面向小型旋翼无人机的低成本组合导航算法研究

发布时间：2017-10-19 05:45

  本文关键词：面向小型旋翼无人机的低成本组合导航算法研究

  更多相关文章： 旋翼无人机 组合导航系统 EKF GPS失锁 极限学习机

【摘要】：导航技术作为飞行控制的基础,对无人机的安全飞行起着至关重要的作用。基于惯性导航(Inertial Navigation System, INS)与全球定位系统(Global Positioning System, GPS)的组合导航系统能够综合利用各子系统的优势,提高组合系统的整体性能,但效果却在一定程度上依赖于GPS信息的准确性。而GPS信号在受到干扰时易产生异常测量值,甚至导致GPS信号完全失锁。因此,针对以上问题,研究如何在硬件成本、技术条件有限的前提下,提高导航系统的稳定性、可靠性具有重要的理论意义和应用价值。本文在借鉴前人工作的基础上,以某八旋翼无人机为对象,针对低成本组合导航算法展开研究,提出了面向低成本系统的分级式组合导航算法,同时对GPS信号异常甚至短时失锁的情况进行了研究。本文的主要研究工作和贡献归纳如下：(1)研究了惯性导航系统的信息(姿态、速度、位置)更新算法及误差传播模型,建立了INS/GPS组合导航系统的系统模型。(2)在全状态导航系统模型的基础上,针对低成本小型旋翼无人机提出了一种基于拓展卡尔曼滤波(Extended Kalman Filter, EKF)的分级式组合导航算法,将组合导航系统分解为姿态速度级和位置级,从而把一个高维的全状态滤波器分解为两个低维滤波器,在满足导航系统各项指标的基础上提高了导航解算的实时性。(3)在分级式组合导航的基础上,提出了一种鲁棒性位置估计算法,以解决异常观测信息对位置导航系统的干扰。实验证明该方法能够在GPS信号异常时,将位置精度控制在1米左右,提高了位置导航系统的稳定性,同时该方法可应用于不同的信息融合算法中,适用范围更广。(4)研究了径向基神经网络和极限学习机算法,将极限学习机算法引入导航系统,以解决GPS失锁时导航信息发散的问题。GPS可用时,利用实时导航信息根据飞行器运动状态训练不同的网络参数；GPS失锁时,选择合适的网络模型预测卡尔曼滤波的观测值,并对神经网络预测的异常观测值利用(3)中提出的方法进行处理,以进一步提高系统的稳定性。仿真结果表明,该算法与径向基神经网络辅助的导航信息融合算法相比训练时间短,误差积累速度慢,为GPS失锁时无人机的安全飞行提供了有力保障。
【关键词】：旋翼无人机 组合导航系统 EKF GPS失锁 极限学习机
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V279;V249.3
【目录】：

• 致谢5-7
• 摘要7-8
• Abstract8-12
• 第1章 绪论12-24
• 1.1 研究背景与选题意义12-15
• 1.1.1 无人机研究背景12-13
• 1.1.2 导航系统研究背景13-14
• 1.1.3 课题的研究目的与意义14-15
• 1.2 论文所涉技术及研究现状15-21
• 1.2.1 SINS/GPS组合导航系统15-18
• 1.2.2 组合导航信息融合方法研究现状18-21
• 1.3 低成本MEMS SINS/GPS组合导航系统的技术难点21
• 1.4 本文研究内容及章节安排21-24
• 1.4.1 本文研究内容22
• 1.4.2 本文章节安排22-24
• 第2章 SINS/GPS组合导航系统建模24-36
• 2.1 引言24
• 2.2 惯性导航系统24-30
• 2.2.1 导航系统常用参考坐标系24-25
• 2.2.2 姿态更新算法25-30
• 2.3 SINS/GPS组合导航系统模型30-35
• 2.3.1 组合导航系统的状态方程31-33
• 2.3.2 组合导航系统的观测方程33-35
• 2.3.3 系统方程的离散化35
• 2.4 本章小结35-36
• 第3章 针对GPS异常测量值的位置估计算法36-54
• 3.1 引言36-37
• 3.2 分级式SINS/GPS组合导航算法37-39
• 3.2.1 组合导航状态变量分解37-38
• 3.2.2 基于EKF的姿态/速度组合滤波38
• 3.2.3 基于EKF的位置滤波38-39
• 3.3 异常值对SINS/GPS导航系统的影响39-41
• 3.4 异常值检测方法41-42
• 3.5 异常值修正方法42-43
• 3.6 仿真与实验验证43-51
• 3.6.1 仿真实验与结果分析43-47
• 3.6.2 飞行试验与结果分析47-51
• 3.7 本章小结51-54
• 第4章 GPS暂时失锁情况下的数据融合算法54-80
• 4.1 引言54-55
• 4.2 极限学习机算法55-63
• 4.2.1 神经网络的一般结构56-57
• 4.2.2 单隐层前馈神经网络57-59
• 4.2.3 径向基函数神经网络59-62
• 4.2.4 极限学习机算法62-63
• 4.3 GPS失锁情况下的数据融合算法63-67
• 4.3.1 GPS失锁情况下的组合导航系统滤波器结构设计63-65
• 4.3.2 ELM结构设计65-67
• 4.3.3 ELM网络训练方法67
• 4.3.4 ELM网络预测方法67
• 4.4 仿真验证及结果分析67-79
• 4.4.1 仿真实验设计67-68
• 4.4.2 仿真结果68-79
• 4.5 本章小结79-80
• 第5章 总结与展望80-82
• 5.1 全文总结80-81
• 5.2 工作展望81-82
• 参考文献82-86
• 作者简介86
• 硕士学位期间主要的研究成果86

【参考文献】

中国期刊全文数据库 前10条

1 谭兴龙;王坚;赵长胜;;神经网络辅助的GPS/INS组合导航自适应UKF算法[J];测绘学报;2015年04期

2 程娇娇;熊智;许建新;华冰;;地磁辅助的无缝INS/GPS组合导航研究[J];航空计算技术;2014年06期

3 刘庆元;郝立良;黄书捷;朱山昱;;神经网络辅助的GPS/MEMS-INS组合导航算法[J];测绘科学技术学报;2014年04期

4 崔留争;高思远;贾宏光;储海荣;姜瑞凯;;神经网络辅助卡尔曼滤波在组合导航中的应用[J];光学精密工程;2014年05期

5 赵文杰;方舟;李平;;基于地磁场矢量误差反馈的姿态补偿算法[J];浙江大学学报(工学版);2014年09期

6 徐定杰;沈忱;沈锋;;时变有色观测噪声下基于变分贝叶斯学习的自适应卡尔曼滤波[J];电子与信息学报;2013年07期

7 李少华;金涛;;基于UKF的电力系统动态状态估计[J];重庆电力高等专科学校学报;2011年06期

8 周卫东;乔相伟;吉宇人;孟凡彬;;基于新息和残差的自适应UKF算法[J];宇航学报;2010年07期

9 陈全育;刘建安;;我国第三颗北斗导航卫星在西昌成功发射[J];中国航天;2010年02期

10 苏宛新;黄春梅;刘培伟;马明龙;;自适应Kalman滤波在SINS初始对准中的应用[J];中国惯性技术学报;2010年01期

中国博士学位论文全文数据库 前2条

1 曾祥萍;自适应组合RBF滤波器理论及其应用研究[D];西南交通大学;2013年

2 王立端;星载GNSS/INS超紧组合技术研究[D];上海交通大学;2010年

中国硕士学位论文全文数据库 前3条

1 张林;生物启发式图像分类算法研究[D];浙江大学;2015年

2 尧礼辉;广义逆矩阵计算及在矩阵方程中应用的研究[D];解放军信息工程大学;2008年

3 张文;低成本SINS/GPS组合导航系统的研究[D];南京理工大学;2006年

，

本文编号：1059387