简谈无人机组合导航系统的自适应滤波研究.docVIP

简谈无人机组合导航系统的自适应滤波研究 　　1引言 　　无人机作为一种现代研究热点的飞行器，具有体积小、重量轻、造价低廉、用途广泛、不依赖机场、不受人的生理条件限制、及空勤保障简单等特点，随着其在民用、军用领域的应用范围越来越广，对其导航系统精度也提出了更高的要求。 　　考虑到无人机的成本低与体积小，本文研究采用微机械的惯性测量器件(陀螺、加速度计)和GPS作为导航方式，研究设计其高精度组合导航算法。MEMS-SINS具有体积小功耗少、成本低的优点，但其精度和稳定性还比较低，导航误差随时间快速增长。因此通常采用MEMS-SINS和GPS组合进行导航，以提高导航定位结果的精度和可靠性。 　　由于MEMS-SINS对温度比较敏感，其性能随温度急剧变化，陀螺漂移和加速度计零偏的统计特性难以精确描述，同时也容易将偏差较大的量测作为系统输入，可能带来滤波的发散。并且无人机在飞行过程中可能面临着组合导航系统噪声和量测噪声统计特性的不确定问题，采用常规卡尔曼滤波导航精度很难得到满足。为了解决此问题，通常采用自适应滤波技术，在进行滤波的同时，利用观测值带来的信息在线调整模型参数、噪声特性以改善滤波的精度，得到状态的最优估计。Sage-Husa等人提出了一种在线实时估计系统及测量噪声的算法，该算法已经在许多领域得到应用，不过该算法在实际应用中仍存在问题:一是系统噪声和测量噪声难以同时精确给出;二是对于高阶状态阵仍会出现滤波发散。因此本文设计了一种基于极大似然准则的自适应卡尔曼滤波算法，利用滤波残差的均值和方差不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正，通过同时对系统噪声和量测噪声的在线估计，从而提高滤波器对模型不确定性和噪声变化的适应能力和鲁棒性。 　　2组合导航系统的数学模型 　　位置信息综合是采用卡尔曼滤波器的一种综合模式，在此选用反馈校正的方式，其原理框图如图1所示。 　　如图1所示，用MEMS-SINS和GPS输出的位置信息的差值作为量测值，经自适应卡尔曼滤波器估计出MEMS-SINS系统的误差，然后对MEMS-SINS系统误差进行校正，即可得到位置、高度、姿态等参数的组合导航系统量测值。 　　组合系统状态向量选取: 　　X=XSINS=[phi;ndelta;vndelta;pnepsilon;b%b] 　　其中: 　　phi;n=[phi;Ephi;Nphi;U]T分别为俯仰、横滚和航向误差角;delta;vn=[delta;vEdelta;vNdelta;vU]T分别为东向、北向和天向速度误差;delta;pn=[delta;Ldelta;lambda;delta;h]T分别为纬度、经度和高度误差;epsilon;b=[exeyez]T为三轴陀螺随机常值漂移;Delta;b=[Delta;xDelta;yI3times;303times;303times;3] 　　由状态方程与量测方程可知，状态方程中包含有陀螺随机常值漂移与加速度计随机常值零偏，同时量测方程中GPS的位置信息也属于一阶马尔科夫随机噪声，如果采用常规卡尔曼滤波无法实时调整和控制系统和量测噪声方差阵Qk、Rk，因此使得滤波结果不稳定，甚至发散，所以必须采用自适应滤波算法对Qk、Rk进行估计和调整以提高滤波的精度和稳定性。 　　3自适应卡尔曼滤波算法 　　采用MEMS-SINS/GPS组合导航系统虽然定位精度和稳定性得到了提高，但是由于MEMS-SINS的输出结果波动性大，容易因为外界环境的变化而精度下降，同时GPS信号也会受到影响，导致滤波结果严重变差。而常规卡尔曼滤波虽然能对系统误差进行最优估计，但是并不能自适应外部环境而导致的滤波状态和量测参数的改变，因此仍存在滤波发散的问题。而自适应滤波就是利用前一时刻已获得的滤波器参数等结果，自动调节现时刻的滤波器参数，以适应信号和噪声未知或随时间变化的统计特性，并且不要求知道信号和噪声的统计特性，从而实现最优滤波。 　　3.1自适应卡尔曼滤波基本理论 　　卡尔曼滤波算法是建立在对系统的准确建模和对系统噪声、观测噪声准确统计的基础上，通过一组递推方程利用当前时刻的观测量和过去时刻的状态估计值推算出当前时刻的状态估计值。该线性离散系统的方程为: 　　Xk=Phi;k，k-1Xk-1+Gamma;k，k-1Wk-1 　　Zk=HkXk+Vk(1) 　　式中Xk是系统的n维状态向量，Zk是系统的m维观测序列，Wk是p维系统过程噪声序列，Vk是m维系统观测噪声序列，Phi;k，k　而若要获得较好的系统误差状态估计，其前提条件是系统动态模型准确且噪声统计特性为高斯白噪声。另外，为了保证估计结果的无偏性和滤波稳定性，就必须选取合适的滤波初值及其方