现代导航算法与应用(1-3)第5章.pptVIP

第五章 现代导航理论与算法 5.1 随机过程的状态空间描述 5.2 卡尔曼滤波原理 5.3 滤波稳定性 5.4 组合导航技术 5.5 GPS/INS组合导航系统 经典导航方法 1、测量与电气参数对应的速度、方位、距离等几何参量 2、通过直接解代数或超越方程的方法来求得航行体的各种导航参数 经典导航算法虽然比较简单直接，但存在着诸多的弊端。 弊端： 现代导航算法 建立在最优估值理论基础上，可以很好的解决随机噪声和矛盾解的问题， 组合导航技术可以解决测量信息的共享、冗余测量及系统的可靠性问题。 在卡尔曼滤波算法出现之前，最优估值的算法实现计算量巨大，难于实时估计（如维纳滤波），只能事后处理，从而限制了其应用。 卡尔曼滤波算法的出现，采用迭代递推的形式，运算量较小，在实际工程中得到了广泛应用，尤其在导航方面，堪称导航史上的里程碑。 5.1 随机过程的状态空间描述 假如将随机过程(Y)看作系统的输出，高斯白噪声（w）为系统的输入，则必然存在能够描述该系统的一组变量，称之为状态变量（X）。 状态变量就可以看作是由高斯白噪声驱动的（白化滤波器），而该随机过程就可以由状态变量的线性组合来表示，即： 5.2 卡尔曼滤波原理 卡尔曼滤波是近代发展起来的一种数据处理方法。 在通信、控制和其他领域，凡是需要从被噪声污染的信号中提取信息的都可以应用卡尔曼滤波进行处理。 如航天轨道确定、飞行器状态估计，导弹制导及雷达目标的跟踪等等 卡尔曼滤波是线性最优递推估计 本质是利用投影原理和新息定理对信号或者系统状态进行递推估计。 卡尔曼滤波具有两种功能： 方程的解算 噪声的抑制、衰减。 5.2.1 经典卡尔曼滤波理论 根据状态向量和量测向量在时间上对应关系不同，可以把状态估计问题分为三类： 平滑问题、 滤波问题 预测问题。 对于导航问题而言，要求对运载体的状态(例如位置、速度、姿态等)进行实时估计，因此主要涉及的是滤波问题。 最优准则 任何的最优估值都不是绝对的，都是指在某种条件下的最优。 用来评价估值性能的条件就是评价准则。 在系统噪声和量测噪声都存在的情况下，利用观测数据在最小方差意义下对系统状态进行最优估计，其物理意义比较清楚，也便于实现， 即采用最小方差估计准则来评价估值是否最优。 最小方差准则 所谓最小方差是指使被估计参量的估计误差的均方（统计平均）达到最小，数学表达如下： 上式表明，最小方差估计的均方误差小于等于其他估计方法的均方误差。 最小方差估计的无偏性 即它的估计误差的均值为零： 卡尔曼滤波实现最优估计的前提 5.2.1.1 连续系统离散化 由于卡尔曼滤波一般是用计算机来实现的，故常采用线性离散卡尔曼滤波。 而现实工程中的系统一般是连续系统，其数学模型通常用连续状态方程描述。因此就有一个连续系统离散化的问题 对于一个连续时间系统，通常可用状态方程和观测方程来描述 状态方程解及离散化 离散化模型 5.2.1.2 最优估计方法推导 如果状态方程能够准确描述系统的运动规律，并且没有随机扰动，仅仅通过外推方程： 即可准确得到下一时刻状态； 但是由于模型误差和随机扰动的存在，使得预测值与真值之间存在误差。 另外，如果假设无测量噪声，并且观测矩阵列满秩，那么仅由观测方程就可以准确的得到该时刻的状态值： 然而，在实际工程中由于测量噪声的存在使得以上成为不可能。 状态观测器 通常，对于无测量噪声的确定输入的确定性系统，如果是系统状态是可观测的，便可以通过构造一个状态观测器来观测系统的状态。 状态观测器是一个以原系统输出为输入的线性系统，其阶数与原系统相等。 基于上述想法，对于随机系统也可以构造一个以观测序列为输入的线性结构系统，用以估计系统状态。 第一个方程组是观测量中所包含的状态规律； 第二个方程组描述了实际中预测的状态和测量估计，以及最优估计方程。 在滤波方程中，含有两个待确定的未知量，下面我们就从最小方差准则出发，来推导滤波方程。 一、 的确定 需要注意的一点是，只有保证初值估计无偏，就能够做到由上述滤波公式得到的最优估值为无偏估值。 将上述矩阵带入，则： 更新的估计结构 我们从另外一个角度对上述的滤波公式进行阐释。 可见， 恰好反映了状态估计的误差，因此作为对预测值的修正因子是合理的，称作测量残差或新息。 假设没有测量噪声，可直接进行修正： 若 ，可以得到准确的状态值。 可以看到 由于测量噪声的存在，进行修正之后也不可能得到状态的真实值， 由于观测噪声的时间平均值和集平均值皆为零，因此仍然可以作为修正依据， 根据最小均方误差准则选取恰当的加权修正矩阵K，称为增益矩阵，获得最优最大限度的接近真值 。 预测的无偏性 二、增益矩阵K的确定 可以证明