域,可以利用卡尔曼滤波对信号进行滤波和估计,去除噪声和提取有效信息。

•金融预测:卡尔曼滤波可以应用于金融市场上的时间序列数据分析和预测,用于股价预测、交易策略优化等方面。

四、卡尔曼滤波的优点•适用于线性和高斯性:卡尔曼滤波适用于满足线性和高斯假设的系统,对于线性和高斯噪声的系统,卡尔曼滤波表现出色。

•递归性:卡尔曼滤波具有递归性质,即当前状态的估计值只依赖于上一时刻的状态估计值和当前的测量值,不需要保存全部历史数据,节省存储空间和计算时间。

•最优性:卡尔曼滤波可以依据系统模型和观测误差的统计特性,以最小均方差为目标,进行最优状态估计。

五、卡尔曼滤波的局限性•对线性和高斯假设敏感:对于非线性和非高斯的系统,卡尔曼滤波的性能会受到限制,可能会产生不理想的估计结果。

•模型误差敏感:卡尔曼滤波依赖于精确的系统模型和观测误差统计特性,如果模型不准确或者观测误差偏差较大,会导致估计结果的不准确性。

•计算要求较高:卡尔曼滤波中需要对矩阵进行运算,计算量较大,对于实时性要求较高的应用可能不适合。

传统组合导航中的实用Kalman滤波技术评述

传统组合导航中的实用Kalman滤波技术评述

传统组合导航中的实⽤Kalman滤波技术评述严恭敏,邓瑀(西北⼯业⼤学⾃动化学院,西安710072)摘要:在随机线性系统建模准确的情况下,Kalman滤波是线性最⼩⽅差⽆偏估计。

针对传统惯导/卫导组合导航的实际应⽤,难以精确建模,给出了常⽤的建模⽅法、状态量选取原则、离散化⽅法及滤波快速计算⽅法。

讨论了平⽅根滤波、⾃适应滤波、联邦滤波和⾮线性滤波等技术的适⽤场合,并给出了使⽤建议。

针对前⼈研究可观测度中未考虑随机系统噪声的缺陷,提出了更加合理的以初始状态均⽅误差阵为参考的可观测度定义和分析⽅法。

提出了均⽅误差阵边界限制⽅法,可有效抑制滤波器的过度收敛和滤波发散。

该讨论可为⼯程技术⼈员提供⼀些有实⽤价值的参考。

关键词:捷联惯导系统;组合导航;Kalman滤波;评述0 前⾔估计理论是概率论与数理统计的⼀个分⽀,它是根据受扰动的观测数据来提取系统某些参数或状态的⼀种数学⽅法。

1795年,⾼斯提出了最⼩⼆乘法;1912年,费歇尔(R.A.Fisher)提出了极⼤似然估计法,从概率密度的⾓度考虑估计问题;1940年,维纳提出了在频域中设计统计最优滤波器的⽅法,称为维纳滤波,但它只能处理平稳随机过程问题且滤波器设计复杂,应⽤受到很⼤限制;1960年,卡尔曼基于状态⽅程描述提出了⼀种最优递推滤波⽅法,称为Kalman滤波,它既适⽤于平稳随机过程,也适⽤于⾮平稳过程,⼀经提出便得到了⼴泛应⽤。

在Kalman滤波器出现以后,针对随机动态系统的估计理论的发展基本上都是以它的框架为基础的⼀些扩展和改进[1]。

Kalman滤波器最早和最成功的应⽤实例便是在组合导航领域。

惯性导航系统(Inertial Navigation System,INS)是最重要的⼀种导航⽅式,它能提供姿态、⽅位、速度和位置,甚⾄还包括加速度和⾓速率等导航信息,可⽤于运载体的正确操纵和控制。

惯导具有⾃主性强、动态性能好、导航信息全⾯且输出频率⾼等优点,但其误差随时间不断累积,长期精度不⾼。

卡尔曼滤波与组合导航原理第二版课程设计

卡尔曼滤波与组合导航原理第二版课程设计

卡尔曼滤波与组合导航原理第二版课程设计一、课程设计的背景与意义卡尔曼滤波和组合导航原理是航空航天、地球物理、机器人、自动控制等领域中常用的数学工具和技术。

卡尔曼滤波能够在估计物体状态的同时对传感器测量值进行滤波,从而提高测量的精度和准确性。

组合导航原理能够将多个传感器的测量值进行融合,形成高精度的定位和导航系统。

本课程设计旨在让学生深入理解卡尔曼滤波和组合导航原理的基本思想、数学公式和实现方法,通过实践操作使学生掌握卡尔曼滤波和组合导航原理在实际应用中的原理和方法,为学生未来的科研和工程项目奠定扎实的基础。

二、课程设计内容1. 卡尔曼滤波原理1.卡尔曼滤波的基本思想2.线性系统模型3.离散时间卡尔曼滤波4.连续时间卡尔曼滤波5.卡尔曼滤波的应用案例2. 组合导航原理1.组合导航的基本思想2.多传感器的数据融合方法3.INS/GPS组合导航4.组合导航的误差模型5.组合导航的应用案例3. 设计实例1.实现卡尔曼滤波的基本算法2.实现组合导航算法3.基于INS/GPS组合导航实现车辆定位三、实验教学方案1. 实验准备本课程设计需要使用MATLAB或Python等编程语言进行模拟实验,需要提前安装好相应的软件和工具。

另外,在进行实验过程中需要使用IMU和GPS等传感器,学生需要提前了解这些传感器的基本原理和使用方法。

2. 实验步骤1.实现卡尔曼滤波算法,对离散时间模型和连续时间模型进行仿真测试,分析估计效果。

2.实现组合导航算法,并与单一传感器进行对比实验,分析组合导航的优势和不足。

3.在MATLAB或Python环境中,基于INS/GPS数据实现车辆定位,分析不同噪声下的定位误差。

3. 实验报告要求实验报告包括以下内容:1.实验目的2.实验材料和器材3.实验方法和步骤4.实验结果和分析5.实验结论和建议四、课程设计评分方法实验占总评成绩的50%,包括实验报告和实验操作,其中实验报告占20%,实验操作占30%。

  1. 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. 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. 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)。
Z
P
初始值!

, ,
X
Y
1.2 初始对准的分类
粗对准 对准阶段 精对准
自主对准
对外信息 的需求 基座 运动状态
静基座
初始对准
非自主 对准
动基座
对准轴系 水平对准 方位对准
一、惯导系统初始对准概述
1.3 初始对准的要求
初 始 对 准 的 要 求 对准精度
快又准
对准时间
对准精度与对准时间相互制约,不同场合侧重点不同
1
参考坐标系
当运载体在地球上运动时,运载体相对地球的位置不断 改变;而地球上不同地点的地理坐标系,其相对地球坐标系 的角位置是不相同的.也就是说,运载体相对地球运动引起 地理坐标系相对地球坐标系转动.这时地理坐标系相对惯性 坐标系的转动角速度应包括两个部分:一是地理坐标系相 对地球坐标系的转动角速度:另一是地球坐标系相对惯性坐 标系的转动角速度. 地理坐标系的三根轴构成右手直角坐标系,可以按 “北、东、天”、“北、西、天”或“北、东、地”顺序 构成。
赤道
X Xe
本初子午线
Ω*t
Ye
参考坐标系
★地理坐标系(ONEZ) 其原点与运载体的重心 重合,E轴沿当地纬线指东,N 轴沿当地子午线指北,Z轴沿 当地地垂线指天.其中E轴与 N轴构成的平面即为当地水 平面,N轴与Z轴构成的平面 即为当地子午面. 这种地理坐标系是跟随 运载体运动的,更确切地说 应称为动地理坐标系或当地 地理坐标系.
可以分开单独考虑,故可用卡尔曼滤波器对平台误差
角及惯性仪表的误差进行单独研究。
二、惯导系统的静基座初始对准方法 2.3 惯导系统的误差方程
惯导系统误差源
仪表误差
安装误差
初始条件 误差
运动干扰 (有害)
其他误差
如地球曲率半径描述误差; 有害加速度补偿中忽略二阶小量
2.3 惯导系统的误差方程
Φ角误差模型和Ψ角误差模型 基础 初始对准 惯导误差方程
卡尔曼滤波与组合导航原理
Theory of Kalman Filter and Integrated Navigation
第五章 卡尔曼滤波在惯性导航初始对准中的应用
一、惯导系统初始对准概述
二、惯导系统的静基座初始对准
三、惯导系统的动基座对准
四、惯导系统的传递对准
参考坐标系
1、建立参考坐标系的意义 宇宙间的一切物体都是在不断地运动,但对单个物体是无 运动可言的,只有在相对的意义下才可以谈运动.一个物体在 空间的位置只能相对于另一个物体而确定,这样,后一个物体 就构成了描述前一个物体运动的参考系. 参考系通常采用直角坐标系来代表,称为参考坐标系或简 称参考系.在研究陀螺仪或运载体的运动时,同样需要有参考 坐标系才成. 陀螺仪最重要的功用之一就是用它在运载体上模拟地理 坐标系或惯性坐标系。 常用坐标系:地心惯性坐标系、地球坐标系、地理坐标系、 载体坐标系。
误差角取为 Φ 误差角取为 Ψ
Ψ Φ: :平台坐标系与计算地理坐标系之间的误差角 平台坐标系与真实地理坐标系之间的误差角 目前大多采用Ψ角误差模型和速度误差表达形式!
2.3 惯导系统的误差方程
Ψ角误差模型+速度误差表达形式的优点: (1)平动误差不会耦合到姿态误差方程中, 特别便于动基座对准问题的分析和研究。 (2)Φ动角可通过位置误差和Ψ角得到: Φ=Ψ+θ (3)静基座时,惯导所处地理位置可精确获得, 且对准时间较短,可忽略位置误差,此时:
参考坐标系
★地球坐标系(OXeYeZe) 与地球固连,原点取在地球 的中心,Xe和Ye轴位于赤道平面 内,分别指向本初子午线和东经 90°子午线,Ze轴与地轴重合。 地球坐标系参与地球自转, 它相对于惯性坐标系的转动角速 度就等于地球自转角速度。 地球相对惯性空间的转动, 可以用地球坐标系相对于惯性坐 标系的转动来表示。 Ze Ω
(2.3.1)
2.3 惯导系统的误差方程
惯导系统的Ψ角误差方程:
V f g V
r V r

在北东地坐标系中,有:
(2.3.1)
cos L cos L 0 0 (2.3.2) (2.3.3) (2.3.4) sin L sin L
•扩充为系统状态变量
•不完全为白噪声
2.3 惯导系统的误差方程
最终可得惯导系统的Ψ角误差方程:
0 2 sin L 0 g 0 V N 0 g 0 0 VE 2 sin L 0 0 0 sin L 0 N 0 sin L 0 cos L E 0 0 0 0 cos L 0 D 0 0 0 0 0 N 0 0 0 0 0 E N 0 0 0 0 0 0 0 0 0 E 0 D 0 0 0 0 0 1 0 0 0 0 VN V 0 1 0 0 0 E 0 0 1 0 0 N 0 0 0 1 0 E 0 0 0 0 1 D 0 0 0 0 0 N 0 0 0 0 0 E 0 0 0 0 0 N 0 0 0 0 0 E 0 0 0 0 0 D
根据对准精度的要求,静基座对准过程分为: 粗对准
• 要求尽快地将平台调整到 通常在精对准过程中要进行陀 一个精度范围内, 螺的测漂和定标,进一步补偿陀螺 • 缩短对准时间是主要指标 漂移率和标定刻度系数,以提高对 准精度 • 在粗对准基础上进行, • 对准精度是主要指标
精对准
• 平台,先水平(调平),后方位,使系统有较好的动态性能 • 捷联:精确建立姿态矩阵 — 水平和方位对准同时(现代)
将2.3.2~2.3.4代入2.3.1,可得状态空间模型:
2.3 惯导系统的误差方程
静基座初始对准时,位置和垂直方向速度可准确知道 惯导系统的误差方程可简化为:
sin L N 0 rN 0 r L 1 0 0 0 0 0 r sin L cos L E 0 0 1 0 0 0 0 rE 0 cos L rD 0 r D L 0 0 0 1 0 0 0 ) sin L 0 0 0 ( 2 L 0 fD fE VN N VN g / R 0 VE E ) sin L ) cos L V g/R 0 ( 2 0 ( 2 fD 0 fN E ) cos L 0 2g / R L ( 2 0 fE fN 0 VD D VD 0 0 ) sin L 0 0 0 0 0 0 ( L N N N 0 0 0 0 0 ( ) sin L 0 ( ) cos L E E E 0 ) cos L 0 0 0 0 0 L ( 0 D 0 D D
参考坐标系
Z
2、几个参考坐标系的定义 ★惯性坐标系 通常把使得牛顿力学定律成立的参考坐标系,称为惯性 坐标系,简称惯性系; 赤道 根据选取的坐标系原点不同,分为日心惯性坐标系和 地心惯性坐标系。 日心惯性坐标系:原点取在太阳的中心,三根轴指向确定的 X Y 恒星。 地心惯性坐标系(OXiYiZi):原点取在地球的中心,Xi和 Yi轴位于赤道平面内并指向确定的恒星,Zi轴与地轴(地 球自转轴)重合。地心惯性坐标系不参与地球自转。 惯性空间:惯性坐标系三根轴所代表的空间。
四、惯导系统的传递对准
二、惯导系统的静基座初始对准方法
2.1 2.2 2.3 2.4 2.5 2.6 2.7 粗对准与精对准 静基座初始对准方案
惯导系统的误差方程
卡尔曼滤波方程的建立
计算机仿真研究
静基座初始对准的可观测度分析
提高静基座初始对准精度与速度的方法
二、惯导系统的静基座初始对准方法
2.1 粗对准与精对准
Φ=Ψ
2.3 惯导系统的误差方程
惯导系统的Ψ角误差方程:
惯导系统的误差模型可由下列3个基本方程表示: V f g V
r V r

• δV、r和Ψ分别为速度、位置和姿态矢量 • Ω为地球自转角速度 • ω为导航坐标系相对惯性坐标系的角速度矢量 • ▽是加速度计常值偏值,ε是陀螺常值漂移 • f是比力,△g是重力矢量计算误差, • ρ是地理系相对地球转动速度矢量
— 先水平后方位(经典)
二、惯导系统的静基座初始对准方法
2.2 静基座初始对准方案
静基座初始对准分为两大类:
频域法 或经典法 最优估计法 或卡尔曼滤波法
•基于经典控制理论
本课程研究的
重点! • 基于现代控制理论
二、惯导系统的静基座初始对准方法
2.2 静基座初始对准方案(续)
加速度计偏置
惯导系统 误差根源
一、惯导系统初始对准概述
1.4 初始对准的发展趋势
自适应滤波 H∞滤波 初 始 对 准 的 发 展 新的滤波方法
神经网络
非线性滤波 预测滤波
可观测性分析和 可观测度研究
从根本提高对准 的精度和速度
第五章 卡尔曼滤波在惯性导航初始对准中的应用
一、惯导系统初始对准概述
二、惯导系统的静基座初始对准
三、惯导系统的动基座对准
推导 方法
Φ角误差模型
真实地理坐标系法
正确反映惯导系统的误差特性, 便于分析和应用! 推导 Ψ角误差模型 方法 计算地理坐标系法
可以证明两种模型是等价的!
2.3 惯导系统的误差方程
描述惯导系统误差特性的微分方程可分为:
相关文档
最新文档