基于自适应信息融合的导航系统构成与算法研究

合集下载

飞行器导航系统的多传感器融合

飞行器导航系统的多传感器融合在当今科技飞速发展的时代，飞行器的导航系统变得日益复杂和精密。

为了实现更准确、可靠和高效的导航，多传感器融合技术逐渐成为了关键。

想象一下，飞行器在广袤的天空中飞行，需要准确地知道自己的位置、速度、姿态等信息，才能安全地抵达目的地。

这就好比我们在陌生的城市中行走，需要依靠各种线索和指示来找到正确的方向。

对于飞行器来说，单一的传感器就像是我们在城市中依赖的某一个路标，可能会因为各种因素而出现偏差或不准确。

而多传感器融合，则相当于综合了多个路标的信息，从而让我们更全面、更准确地了解自己所处的位置和前进的方向。

那么，什么是多传感器融合呢？简单来说，就是将来自多个不同类型传感器的数据进行整合和处理，以获得更全面、更准确的导航信息。

这些传感器可以包括惯性导航系统、卫星导航系统、视觉传感器、雷达、气压高度计等等。

惯性导航系统是飞行器导航中常用的一种传感器。

它通过测量飞行器的加速度和角速度，来计算出飞行器的位置、速度和姿态。

但是，惯性导航系统存在着误差累积的问题，随着时间的推移，其测量结果会逐渐偏离真实值。

卫星导航系统，如 GPS、北斗等，则可以提供非常精确的位置和速度信息。

然而，卫星信号可能会受到遮挡、干扰等因素的影响，导致在某些情况下无法正常工作。

视觉传感器，比如摄像头，可以通过对周围环境的图像识别和分析，获取飞行器的相对位置和姿态信息。

但视觉传感器在恶劣天气或光照条件不好的情况下，性能会大打折扣。

雷达可以测量飞行器与周围物体的距离和相对速度，对于避障和目标跟踪非常有用。

不过，雷达的测量范围和精度也存在一定的限制。

气压高度计则可以测量飞行器的高度，但同样容易受到大气压力变化等因素的影响。

正是由于这些单一传感器各自存在的局限性，多传感器融合的重要性就凸显出来了。

通过将这些传感器的数据进行融合，可以充分发挥它们各自的优势，弥补彼此的不足，从而提高导航系统的整体性能。

在多传感器融合的过程中，数据的预处理是第一步。

自适应巡航控制系统的建模与联合仿真

自适应巡航控制系统的建模与联合仿真1、本文概述随着汽车行业的快速发展，智能驾驶辅助系统已成为现代汽车不可或缺的一部分。

自适应巡航控制（ACC）作为智能驾驶的重要组成部分，可以有效提高驾驶的安全性和舒适性。

本文旨在探索自适应巡航控制系统的建模和联合仿真方法。

通过构建精确的系统模型，结合先进的仿真技术，可以实现对自适应巡航控制系统性能的综合评估和优化。

文章首先介绍了自适应巡航控制系统的基本原理和功能，包括它的发展历史、技术特点以及它在汽车安全驾驶中的作用。

随后，文章阐述了自适应巡航控制系统的建模过程，包括车辆动力学模型、传感器模型、控制算法模型等关键部分的构建方法。

在此基础上，文章进一步介绍了联合仿真的概念及其在实现自适应巡航控制系统性能评估中的优势。

通过联合仿真，可以在虚拟环境中模拟真实的道路场景，全面测试自适应巡航控制系统的响应速度、稳定性和安全性等关键指标。

这种方法不仅降低了系统开发成本，而且提高了开发效率，为自适应巡航控制系统的实际应用提供了有力的支持。

文章总结了自适应巡航控制系统建模与联合仿真的重要性和应用前景，并展望了未来的研究方向。

本文的研究成果将为自适应巡航控制系统的优化和改进提供理论支持和实践指导，促进智能驾驶技术的发展和普及。

2、自适应巡航控制系统的基本原理自适应巡航控制（ACC）是一种智能驾驶辅助系统，旨在通过自动调整车辆的速度和与前车的距离来提高驾驶安全性和舒适性。

其基本原理主要基于车辆动力学、传感器技术和控制理论。

自适应巡航控制系统使用车辆前方的雷达或摄像头等传感器设备来检测前方道路环境和目标车辆的实时信息，包括前方车辆的距离、相对速度和动态行为。

这些信息为系统提供了决策依据。

基于所获得的前方车辆的信息，自适应巡航控制系统计算适当的加速或减速命令，并通过车辆的控制系统实现对发动机、制动系统和其他执行机构的精确控制。

该系统的目标是保持车辆与前车之间的安全距离，并在必要时自动调整速度，以适应前方交通环境的变化。

基于刀切法与自适应加权的多传感器信息融合算法

Ａｂｔａｔｓｒｃ：Ａｉｄａｅｅｉｔｎｅｏｏｓｏｇｎｒｌ —ｅｓｒｍｅｓｒｍｅｔｔｅｗｉｈｅｖｒｇ，ｔｅｏｔｌｗｉｈｉｇ，ｍｅｔｈｘｓｃｆｉｉｃｎｅｅｃｍｕｔｓｎｏａｕｅｎ，ｈｅｇｔｄａｅａｅｈｐｉｅｇｔｔｅｎｅｎｉｉｍａｎ
测量数据。自适应加权融合算法在最优加权的基础上充分考虑了各个传感器各个时刻的历史数据，均取方误差最小情况的数据融合值ｌ，对于各个时刻－但５Ｊ估计值与加权因子没进行有效的处理。
ａｄｔｅａｋｎｆＱｅｉｉｅｉｕｅｓｍｔｄｒｓｅｔｅｏｏａｐｃｆｈｅｈｉｏｆｃｎａｄｔｅｅｔａｄｖｌｅｎｃｋｉｕｎｕｌｓｓｄｅｔａｐｃｖｌｆｍｔｓｅｔｏｔｅｗｉｔｇｃｅｉｔｎｓｍｔａ．ｈＪｅｌｉｅｅｉｙｒｗｓｇｎｉｆｅｈｉｅｕ
ＸＩｈｅｎｎ，ＹＡＮＧ — ｎＥＺｎ— ａＹｉｍｉ
（ｏｅｅｏｕｏａｉ，ＧａｇｏｇＵｉｒｔｏｅｈｏｇ，ｕｎｚｏ１０６ＣｉａＣｌｇｆｔｍｔｎｕｎｄｎｎｖｓｙｆｃｎｌｙＧａｇｈｕ５００，ｈｎ）ｌＡｏｅｉＴｏ
ｒｓｌ．Ａｃｏｄｎｏｔｅｓｌｔｎｒｓｌ，Ｊｃｋｉｎｄｐｉｅｗｉｈｅｔｏｆｏｉｉｇｄｔｕｉｎｍｅｈｄｉｐｏｏｅｅｕｔｃｒｉｇｔｉａｉｅｕｔａｋｎｆａｄａａｔｅｇｔｄｍｅｈｄｏｍｂｎｎａａｆｓｏｔｏｒｐｓｄ，ｈｍｕｏｓｅｖｃｓ

分布式传感器网络中基于数据融合的目标定位算法研究

＠
２０１３Ｓｃｉ．Ｔｅｃｈ．Ｅｎｇｒｇ．
分布式传感器网络中基于数据融合的目标定位算法研究
李森赵健飞
（河南工业职业技术学院网络中心，南阳４７３０００华北科技学院电子信息工程学院，三河０６５２０１）
摘
要
利用分布式传感器网络以及数据融合方法来提高探测系统的检测与定位精度正在成为研究的热点。提出了一种应
用于分布式传感器网络中的数据融合算法，通过对各个传感器节点的定位信息的加权求和来进行数据融合，用来提高探测系
统目标定位的精度。算法采用两级自适应调整得到最优加权因子。首先利用线性最小方差估计（ＬＭＳＥ）算法得到权系数的初始值，然后利用训练节点和递归最小二乘（ＲＬＳ）算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真。仿真结果表明，相比单节点定位，融合算法的定位精度有约一到两个数量级的提高。关键词分布式传感器网络数据融合算法目标定位
位误差减小。
Ｌ＝［
Ｙｚ］；：１，… ，Ｎ
（１）
各节点将式（１）表示的目标定位信息发送到融合中心，融合中心首先对这些数据进行时间同步、空间坐标对准、量纲对准、滤波、去野值等预处理后，得到、ｙ、ｚ轴方向上的观测值分别为
融合，提高探测精度，改善整个探测网络的探测

捷联惯导动基座对准新方法及导航误差抑制技术研究

捷联惯导动基座对准新方法及导航误差抑制技术研究一、本文概述随着导航技术的不断发展，捷联惯导系统（Strapdown Inertial Navigation System, SINS）在动基座对准和导航误差抑制方面展现出越来越高的应用价值。

本文旨在探讨一种新型的捷联惯导动基座对准方法，并对导航误差抑制技术进行深入研究。

通过对比分析传统对准方法的不足，本文提出了一种基于多传感器融合的新型对准算法，旨在提高对准精度和效率。

针对导航过程中的误差积累问题，本文还研究了有效的误差抑制策略，以期提高捷联惯导系统的导航精度和可靠性。

本文首先介绍了捷联惯导系统的基本原理和应用背景，阐述了动基座对准和导航误差抑制在惯性导航中的重要性和挑战。

随后，详细介绍了新型对准方法的基本原理和实现过程，包括多传感器数据融合、对准算法设计以及实验验证等方面。

在误差抑制技术研究方面，本文重点探讨了误差来源、误差传播特性和抑制策略，提出了一种基于卡尔曼滤波的误差估计与补偿方法。

本文的研究成果对于提高捷联惯导系统的性能具有重要意义，不仅有助于提升动基座对准的精度和效率，还能有效抑制导航过程中的误差积累，从而提高整个导航系统的可靠性和稳定性。

本文的研究方法和结论也为相关领域的研究人员提供了有益的参考和借鉴。

二、捷联惯导系统概述捷联惯导系统（Strapdown Inertial Navigation System，简称SINS）是一种不依赖外部信息、完全自主式的导航系统。

其核心部件包括陀螺仪和加速度计，分别用于测量载体相对于惯性空间的角速度和线加速度。

通过积分这些测量值，系统能够推算出载体的速度、位置和姿态信息。

捷联惯导系统的最大特点在于它将传统的平台式惯导系统中的实体平台用数学平台来替代，从而大大简化了系统结构，提高了可靠性，并降低了成本。

捷联惯导系统的基本原理是通过载体上安装的陀螺仪和加速度计实时测量载体的角运动和线运动参数，再结合初始对准得到的姿态矩阵，将加速度计测量的比力转换到导航坐标系下，进行积分运算得到速度和位置信息。

基于小波辅助的GPS／SINS组合导航系统故障检测与信息融合算法

仿真结果验证了该方法的有效性。
关键词：组合导航；小波变换；故障检测；融合算法
中图分类号：Ｔ８Ｊ６文献标志码：Ａ
ＦｕｔｔｃｉｎａｄＩｆｒａｉｎＦｓｏｅｈｄｏａｌＤｅｅｔｏｎｎｏｍｔｏｕｉｎＭｔｏｆＧＰＳＳＮＳＩｔｇａｅｖｇｔｏ／ＩｎｅｒｔｄＮａｉａｉｎＳｓｅＢａｅｎＷａｅｅｄｄｙｔｍｓｄｏｖｌｔＡｉｅ
ｆｒｒｓＴｈｓａｇｒｔｍｒｔｕｅｖｌｔｔｃｎｌｇｏａａｙｅｔｅｅｔｍａｉｎｅｒｒｆｈｌａｌｒｉｒｅｏｆｎｏｗａｄ．ｉｌｏｉｈｆｓｓｓｗａｅｅｅｈｏｏｙｔｎｌｚｈｓｉｔｏｒｏｓｏｅＫａｍｎｆｔｎｏｄｒｔｄｉｔｉｅｉｔｅｆｕｔｐｏｎｎｅｒａｅｆｌｅａａｍｒｂｂｉｔｎｓｏｔｔｍｅｆｔｅｅｉｏｔｆｕｔｉｈｈａｌｉｔａｄｄｃｅｓａｓ — ｌｒｐｏａｌｙｉｈｒｉ．Ｉｒｓｓｆ－ａｌｎｔｅＧＰＳｏｔｕｎｏｍａｉｎｈｉｈｕｐｔｉｆｒｔｏ，ｔｅｉｒｖｄｅｆａａｔｅｆｌｒｎａｇｒｔｍｉｕｅｏｆｓｈｎｏｍａｉｎｈｓｔｅｓｔｍ’ ｆｌｒｎｃｕａｙｆｕｔｍｐｏｅｓｌ－ｄｐｉｔｉｇｌｏｉｖｉｅｈｓｓｄｔｕｅｔｅｉｆｒｔ，ｔｕｈｙｓｅＳｉｔｉｇａｃｒｃ，ａｌｏｅｔｌｒｎｅａｄｒｌｂｌｙｇｉｎｕｅ．ｅｓｍｕａｅｘｅｉｎａｅｕｔｅｉｈｅｓｂｌｙｏｒｐｓｄｓｈｍｅｏｅａｃｎｅｉｉｉａｎｅｓｒｄＴｈｉｌｔｄｅｐｒｍｅｔｌｓｌｓｖｒｆｔｅｆａｉｉｉｆｏｏｅｃｅ．ａｔｒｙｔｐＫｅｒ：ｉｔｇａｅａｉａｉｎｗａｅｅａｓｏｍａｉｎ；ａｌｄｔｃｉｎ；ｕｉｎａｇｒｈｙｗｏｄｓｎｅｒｔｄｎｖｇｔｏ；ｖｌｔｔｎｆｒｔｏｆｕｔｅｅｔｏｆｓｏｌｏｉｍｒｔ

组合导航系统的神经元信息融合模型

维普资讯
国防科技大学学报ＪＵＮＬＯＡＩＮＮＶＲＩＹＯＥＥＳＥＨＬＯＯＲＡＦＴＯＡＵＩＥＳＦＤＦＮＥＴＣＮＯＧＹＮＬＴ
—
第２４卷第３期
．
．
：
：
兰三
文章编号：０１２８（ｏｚｏ —０１５１０．４６２ｏ）３０８ — ０
系统的工作状态选择不同的神经元组作为融合中心，由于残差），检验对系统缓变故障不敏感，因此
可能影响到该方法的应用效果。文献［，３２］中用于状态融合的神经元权重采用离线训练在线应用方式，如果在融合过程中某一局部状态估计的精度发生变化，而相应的神经元融合权重不变，将影响到全局融合的精度。本文提出了一种组合系统的神经元信息融合模型及权重在线自适应学习算法。
ＳｓｅｓｄｏｕｏｓｙｔｍＢａｅｎＮｅｒｎ
Ｔｔｙｎ，ＷＥＮＸｉｓｎＡＯｎ－ｉＡＯＪｍ－ｏｇ－ｅ，Ｔｒｎａ
（ｏｅｅｆｃａｏｌＩｉｅ她ＣｌｇＭｅｈｔｎｃＥ１ｒｅｏｒｓｇＩ
ａｄＡｔａｃ，ＮｎｌｎｖｆｅｎｅＴｃｎｌｙｎｕｍｔｍ￣ｏａｉ．０Ｄｆｓｅｈｏｇ，ａｌ】ｈ４０７，ＣｉａｏｉＵｅｏａｇａ１０３ｈ）Ｉｓｎ
［唱ａｇｒｈｏｈ１ｉＩｌｏｉｍｆｔｅｗｅｈｓｏｎｕｏｓｓｖｎ．ＭｏｅｖｒｅｆｓｎｍｏｅｆｅＳＮＳＧＳｉｔｒｔｄｎｖｇｔｎｓｓｍｆｒｖｈｃｅｔｉｔｆｅｒｎｉｉｅｇｒｏｅｔｕｉｈｏｄｌｔＩ／Ｐｎｅａｅａｉａｉｙｔｏｈｇｏｅｏｅｉｌ

组合导航与融合导航

➢ 多传感器组合导航（多星座卫星组合、卫星导航与惯性导航的组合等）成为导航系统的发展趋势。
20
5、组合导航系统（续）
5.2 多星座卫星导航组合
需求
➢ GPS、GLONASS、BD及GALILEO卫星导航系统，本身都存在着固有的缺陷或人为施加的干扰，于是，使用单一的卫星导航系统存在着很大风险。
4.4 脉冲星导航优势提供良好的时间频率源：
可用于监测原子钟的长期稳定度。长期观测多颗脉冲星可以建立综合脉冲星时，并应用于导航系统，实现系统时间的维持。在航天器运行期间，也可用于修正搭载原子钟钟面时，减少地面监测站信息注入次数。
扩大导航定位覆盖范围：
X射线脉冲星导航可以精确自主地为飞行器提供位置、姿态和自然时间源。可用于空间攻防战，极大增强我国的太空防御能力。
18
4、天文导航（续）
提高抗干扰性：
➢ X射线脉冲星作为自然的天体，其运行特性不会受到人为的破坏与干扰；
➢ X射线穿透性好，被污染物破坏的风险低； ➢ X波段特征显著，可以避免空间各种信号的干扰； ➢ X射线探测器的稳健性强，不需要任何光学仪器和特
别的制冷设备； ➢ 可以由一个单一的仪器自主完成时间、姿态及位置的
➢ INS由于具有全天候、完全自主、不受外界干扰、可以提供全导航参数（位置、速度、姿态）等优点，是目前最主要的导航系统之一。INS有一个致命的缺点：导航定位误差随时间积累。
25
6、组合导航系统（续）
GNSS与INS组合导航的优势
➢ 可发现并标校惯导系统误差，提高导航精度。 ➢ 弥补卫星导航的信号缺损问题，提高导航能力。 ➢ 提高卫星导航载波相位的模糊度搜索速度，提高信
4
2、卫星导航的发展即存在的问题

信息融合技术及其在组合导航系统中的应用

估计，Ｓ证据理论和卡尔曼滤波．计理论方法将所采集的数据看作堆栈向量进行处理，就Ｄ－统
好像这些数据都是从一个传感器所获取的一样，这种方法要求有精确的数学模型．用贝叶应斯估计方法时每一个命题都要有一个先验概率和知识，通常情况下这是很难获得的．－而ＤＳ
增加，实时性很难保证．为解决上述问题，本文探讨了一种改进的联合卡尔曼滤波方法，用计算加矩阵的运算，于实时应用．从便最后，以ＩＳＧＳ合导航系统为例，Ｎ／Ｐ组对该算法进行了计算机仿真验证．
［收稿日期］２０－＇１０１￣ —２５
信息融合算法仍然是基于卡尔曼滤波技术的．信息论的角度来看，卡尔曼滤波在多传感器从融台理论中的应用已不仅仅只是一个具体的算法，同时还是一种行之有效的系统解决方案．
方法具有处理不精确信息的能力，但它积累单独的信息源，造成事件合并后时间权重和信任
度之间的不合理关系．卡尔曼滤波在控制领域广泛应用以后，逐渐成为多传感器信息融合系统的主要技术手段，有很多研究报告把卡尔曼滤波应用在信息融合领域中，并取得了较好的效果［除此之外，．神经网络在信息融合应用中也得到了迅速的发展，要用于目标识别与主
测对象进行描述．时，由于受外界干扰噪声的影响，传感器所获得的信息都会具有一定程同

国家自然科学基金——惯性导航

61070003 51009036 91016019
F020207 E091002 F030301
马龙华刘利强刘建业
2011 年 61101163 61104188 51175082 61174002 F010410 F030301 E051103 F030301 面向辅助导航的海洋重力异常信息实时提取与误差补偿方法基于惯性与单目视觉信息互助及融合的室内导航关键技术水下航行器组合导航的智能数据融合技术研究基于非线性全局可观性的惯性/里程计组合导航分析与综合：自动标定、运动对准与自主定位舰载惯导系统非线性滤波方法研究及其在传递对准中的应用 GNSS/MIMU 深组合导航关键技术研究船用捷联惯导系统自适应阻尼及超调误差抑制技术研究鸟类定向与导航行为生理学研究 GNSS/INS 深组合系统中载波跟踪性能与 IMU 误差之间映射关系的理论与方法研究面向城区综合环境的无人驾驶车辆关键技术及平台基于气动模型辅助的高空长航时无人机自主导航新方法研究多传感器组合无缝导航系统关键技术研究基于云计算的仿生偏振导航模型研赵立业曾庆化徐晓苏武元新东南大学南京航空航天大学东南大学中国人民解放军国防科学技术大学北京理工大学中国人民解放军国防科学技术大学中国人民解放军海军工程大学河海大学武汉大学
2005 年项目批准号 40501060 60535010 60574086 申请代码 1 D0108 F0306 F030119 标题无地面控制摄影测量与遥感中 DGPS/INS 组合直接地理参考研究月球探测系统的建模、传感、导航和控制基础理论及关键技术研究深空探测器的自主天文定位导航方法与仿真实验研究项目负责人孙红星孟庆虎房建成承担单位武汉大学中国科学院合肥物质科学研究院北京航空航天大学

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)。

基于自适应信息融合的导航系统构成与算法研究黄晓瑞,崔平远,崔祜涛(哈尔滨工业大学航天工程与力学系,黑龙江哈尔滨150001)

摘　要:　由于组合导航系统应用环境的不确定性,给噪声统计特性的准确描述带来困难,这将造成Kalman滤波器不稳定甚至发散,目前常用的解决办法是直接估计系统噪声与量测噪声的方差阵Q及R,进行自适应滤波.但方程的增加将使计算量加大、实时性不能保证.本文在对基于信息融合的INS/GPS组合导航系统进行分析和设计的基础上,探讨了通过ARMA模型自适应参数辨识求解可变增益K,从而求出状态估计值的方法,并对辨识误差协方差的防饱和算法进行了研究.计算机仿真结果表明:该算法对提高导航精度和运算速度是行之有效的,所得结论有一定的工程实用价值.

关键词:　信息融合;组合导航;自适应滤波;可变增益;防饱和中图分类号:　TP274;TN96711 文献标识码:　A 文章编号:　037222112(2002)0721061204

SystemFrameandAlgorithmResearchBasedonAdaptiveInformationFusionfortheIntegratedNavigation

HUANGXiao2rui,CUIPing2yuan,CUIHu2tao(Dept.ofAstronauticEngineeringandMechanics,HarbinInstituteofTechnology,Harbin,Heilongjiang150001,China)

Abstract:　Duetotheuncertaintyoftheapplicationcircumstance,itisdifficulttodescribethenoisestatisticsofintegratednavi2gationsystemaccurately.ThismaycausethegeneralKalmanfilterunstabilityandevendivergence.ThecommonsolvingmethodistoestimatecovariancematrixQandRdirectlybyadaptivefilter.Buttheproblemisthattheincreaseofequationswillcauseheavycal2culation,thusreal2timecannotbeensured.ThispaperpresentsanewmethodtoestimatestatesbyARMAmodeladaptiveparametersidentificationtosolvegainK,atthesametimeresearchananti2saturationalgorithmfortheerrorcovariance.ComputersimulationwascarriedoutaccordingtotheanalysisanddesignoftheINS/GPSintegratednavigationcovariance.ComputersimulationwascarriedoutaccordingtotheanalysisanddesignoftheINS/GPSintegratednavigationsystembasedoninformationfusion,andtheresultsshowthismethodisveryusefulforimprovingtheaccuracyandcalculationspeedofthesystem.Keywords:　informationfusion;integratednavigation;adaptivefilter;alterablegain;anti2saturation

1　引言随着应用环境的日趋复杂,人们对导航系统各种性能指标的需求也不断提高,单一导航传感器在使用中或多或少都存在着种种限制和不尽人意之处,已经逐渐不能满足人们对导航系统精度高、可靠性高、自主性强、抗干扰性强和成本低的要求.因此人们开始将目光转向多传感器信息融合,希望从多传感器信息融合的角度来增强导航系统对环境的适应能力.

组合导航系统信息融合技术,随着计算机技术、传感器技术和现代控制理论的发展而不断进步.Kerr[1]和Speyer[2]等人提出的分散化滤波和Carlson[3]提出的联合卡尔曼滤波方法,

都为信息融合导航系统设计提供了理论基础,成为目前应用的主流.但在这些方法中采用的局部滤波器仍旧是常规的标准卡尔曼滤波器,而应用常规卡尔曼滤波器获得理想滤波效

果的条件是必须预先知道系统精确的数学模型、系统噪声和量测噪声的统计特性,否则,可能产生发散现象.一般情况下,

组合导航的系统模型和观测模型为已知,而噪声统计特性是未知的.为此人们又试图利用递推估计系统噪声和量测噪声方差阵Q及R的自适应算法来估计状态变量[4].然而这种方

法在实际应用中仍然存在一些问题:如通常情况下,组合导航系统状态变量的维数比较高,而自适应滤波算法中又增加了对系统噪声统计的计算,使计算量大大增加,实时性很难保证.为解决上述问题,本文探讨了一种可变增益的自适应滤波算法,将求未知的系统和量测噪声统计特性隐含在求增益K

之中,即利用量测信息不断地在线估计滤波增益从而得到系统状态变量的精确估计值,同时确定了系统参数辨识误差协方差阵防饱和算法,以克服随着数据采集量增多而出现的饱和现象.最后,以INS/GPS组合系统为例,对该算法进行了计算机仿真.

收稿日期:2001202219;修回日期:2001206220

　第7期2002年7月电子学报ACTAELECTRONICASINICAVol.30　No.7July　2002　© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net2　信息融合导航系统211　信息融合随着自动化、智能化的发展,在工业、军事、科研等领域中所使用传感器的种类和数量越来越多.每种传感器都有各自的特点,通常只能在某一范围内或从某一方面来对被测对象进行描述.同时由于受外界干扰噪声的影响,传感器所获得的信息都会具有一定程度的不确定性,具体表现为:所获取数据的不精确、不完整、不一致、不可靠.没有任何一种传感器可以保证在任何时候都能提供全面、准确无误的信息.信息融合技术就是在这种情况下应运而生并迅速发展的.它综合利用来自不同信息源在时间和空间上的数据信息,根据一定准则加以筛选、分析和处理,通过不同传感器之间信息的相互协调和性能互补,克服单个传感器的不确定性和局限性,得到比任何组成部分更可靠的决策,从而提高整个系统的性能,全面而准确地描述被测对象.

212　融合导航系统惯性导航系统(ISN)和全球定位系统(GPS)都是目前应用最广泛的导航系统之一.而二者的组合更是目前研究的热点问题.将信息融合技术应用于组合导航系统,可充分发挥两个子系统的优势,相互取长补短,从而提高导航系统的精度和可靠性,扩大使用范围.

用于INS/GPS组合导航系统的信息融合技术,实质上就是利用GPS接收机、惯性陀螺和加速度计的测量值作为多源信息,依据某种准则进行融合,给出一个关于导航参数误差的最优估计,然后对各子系统导航信息进行校正.图1所示为组合导航系统的原理图.

图1　INS/GPS组合原理图3　算法研究311　防饱和的可变增益自适应滤波算法考虑线性离散时间系统X(k+1)=ΦX(k)+Γw(k)(1)Z(k)=HX(k)+v(k)(2)其中X(k)∈Rn为待估计的状态变量;Z(k)∈Rm为观测向量;Φ∈Rn×n为状态转移矩阵;H∈Rm×n为量测矩阵;w(k)

和v(k)为零均值、方差阵为Q和R并且相互独立的白噪声序列.

当系统噪声方差阵Q和观测噪声方差阵R未知或不确切已知时,为防止滤波发散,需采用自适应滤波方法,在滤波过程中不断对它们进行估计和修正.但考虑到Q和R对滤波结果的影响是通过增益矩阵K反映出来的,故也可以直接对

K进行估计而不去估计Q和R.式(1)、(2)所对应系统的Kalman递推滤波公式为:

^X(k)=^X(k/k-1)+K󰁪Z(k)(3)󰁪Z(k)=Z(k)-H^X(k/k-1)(4)

其中:K为n×m滤波增益矩阵.对应的最佳预报估计为:

^X(k/k-1)=Φ^X(k-1)=Φ[^X(k-1/k-2)+K󰁪Z(k-1)]=Φ^X(k-1/k-2)+K

󰁪Z(k-1)(5)

为预报增益矩阵,且

Kp=ΦK(6)

由式(5)

可得

^X(k/k-1)=(In-q-1Φ)-1Kp

󰁪Z(k-1)(7)

其中:q-1为单位后移算子.

由Fadeeva[5]求逆公式:

(In-q-1Φ)

-1

=F(q-1)A(q-1)(8)

其中:F(q

-1)=adj(In-q-1Φ

)

=F0+F1q-1+…+Fn-1q

-(n-1)

A(q-1)=det(In-q-1Φ)=a0+a1q-1+…+anq-n

F0=In,Fi=ΦFi-1+aiIn,i=1,…,n-1

a0=1,ai=-1itr(ΦFi-1),i=1,2,…,n将式(8)代入式(7)得:

A(q-1)^X(k/k-1)=F(q-1)Kp

󰁪Z(k-1)(9)

两边同时左乘H:

A(q-1)H^X(k/k-1)=HF(q-1)Kp

󰁪Z(k-1)(10)

由式(4)和(10)可建立系统的ARMA模型:

　A(q

-1)Z(k)=HF(q-1)Kp󰁪Z(k-1)+A(q-1

)󰁪Z(k)

=[HF(q-1)Kpq-1+A(q-1)Im]󰁪Z(k)

=D(q-1)󰁪Z(k)(11)其中:

D(q

-1)=HF(q-1)Kpq-1+A(q-1

=D11(q-1)…D1m(q-1)…ω…Dm1(q-1)…Dmm(q-1)(12)设H=[H1　H2　…　H

m]T,Hi(i=1,2,…,m)为1×

列向量;Kp=[Kp1　Kp2　…　Kpm],K=[K1　K2　…　Km],Kpi,Ki(i=1,2,…,m)为n×1列向量,这样由式(12)

Dn(q-1)=HiF(q-1)Kpiq-1+A(q-1)

=(HiF0q-1+HiF1q-2+…+HiFn-1q-n)Kpi+A(q

-1)

=1+(a1+HiF0Kpi)q-1+…+(an+KiFn-1Kpi)q

-n

=1+di1q-1+…+dinq

-n(13)

Dij(q-1)=HiF(q-1)Kpjq-1

=HiF0Kpjq-1+HiF1Kpjq-2+…+HiFn-1Kpjq