多旋翼无人机的姿态与导航信息融合算法研究

发布时间：2017-10-28 12:20

  本文关键词：多旋翼无人机的姿态与导航信息融合算法研究

  更多相关文章： 多旋翼无人机 组合导航 信息融合 Kalman滤波 自适应滤波

【摘要】：多旋翼无人机已被广泛应用于军事与民用领域。导航系统是多旋翼无人机的重要组成部分,是其实现安全与稳定飞行的基础。采用INS/GPS组合导航系统可实现高精度导航,该组合导航系统具有优势互补、导航机构冗余的特点,其实质是一个多传感器导航信息优化处理系统。无人机的主要导航参数就是依靠多传感器信息融合获得的,因此信息融合技术是组合导航系统的关键技术,目前已成为国内外学者研究的热点问题。本文以课题组自行研制的全新结构多旋翼小型无人机为研究平台,展开对机载多传感器组合导航系统信息融合这一关键技术的研究。论文包括以下几个方面:(1)研究了多旋翼无人机各机载传感器的测量应用特性,重点研究了陀螺仪的噪声源种类及误差消除方法。在此基础之上,确定了基于姿态、位置、速度的多级式信息融合结构,它是基于信息融合的层次化结构设计,可明显减少导航系统的计算量,提高系统的机动性能。多级式融合结构的每一级可采用不同的融合算法,本文着重介绍了在多传感器组合导航系统中应用最成功、最广泛的Kalman滤波算法。(2)根据各传感器的测量特性分析,展开基于各传感器的导航信息解算算法研究。采用当地地理导航坐标系进行机械编排,并根据无人机实际飞行特点做出相应简化。在此基础上,研究了陀螺仪的姿态解算、加速度计与磁力计的姿态解算、加速度计的位置与速度解算、GPS的位置与速度解算。为信息融合的模型建立和算法研究奠定基础。(3)采用陀螺仪与加速度计、磁力计进行第一级姿态信息融合,该级融合算法采用Kalman滤波算法。建立姿态融合系统的非线性离散时间状态空间模型,采用扩展Kalman滤波解决了模型线性化问题。提出了一种改进的Sage-Husa自适应扩展Kalman滤波算法,该算法采用陀螺仪动态解算的姿态角方差来估计系统噪声方差,使用自适应滤波算法在线实时估计量测噪声方差,这样可以保证滤波的精度与稳定性,该算法同时引入了滤波器收敛性判据,并结合强跟踪Kalman滤波算法有效的抑制了滤波发散问题。(4)采用加速度计与GPS进行第二级水平方向位置、速度信息融合,采用改进的Kalman滤波算法,建立了线性离散时间状态空间模型,在模型中将加速度信息作为状态方程的输入控制量,从而间接预测位置与速度信息,这有利于提高信息融合的精度。引入气压高度计与加速度计、GPS组合实现第三级垂直方向高度、速度信息融合,根据联邦滤波器设计思路确定了二次融合结构,分别采用了改进的Kalman滤波算法和加权最小二乘估计算法,在第二次融合之前,还增加了GPS故障诊断环节,增强了信息融合系统的容错能力。在论文的最后,总结了全文的工作情况,并对今后的工作进行了展望。
【关键词】：多旋翼无人机 组合导航 信息融合 Kalman滤波 自适应滤波
【学位授予单位】：中国科学院研究生院(长春光学精密机械与物理研究所)
【学位级别】：博士
【学位授予年份】：2015
【分类号】：V279;V249
【目录】：

• 摘要4-6
• Abstract6-9
• 目录9-13
• 第1章 绪论13-29
• 1.1 课题研究背景及意义13-18
• 1.1.1 研究背景及意义13-15
• 1.1.2 课题研究对象与实验平台15-18
• 1.2 INS/GPS组合导航系统的发展现状18-22
• 1.2.1 组合导航系统概述18-19
• 1.2.2 GPS导航系统发展现状19
• 1.2.3 惯性导航系统发展现状19-21
• 1.2.4 INS/GPS组合结构及发展趋势21-22
• 1.3 信息融合技术在无人机组合导航中的应用研究22-26
• 1.3.1 信息融合技术概述22-23
• 1.3.2 多传感器信息融合技术研究概况及发展23-24
• 1.3.3 多传感器信息融合算法概况与发展24-26
• 1.4 论文研究目的及研究内容26-29
• 1.4.1 论文研究目的26
• 1.4.2 论文研究内容26-29
• 第2章 组合导航系统传感器测量特性分析29-53
• 2.1 前言29
• 2.2 坐标系的定义与选择29-32
• 2.2.1 参考坐标系29-31
• 2.2.2 WGS-84 坐标系统与参考椭球体31-32
• 2.3 应用于无人机导航系统的传感器测量特性分析32-42
• 2.3.1 陀螺仪测量特性分析33-37
• 2.3.2 加速度计测量特性分析37
• 2.3.3 磁力计测量特性分析37-38
• 2.3.4 气压高度计测量特性分析38-39
• 2.3.5 GPS测量特性分析39-41
• 2.3.6 传感器测量特性小结41-42
• 2.4 多旋翼无人机导航信息融合结构方案设计42-44
• 2.4.1 多传感器信息融合系统的结构模型42-43
• 2.4.2 多旋翼无人机导航信息融合结构设计43-44
• 2.5 应用于无人机组合导航的信息融合算法44-50
• 2.5.1 基于Kalman滤波的信息融合44-47
• 2.5.2 扩展Kalman滤波(Extended Kalman Filter, EKF)47-48
• 2.5.3 加权最小二乘估计算法48-49
• 2.5.4 序贯处理与分散式滤波49-50
• 2.6 本章小结50-53
• 第3章 基于各传感器的导航信息解算方法53-73
• 3.1 前言53
• 3.2 基于陀螺仪的姿态更新算法53-62
• 3.2.1 欧拉角法解算姿态角55-56
• 3.2.2 四元数法解算姿态角56-59
• 3.2.3 基于陀螺仪的姿态解算算法对比实验与分析59-62
• 3.3 基于加速度计与磁力计的姿态解算62-65
• 3.3.1 基于加速度计与磁力计的姿态解算方法62-64
• 3.3.2 实验结果与分析64-65
• 3.4 基于加速度计的位置、速度解算65-70
• 3.4.1 无人机捷联系统的机械编排65-68
• 3.4.2 基于加速度计的位置、速度解算68-69
• 3.4.3 实验结果与分析69-70
• 3.5 基于GPS的位置解算70-71
• 3.6 本章小结71-73
• 第4章 多旋翼无人机姿态角信息融合算法73-97
• 4.1 前言73-74
• 4.2 姿态角信息融合结构的设计74
• 4.3 非线性姿态角信息融合系统建模74-77
• 4.3.1 非线性离散时间状态方程75-76
• 4.3.2 非线性离散时间量测方程76-77
• 4.4 姿态角信息融合算法的设计77-86
• 4.4.1 Sage-Husa自适应Kalman滤波(SHAKF)算法分析77-80
• 4.4.2 抑制滤波发散算法——强跟踪Kalman滤波80-83
• 4.4.3 改进的Sage-Husa自适应扩展Kalman滤波(SHAEKF)算法设计83-86
• 4.5 姿态角信息融合算法飞行实验与分析86-94
• 4.5.1 惯性导航系统的初始对准86-87
• 4.5.2 实验条件及算法有效性评估方法87-89
• 4.5.3 实验结果与分析89-94
• 4.5.4 实验结论94
• 4.6 本章小结94-97
• 第5章 多旋翼无人机位置、速度信息融合算法97-117
• 5.1 前言97
• 5.2 水平方向位置、速度信息融合算法97-103
• 5.2.1 水平方向位置、速度信息融合结构设计97-98
• 5.2.2 水平方向位置、速度信息融合系统建模98-100
• 5.2.3 水平方向位置、速度信息融合算法的设计100-103
• 5.3 垂直高度、速度信息融合算法103-110
• 5.3.1 垂直高度、速度信息融合结构设计103-104
• 5.3.2 垂直高度、速度信息融合系统建模104-106
• 5.3.3 垂直高度、速度信息融合算法的设计106-110
• 5.4 位置、速度信息融合算法飞行实验与分析110-114
• 5.4.1 水平位置、速度信息融合算法飞行实验与分析110-112
• 5.4.2 垂直高度、速度信息融合算法飞行实验与分析112-114
• 5.5 本章小结114-117
• 第6章 总结与展望117-121
• 6.1 论文工作总结117-119
• 6.2 后续工作展望119-121
• 参考文献121-131
• 在学期间学术成果情况131-133
• 指导教师及作者简介133-135
• 致谢135-136

【相似文献】

中国期刊全文数据库 前10条

1 曹义华;旋翼涡尾流与下洗流场的计算方法[J];北京航空航天大学学报;2000年02期

2 李新民;刘正江;;在旋翼试验中实现同方位采集数据的方法[J];直升机技术;2002年02期

3 陈维芹,徐国华,梅卫胜;悬停状态直升机剪刀式旋翼的试验研究[J];流体力学实验与测量;2002年01期

4 高亚东,张曾，

本文编号：1108218