基于惯性传感器的行人自主定位关键技术研究
发布时间：2021-01-27 18:00
随着社会的飞速发展,日常生活以及国防等领域对于精准定位导航的需求日益增加。然而由于卫星信号无法穿透大多数障碍物且存在多径效应,导致全球定位系统在室内、地下、隧道、森林里不能有效使用,不能满足人们日常生活所需。而惯性导航系统不需要依靠外部信号,仅依靠自身的惯性传感器测得的惯性信号便可实现自主导航,克服了卫星导航的上述弊端,一直是定位导航领域的研究热点之一。本文基于惯性导航技术,探究行人自主定位的关键技术。本文首先详细介绍了行人惯性导航定位所用的惯性传感器,并对惯性器件的误差进行了分析。然后论述坐标系相关理论及惯性导航系统的相关解算,并对其中的坐标系旋转及姿态矩阵进行了重点探究。随后对卡尔曼滤波的原理进行了详细探究与推导,包括适合线性系统的卡尔曼滤波和适合非线性系统的扩展卡尔曼滤波。由于行人惯性导航系统是非线性系统,因此本文又针对扩展卡尔曼滤波,详细推导了基于扩展卡尔曼滤波的惯性导航算法。由于行人惯性导航主要利用加速度计的二次积分以获得位置信息,由此可能会带来非常严重的累计误差,导致行人轨迹的快速发散。针对此,本文对行人惯性导航中的经典零速检测方案进行了详细研究,包括:基于固定阈值的零速检...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
采集模块NGIMU实物图
电子科技大学硕士学位论文图3-20MATLAB上EKF预测阶段重要公式3.4.2EKF更新阶段EKF预测阶段由于未引入观测量，也就没有能够及时对引入的误差或者噪声进行纠正，随着INS的不断迭代，误差或噪声也在不断的累计，会导致行人轨迹快速发散。由此必须进入更新阶段，通过引入观测量来进行更新，从而抑制行人轨迹快速发散。上一小节3.3零速更新模块中介绍过，行人脚步运动是一个周期性运动，可以将脚每次落地时站立阶段的速度假设为零，然后与实际计算出的速度作差得出一个差值，作为EKF更新的观测量，从而纠正速度偏差。当处于站立阶段，误差状态向量通过零速更新的测量值zk=vk|k1[000]来更新，误差状态向量的表达式为：xk|k=xk|k1+kgzkHkxk|k1(3-16)其中卡尔曼增益为和观测矩阵分别为：kg=Pk|k1HkTHkPk|k1HkT+R1(3-17)Hk=[03×303×3I3×3](3-18)系统估计误差状态向量xk|k的协方差矩阵为：Pk|k=(IkgHk)Pk|k1(3-19)并且考虑到EKF预测阶段，没有观测量，预测误差可假设为0，即xk|k1=0，所以误差状态向量可以简化为：xk|k=kg·vk|k1(3-20)姿态的更新是结合姿态误差δφk和k-1时刻到k时刻的预测姿态矩阵来完成44
第三章行人自主定位关键技术研究的：Cnbk|k=2I+[δφk]2I[δφk]·Cnbk|k1(3-21)其中，[δφk]=0δψkδθkδψk0δγkδθkδγk0，表示姿态误差向量δφk的斜对称矩阵。位置和速度的更新通过下面两式更新：vk|k=vk|k1δxk(7:9)=vk|k1δvk(3-22)pk|k=pk|k1δxk(4:6)=vk|k1δpk(3-23)至此，在扩展卡尔曼滤波的基础上，论文推导了行人惯性导航的预测和更新算法。其中姿态，速度和位置的更新方程分别如式(3-21)、(3-22)和(3-23)所示，基于更新方程，定位系统便可长期稳定的运行下去。论文中基于卡尔曼滤波的相关计算在MATLAB上完成，部分重要公式如下图3-21所示，从上往下分别对应式(3-21)、(3-22)和(3-23)。图3-21MATLAB上EKF更新阶段重要公式3.5实验结果与分析为了体现本文所研究模型的优良性能，本文在不同的地点：实验楼、科研楼和立人楼，由不同的志愿者进行了正常速度行走、快速行走、跑步三种常见运动类型的实验演示，所有的路径均设置为长闭环，包含室内和室外场景。同时考虑到传统基于固定阈值的零速检测算法，如果针对单一的运动类型，以牺牲鲁棒性来提高精度，即每次均手动挑选合适的固定阈值以提高精度，那么也可以绘制出45
【参考文献】：
期刊论文
[1]融合MEMS-IMU信息的亚像素相关跟踪方法[J]. 唐湘成,田金文,黄正中,刘东升. 红外. 2018(03)
[2]水力旋流器内科里奥利力的量级分析研究[J]. 杨林娜,郭志玲,蔡圃,王博. 流体机械. 2015(04)
[3]卡尔曼滤波在卫星红外、微波海表温度数据融合中的应用[J]. 王艳珍,管磊,曲利芹. 中国海洋大学学报(自然科学版). 2010(12)
[4]非加性噪声情形下卡尔曼滤波器的推广[J]. 王一夫,陈松乔. 计算机工程与应用. 2008(04)
[5]惯性测量系统零速修正的几种估计方法[J]. 高钟毓,王进,董景新,赵长德. 中国惯性技术学报. 1995(02)
本文编号：3003491
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
采集模块NGIMU实物图
电子科技大学硕士学位论文图3-20MATLAB上EKF预测阶段重要公式3.4.2EKF更新阶段EKF预测阶段由于未引入观测量，也就没有能够及时对引入的误差或者噪声进行纠正，随着INS的不断迭代，误差或噪声也在不断的累计，会导致行人轨迹快速发散。由此必须进入更新阶段，通过引入观测量来进行更新，从而抑制行人轨迹快速发散。上一小节3.3零速更新模块中介绍过，行人脚步运动是一个周期性运动，可以将脚每次落地时站立阶段的速度假设为零，然后与实际计算出的速度作差得出一个差值，作为EKF更新的观测量，从而纠正速度偏差。当处于站立阶段，误差状态向量通过零速更新的测量值zk=vk|k1[000]来更新，误差状态向量的表达式为：xk|k=xk|k1+kgzkHkxk|k1(3-16)其中卡尔曼增益为和观测矩阵分别为：kg=Pk|k1HkTHkPk|k1HkT+R1(3-17)Hk=[03×303×3I3×3](3-18)系统估计误差状态向量xk|k的协方差矩阵为：Pk|k=(IkgHk)Pk|k1(3-19)并且考虑到EKF预测阶段，没有观测量，预测误差可假设为0，即xk|k1=0，所以误差状态向量可以简化为：xk|k=kg·vk|k1(3-20)姿态的更新是结合姿态误差δφk和k-1时刻到k时刻的预测姿态矩阵来完成44
第三章行人自主定位关键技术研究的：Cnbk|k=2I+[δφk]2I[δφk]·Cnbk|k1(3-21)其中，[δφk]=0δψkδθkδψk0δγkδθkδγk0，表示姿态误差向量δφk的斜对称矩阵。位置和速度的更新通过下面两式更新：vk|k=vk|k1δxk(7:9)=vk|k1δvk(3-22)pk|k=pk|k1δxk(4:6)=vk|k1δpk(3-23)至此，在扩展卡尔曼滤波的基础上，论文推导了行人惯性导航的预测和更新算法。其中姿态，速度和位置的更新方程分别如式(3-21)、(3-22)和(3-23)所示，基于更新方程，定位系统便可长期稳定的运行下去。论文中基于卡尔曼滤波的相关计算在MATLAB上完成，部分重要公式如下图3-21所示，从上往下分别对应式(3-21)、(3-22)和(3-23)。图3-21MATLAB上EKF更新阶段重要公式3.5实验结果与分析为了体现本文所研究模型的优良性能，本文在不同的地点：实验楼、科研楼和立人楼，由不同的志愿者进行了正常速度行走、快速行走、跑步三种常见运动类型的实验演示，所有的路径均设置为长闭环，包含室内和室外场景。同时考虑到传统基于固定阈值的零速检测算法，如果针对单一的运动类型，以牺牲鲁棒性来提高精度，即每次均手动挑选合适的固定阈值以提高精度，那么也可以绘制出45
【参考文献】：
期刊论文
[1]融合MEMS-IMU信息的亚像素相关跟踪方法[J]. 唐湘成,田金文,黄正中,刘东升. 红外. 2018(03)
[2]水力旋流器内科里奥利力的量级分析研究[J]. 杨林娜,郭志玲,蔡圃,王博. 流体机械. 2015(04)
[3]卡尔曼滤波在卫星红外、微波海表温度数据融合中的应用[J]. 王艳珍,管磊,曲利芹. 中国海洋大学学报(自然科学版). 2010(12)
[4]非加性噪声情形下卡尔曼滤波器的推广[J]. 王一夫,陈松乔. 计算机工程与应用. 2008(04)
[5]惯性测量系统零速修正的几种估计方法[J]. 高钟毓,王进,董景新,赵长德. 中国惯性技术学报. 1995(02)
本文编号：3003491
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3003491.html
