基于Kalman滤波的无人飞行器多传感器数据融合方法研究

摘要

小型的无人飞行器由于其具有成本较低、机动性强、用途广泛等优点，在军事和民用领域均有非常广泛的应用。为了实现飞行器的自主飞行以及良好控制，需要运用多个传感器并通过数据融合技术来获得飞行器准确而完整的运动状态数据。Kalman滤波是数据融合中最常用的方法，本文主要研究基于Kalman滤波的无人飞行器多传感器数据融合问题，主要工作如下: 首先，介绍了捷联惯性导航的基本原理，给出了捷联惯性导航系统力学编排方程，建立了惯性传感器和GPS、气压计和磁力计等辅助导航传感器的测量模型，并构建了无人飞行器运动参数测量仿真系统，同时论述了捷联惯性导航方程的解算方法; 其次，介绍了SINS/GPS组合导航系统基本原理以及间接估计的校正方法，阐述了线性Kalman滤波的基本理论，接着推导了捷联惯导系统误差模型并在此基础上建立了滤波模型，最后论述了数据融合的实现过程，并在不同估计条件下进行了仿真，仿真结果结合理论分析表明，当GPS测量精度较差、初始误差较大和GPS刷新率较慢时，基于输出校正的线性Kalman滤波的估计效果也随之变差; 然后，针对上述问题，引入了基于直接校正的SR-CDKF方法，建立了滤波模型，在估计条件较差时与基于线性Kalman滤波的输出校正进行了仿真对比，结果表明，SR-CDKF方法的估计效果总体上要优于线性Kalman滤波; 最后，进一步考虑融合了气压计和磁力计的测量值，分别提出了SINS/GPS/气压计和SINS/GPS/气压计/磁力计两种组合方案，并进行了仿真验证，结果表明SINS/GPS/气压计/磁力计组合对飞行器运动参数的估计效果得到了进一步提高。

目录

声明

摘要

图表目录

1绪论

1．1论文课题研究背景及意义

1．2小型无人机多传感器数据融合概况

1．2．1数据融合的研究现状

1．2．2数据融合的理论与方法

1．3 Kalman滤波理论在多传感器数据融合中的应用

1．4论文主要研究内容

2捷联惯性导航原理与测量仿真系统构建

2．1引言

2．2捷联惯性导航基本原理

2．2．1原理概述

2．2．2常用坐标系

2．2．3捷联惯性导航力学编排

2．3传感器测量模型

2．3．1加速度计测量模型

2．3．2陀螺仪测量模型

2．3．3 GPS测量模型

2．3．4气压高度表测量模型

2．3．5磁力计测量模型

2．4无人飞行器仿真系统构建

2．4．1 aeroblk_HL20仿真系统简介

2．4．2导航参数真值生成方法

2．4．3测量仿真值生成示例

2．5捷联惯性导航力学编排方程解算仿真

2．5．1捷联惯性导航方程计算

2．5．2仿真结果及分析

2．6本章小结

3基于线性Kalman滤波的SINS／GPS组合导航数据融合研究

3．1引言

3．2 SINS／GPS组合导航系统基本原理

3．3 SINS／GPS间接估计校正方法

3．4经典Kalman滤波基本理论

3．5 SINS／GPS组合导航系统间接法滤波模型

3．5．1捷联惯导系统误差模型

3．5．2系统状态方程

3．5．3量测方程

3．5．4基于卡尔曼滤波的SINS／GPS数据融合实现

3．5．5仿真结果及分析

3．6本章小结

4基于SR-CDKF方法的SINS／GPS组合导航数据融合研究

4．1引言

4．2 SINS／GPS组合导航系统直接式滤波模型

4．2．1直接校正滤波器结构

4．2．2状态方程

4．2．3量测方程

4．3 SR-CDKF方法在无人机SINS／GPS数据融合中的应用

4．3．1 Sigma点Kalman滤波理论

4．3．2 SR-CDKF算法步骤

4．4仿真分析

4．4．1 GPS测量精度不同时的KF与SR-CDKF滤波对比

4．4．2惯性器件有无固定零偏时的KF与SR-CDKF滤波对比

4．4．3 SINS／GPS数据刷新率不同时的KF与SR-CDKF滤波对比

4．5本章小结

5．基于SR-CDKF方法的多传感器数据融合方法研究

5．1引言

5．2．2状态方程和量测方程

5．2．3仿真分析

5．3 SINS／GPS／气压计／磁力计组合数据融合

5．3．1组合方案

5．3．2状态方程和量测方程

5．3．3仿真分析

5．4本章小结

6总结与展望

6．1工作总结

6．2工作展望

致谢

参考文献

附录