农机INS/GNSS组合导航系统航向信息融合方法
发布时间：2021-06-10 22:29
为解决农机自动导航系统在田间作业过程中因防风树林等对卫星信号产生遮挡与干扰,导致其难以准确获取航向信息等问题,采用惯性导航系统（INS）和全球导航卫星系统（GNSS）航向信息融合方法进行了试验与研究,结合自适应卡尔曼滤波算法构建了综合滤波模型,提出了一种以GNSS信号品质与航向角变化幅度信息为指导的INS/GNSS航向信息融合策略,通过仿真试验以及实际应用测试对航向信息融合效果进行了验证。试验结果表明:以双天线GNSS航向角测量值作为参考基准,在直线行驶过程中,融合航向数据的平均绝对误差为-0.02°,标准差为0.50°;在转向行驶过程中,融合航向数据的平均绝对误差为0.62°,标准差为2.42°;融合后的航向输出结果明显提升了单独使用INS或GNSS时航向数据的精度,且在滤除GNSS航向角测量噪声的同时提高了GNSS航向角解算值的更新速率。该航向角融合算法能够增强农业机械自动导航系统航向角测定的准确性,可为导航系统实际田间作业情况下的抗环境扰动能力提供服务。
【文章来源】：农业机械学报. 2015,46(S1)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
INS/GNSS组合导航系统融合算法结构框图
开始增加，至115°后保持不变;单天线GNSS量测噪声VG均值为0，方差为2°;系统驱动噪声WG为高斯白噪声，方差为0.01°;转移矩阵?G=1，量测矩阵HG=1，估计误差方差阵PG1=1，XG1=90°。另外，自适应卡尔曼滤波算法中，α0=3，ρ=2，λk由计算确定。该仿真试验时长600s，采样时间为1s，为了对比标准卡尔曼滤波与本文自适应卡尔曼滤波之间的差异，分别采用2种方法同时对单天线GNSS仿真航向角测量值进行滤波，仿真试验共进行30组，每组数据之间差异较小，说明算法具有较高稳定性，其中1组如图2所示。图2自适应卡尔曼滤波算法仿真结果Fig．2SimulationresultsofadaptiveKalmanfilteralgorithm仿真试验结果表明:2种滤波算法对于单天线GNSS航向角测量值中稳态随机干扰信号的滤波效果都较为理想，然而当100s左右航向发生突变时，标准卡尔曼滤波则出现了较大的估计误差，同样情况下自适应卡尔曼滤波则具有较强的突变信号跟踪能力，能根据航向数据的变化幅度自适应调整λk大小，使滤波器在面对较大航向变化幅度时也能保证较高的精度。2.2INS/GNSS航向信息融合效果试验对INS/GNSS航向信息融合算法进行了实际应用测试，试验在北京市昌平区小王庄农机试验基地进行。补偿卡尔曼滤波器的初始状态为:取航向角估计误差δ?=0;随机常数εb=0.1(°)/s;系统噪声ωε与ωM的方差均为0.01(°)/s;时间常数τG=τM=1s。单天线GNSS航向数据更新率为20Hz，INS航向数据更新率为100Hz。令拖拉机以6.4km/h的速度从A点至B点按照图3轨迹行驶，并同时采集航向数据。图3拖拉机行驶轨迹Fig．3Drivingtrajectoryoftractor为了能够更加深入分析航向信息融合算法的实际应用效果，将INS/GNSS组合导航系?
鸥??能力，能根据航向数据的变化幅度自适应调整λk大小，使滤波器在面对较大航向变化幅度时也能保证较高的精度。2.2INS/GNSS航向信息融合效果试验对INS/GNSS航向信息融合算法进行了实际应用测试，试验在北京市昌平区小王庄农机试验基地进行。补偿卡尔曼滤波器的初始状态为:取航向角估计误差δ?=0;随机常数εb=0.1(°)/s;系统噪声ωε与ωM的方差均为0.01(°)/s;时间常数τG=τM=1s。单天线GNSS航向数据更新率为20Hz，INS航向数据更新率为100Hz。令拖拉机以6.4km/h的速度从A点至B点按照图3轨迹行驶，并同时采集航向数据。图3拖拉机行驶轨迹Fig．3Drivingtrajectoryoftractor为了能够更加深入分析航向信息融合算法的实际应用效果，将INS/GNSS组合导航系统的实际航向角测量输出分为4部分:①双天线GNSS航向角，将GNSS的2个天线分别安装于拖拉机的车头和车尾，且处于同一水平线上，使基线长2m，双天线联合对航向进行测量，为融合后的航向数据提供参考基准，精度可达0.09°。②GNSS航向角测量值，由单天线GNSS直接输出的航向角测量值。③GNSS航向角解算值，位移阈值为2m时GNSS通过位置信息解算出的航向数据。④INS航向角，由三维运动姿态测量模块综合求解出的航向信息。此外，在该试验中，GNSS的航向数据都是建立在已将WGS-84坐标系投影到大地坐标系下进行输出的［19］。令融合后的航向数据与以上4部分航向数据相互对比，从而判断航向信息融合算法的正确性。该试验共进行了200s的航向数据采集，在直线行驶阶段采用GNSS航向角解算值进行融合计算，转向行驶阶段则采用GNSS航向角测量值进行融合，为了清增刊张京等:农机INS/GNSS组合导航系统航向信息融合方法5
本文编号：3223225
【文章来源】：农业机械学报. 2015,46(S1)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
INS/GNSS组合导航系统融合算法结构框图
开始增加，至115°后保持不变;单天线GNSS量测噪声VG均值为0，方差为2°;系统驱动噪声WG为高斯白噪声，方差为0.01°;转移矩阵?G=1，量测矩阵HG=1，估计误差方差阵PG1=1，XG1=90°。另外，自适应卡尔曼滤波算法中，α0=3，ρ=2，λk由计算确定。该仿真试验时长600s，采样时间为1s，为了对比标准卡尔曼滤波与本文自适应卡尔曼滤波之间的差异，分别采用2种方法同时对单天线GNSS仿真航向角测量值进行滤波，仿真试验共进行30组，每组数据之间差异较小，说明算法具有较高稳定性，其中1组如图2所示。图2自适应卡尔曼滤波算法仿真结果Fig．2SimulationresultsofadaptiveKalmanfilteralgorithm仿真试验结果表明:2种滤波算法对于单天线GNSS航向角测量值中稳态随机干扰信号的滤波效果都较为理想，然而当100s左右航向发生突变时，标准卡尔曼滤波则出现了较大的估计误差，同样情况下自适应卡尔曼滤波则具有较强的突变信号跟踪能力，能根据航向数据的变化幅度自适应调整λk大小，使滤波器在面对较大航向变化幅度时也能保证较高的精度。2.2INS/GNSS航向信息融合效果试验对INS/GNSS航向信息融合算法进行了实际应用测试，试验在北京市昌平区小王庄农机试验基地进行。补偿卡尔曼滤波器的初始状态为:取航向角估计误差δ?=0;随机常数εb=0.1(°)/s;系统噪声ωε与ωM的方差均为0.01(°)/s;时间常数τG=τM=1s。单天线GNSS航向数据更新率为20Hz，INS航向数据更新率为100Hz。令拖拉机以6.4km/h的速度从A点至B点按照图3轨迹行驶，并同时采集航向数据。图3拖拉机行驶轨迹Fig．3Drivingtrajectoryoftractor为了能够更加深入分析航向信息融合算法的实际应用效果，将INS/GNSS组合导航系?
鸥??能力，能根据航向数据的变化幅度自适应调整λk大小，使滤波器在面对较大航向变化幅度时也能保证较高的精度。2.2INS/GNSS航向信息融合效果试验对INS/GNSS航向信息融合算法进行了实际应用测试，试验在北京市昌平区小王庄农机试验基地进行。补偿卡尔曼滤波器的初始状态为:取航向角估计误差δ?=0;随机常数εb=0.1(°)/s;系统噪声ωε与ωM的方差均为0.01(°)/s;时间常数τG=τM=1s。单天线GNSS航向数据更新率为20Hz，INS航向数据更新率为100Hz。令拖拉机以6.4km/h的速度从A点至B点按照图3轨迹行驶，并同时采集航向数据。图3拖拉机行驶轨迹Fig．3Drivingtrajectoryoftractor为了能够更加深入分析航向信息融合算法的实际应用效果，将INS/GNSS组合导航系统的实际航向角测量输出分为4部分:①双天线GNSS航向角，将GNSS的2个天线分别安装于拖拉机的车头和车尾，且处于同一水平线上，使基线长2m，双天线联合对航向进行测量，为融合后的航向数据提供参考基准，精度可达0.09°。②GNSS航向角测量值，由单天线GNSS直接输出的航向角测量值。③GNSS航向角解算值，位移阈值为2m时GNSS通过位置信息解算出的航向数据。④INS航向角，由三维运动姿态测量模块综合求解出的航向信息。此外，在该试验中，GNSS的航向数据都是建立在已将WGS-84坐标系投影到大地坐标系下进行输出的［19］。令融合后的航向数据与以上4部分航向数据相互对比，从而判断航向信息融合算法的正确性。该试验共进行了200s的航向数据采集，在直线行驶阶段采用GNSS航向角解算值进行融合计算，转向行驶阶段则采用GNSS航向角测量值进行融合，为了清增刊张京等:农机INS/GNSS组合导航系统航向信息融合方法5
本文编号：3223225
本文链接：https://www.wllwen.com/kejilunwen/wltx/3223225.html
