试论扩展 H∞滤波的SINS-AMM 机载组合导航技术.docVIP

试论扩展 H∞滤波的SINS/AMM 机载组合导航技术 　　引言 　　捷联惯导系统(strapdown inertial navigationsystem, SINS)与全球定位系统(global positioningsystem, GPS)的惯性/卫星组合导航是目前最主要的机载导航系统。SINS 输出的导航参数与GPS 信号融合后，实时补偿SINS 的累积误差，可以实现高精度的导航。但GPS 信号在某些情况下不稳定，如GPS 在上电的初始阶段，由于无法立即搜索到足够数量的卫星，组合系统无法完成精确的数据融合;在有较大较多障碍物的环境下，GPS 会因遮蔽而无法使用;另外，GPS也会受到自然界或人为的电磁干扰等。 　　飞机运动模型(aircraft motion model, AMM)基于速度、角速度和姿态微分方程，利用已知的飞机油门、舵机等控制输入量和初始运动状态，可实时推算出机体的姿态、速度和位置。在机载导航中，SINS/AMM 的组合可以在某种程度上替代SINS/GPS 组合导航，且无需增加外部传感器，具有低成本、自主性强的优点。M. Koifman最早于1999 年提出了利用飞机运动模型辅助低精度惯导系统的方法，利用扩展卡尔曼滤波(extended Kalman filter, EKF)仿真验证其可行性，并分析了飞行机动特性、气动参数的不准确性对导航精度的影响;将飞机运动模型和惯导系统的组合运用到直升飞机的导航中，通过仿真和飞行实验，验证了该组合方案可以达到较好的导航精度;载体运动模型和惯导系统组合的方法还成功地运用到车载导航、潜艇导航以及炮弹制导中。以上研究均采用EKF 来进行数据融合，但EKF 无法解决由于载体运动模型和噪声的不确定性所致导航误差的问题，且EKF 自身也包含一定的线性化误差。 　　本文以某小型固定翼无人机为研究对象，设计了中、低精度捷联惯导系统SINS 与飞机运动模型AMM 的组合导航方案。针对SINS/AMM组合导航中系统方程、量测方程以及噪声的不确定性问题，设计了鲁棒性更强的扩展Hinfin;滤波(extended Hinfin; filter, EHF) 算法。仿真实验结果表明，与扩展卡尔曼滤波EKF 算法相比较，EHF可以达到更高的导航精度。 　　1 SINS/AMM 组合导航系统的建立 　　AMM 及线性化误差模型 　　飞机运动模型AMM 包括动力学模型和运动学模型。飞机动力学模型以速度、角速度微分方程的形式描述了飞机在外力和外力矩作用下的运动规律;而飞机运动学模型则通过姿态、位置微分方程来描述机体绕质心的转动和质心的位移。 　　2 扩展Hinfin;滤波器的设计 　　由SINS/AMM 组合导航系统建立过程可以看出，系统状态方程、观测方程以及系统噪声和观测噪声均存在一定的不确定性。飞机初始气动系数分析误差以及飞行条件和飞行环境的变化，使得气动系数C HDF ;而观测方程矩阵H 由于近似计算会产生不确定性D存在一定的不准确性和时变性，导致系统状态方程的不确定性 ;系统和观测噪声同样存在统计特性的不确定性，但均可视为能量有界噪声。针对系统和噪声的不确定性，本文采用鲁棒性更强的扩展Hinfin;滤波EHF 算法实现信息的融合。 　　3 仿真验证与分析 　　本文仿真包含3 个模块： 　　(1)飞机运动模型AMM 的仿真。选取某型号的小型螺旋桨式固定翼无人机，其结构参数、气动参数以及螺旋桨参数标称值可以较精确获得，飞机飞行轨迹设定为定高定直线无侧滑匀速飞行。飞行初始状态量、螺旋桨转速、舵机的输入量可经过配平得到，利用飞行的初始状态、结构和气动参数以及AMM 可以逐步解算出飞机的各项运动参数。仿真中忽略风速的影响。 　　(2)机载捷联惯导系统SINS 的仿真。取中等精度的惯性测量单元，设定陀螺的常值漂移为1(deg;)/h，随机噪声为0.5(deg;)/h;加速度计的常值偏置为0.1mg，随机噪声为0.05mg。不考虑惯导解算初始误差。 　　(3)EKF、EHF 滤波器的仿真。 　　4 结论 i　　本文主要研究了飞机运动模型AMM 与中、低精度的捷联惯导系统SINS 的组合导航技术。针对SINS/AMM 在融合过程中系统方程、观测方程和噪声统计特性的不确定性，提出了基于极小极大准则的扩展Hinfin;滤波组合导航系统信息融合方法，可以在卫星信号不稳定的情况下，实现低成本、自主性强的组合导航。仿真结果表明，与EKF 滤波算法相比，EHF 具有更好的鲁棒性，并且可提高35%左右的导航精度。在后续的研究中，需要根据不同的飞行环境、飞行机动条件，针对飞机气动系数的不确定性问题，开展相应的补偿技术研究，从而进一步提高SINS/AMM 的导航精度。