第一章 导航定位技术分类
- 1. 定位技术分类
-
- 1.1 定位(航位计算)基于相对测量
- 1.2 定位基于绝对测量
- 1.3 组合定位
1. 定位技术分类
1.1 定位(航位计算)基于相对测量
轮式里程计的测量数据通过编码器获得,车轮的旋转转换为线性位移。对于指定初始位置的运动估计,通过积分获得运动增量,以获得当前的位置信息。 · 该方法具有精度短、成本低、采样率高等优点 · 但是,随着移动距离的增加,车轮会打滑,定位误差会影响长期精度 惯性导航系统是独立的,无需获取外部信息。 惯性传感器(陀螺仪和加速度计)测量角速度和加速度。陀螺仪积分可旋转,加速度的一次积分和二次积分可分别获得速度和位置。 但积分必然会导致误差的积累。因此,低精度imu,不能单独用于精确定位。
1.2 定位基于绝对测量
GNSS是一种户外导航技术。典型如下:GPS、北斗(中国)、伽利略(欧盟)GLONASS(俄罗斯)·· 通过三边测量,地面接收器可以利用卫星信号的运行时间和当前位置信息计算其位置,其中包含在发射信号中。当接收器与多颗卫星之间的确切距离已知时,可以计算接收器的纬度、经度和高度,其中三个是理论上的最小距离,四个可以纠正接收器的时钟偏差。只要有足够的卫星覆盖,GPS为户外导航提供了良好的绝对定位。
已知环境下的导航采用地标导航技术。landmark它可以是自然界的特定目标,也可以是人工地标,可以被检测和识别。因此,地标导航需要一个具有保存特性和准确地理位置的数据库。 人工地标是将物体添加到环境中进行定位和导航,自然地标已经存在于环境中。每个地标必须有一个固定的位置。车辆需要一个关于它们特征和位置的数据库。一些地标可能包括额外的信息,如条形码。车辆必须能够从其传感器中输入可靠的识别地标,并通过确定自己的位置来处理数据。
当移动设备在具有特定地图的环境中移动时,可以使用地图模板进行匹配。 使用传感器感知当地环境,然后将感知结果与预存地图进行比较;如果匹配成功,移动设备在特定环境中的位置和方向。相机和雷达通常被用作定位技术的传感器。 在室外环境中,通常需要提前收集模板地图GPS一起使用,确定设备路面的位置。
1.3 组合定位
为了获得更可靠的定位信息,采用两种或两种以上的定位方法。
~GPS: 全球定位系统由地球周围的24颗卫星组成,平均半径为26颗.560公里。原则上,GPS接收器只需要三颗卫星的距离,就可以利用三边测量原理计算出它的三维位置。但第四颗卫星需要从系统时钟中估计接收机时钟的偏移。GPS由于信号阻塞、多径效应和干扰,可能会中断。例如:城市、峡谷、隧道等城市环境。
为提供更准确的实时定位信息,GPS为了满足需要与其他具有互补特征的系统集成GPS导航定位拒绝。
- GPS增强系统( 其他GNSS定位系统、空间增强系统、地面增强系统)
- 本地无线定位系统(蜂窝基站)Wi-Fi、电视塔)
- 惯性传感器、里程表和指南针等运动传感器
- 辅助传感器,如相机、光光雷达)等辅助传感器
- 数字地图
特性 | INS | GPS |
---|---|---|
导航精度 | 短期精度高,随时间漂移 | 长期导航精度高,噪声干扰 |
惯性坐标系 | 使用 | 不使用 |
姿态信息 | 有 | 没有 |
感知重力方向 | 是 | 否 |
输出频率 | 高频 | 低频 |
自主 | 是 | 否 |
图1.典型的(INS/GPS)组合导航系统结构图
1.位置和速度可以获得更高的精度 2.可获得姿态信息 3.数据输出频率高 4.解决GPS当信号堵塞时,导航问题
GPS与INS主要有卡尔曼滤波器(KF)、粒子滤波(PF)等。
第二章 导航参考坐标系
- 2.1 坐标系变换
- 2.常用的导航坐标系
- 2.3坐标系转换
2.1 坐标系变换
在惯性导航计算中,往往需要从一个坐标系向另一个坐标系的矢量转换。 左乘 其中R表示将向量r从变换到的矩阵。 (向量上标代表其坐标系,通常向量上标抵消矩阵下标) 变换矩阵:描述了从到的变换; 如果两个坐标系是是的,它们的变换矩阵也是正交的,此时。参考:正交矩阵与旋转矩阵的关系
- 对称矩阵:AT = A 反对称矩阵:AT = -A 在计算外积时,通常可以将两个向量中的一个写成:使用^(hat)符号表示 外积:向量1x向量2——>矩阵1·向量2 的形式
2.常用的导航坐标系
(1) :Earth-Centered Inertial Frame(ECI 简称i系)
以地球质感为原点,不参与地球自转,OXi、OYi两颗星轴在赤道平面内正交,指向空间,OZi轴与地球自转周平行,指向地球北极。三个坐标轴指向惯性空间固定,是惯性仪表测量的参考标准。
(2) :Earth-Centered Earth-Fixed Frame(ECEF 简称e系)
地球坐标系是指固定在地球上的坐标系,起源于地球的质地。与惯性坐标系相比,地球自转角速度为15.041088°/h旋转。OZe轴平行于地球自转轴,指向北极,OXe格林尼治子午线轴指向赤道平面,OYe指向赤道平面东经90°方向, OZe轴与OYe和OXe构成右手系。
(3) :Local-Level Frame(LLF)
原点与传感器重心重叠,俗称东北天坐标系,y轴指向正北c. x轴指向东, z轴穿过地心指向天空。 (4) :Body Frame (b系)
在可移动的载体中,加速度计传感器的敏感轴与安装传感器的移动平台的轴重合。这些轴通常被称为body frame。 定义:原点与载体重心重合, y轴指向前方(横滚轴Roll), z轴指向垂直向上,也被称为偏航轴(Yaw),x轴为俯仰轴(Pitch),xyz构成一个右手坐标系,可直观理解为“右前上”坐标系。 其中载体系相对于地理坐标系的欧拉角:Roll、Pitch、Yaw表示如上图。
2.3坐标系转换
将一个矢量从一个坐标系转换成另一个坐标系可以使用、或。它们都涉及一个旋转矩阵,称为变换矩阵或方向余弦矩阵(DCM)。在旋转矩阵的表示中,表示向量的坐标系,表示坐标系。例如: k系中的向量r变换到 l系中,可由下式表示: 坐标系a可通过旋转矩阵变为坐标系b,也可以通过对z,y,x轴逐步进行旋转得到。 如:绕z轴旋转 gama角度,可得到向量r1在a系与b系之间的旋转矩阵: 同理: 绕x轴的旋转 绕y轴的旋转 将三次旋转连续左乘(顺序 z,x,y),可以得到: *对于小角度的旋转,有以下近似: 通过小角度近似,旋转矩阵可近似为:
第三章 GPS全球定位系统
- 3.1 GPS 观测
-
- 3.1.1伪距测量
- 3.1.2 载波相位测量
- 3.1.3 多普勒测量
- 3.2 GPS信号
- 3.3 GPS误差源
-
- 3.3.1 卫星时钟误差
-
- 3.3.2 接收机时钟误差
- 3.3.3 电离层延时
- 3.3.4 对流层延时*
- 3.3.5 多路径误差
- 3.3.6 卫星轨道误差
- 3.3.7 接收机噪声
- 3.3.8 用户等效距离误差
- 3.4 GPS的增强
三 GPS全球定位系统
全球定位系统(GPS)由美国国防部在20世纪70年代开发。GPS的定位基础是24颗卫星组成的网络。每颗卫星发送一个包含伪随机噪声(PRN)码与导航信息的无线电信号。接收机通过PRN码获得无线电信号的传输时间,传输时间乘以光速可初步计算卫星与接收机之间的距离(称为伪距离)。 根据导航信息计算卫星的位置。根据三颗卫星提供的信息,接收机通过三边测量法计算出自身的纬度、经度和高度;可根据第四颗卫星的信号来消除接收机的时钟偏差。
3.1 GPS 观测
GPS观测主要有伪距测量、载波相位测量和多普勒测量三种
3.1.1伪距测量
伪距是卫星和接收机之间距离的度量。 传输时间由导航消息计算,接收时间由接收信号(PRN码)与其接收方生成。伪距( p )的计算方法是取这些时间的差值,并将其与光速 c 相乘: 实际的伪距测量包含了很多干扰因素:
3.1.2 载波相位测量
接收机到卫星的距离也可以通过载波信号的相位来测量。 GPS接收机可以精确地测量一个周期的分相,但是从卫星到接收机的完整周期的总数最初是未知的。这称为整数模糊(IA)。IA解析后,通过将载波波长乘以完整周期(N)和小数部分,可以计算出距离,这个距离比PRN码计算出的距离精确得多。 考虑时钟偏移、大气延时、以及测量误差,可得到以下式子: 其中: 将上式与波长相乘,可将载波相位测量转换为米的单位:
3.1.3 多普勒测量
多普勒效应是由发射器和接收器的相对运动引起的电磁信号的频移。 基于这一现象,一些GPS接收机也通过测量接收信号的多普勒频率来计算用户的速度。 发射信号的多普勒频移( fd )、视线距离率( r )和波长之间的关系为:
3.2GPS信号
GPS最初以两个频率发送测距信号。 GPS卫星在两个无线电频率L1和L2(分别为1575.41和1227.60兆赫)传输信号。每个频率的测距码调制被称为伪随机噪声(PRN)序列或精确测距码。 单GPS接收器的精度约为5至30米。接收器必须确定卫星的位置,以便使用导航信息将距离测量值转换为用户的位置和速度。导航信息与PRN代码一起叠加在LI和L2载波上。该消息是二进制编码数据,包括关于卫星状态、星历(其位置和速度)、时钟偏差参数等信息。 美国政府正在不断提高GPS服务的性能,三个新的信号称为L2C, L5和LIC正在被引入民用。
3.3GPS误差源
GPS接收器使用三边测量原理,通过对至少四颗卫星进行距离测量来计算其位置。这些测距测量受到来自各种来源的误差的干扰。
3.3.1 卫星时钟误差
随着时间的推移,卫星时钟会偏离GPS系统的时间。 控制端根据监测站提供的卫星时钟数据观测数据,估算出卫星时钟的校正参数,并上传到卫星;卫星再将这些参数广播到导航信息中,使接收机在计算测量距离时对卫星时钟误差进行校正。
3.3.2 接收机时钟误差
为降低成本,接收机时钟比卫星时钟精度低得多,并带有偏差。 在使用三个卫星伪距估计当前位置时,如果可获得第四个卫星的伪距,那么接收机的时钟误差可进行同步估计,通常采用一个Kalman滤波器来实现。
3.3.3 电离层延时
电离层作为大气层的一部分,其中包含电离气体(自由电子和离子),并占据地球表面约60至1000公里处的空间。这一层的电离水平随太阳活动而改变,影响电离层各层的折射率,从而改变GPS信号的传播时间 同时,卫星的高程也增加该误差的可变性,因为来自较低高程卫星的信号通过电离层的距离比来自较高高程卫星的信号更大。 伪距和载波相位的电离层延迟相等,但符号相反 其中f为载频,TEC为总电子数。TEC定义为沿电离层传输路径的1 m2横截面管中电子的数量,它在时间和空间上都是变化的。 同时配备了L1和L2的双频GPS接收机能够更准确地计算电离层延迟。
3.3.4 对流层延时*
对流层是地球表面8至40公里的大气部分,主要由干燥气体(N2和O2)和水蒸气组成。与电离层不同,对流层是电中性的,对于GPS频率来说是不分散的。但是由于存在折射,因此信号的传播速率相对于光速会衰减。L1和L2载波的对流层误差相同。 对流层延迟有干延迟和湿延迟之分。湿分量占对流层延迟的10%,由于水汽含量在局部范围内变化,因此很难建模。干分量模型更完善,占对流层延迟的90%。对流层延迟模型包括Saastamoinen模型、Hopfield模型和Chao模型。
3.3.5 多路径误差
多路径误差是城市环境中GPS信号的主要误差来源,GPS信号经过高楼建筑等物体表面,经过反射后到达接收机。间接到达的信号被延迟,并且信噪比很低。多路径误差可能导致位置误差超过10米。 载波相位测量的多径误差比伪距测量的误差低两个数量级。
3.3.6 卫星轨道误差
卫星在空间中的实际位置与接收机通过星厉数据计算的卫星位置之间的误差 控制端根据卫星先前的运动和地球引力来预测卫星轨道误差,并将该误差上传到卫星,作为星历数据广播给用户。因为星历模型是一条拟合实测轨道的曲线,它还包括相对于实际轨道的时变剩余误差。通常这个误差在2到5米之间。
3.3.7 接收机噪声
GPS接收机的随机测量噪声。 它是由天线电路、电缆、热噪声、射频信号干扰、信号量化和采样的累积效应引起的。
3.3.8 用户等效距离误差
在使用一些误差模型对测量值进行处理后,还存在一些剩余误差;将伪距测量的剩余误差结合起来,称为用户等效距离误差(UERE)。假设误差源可以分配到单个卫星伪距的,则这些误差是不相关的,那么一个卫星的综合UERE近似为一个零均值高斯随机变量:
3.4 GPS的增强
目前,一个独立GPS典型精度为:水平约为10米,垂直约为15米。这对于许多常用导航应用程序来说已经可以满足需求,但是对于一些重点应用项目来说还需要更高的精度,为了实现这一目标,需要使用各种其他系统来增强GPS。
为了达到更高精度的要求,可通各种增强系统:
- 增加额外的传感器: 该方法使用额外的传感器来补充GPS信息,提高整体的导航信息;例如:高度计、指南针、加速计、陀螺仪和里程计。
- 差分GPS的使用: 对于相对距离较近的用户来说GPS误差是相似的,这些误差被认为是空间和时间相关的。它们可以由一个位置已知的接收器来估计(基站/参考站)。估计的误差通过补偿算法传递给附近的GPS用户使用。这种技术被称为伪卫星差分GPS (DGPS),
- 辅助GPS: GPS越来越多地被整合到手机中,手机需要额外的信息来及时提供位置信息。可以通过蜂窝网络辅助GPS (A-GPS)
第四章 惯性导航系统
-
- 4.1 惯性导航系统的物理平台
- 4.2 惯性测量单元IMU
- 4.3 惯性传感器的测量值
-
- 4.3.1静止状态下的加速度测量
- 4.3.2静止与运动状态下的角速度测量
- 4.4 惯性传感器误差
-
- 4.4.1 系统误差(可通过实验进行校正)
- 4.4.2 随机误差
- 4.4.3 惯性传感器误差的数学模型:
- 4.4.5 惯性传感器的初始对准:
惯性导航理论依据: 牛顿第一定律(在不受外力作用下,物体将保持静止或匀速直线运动) 牛顿第二定律(物体加速度的大小跟作用力成正比,跟物体的质量成反比;加速度的方向跟作用力的方向相同)
4.1 惯性导航系统的物理平台
平台式惯导:(下图a所示)惯性传感器安装在一组框架上(平衡环),通过扭矩电机根据陀螺仪感应的旋转来实现平台的旋转,使得平台始终与导航系保持一致。因此,加速度计的输出可以直接在导航系的速度与位置上进行积分。由于平台式惯导系统在机械构造上非常复杂并且价格昂贵,所以应用十分有限。
捷连式惯导:(图b所示)惯性传感器被刚性安装在移动平台的载体上,平衡环由计算机算法代替,通过。利用陀螺仪测量角速率来不断更新载体系和导航系之间的相对姿态。然后,加速度计的测量值通过旋转矩阵到导航系中,计算加速度。 由于捷连式惯导具备:可靠性、灵活性、低功耗、轻量、价低等优点,目前获得广泛用。
4.2 惯性测量单元IMU
INS主要由三个主要模块组成:惯性测量单元、预处理单元、机械化模块。 IMU使用3个相互正交的加速度计和陀螺仪:
4.3 惯性传感器的测量值
4.3.1静止状态下的加速度测量
当三轴加速度计静置于水平面平行时,此时加速度计测量的是地球重力加速度(其中包含一些误差与噪声),重力矢量垂直向下,与载体系的z轴重合,因此三轴的比力分别为:
若三轴加速度计的放置不与水平面平行,而是绕着x轴旋转,与地面形成一个角度p,如图所示: 此时z轴从原来的位置(虚线z)倾斜到一个新的位置z’。角度p被称为俯仰角。此时的yb、zb轴均可感知到重力矢量的分量,各轴比力为: 若再将传感器绕其y轴旋转,使其x轴与z轴偏移一个角度r,此时所有轴上都能测量到重力矢量分量:
4.3.2静止与运动状态下的角速度测量
假定当前载体系与ENU系(东北天)重合,三轴陀螺仪可以测量由于,也可以测量由于车辆行驶时率而产生的。 在,陀螺在地球表面可以感知到地球的自转角速度We;此时陀螺仪各轴上的测量值取决于载体所在的。由上图可知,Wx始终为0,当陀螺仪位于北极N时,Wz=We;当器件位于赤道时,Wy=We,当器件位于中间纬度 fai 时,满足以下公式: 所以,陀螺仪的静止分量可表示为:
在,陀螺仪测量到的是载体各轴上的旋转角速度与地球自转角速度在各轴上的分量,以local-frame作为导航坐标系,假定物体向东北方向移动,则x轴(东向)上的角速度相当于移动物体在纬度上的移动速率: 同理,东向的速度可表现为经度的变化率,继而可以表示为与地球自转轴重合的角速度(由于运动造成的),该角速度可被y与z轴的陀螺仪感知: 所以,陀螺仪的非静止分量可表示为:
4.4 惯性传感器误差
惯性传感器误差可分为两大类:系统误差与随机误差。
4.4.1 系统误差(可通过实验进行校正)
当无输入时,传感器自身存在的偏移量。 传感器应输出的实际值与输出值之间的比例关系。 尺度因子误差引起的加速度计输出误差与敏感轴上的真实比力成正比,同样陀螺输出误差与敏感轴的真实角速度成比例。 输入与输出之间的非线性关系。 正、负输入的尺度因子不同。 有输入的情况下,输出为0的范围 将连续信号转化为离散信号是产生的误差。
4.4.2 随机误差
惯性传感器受到各种随机误差的影响,通常采用随机建模的方法来减轻这些误差的影响
运行过程传感器偏置中随时间随机变化。称为偏差漂移。初始偏置是确定性的,而偏置漂移是随机的。偏置漂移的一个原因是温度的变化。 零均值的高斯白噪声
4.4.3 惯性传感器误差的数学模型:
角速度的观测方程: 加速度的观测方程:
- 将x,y,z三个敏感轴依次朝上朝下静置,可计算得到bias和scale。
纬度为fai的载体系,若可感知到地球自转,则: 载体系中,指向天向的敏感轴,可以感知到地球自转的分量,并可以以此来计算校正参数: 对三个陀螺仪中的每个轴重复这个过程,以获得它各轴的偏差和比例因子。 低成本的陀螺仪无法探测到地球的自转速度,可以以恒定速率表60 °/ s旋转(或任何其他速率高于陀螺仪的检测阈值的转速),替换方程中的 We sin(fai).
4.4.5 惯性传感器的初始对准:
传感器的加速度和转速进行一次积分,计算出速度和姿态,再对速度进行积分得到位置。导航方程需要获得位置、速度和姿态的初始值。这个过程叫做以及。 * 位置可以使用车辆开始移动前的最后一个已知位置进行初始化。对于INS与其他(通常是GPS)集成的系统,外部导航系统可以提供一个初始位置作为先验。 如果载体是静止的,那么速度可以初始化为零。如果载体是移动的,那么初始速度可以通过外部导航提供。
* 两个步骤:首先,通过初始化俯仰(p)和横摇(r)角将载体系与"东北"对齐,再将航向角(y)与天向对齐。 当车辆静止时,加速度计的俯仰轴与滚转轴由于与地平面存在倾斜,因此可感知到重力矢量的分量。 在载体系静止的情况下,通过加速度测量的比力,可以计算出初始姿态角中的pitch和roll: 其过程如下: 已知local-frame下的重力矢量为: 停止情况下加速度计测得的比力,可表示为“东北天”系下的重力矢量左乘旋转矩阵,即:从地理系变换到载体系下的结果: 假定载体的俯仰(x:pitch)、横滚(y: roll)、航向(z: yaw)三轴上的姿态角分别为:p、r、y;旋转矩阵可以由下式表示: 将旋转矩阵代入得到: 由上式可知,通过静止时的加速度测量值感知重力矢量分量,可以得到与俯仰角(p)与横滚角(r)相关的方程,因此可以求出相应的姿态角: 而航向角(y)是无法通过坐标轴与水平面对齐的方法得到(因为改变航向角,重力矢量始终指向下不发生变化),要想求出航向角,还需要借助陀螺仪的测量。 若陀螺仪可以感知到地球自转,则: 在初始对准过程中,由于保持静止,后一项为0: 其中: 地球自转角速度We约为:15.04deg/h 代入以上式子,则载体系相对于惯性系的旋转角速度为: 因为p和r在上一步骤中已经通过加速度测量值求出,因次在该式中,可以将Wx乘以cos( r),Wz乘以sin( r),得到: 因此: 求出航向角为:
相对于地平面,俯仰角与横滚角其实很小,可做以下近似: 则航向角可简化为: 需要注意的是,使用陀螺仪感知地球自转来求航向角的方法只对较高精度的IMU可行,对于低精度的IMU,其噪声阈值超过了地球自转信号,因此无法探测到地球的自转。对于这些低精度的IMU,航向角的估计需要通过罗盘、磁力计、或者GPS获得。
第五章 惯性导航系统模型
- 5.1.INS Mechanization
-
- 5.1.1 惯性系(i-frame)作为参考系
- 5.1.2 地心地固坐标系(ECEF) 作为参考系
- 5.1.3 当地水平坐标系(local-level frame)作为参考系
- 5.2. 旋转矩阵的参数化
-
- 5.2.1求解旋转矩阵
- 5.2.2求解四元数
- 5.2.3 数值积分法求解
- 5.2.4 旋转矩阵与四元数的相互转换
- 5.2.5 旋转矩阵与欧拉角的相互转换
- 5.2.6 旋转矩阵、欧拉角、四元数
- 5.3.当地坐标系(l-frame)的导航参数求解步骤
-
五 惯性导航系统模型
两种建模方法:、
: 对力与相互作用引起的运动进行描述。表现一个物理系统对另一个物理系统的影响。例如:牛顿第二运动定律,表达了由力模型:F{r, v, t} 引起的运动变化。其中r是位置向量,v是速度向量,这些被称为状态向量,时间t是一个自变量。 F{r, v, t} = ma= mv’= mr’’ r( t) =r( t, b, c) 其中c,b为常数 r( 0) =r( 0, b, c) v( 0) =v( 0, b, c)
地球的自转和描述卫星绕地球运行的运动通常使用动力学建模。但不适用于物体在地球表面的运动。
:运动学建模常用于对运动物体进行动力学建模不切实际的情况。它研究的是物体的运动,而不考虑其质量或作用于其上的力,从而排除了力模型。在运动学建模中,物体的运动完全是根据位置、速度和加速度测量值来确定的,这些测量值统称为可观测值。 根据可观测到的结果,位置矢量可表示为:r( t)={ x( t ) , y( t ) , z ( t ) } 速度矢量为: 加速度矢量为:
5.1 INS Mechanization
Mechanization:是把IMU的输出转换成位置、速度和姿态信息的过程。IMU输出包括陀螺仪测量的三轴的旋转速率和加速度计测量的三轴加速度。系统框图如下所示:
5.1.1 惯性系(i-frame)作为参考系
加速度计的输出称为 比力f(除了重力以外的力): 其中,f为比力,a为载体测得的加速度,g为 重力矢量。 测量值是在载体系(b)获得的,通常假定传感器的三轴与载体系重合,此时测量值可以通过3x3的旋转矩阵Rib变换到惯性系上(从b系变换到i系): i系下的Mechanization方程可归结为: ri =[ xi yi zi ] 是i系的三维位置矢量;vi =[ vxi vyi vzi ] 是i系的三维速度矢量 Wib为陀螺仪输出的角速度,旋转矩阵的导数=旋转矩阵*角速度的反对称矩阵
5.1.2 地心地固坐标系(ECEF) 作为参考系
e系下的Mechanization方程可归结为: 其中输入为加速度计测量的速度和陀螺仪测量的转速。输出是位置向量r,速度向量v和欧拉角,都在e坐标系中表示。
5.1.3 当地水平坐标系(local-level frame)作为参考系
,使用当地坐标系的 a. 当地坐标系可以直观地表现地球表面用户的导航状态。 b. 由于I-frame的轴线与当地的东、北、天方向对齐,所以在当地坐标系中求解时,可以通过方程的输出处获得姿态角(俯仰、横滚和方位角) c. 水平(E-N)平面上导航参数的计算误差受舒勒效应的约束。 d. 舒勒效应规定了水平面元件的惯性系统误差耦合产生舒勒回路,这些误差以舒勒频率的1/5,000 Hz振荡。
5.2 旋转矩阵的参数化
最常用的三种方法是、和。 欧拉角只需要三个独立的参数。方向余弦(旋转矩阵)有9个参数,其中6个是独立的。这两种方法在计算上较为复杂,不适用于实时的计算,并且欧拉角容易产生奇异点。旋转矩阵的求解是不封闭的。因此,参数化转换矩阵的方法是使用。
5.2.1求解旋转矩阵
从b系到k系的旋转矩阵随时间的变化率表示为: 其中,omga是传感器测量角速率[wx,wy,wz]的反对称矩阵: 求旋转矩阵的导数 需要求解9个微分方程,才能从角速度数据中得到变换矩阵。 现在讨论这个方程的一个封闭解。假设角速度w在很小的时间间隔内是恒定的。则旋转角度的增量为: 根据推导式,可以将旋转矩阵写成递归的形式: 省略中间推导过程,最终得到以下结果:
5.2.2求解四元数
欧拉定理指出,刚体相对于参考系的旋转,可以表示刚体绕固定轴旋转一个角度。 上图表示了一个角轴旋转,其中矢量n为旋转轴,theta为绕n旋转的角度。三个角 alpha、beta、gama定义了单位矢量旋转轴n的方向。 四元数可通过角轴表述为: 四元数由一个实部与三个虚部构成,根据上式可知,四元数通过三个独立的分量便足以描述刚体的旋转,并且存在以下约束: 四元数的导数为: 将其表示为递推式: 令: 则:
5.2.3 数值积分法求解
在旋转速率较低的情况下,可以采用数值积分的方法求解,即: 相当于对递推结果进行一阶近似。
5.2.4 旋转矩阵与四元数的相互转换
若已知四元数 q=[ q1,q2,q3,q4],则可通过下式得到旋转矩阵: 同样,在确定旋转矩阵后,也可将其转化为四元数(对准过程中测量的姿态角确定初始旋转矩阵后,计算四元数的初始值):
5.2.5 旋转矩阵与欧拉角的相互转换
5.2.6 旋转矩阵、欧拉角、四元数
四元数方法的: a. 四元数只需要求解4分方程(4个自由度),而旋转矩阵需要求解6个方程(6个自由度)。 b. 四元数避免了使用欧拉角时可能出现的奇异性问题。欧拉角奇异性问题 c. 四元数计算相对简单
四元数方法的: 结果中存在非线性项以及需要在计算周期中重新正规化。
以下罗列使用三种方法对旋转进行参数化的:
方法 优点 缺点 欧拉角 3个自由度(仅需3个方程即可求解)、可直接求出Roll、Pitch、Yaw 非线性微分方程、角度正负90°时存在奇异性 旋转矩阵 非奇异性、线性微分方程 6个自由度、计算复杂、无法直接求出欧拉角 四元数 4个自由度、非奇异性、仅需要3个微分方程 无法直接求出欧拉角、初始化时需要借助欧拉角 5.3 当地坐标系(l-frame)的导航参数求解步骤
a.陀螺仪中获得的旋转速度(wx,wy ,wz)与加速度计测得的加速度( fx,fy,fz)构成IMU输出。 b.根据加表与陀螺仪计算俯仰,横摇和方位(p,r, A)的姿态角 第四章中【通过加速度测量的比力,可以计算出初始姿态角中的pitch和roll,若角速率(wx,wy ,wz)可以感知地球自转则可以求得航向角】。由此得到b系相对于local系的旋转矩阵Rlb。 c.使用前一步计算得到的Rlb,将b系中的比力转化为local系中的比力,得到东北天坐标系下的加速度为:(fe, fn, fu)。 d.加速度计除了比力外,测量值中还包含地球引力与科氏力,因此需要除去这两个影响因素。 e.通过对东北天坐标系下的加速度 (fe, fn, fu)进行积分,计算东、北、天的速度(Ve, Vn, Vu)。 f.通过对东、北、天的速度(Ve, Vn, Vu)进行积分,计算 大地坐标系下的位置(纬度,经度,高度)。
第六章 惯性导航误差建模
- 6.1导航误差状态方程(L系)
-
- 1.1导航误差——位置误差(L系)
- 6.1.2导航误差——速度误差(L系)
- 6.1.3导航误差——姿态误差(L系)
- 6.1.4 导航误差——传感器误差(L系)
- 6.1.5 导航误差小结(L系)
- 6.2 Schuler 效应
-
- 6.2.1 东向误差的舒勒效应
- 6.2.2 北向误差的舒勒效应
6.1 导航误差状态方程(L系)
INS的准确性受到各种因素的影响,如:初始对准过程中的误差、传感器误差、算法误差。 若知道这些误差对导航参数(位置、速度和姿态)的影响,就可以通过建模来进行误差的估计,从而减小误差对导航结果的影响。 因此,误差模型是分析和估计惯性导航系统误差源所必需的。估计器包括:卡尔曼滤波(KF) ;粒子滤波(PF) 和AI技术统上。 Mechanizaion状态方程用于确定性动态系统物理过程的描述。这些方程的解中含有误差(确定性和随机性),因此需要使用传感器误差模型来进行分析和估计。 动态系统的的误差随时间变化,因此可以用微分方程来描述。由于这些方程是非线性的,在使用卡尔曼滤波之前需要将它们线性化。
根据上一章可知,导航参数方程具有以下关系: LLF系(东北天)下的包括:; 总误差为:
6.1.1导航误差——位置误差(L系)
指的是,地理位置(纬度、经度、海拔)估计值的误差,已知位置的导数为: 位置误差定义为: 通过一阶泰勒展开,整理等式右侧,并省略矩阵中的极小项,得到位置误差的导数具有以下形式: 由上式可知,位置误差的状态方程与位置状态方程的转移关系近似相同。
6.1.2导航误差——速度误差(L系)
加速度测量值需要的影响后,才可进行积分计算。 假定上式的误差可写成: 则,速度误差为: 将上式等号右边分为5个子项:
(1)根据反对称矩阵定理:Ab=-Ba,第一项可改写为: 其中:Fl为在L系上加速度比力矢量 fl:[ fe, fn, fu ] 的反对称矩阵; (2)第二项 (3)第三项 由上一章已知,l系相对于e系的角速率、e系相对于i系的角速率为: 将角速率矢量转化为反对成矩阵形式,并代入到第三项中,得到: (4)第四项 角速率的误差定义: 省略中间推导过程,可得到: 代入定义:
省略分母的二次方项,得到: 因此,第四项最后结果为: (5)第五项 R为地球半径,g为重力矢量的模 经过,可写成: 方程右边的中,包含以地球半径作为分母的元素,以及乘以地球自转角速度(we)的元素,这些元素相对较小,在实际计算可。因此,省略较小项的速度误差可简洁的表示为: 注意:加速度分量fe 、fn与重力矢量相比是很小的(接近于零),而 fu 接近重力加速度(9.8米/ sec2)。 因此,根据上述关系可知 、,而deta(ve)、deta(vn)与deta(A)之前是一种弱耦合的关系。
6.1.3导航误差——姿态误差(L系)
姿态误差 :两个坐标系相对旋转的误差,实际上是由角速度误差引起 的。 根据上一章,已知旋转矩阵的状态方程: 由于理论计算值存在误差,因此与真实值之间存在一个误差小量:(用带上三角的符号表示理论计算值,不带上三角的符号为真实值) 其中,旋转误差小量可以写为【欧拉角误差的反对称矩阵】乘以【两个坐标系之间的真实旋转矩阵】的形式: 将包含误差的式子代入旋转矩阵的状态方程: 同时b系相对于l系的角速度的反对称矩阵也可写成:真实值角速度+线性角速度误差 的形式: 这样就得到了一个旋转矩阵的导数与角速率误差、姿态角误差的关系式,为了进一步探究姿态角误差的变化与说明因素有关,我们可以通另一个方式获得一个等价的方程。为了得到矩阵R的变化率,需要对理论测量的旋转矩阵求导,用姿态角误差变化率表示变换矩阵R的变化率: 通过两个等价方程,可以得到: 消去等式两侧的相同元素: 等式右边第二项为二阶误差,可以忽略不计,因此可以得到姿态角误差的变化率为: 上式是反对称矩阵的形式,将其转化为矢量形式的姿态角误差变化率: 上式说明了:姿态误差=[ deta( p) ,deta( r) ,deta( A) ]T 可通过角速度误差deta(Wlb)表示。
下面分析角速度误差deta(Wlb)的表达式; 载体系b相对于大地系l的 角速度Wlb 由l系相对于惯性系i的角速率(Wil) - 传感器测量的b系相对于i系的角速率(Wib) 得到,即: 角速度误差deta(Wlb)可表示为: 根据反对称矩阵公式:Ab=-Ba ,有: 将deta(Wlb)代入角速度误差方程: 根据上式,可知姿态角误差由以下几个因素构成:1. 导航参数误差 deta(Wil) ; 2.载体系旋转速率的测量误差 deta(Wib);3. 以及i系相对于l系的角速率的反对称矩阵
导航参数误差 deta(Wil)具有以下定义:
同样,i系相对于l系的角速率的反对称矩阵 综合以上式子,可以得到
姿态角误差的变化率 为: 其中,第三项和第四项中包含地球半径的倒数项、以及地球旋转的乘积项,在大多数的导航计算中可以将其忽略不计,因此姿态角误差可以仅保留前两项,简化为: 上式隐含的强耦关系也被称为舒勒效应 。6.1.4 导航误差——传感器误差(L系)
传感器误差主要是
陀螺仪漂移 和加速度计偏差 ,包含确定性误差与非确定性误差。确定性部分在实验校准过程中进行计算,并在测量中进行补偿。传感器误差的不确定性部分是随机的,采用随机模型进行建模。 这些误差通常在时间上是相关的,常用的建模方法 包括:随机游走过程、一阶高斯-马尔科夫(GM)过程和自回归(AR)过程。传感器的随机误差模型一般
采用一阶GM过程进行建模 ,其一般形式为: x: 随机过程 beta:过程相关时间的倒数 W: 零均值不相关的高斯噪声的单位协方差 segma2:随机过程高斯白噪声的协方差(1)加速度计Bias误差 (2)陀螺仪漂移drift误差
6.1.5 导航误差小结(L系)
L系的位置、速度、姿态的状态误差以及传感器误差,可归结为: 其中 状态误差的流程框图: 若将上述误差状态方程写为一阶微分形式:
6.2 Schuler 效应
舒勒效应与速度误差deta(ve)与deta(vn)、俯仰角误差deta( p)与横滚角误差deta( r)在水平面上的耦合有关。这种耦合关系限制了水平和垂直速度以及俯仰和滚转角的误差。
6.2.1 东向误差的舒勒效应
根据误差模型,我们已知,横滚角roll误差的状态方程为: 东向的速度误差Ve的状态方程为: 因为 fu接近重力加速度g,而 fn 非常小,因次上式可进行简化,可知 deta(ve)与deta(r)之间存在强耦合的关系: 对上式求导(东向速度误差求二阶导),并代入roll误差的导数关系式,可得: 方程解得的 东向速度误差deta(ve)随时间振荡的频率非常小,等于1/5000 Hz。将这种小频率震荡称为 舒勒频率 fs,时间间隔为84.4分钟。因此,速度误差是有界的。 舒勒频率: 同理,若是对roll误差求二阶导,并代入东向速度误差的导数,得到: 方程解得到的横滚角误差deta(r)同样会随时间以舒勒频率振荡。因此,姿态误差会随着时间的推移而变得有界。
东向速度误差deta(ve) ,也就是说,如果从外部(如GPS)对INS的东向速度进行更新,从而得到准确的deta(ve)估计,也会使得横滚角误差deta(r)变得更准确。换句话说,速度的更新使得东向速度误差deta(ve)可观,而由于强耦合关系,这种可观性也会延伸到横滚角误差deta(r)上。与 横滚角误差deta(r)之间存在 强耦合关系6.2.2 北向误差的舒勒效应
与东向的误差相似,舒勒效应 同样也体现在北向的误差模型上。 根据姿态误差的状态方程,可知
俯仰角pitch的误差变化率 为: 而与之存在紧耦合关系的是北向的速度误差deta(vn) : 简化为: 分别对俯仰角pitch的误差和北向速度误差做二次微分: 方程解得的俯仰角pitch的误差随时间以舒勒频率 fs 振荡;**北向的速度误差deta(vn)与 俯仰角的误差deta(p)**之间的强耦合如图所示。 当系统的北向速度由外部源更新时,不仅北向的速度误差deta(vn)得到了准确估计,由于强耦合关系,俯仰角的误差deta(p)也得到了准确估计。第七章 卡尔曼滤波
- 7.1 离散卡尔曼滤波
- 7.2 卡尔曼滤波的流程
-
- 7.2.1 预测与时间更新
- 7.2.2 测量更新与校正
- 7.3 卡尔曼滤波 算法步骤
- 7.4 非线性卡尔曼滤波
-
- 7.4.1 线性化kalman滤波
- 7.4.2 扩展kalman滤波
- 7.5 卡尔曼滤波发散控制
-
- 7.5.1 KF过程模型中添加虚拟噪声
- 7.5.2 Schmidt Epsilon方法
- 7.5.3 有限记忆滤波
- 7.5.4 渐消记忆滤波
- 7.6 卡尔曼滤波例子
-
- 7.6.1 简单导航系统
- 7.6.2 零速度更新
-
- 7.6.2.1 通过ZUPT提高测量精度
- 7.6.3 坐标更新
-
- 7.6.3.1 通过CUPT提高测量精度
导航系统的精度受到 惯性传感器初始化以及算法的误差影响。低成本MEMS传感器由于严重的随机误差,INS输出可能迅速漂移。因此低精度的IMU基本上不能作为导航独立传感器进行使用。 在之前的章节中曾叙述过,对于水平面的速度与姿态角而言,若没有对速度进行持续的优化以消除速度误差,在长时间运动情况下会导致Vn和Ve值产生巨大的误差。同时,姿态角的误差,也需要依靠这些速度值来调节 ——【舒勒效应】。因此,建立精确的速度分量模型是十分重要的(可消除pitch、roll角的误差)。
几类典型的测量更新方式: 1)位置 或坐标更新——“CUPT” 2)速度 或零速度更新——“ZUPT” 3)姿态更新
通过外部测量进行INS更新的方法有很多种:包括卡尔曼滤波(KF)、粒子滤波(PF)和人工智能(AI)。 通常,将惯性导航系统与GPS辅助系统相结合,利用卡尔曼滤波对惯性传感器误差进行估计和补偿。总的来说,卡尔曼滤波器是一种从被噪声污染的测量值中最优估计系统状态误差的算法。这是一个顺序递归算法,提供了一个最佳的误差最小均方差估计。 卡尔曼滤波的优秀之处在于,它使用了所有可用的测量数据,不论它们的精度高低,都可以通过对测量值增加合适的权重来估计当前系统状态。
在惯性导航应用中,卡尔曼滤波用于互补配置,将具有不同噪声特性的同一信号的冗余测量值结合起来,最小化误差。惯导系统能提供良好的高频信息,但由于积分运算,惯导系统的误差随时间不断增大,使得加速度计和陀螺仪的偏置误差在输出端积累。惯性传感器的偏置误差通常出现在传感器输出的低频部分,称为长期误差。另一方面,许多其他导航系统(如GPS)具有良好的低频特性,但容易产生高频噪声。因此,利用KF可以从外部源的准确低频数据中获益,从而限制INS的长期误差。有许多外源可以为INS提供可靠的帮助,包括雷达、GPS、车轮传感器、激光测距和存储的图像数据库。 在下文中将主要考虑全球定位系统作为外部源(由于GPS的准确性,全球可用性和低成本)。
7.1 离散卡尔曼滤波
卡尔曼滤波要求系统为线性的系统,离散时间的线性系统可描述为: 其中:Wk-1为过程噪声。由于噪声对动态系统的影响表现在状态矢量的多个分量上,因此需要使用一个噪声分布矩阵G来表述噪声与各个状态分量之间的耦合性。
系统的离散时间线性测量方程为: 卡尔曼滤波基于以下
假设: 1.
状态方程和测量方程均可用线性模型表示; 2.系统噪声Wk以及测量噪声 为不相关的零均值高斯白噪声: 其中,Qk和Rk是正定矩阵。在INS/GPS积分中, Qk表示与INS误差相关的系统噪声的协方差矩阵, Rk表示与GPS位置和速度更新相关的测量噪声协方差矩阵。3.系统初始状态向量xo是一个与过程和测量噪声都不相关的随机向量 ,因此:4.初始状态x0以及其协方差矩阵P0是已知的: 7.2 卡尔曼滤波的流程
KF是一种递归算法,通过状态反馈来估计系统的状态。 如图所示,卡尔曼滤波分为两个环节:(1)预测 /状态更新; (2)校正 /测量更新。 在预测阶段,将系统状态及其协方差从k -1时刻传播到k时刻;然后在校正阶段,使用测量值更新先前的估计,最终得到校正后的状态估计。
7.2.1 预测与时间更新
根据
k-1 时刻的信息估计 k 时刻的系统状态,称之为“先验估计 ”——Xk(-) ,假定系统噪声为零均值,则k 时刻的状态估计可写为: 其中Xk-1(+) 。 同时,卡尔曼滤波还将 上一时刻 k-1 的不确定度传递到下一时刻 k,不确定度通过误差协方差来表示为 上一时刻的最优估计Pk(-) ,也称为先验协方差矩阵 : 其中Pk-1(+) ,由为上一时刻的 协方差矩阵的最优估计Pk(-) 和过程噪声Qk 得到。7.2.2 测量更新与校正
在预测了状态的先验估计之后,当获得外部源的测量信息时,先验估计会得到更正。 测量协方差为
Rk ,表示测量数据的不确定度。 在测量更新环节中,最重要的一步为:计算卡尔曼增益的加权因子 K 卡尔曼增益使KF在最优估计算法中脱颖而出。 由方程可知,K既依赖于先验协方差Pk(-),又依赖于测量噪声协方差Rk。如果测量噪声较大(Rk较大),或者过程噪声较小(Pk(-)较小)时,那么K就会变得相对较小。反之,若过程噪声较大(Pk(-)加大)或测量值的噪声较小时(Rk 较小),则K相对较大。 当K较大时,测量值将被赋予更多的权重,当K较小时,预测值的权重就相对较大。当
tk 时刻得到一个新的测量值Zk 时,将其与基于先验状态估计的预测测量值HkXk(-) 进行比较。用K对二者误差进行加权,并更新状态向量的预测以生成最佳估计。因此,tk 时刻的状态估计值为: 在更新完系统状态之后,还需对新估计值Xk(+) 的不确定度进行更新: 对于上式的协方差矩阵更新公式P. D. Joseph 认为,即便求得的卡尔曼增益K 具有细小误差,但传递到上式时依旧会产生能严重的问题。因此,他主张使用一种被称为约瑟夫式 的方程的扩展形式: 上式得到的后验协方差在数值上是稳定的,即使K的计算有误差也能得到正确的答案。此外,这种形式的后验误差协方差可以保证Pk(+)是半正定的,有助于避免发散。在大多数INS应用中,
KF更新过程的频率低于预测 。例如,通过卡尔曼滤波将GPS和INS集成的典型应用中,预测可能以100hz的频率进行,而更新以1hz的频率进行。下图显示了典型组合系统的预测和更的过程: 离散KF算法的数据流图: 时间更新与测量更新的方程归结如下:7.3 卡尔曼滤波 算法步骤
KF由
5个步骤 组成,算法流程如图所示: 具体步骤如下:- 首先,
初始化 滤波器。这需要为过滤器提供其状态初始估计X0 和初始估计中的不确定性P0 。Po的估计是基于对初始状态估计的近似精度,通常设置为相对较高的值。同时还需要向滤波器提供系统噪声协方差矩阵Q 和测量噪声协方差矩阵R 的初始估计值。这些估计值是根据之前的系统经验估算出来的。 预测步骤的第一部分 :计算状态转移矩阵,将初始状态从 k-1时刻传递到k时刻, 并表示为Xk(-).预测步骤的第二部分 :计算先验状态的协方差Pk。通过状态转移矩阵、上一时刻的协方差Pk-1、过程噪声协方差Qk-1,以及噪声分布矩阵Gk-1得到。需要注意的是,如果过程噪声较大,Pk就会增大,从而导致先验状态的置信度降低。测量更新阶段的第一步 :计算卡尔曼增益Kk。卡尔曼增益的值取决于先验误差协方差Pk(-)、过程噪声协方差Rk、观测方程中的Hk。Pk(-)越大,增益越大,Rk越大,增益越小。测量更新阶段的第二步 : 继完成预测的第二部分后,当接收到测量值时,先验状态k(-)就会被更新。这一步基于预测的测量值HkXk(-)与实际测量值的差值。根据这一差值进行状态估计的修正,当K较大时,这个差值的权重更大,并添加到先验估计值中,并更新为后验估计值Xk(+)。但当K较小时,从测量中获得的校正信息的权重较小,此时认为先验估计相对准确。测量更新阶段的第三步 :在修正状态估计之后,KF进一步将先验误差协方差Pk(-)更新为后验误差协方差Pk(+),以表示后验估计的不确定度。- 卡尔曼滤波进入下一时刻的状态估计与测量更新。
7.4 非线性卡尔曼滤波
线性系统是理想化的结果,严格地说,几乎所有的系统都是非线性的(甚至欧姆定律也只是在有限范围内的一个近似,它的线性在超过一定的电压阈值之后就会失效(Simon 2006))。 由于许多系统非常接近线性,通过对非线性系统进行线性化,可以将线性估计理论应用于非线性系统。在非线性的卡尔曼滤波中,通常将误差状态作为估计值,而不是以系统状态作为状态估计。在GPS/INS的组合导航中,误差状态是由INS状态和辅助源状态(GPS)之间的差值形成的。可用的方法有线性KF (LKF)和扩展卡尔曼滤波(EKF)。
7.4.1 线性化kalman滤波
对于某一个系统,在标准轨迹附近进行线性化的的方法,被称为线性化卡尔曼滤波(LKF)。此处的标准轨迹通常是已知的,例如,船或客机的航线是预先规划的。对于INS/GPS组合导航系统来说,惯导的输出通常被认为是标准轨迹。 线性化卡尔曼滤波是一个开环结构,其滤波器估计的误差虽然对INS的输出进行校正,但是对INS系统却不构成反馈。
7.4.2 扩展kalman滤波
轨迹的真值是无法事先知道的,因此通常将轨迹最优估计的结果作为标准轨迹。 当卡尔曼滤波使用先前最优估计的线性化轨迹,