MEMS陀螺随机误差建模及补偿算法研究

为减小随机误差对MEMS陀螺输出角速度的影响,提出一种结合ARMA模型和Kalman滤波的MEMS陀螺随机误差补偿方法。采用Allan方差辨识MEMS陀螺的5项随机误差,利用Matlab对MEMS陀螺随机误差时间序列分析建模,建立MEMS陀螺随机误差的ARMA模型,设计3次Kalman滤波器对MEMS陀螺随机误差进行滤波处理,并对陀螺输出进行补偿。实验结果表明:基于ARMA模型的3次Kalman滤波算法将MEMS陀螺随机误差均值和方差降低了两个数量级。     

航空矢量重力测量中光纤陀螺随机漂移误差实时补偿方法

光纤陀螺随机漂移误差是影响航空矢量重力测量系统姿态解算精度的关键因素。建立模型并在输出中对其补偿是抑制该项误差的有效方法。针对传统ARMA模型只能对平稳随机漂移误差建模,且模型无法满足实时滤波需求的问题,本文引入适用于非平稳随机漂移误差的ARIMA模型,同时给出详细的建模过程,并提出采用实时平均算法消除原始采样序列中常值分量的思路,实现了随机漂移误差的实时Kalman滤波估计。基于本文所提出的模型和实时滤波算法,对光纤陀螺实测数据进行分析,结果表明处理后信号中随机漂移误差的方差减小了46.5%。Allan方差分析结果表明,滤波后角度随机游走系数和角速率随机游走系数分别降低了约50%和40%。本文的结果说明ARIMA模型能够准确描述陀螺的非平稳随机漂移误差。基于实时平均算法的Kalman滤波可实现随机漂移误差的在线估计,有望提高航空矢量重力测量系统的姿态解算精度。     

基于Allan方差和SVR的MEMS陀螺仪随机误差分析与预测

为了使低成本MEMS陀螺仪数据的精度更高,本文提出了一种混合核函数支持向量回归（SVR）的MEMS陀螺仪随机误差预测模型,并通过粒子群优化（PSO）算法对模型参数和核函数参数进行优化;同时通过Allan方差法对SVR预测前后的MEMS陀螺仪随机误差数据进行分析。试验结果表明：混合核函数SVR对MEMS陀螺仪随机误差的预测准确度可达99.99%;当MEMS陀螺仪所处状态不同,但噪声特性相同时,可采用统一的SVR预测模型预测随机误差,研究结果为进一步用于MEMS陀螺仪的实时误差补偿中提供依据。     

基于小波分析的陀螺随机漂移建模与滤波

采用基于小波分析提取信号趋势项的方法,对实测三浮陀螺漂移数据的趋势项加以提取,并对其残差进行建模。在建立了时序模型的基础上进行卡尔曼滤波器设计,对三浮陀螺的随机漂移数据进行卡尔曼滤波,结果表明,滤波方法有效地抑制了陀螺的随机误差。     

运动状态下MEMS IMU随机误差的Allan方差分析方法

在车载全球卫星导航系统（global navigation satellite system,GNSS）/微机械系统（micro-electro mechanical system,MEMS）惯性测量单元（inertial measurement unit,IMU）组合导航滤波解算时,通常使用MEMS厂商标定的加速度计和陀螺仪的随机模型参数（简称为标称参数）。这些标称参数由传感器厂商在静止状态或通过实验室转台设备来测定,是否适用于运动状态下的组合导航滤波解算并获得最优的定位精度,需要进一步研究和评估。本文提出了一种运动状态下MEMS IMU随机误差的Allan方差分析方法,将不同精度等级的IMU安装在同一车载平台上同步采集观测数据,用高精度IMU观测数据提取车辆运动信息,然后从低精度MEMS IMU观测数据中剔除车辆运动信息得到类似静止的观测数据,进行Allan方差分析,获得运动状态下的MEMS随机模型参数,并将其应用于GNSS/惯性导航系统（inertial navigation system,INS）组合导航解算。试验结果表明,采用运动状态下标定的随机模型参数,组合导航的定位精度优...     

基于卡尔曼滤波重建的GPS点位修正

由于单点定位的结果受卫星星历误差、卫星钟误差以及卫星信号传播过程中大气延迟误差的影响较为显著,因此解算出的定位结果在真值附近上下浮动。文中采用ARMA模型建立卡尔曼滤波的观测方程和状态方程,并对定位结果进行滤波;采用一次滤波后的坐标值作为初值,建立ARMA模型并二次滤波。实验表明,滤波有效防止了定位结果偏差过大情况的发生,使滤波收敛值与准确值最大偏差不超过3cm,表明采用一次滤波后的坐标值建立的模型更为合理,从而为单点定位结果的时间序列模型的建立提供一种新方法。     

基于旋转调制技术的自动陀螺寻北仪方案设计

旋转调制寻北技术是一种将陀螺仪安装在恒速旋转的转台上,进行数据采集,解算北向方位的寻北技术。它将陀螺仪的输出信号调制为正弦信号,能很好地抑制陀螺漂移,方便了采用各种滤波算法求解,且正弦信号的频率与转台转速成正比,有利于提高寻北速度。在原理介绍的基础上给出了一种自动化寻北仪样机的系统结构组成、功能状态以及电子部件组成设计等。并给出了样机实际的测量结果。     

基于异质多处理器的组合导航系统

本文在介绍异质多处理器特点和微机电系统（Micro—Electric Mechanical System,MEMS）技术的基础上,设计了基于异质多处理器的卫星／惯性组合导航系统,重点讨论了微惯性测量单元（Micro—Inertial Measurement Unit,MIMU）的数据采集和数据处理,为了满足MEMS陀螺仪输出信号带宽和动态要求在MIMU数据采集模块中提出用浮点放大器采集MEMS陀螺仪的输出信号。     

基于小波变换与ARMA模型的建筑物沉降预报

对建筑物进行沉降监测并预报其变化趋势,能有效保障建筑物的安全性。本文提出一种基于小波变换的ARMA模型用于建筑物沉降预报。利用小波多尺度分析将沉降监测数据分解为高频信号和低频信号,并分别采用ARMA模型进行预测,然后将各序列预测结果进行合成,得到最终预测结果。并以青岛市某高层建筑物监测数据为例,分别采用传统ARMA模型以及基于小波变换的ARMA模型进行预报对比分析,结果表明基于小波变换的ARMA模型取得了较高的预报精度。     

顾及有色噪声的光纤陀螺随机噪声自适应滤波方法

作为光纤陀螺误差的重要组成部分,随机噪声严重影响着光纤陀螺的精度,对光纤陀螺随机噪声进行准确建模和补偿是提升陀螺精度的有效方式。本文针对光纤陀螺随机噪声的复杂性,难以对其进行精确分析,ARIMA （auto-regressive moving average）模型Kalman滤波中有色噪声不能使用状态扩充法建模的问题,扩展了Harvey方程,实现有色噪声白化。同时,考虑先验噪声的不确定性以及模型参数在线更新导致的参数与状态噪声相互耦合,分析了动态Allan方差估计量测噪声的不足,使用VBAKF （variational Bayesian adaptive Kalman filter）实时修正滤波状态噪声与量测噪声。试验表明,Harvey法较传统滤波建模方式,随机噪声序列方差降低40%,Harvey法结合VBAKF使序列方差降低了54%;VBAKF较动态Allan方差,可以更好地估计量测噪声。结果表明,此方法可有效抑制随机噪声Kalman滤波中有色噪声和随机模型不准确的影响,提高随机误差补偿精度。     

一种新的车载低成本MEMS陀螺仪快速初始对准算法

车载导航系统常用惯性测量元件（IMU）与全球卫星导航系统（GNSS）技术组合以提高系统的稳定性。由于车载导航系统的应用场景限制,对初始对准速度有着较高要求。为了提高传统车载组合导航系统中低成本微机电系统（MEMS）陀螺仪的初始对准速度,降低初始对准过程中的计算量,本文提出了一种适用于任意失准角下的基于网络RTK辅助与无损Kalman滤波（UKF）的MEMS陀螺仪初始对准算法。同时针对车载系统的特点,简化了IMU系统误差方程,分析了简化带来的误差。在诺瓦泰ProPak6和诺瓦泰IMU-IGM-S1组成的导航系统中验证了本文提出的算法。试验结果表明,在以诺瓦泰双天线GNSS输出航向角为"真值"的情况下,本文提出的算法基本可以在5 s内完成陀螺仪的初始对准,对准精度达0.3°。     

地图匹配辅助的KF-PF室内定位算法模型

针对使用智能手机进行行人航迹推算（pedestrain dead reckoning,PDR）时航向角漂移,定位精度不高,误差累积的问题,提出了一种地图匹配辅助的卡尔曼滤波-粒子滤波（Kalman filter-particle filter,KF-PF）多重滤波算法对PDR算法进行优化。在传统PDR算法的基础上,使用KF融合陀螺仪数据和地图信息解算航向角,然后采用基于地图匹配的粒子滤波算法对轨迹结果进行处理。实验结果表明,该方法消除了航向角误差过大对定位结果的影响,在提高室内定位的灵活性的同时增强了定位的稳定性和精度,并通过地图匹配减少了传统粒子滤波采样点数,降低了运算量,使其在手机平台上实时运行成为可能。     

基于随机模型改正的有色状态噪声处理新方法

控制有色状态噪声影响除了通过状态向量扩展的方法外,也可以通过修正随机模型.提出采用多项式长除法将有色状态噪声模型展开成无穷级数,截断取其有限项,进而求取有色状态噪声方差.利用该方差对随机模型进行修正,再结合现代时间序列分析方法,构造出新的ARMA新息模型,并根据该新息模型设计状态最优滤波器.为了说明该方法的正确性和合理性,将它与标准的Kalman滤波和状态向量扩展法进行分析和比较.结果证明利用该方法能有效地控制有色状态噪声的影响.     

Attitude estimation based on fusion of gyroscopes and single antenna GPS for small UAVs under the influence of vibration

An attitude estimation method is presented for small unmanned aerial vehicles (UAVs) powered by a piston engine which is the major source of vibration. Vibration of the engine significantly degrades the accuracy of the inertial measurement unit, especially for low-cost sensors that are based on micro electro-mechanical system. Therefore, a vibration model for a small UAV is proposed in order to examine the influence of vibration on attitude estimation with different sensors. The model is derived based on spectrum analysis with short-time Fourier transform. The vibration is compared with the drift of the gyroscope in order to examine the impact on attitude estimation. An attitude estimation method that fuses the gyroscopes and single antenna global positioning system (GPS) is proposed to mitigate the influence of engine vibration and gyroscope drift. The quaternion-based extended Kalman filter is implemented to fuse the sensors. This filter fuses the angular rates measured by the gyroscopes and the pseudo-attitude derived from the GPS velocity to estimate the attitude of the UAV. Simulations and experiment results indicate that the proposed method performs well both in short-term and long-term accuracy even though the gyroscopes are affected by drift and vibration noise, while the pseudo-attitude contains severe noise.     

顾及有色噪声的卡尔曼滤波在多路径误差削弱中的应用

多路径误差为一时空环境效应,难以构建准确数学模型消除其影响,且该误差在基线两端不具有空间相关性,运用现有差分技术也无法很好消除,是高精度短基线测量中主要误差之一.为进一步削弱多路径误差,本文以监测站坐标时间序列中多路径误差为研究对象,根据多路径误差在历元间的时变特性,建立多路径误差状态空间模型,采用标准卡尔曼滤波和顾及有色噪声的卡尔曼滤波从监测站第一天双差固定解坐标残差序列中估计多路径误差改正序列,并根据多路径误差的周日重复特性,利用第一天得到的多路径误差改正序列对之后各天坐标序列进行改正.最后通过实验分析,得出顾及有色噪声的卡尔曼滤波估计方法优于标准卡尔曼滤波的结论.研究方法对提高GNSS定位精度具有重要实用价值.     

顾及模型误差的卡尔曼滤波相位解缠

本文提出一种顾及模型误差的卡尔曼滤波相位解缠算法,该算法在卡尔曼滤波的状态空间模型中引入一与误差因素有关的控制变量,对相位误差进行补偿,通过在解缠过程中将卡尔曼滤波增益限制在一定范围内,把误差阻遏在相当小的区域,最后对解缠相位进行卡尔曼滤波平滑操作,减少了误差的传播。分别采用仿真数据和真实InSAR数据进行实验,并与原卡尔曼滤波相位解缠结果进行对比分析,验证了本文方法的有效性。