基于IMU与北斗系统联合解算的无人机姿态估计系统的制作方法
本发明涉及飞行器姿态测量,具体涉及一种基于imu与北斗系统联合解算的无人机姿态估计系统。
背景技术:
1、随着无人机在复杂环境下自主飞行任务的日益增多,对姿态估计系统在卫星信号干扰下的精度与鲁棒性提出了更高要求。
2、现有技术通常基于固定的观测噪声构建扩展卡尔曼滤波(ekf)框架进行导航,具体地:将imu高频测量的惯性测量数据作为系统状态递推依据,并将北斗卫星观测数据作为观测值进行周期校正,从而实现无人机的姿态估计。然而,由于飞行环境的动态变化,固定的观测噪声,无法随飞行中卫星信号质量波动及飞行状态变化进行自适应调整,导致滤波融合权重失配,姿态估计精度下降;同时在飞行状态剧烈变化时,惯性测量数据的波动性和不确定性显著增加;而北斗系统更新频率低,难以及时捕捉飞行状态的快速变化,进一步加剧了滤波器对动态环境的响应滞后,使得无人机姿态估计的可信度下降。
技术实现思路
1、为了解决现有技术通常基于固定的观测噪声构建扩展卡尔曼滤波框架进行导航,难以捕捉飞行状态的变化,导致无人机姿态估计的可信度下降的技术问题,本发明的目的在于提供一种基于imu与北斗系统联合解算的无人机姿态估计系统,所采用的技术方案具体如下:
2、本发明提出一种基于imu与北斗系统联合解算的无人机姿态估计系统,所述系统包括:
3、数据获取模块,用于获取北斗卫星观测数据中每个运行时刻的信号质量,以及imu的惯性测量数据;
4、协方差分析模块,用于基于所述惯性测量数据的邻域分布情况,确定每个运行时刻的干扰强度;结合所述信号质量和干扰强度进行融合分析,确定每个运行时刻的初始噪声协方差;基于所述初始噪声协方差,对所述北斗卫星观测数据进行滤波分析,确定每个运行时刻的新息值;
5、调节分析模块,用于根据所述新息值的邻域相对离散程度,确定每个运行时刻的微调因子;基于所述信号质量和所述干扰强度,对每个运行时刻与其所有历史运行时刻进行相似性分析,确定每个运行时刻所有的参考运行时刻;对所有参考运行时刻的微调因子进行加权融合,确定每个运行时刻的真实调节因子;
6、姿态校正模块,用于基于所述真实调节因子对初始噪声协方差进行校正,确定每个运行时刻的目标观测噪声协方差;基于所述目标观测噪声协方差执行滤波分析,估计每个运行时刻的无人机姿态。
7、进一步地,所述信号质量的获取方法包括:
8、获取北斗卫星观测数据中每个运行时刻的信噪比和位置精度因子;
9、根据所述信噪比和位置精度因子,获取每个运行时刻的信号质量;所述信号质量与所述信噪比呈正相关,与所述位置精度因子呈负相关。
10、进一步地,所述干扰强度的获取方法包括:
11、获取imu的惯性测量数据中每个运行时刻下每个惯性指标的指标值;
12、在每个运行时刻的预设时间窗口内,对各个惯性指标的指标值的离散程度进行融合分析,确定每个运行时刻下的干扰强度。
13、进一步地,所述新息值的获取方法包括:
14、获取北斗卫星观测数据中每个运行时刻的伪距观测值;
15、将每个运行时刻的伪距观测值输入扩展卡尔曼滤波器,并将所述初始噪声协方差作为所述扩展卡尔曼滤波器的控制参数,执行量测更新,输出每个运行时刻的伪距预测值;
16、根据所述伪距观测值与所述伪距预测值之间的偏差,确定每个运行时刻的新息值。
17、进一步地,所述微调因子的获取方法包括:
18、获取每个运行时刻的预设时间窗口内信号质量的变异系数;
19、根据每个运行时刻的预设时间窗口内新息值的离散程度,确定每个运行时刻的离散特征值;基于所述变异系数和所述离散特征值,确定每个运行时刻的加权新息方差;所述加权新息方差与所述离散特征值呈正相关,与所述变异系数呈负相关;
20、将每个运行时刻对应预设时间窗口内的所有运行时刻,作为样本时刻;将变异系数最小值所对应的样本时刻的离散特征值,作为每个运行时刻的基准新息方差;根据任意两个样本时刻的加权新息方差之间的差异的集中趋势,确定每个运行时刻的平均离散度;
21、基于所述基准新息方差和所述平均离散度,确定每个运行时刻的微调因子;所述微调因子与所述基准新息方差呈正相关,与所述平均离散度呈负相关。
22、进一步地,所述参考运行时刻的获取方法包括:
23、基于所述信号质量和所述干扰强度,为每个运行时刻构建特征向量;根据每个运行时刻的特征向量与每个历史运行时刻的特征向量之间的相似性,确定每个历史运行时刻的相似度;基于所述相似度进行阈值筛选,确定每个运行时刻所有的参考运行时刻。
24、进一步地,所述真实调节因子的获取方法包括:
25、以每个参考运行时刻的相似度为权重,对所有参考运行时刻的微调因子进行加权求和,确定每个运行时刻的真实调节因子。
26、进一步地,所述目标观测噪声协方差的获取方法包括:
27、将所述真实调节因子与所述初始噪声协方差之间的乘积,作为每个运行时刻的目标观测噪声协方差。
28、进一步地,所述初始噪声协方差为信号质量的负相关映射值、干扰强度和预设基准噪声方差之间的乘积。
29、进一步地,所述平均离散度的获取方法包括:
30、将任意两个样本时刻作为一个样本时刻对,计算每个样本时刻对中两个样本时刻之间的加权新息方差的绝对差值,作为该样本时刻对的相对差异值;将所有样本时刻对中相对差异值的均值,作为每个运行时刻的平均离散度。
31、本发明具有如下有益效果:
32、本发明通过确定每个运行时刻的干扰强度,并结合北斗卫星观测数据的信号质量进行融合分析,确定每个运行时刻的初始噪声协方差,使扩展卡尔曼滤波的初始噪声协方差能够随北斗信号质量波动和imu数据变化实时调整,克服了现有技术中固定观测噪声协方差无法适应环境变化的缺陷;通过对所有参考运行时刻的微调因子进行加权融合,确定每个运行时刻的真实调节因子,引入历史相似时刻的滤波经验对当前滤波参数进行预测性校正,克服了新息统计分析存在的滞后问题,使姿态估计能够及时响应环境和飞行状态的实时变化;最后通过计算校正后的目标观测噪声协方差,并进行滤波分析,估计每个运行时刻的无人机姿态,有效解决了滤波器对动态环境的响应滞后问题,提升了姿态估计的动态响应能力和可信度。
1.一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述系统包括:
2.根据权利要求1所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述信号质量的获取方法包括:
3.根据权利要求1所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述干扰强度的获取方法包括:
4.根据权利要求1所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述新息值的获取方法包括:
5.根据权利要求3所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述微调因子的获取方法包括:
6.根据权利要求1所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述参考运行时刻的获取方法包括:
7.根据权利要求6所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述真实调节因子的获取方法包括:
8.根据权利要求1所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述目标观测噪声协方差的获取方法包括:
9.根据权利要求1所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述初始噪声协方差为信号质量的负相关映射值、干扰强度和预设基准噪声方差之间的乘积。
10.根据权利要求5所述的一种基于imu与北斗系统联合解算的无人机姿态估计系统,其特征在于,所述平均离散度的获取方法包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com