面向车辆导航的MIMU及其与GPS组合的研究

摘要

微机电系统(MEMS)是近年来研究的一个热点，而微惯性传感器是微机电系统技术应用的一个重要分支。微惯性传感器具有体积小、功耗低以及造价低廉的优点，然而由于受制造工艺、技术的限制，微惯性传感器的性能还不能满足导航应用要求。因此，人们在研究微惯性器什的设计、生产技术的同时，也在研究通过器件误差补偿或系统组合来提高微惯性系统的性能。后者的研究内容主要涉及GPS、微惯性系统以及组合导航算法三个方面。 鉴于GPS的研究和应用已经比较成熟，因此本论文主要围绕MEMS陀螺仪随机漂移的分析和建模、微惯性测量组合(MIMU)以及微惯性系统单独进行导航运算这三个方面展开研究，具体内容如下： (1)本文对某型号MEMS陀螺仪随机漂移的分析和建模进行了研究，在此基础上提出了对带有季节分量的非平稳信号进行建模的方法。 陀螺仪的随机漂移是影响惯性系统性能的一个主要因素，前人在这方面已进行了大量研究。目前已有多种建模补偿方法成功地应用于传统陀螺仪随机漂移的补偿，这些模型随陀螺仪随机漂移性质的不同而分为平稳模型和非平稳模型。MEMS陀螺仪的随机漂移特性未知且漂移比传统陀螺仪大，本研究采用建模的方法对其进行补偿。首先对MEMS陀螺仪的随机漂移数据进行了平稳性分析。采用游程分析法将MEMS陀螺仪的随机漂移数据分为间隔的数据段进行分析，结果表明：在短时间间隔情况下，MEMS陀螺仪的随机漂移呈现为方差平稳、均值不平稳的统计过程，因此本文引入非平稳建模方法对随机漂移过程进行描述。 进一步的分析表明，该漂移数据还具有一定的季节分量。采用传统的时间序列法对漂移进行建模的结果表明，线性模型不能很好地描述漂移特性，建模效果较差，因此本文引入了非线性的神经网络进行建模。考虑到系统信号处理的实时性，采用了径向基网络结构。由于漂移信号不平稳且带有季节分量，本文对可以处理非平稳信号的梯度径向基神经网络结构加以改进，使之可以处理具有非平稳季节特征的MEMS陀螺仪漂移。实验结果表明，改进后的梯度神经网络结构可以很好地描述随机漂移信号的性质，其建模效果要好于传统的时间序列模型。 (2)本文对构建的MIMU进行了安装误差的标定试验，并分析了MIMU的构成方式以及改进方法。 MIMU标定工作包括对微惯性传感器的标定以及对MIMU的标定两部分。首先对MEMS加速度计和陀螺仪进行了标定，采用最小二乘法对数据进行处理以确定其零点漂移以及标度因数，然后采用传统的多位置实验法对加速度计的安装误差进行了标定，确定了加速度计的安装非正交误差角。考虑到研究所用的MEMS陀螺仪不能敏感地球自转角速率，本文采用了速率试验确定陀螺仪的安装误差们。 本文还分析了MIMU的构成方式，提出了差动式传感器设计以减小零位误差对系统的影响。两个敏感方向相反的传感器安装在一起就构成了差动式传感器结构，由于两个传感器为同一型号而且安装位置接近，因此其零点漂移变化性质是类似的，著动式传感器可在一定程度上消除其影响。研究结果表明：差动式传感器设计可以较好地消除零点启动重复性误差带来的影响。另外，本文还探讨了利用传感器阵列提高MIMU性能可行性。论文还针对MEMS陀螺仪受震动引起的误差问题，采用滑动平均的方法进行了滤波和去野值处理，提高了由MEMS传感器构成的MIMU的性能。 (3)将GPS、由MEMS传感器构成的MIMU惯性系统通过PC104计算机联结起来构成了组合系统，并在该平台上进行了面向车辆的MIMU/GPS组合系统的相关研究。 通过采用GPS动态校准MIMU和地面车辆运动限制条件相结合的方法，可使组合系统具有在失去GPS信号的一段时间内单独承担导航任务的功能。车载试验结果说明：在GPS信号丢失的情况下，本MIMU仍能在一定时间内保证导航所需的精度。 将本文提出的建模方法应用于车载试验中MEMS陀螺仪数据的补偿，结果表明：MEMS陀螺仪的随机漂移对定位偏差的影响随时间积累，但是在短时间内影响定位偏差的主要因素是MEMS陀螺仪的常值漂移而非随机漂移。该试验的结果同时也说明了本文所提出的建模方法的有效性。 本论文的研究主要集中在陆地车辆导航应用上，但是由于提升微惯性系统性能是一个有着广泛应用背景的课题，本文的研究成果在智能交通系统等许多方面都有潜在的应用前景，因而具有一定的现实意义以及价值。

目录

文摘

英文文摘

论文说明：插图、List of Figures、表格、List of Tables、常量与缩略语

声明

第1章绪论

1.1引言

1.2 GPS系统及其应用

1.3 MIMU惯性系统及其发展现状

1.3.1 MEMS惯性器件及其发展现状

1.3.2国内外MIMU研究现状及本研究面临的主要问题和关键技术

1.4 GPS系统与惯性系统的组合

1.4.1 INS/GPS组合导航技术

1.4.2 MIMU/GPS组合导航系统的研究与应用现状

1.5主要研究内容

1.5.1 MEMS陀螺仪随机漂移的建模研究

1.5.2面向车载应用的MIMU/GPS组合系统

第2章神经网络法建模与时间序列法建模

2.1基于时间序列分析法建模

2.1.1平稳性检验

2.1.2模型参数估计与模型验证

2.2神经网络建模

2.2.1神经网络建模的概述

2.2.2用于建模的神经网络

2.3本研究中神经网络建模法的实质

第3章 MEMS陀螺仪随机漂移分析及其建模研究

3.1 MEMS陀螺仪随机漂移的分析

3.1.1 MEMS陀螺仪信号的采集

3.1.2陀螺仪随机漂移的平稳性检验

3.1.3 MEMS陀螺随机漂移时间序列模型的建立

3.2径向基神经网络的建模

3.2.1 RBF模型的建立与验证

3.2.2采用GRBF(AGO-RBF-IAGO)模型对漂移的建模

3.2.3变结构GRBF的建模试验

3.3梯度径向基神经网络及其在陀螺仪漂移补偿中的应用

3.3.1梯度径向基神经网络模型

3.3.2季节梯度径向基神经网络模型

3.3.3 MEMS陀螺仪的随机漂移的进一步分析

3.4小结

第4章面向车载应用的微惯性系统研究

4.1 MIMU的两种构成方式

4.1.1由加速度计和陀螺仪组成的MIMU

4.1.2无陀螺MIMU

4.1.3两种构成方式的比较分析

4.2基于MEMS加速度计和陀螺仪构成的MIMU

4.2.1 MIMU的构成

4.2.2 MIMU仿真试验

4.3 MIMU的误差分析及标定

4.3.1 MEMS惯性传感器的标定

4.3.2 MIMU的标定校准试验

4.3.3陀螺仪安装误差的标定

4.4 MIMU车载试验

4.4.1车载试验及其结果分析

4.4.2陀螺仪动态信号的滤波

4.5差动式传感器设计研究

4.5.1差动式加速度计

4.5.2试验与结果分析

4.5.3加速度计阵列

4.6小结

第5章 MIMU/GPS组合系统试验

5.1组合系统的搭建

5.1.1系统的组合方式

5.1.2 MIMU/GPS组合系统算法

5.2组合系统车载试验

5.2.1初始对准

5.2.2试验结果与分析

5.3车载试验中陀螺仪数据的随机漂移建模补偿

5.4小结

第6章结论

参考文献

附录

攻读博士学位期间所发表的论文

致谢