本文關(guān)鍵詞：多旋翼無人機(jī)的姿態(tài)與導(dǎo)航信息融合算法研究

  更多相關(guān)文章： 多旋翼無人機(jī) 組合導(dǎo)航 信息融合 Kalman濾波 自適應(yīng)濾波

【摘要】：多旋翼無人機(jī)已被廣泛應(yīng)用于軍事與民用領(lǐng)域。導(dǎo)航系統(tǒng)是多旋翼無人機(jī)的重要組成部分,是其實(shí)現(xiàn)安全與穩(wěn)定飛行的基礎(chǔ)。采用INS/GPS組合導(dǎo)航系統(tǒng)可實(shí)現(xiàn)高精度導(dǎo)航,該組合導(dǎo)航系統(tǒng)具有優(yōu)勢互補(bǔ)、導(dǎo)航機(jī)構(gòu)冗余的特點(diǎn),其實(shí)質(zhì)是一個(gè)多傳感器導(dǎo)航信息優(yōu)化處理系統(tǒng)。無人機(jī)的主要導(dǎo)航參數(shù)就是依靠多傳感器信息融合獲得的,因此信息融合技術(shù)是組合導(dǎo)航系統(tǒng)的關(guān)鍵技術(shù),目前已成為國內(nèi)外學(xué)者研究的熱點(diǎn)問題。本文以課題組自行研制的全新結(jié)構(gòu)多旋翼小型無人機(jī)為研究平臺(tái),展開對機(jī)載多傳感器組合導(dǎo)航系統(tǒng)信息融合這一關(guān)鍵技術(shù)的研究。論文包括以下幾個(gè)方面:(1)研究了多旋翼無人機(jī)各機(jī)載傳感器的測量應(yīng)用特性,重點(diǎn)研究了陀螺儀的噪聲源種類及誤差消除方法。在此基礎(chǔ)之上,確定了基于姿態(tài)、位置、速度的多級(jí)式信息融合結(jié)構(gòu),它是基于信息融合的層次化結(jié)構(gòu)設(shè)計(jì),可明顯減少導(dǎo)航系統(tǒng)的計(jì)算量,提高系統(tǒng)的機(jī)動(dòng)性能。多級(jí)式融合結(jié)構(gòu)的每一級(jí)可采用不同的融合算法,本文著重介紹了在多傳感器組合導(dǎo)航系統(tǒng)中應(yīng)用最成功、最廣泛的Kalman濾波算法。(2)根據(jù)各傳感器的測量特性分析,展開基于各傳感器的導(dǎo)航信息解算算法研究。采用當(dāng)?shù)氐乩韺?dǎo)航坐標(biāo)系進(jìn)行機(jī)械編排,并根據(jù)無人機(jī)實(shí)際飛行特點(diǎn)做出相應(yīng)簡化。在此基礎(chǔ)上,研究了陀螺儀的姿態(tài)解算、加速度計(jì)與磁力計(jì)的姿態(tài)解算、加速度計(jì)的位置與速度解算、GPS的位置與速度解算。為信息融合的模型建立和算法研究奠定基礎(chǔ)。(3)采用陀螺儀與加速度計(jì)、磁力計(jì)進(jìn)行第一級(jí)姿態(tài)信息融合,該級(jí)融合算法采用Kalman濾波算法。建立姿態(tài)融合系統(tǒng)的非線性離散時(shí)間狀態(tài)空間模型,采用擴(kuò)展Kalman濾波解決了模型線性化問題。提出了一種改進(jìn)的Sage-Husa自適應(yīng)擴(kuò)展Kalman濾波算法,該算法采用陀螺儀動(dòng)態(tài)解算的姿態(tài)角方差來估計(jì)系統(tǒng)噪聲方差,使用自適應(yīng)濾波算法在線實(shí)時(shí)估計(jì)量測噪聲方差,這樣可以保證濾波的精度與穩(wěn)定性,該算法同時(shí)引入了濾波器收斂性判據(jù),并結(jié)合強(qiáng)跟蹤Kalman濾波算法有效的抑制了濾波發(fā)散問題。(4)采用加速度計(jì)與GPS進(jìn)行第二級(jí)水平方向位置、速度信息融合,采用改進(jìn)的Kalman濾波算法,建立了線性離散時(shí)間狀態(tài)空間模型,在模型中將加速度信息作為狀態(tài)方程的輸入控制量,從而間接預(yù)測位置與速度信息,這有利于提高信息融合的精度。引入氣壓高度計(jì)與加速度計(jì)、GPS組合實(shí)現(xiàn)第三級(jí)垂直方向高度、速度信息融合,根據(jù)聯(lián)邦濾波器設(shè)計(jì)思路確定了二次融合結(jié)構(gòu),分別采用了改進(jìn)的Kalman濾波算法和加權(quán)最小二乘估計(jì)算法,在第二次融合之前,還增加了GPS故障診斷環(huán)節(jié),增強(qiáng)了信息融合系統(tǒng)的容錯(cuò)能力。在論文的最后,總結(jié)了全文的工作情況,并對今后的工作進(jìn)行了展望。
【關(guān)鍵詞】：多旋翼無人機(jī) 組合導(dǎo)航 信息融合 Kalman濾波 自適應(yīng)濾波
【學(xué)位授予單位】：中國科學(xué)院研究生院(長春光學(xué)精密機(jī)械與物理研究所)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：V279;V249
【目錄】：

• 摘要4-6
• Abstract6-9
• 目錄9-13
• 第1章 緒論13-29
• 1.1 課題研究背景及意義13-18
• 1.1.1 研究背景及意義13-15
• 1.1.2 課題研究對象與實(shí)驗(yàn)平臺(tái)15-18
• 1.2 INS/GPS組合導(dǎo)航系統(tǒng)的發(fā)展現(xiàn)狀18-22
• 1.2.1 組合導(dǎo)航系統(tǒng)概述18-19
• 1.2.2 GPS導(dǎo)航系統(tǒng)發(fā)展現(xiàn)狀19
• 1.2.3 慣性導(dǎo)航系統(tǒng)發(fā)展現(xiàn)狀19-21
• 1.2.4 INS/GPS組合結(jié)構(gòu)及發(fā)展趨勢21-22
• 1.3 信息融合技術(shù)在無人機(jī)組合導(dǎo)航中的應(yīng)用研究22-26
• 1.3.1 信息融合技術(shù)概述22-23
• 1.3.2 多傳感器信息融合技術(shù)研究概況及發(fā)展23-24
• 1.3.3 多傳感器信息融合算法概況與發(fā)展24-26
• 1.4 論文研究目的及研究內(nèi)容26-29
• 1.4.1 論文研究目的26
• 1.4.2 論文研究內(nèi)容26-29
• 第2章 組合導(dǎo)航系統(tǒng)傳感器測量特性分析29-53
• 2.1 前言29
• 2.2 坐標(biāo)系的定義與選擇29-32
• 2.2.1 參考坐標(biāo)系29-31
• 2.2.2 WGS-84 坐標(biāo)系統(tǒng)與參考橢球體31-32
• 2.3 應(yīng)用于無人機(jī)導(dǎo)航系統(tǒng)的傳感器測量特性分析32-42
• 2.3.1 陀螺儀測量特性分析33-37
• 2.3.2 加速度計(jì)測量特性分析37
• 2.3.3 磁力計(jì)測量特性分析37-38
• 2.3.4 氣壓高度計(jì)測量特性分析38-39
• 2.3.5 GPS測量特性分析39-41
• 2.3.6 傳感器測量特性小結(jié)41-42
• 2.4 多旋翼無人機(jī)導(dǎo)航信息融合結(jié)構(gòu)方案設(shè)計(jì)42-44
• 2.4.1 多傳感器信息融合系統(tǒng)的結(jié)構(gòu)模型42-43
• 2.4.2 多旋翼無人機(jī)導(dǎo)航信息融合結(jié)構(gòu)設(shè)計(jì)43-44
• 2.5 應(yīng)用于無人機(jī)組合導(dǎo)航的信息融合算法44-50
• 2.5.1 基于Kalman濾波的信息融合44-47
• 2.5.2 擴(kuò)展Kalman濾波(Extended Kalman Filter, EKF)47-48
• 2.5.3 加權(quán)最小二乘估計(jì)算法48-49
• 2.5.4 序貫處理與分散式濾波49-50
• 2.6 本章小結(jié)50-53
• 第3章 基于各傳感器的導(dǎo)航信息解算方法53-73
• 3.1 前言53
• 3.2 基于陀螺儀的姿態(tài)更新算法53-62
• 3.2.1 歐拉角法解算姿態(tài)角55-56
• 3.2.2 四元數(shù)法解算姿態(tài)角56-59
• 3.2.3 基于陀螺儀的姿態(tài)解算算法對比實(shí)驗(yàn)與分析59-62
• 3.3 基于加速度計(jì)與磁力計(jì)的姿態(tài)解算62-65
• 3.3.1 基于加速度計(jì)與磁力計(jì)的姿態(tài)解算方法62-64
• 3.3.2 實(shí)驗(yàn)結(jié)果與分析64-65
• 3.4 基于加速度計(jì)的位置、速度解算65-70
• 3.4.1 無人機(jī)捷聯(lián)系統(tǒng)的機(jī)械編排65-68
• 3.4.2 基于加速度計(jì)的位置、速度解算68-69
• 3.4.3 實(shí)驗(yàn)結(jié)果與分析69-70
• 3.5 基于GPS的位置解算70-71
• 3.6 本章小結(jié)71-73
• 第4章 多旋翼無人機(jī)姿態(tài)角信息融合算法73-97
• 4.1 前言73-74
• 4.2 姿態(tài)角信息融合結(jié)構(gòu)的設(shè)計(jì)74
• 4.3 非線性姿態(tài)角信息融合系統(tǒng)建模74-77
• 4.3.1 非線性離散時(shí)間狀態(tài)方程75-76
• 4.3.2 非線性離散時(shí)間量測方程76-77
• 4.4 姿態(tài)角信息融合算法的設(shè)計(jì)77-86
• 4.4.1 Sage-Husa自適應(yīng)Kalman濾波(SHAKF)算法分析77-80
• 4.4.2 抑制濾波發(fā)散算法——強(qiáng)跟蹤Kalman濾波80-83
• 4.4.3 改進(jìn)的Sage-Husa自適應(yīng)擴(kuò)展Kalman濾波(SHAEKF)算法設(shè)計(jì)83-86
• 4.5 姿態(tài)角信息融合算法飛行實(shí)驗(yàn)與分析86-94
• 4.5.1 慣性導(dǎo)航系統(tǒng)的初始對準(zhǔn)86-87
• 4.5.2 實(shí)驗(yàn)條件及算法有效性評估方法87-89
• 4.5.3 實(shí)驗(yàn)結(jié)果與分析89-94
• 4.5.4 實(shí)驗(yàn)結(jié)論94
• 4.6 本章小結(jié)94-97
• 第5章 多旋翼無人機(jī)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、速度信息融合結(jié)構(gòu)設(shè)計(jì)97-98
• 5.2.2 水平方向位置、速度信息融合系統(tǒng)建模98-100
• 5.2.3 水平方向位置、速度信息融合算法的設(shè)計(jì)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、速度信息融合結(jié)構(gòu)設(shè)計(jì)103-104
• 5.3.2 垂直高度、速度信息融合系統(tǒng)建模104-106
• 5.3.3 垂直高度、速度信息融合算法的設(shè)計(jì)106-110
• 5.4 位置、速度信息融合算法飛行實(shí)驗(yàn)與分析110-114
• 5.4.1 水平位置、速度信息融合算法飛行實(shí)驗(yàn)與分析110-112
• 5.4.2 垂直高度、速度信息融合算法飛行實(shí)驗(yàn)與分析112-114
• 5.5 本章小結(jié)114-117
• 第6章 總結(jié)與展望117-121
• 6.1 論文工作總結(jié)117-119
• 6.2 后續(xù)工作展望119-121
• 參考文獻(xiàn)121-131
• 在學(xué)期間學(xué)術(shù)成果情況131-133
• 指導(dǎo)教師及作者簡介133-135
• 致謝135-136

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 曹義華;旋翼渦尾流與下洗流場的計(jì)算方法[J];北京航空航天大學(xué)學(xué)報(bào);2000年02期

2 李新民;劉正江;;在旋翼試驗(yàn)中實(shí)現(xiàn)同方位采集數(shù)據(jù)的方法[J];直升機(jī)技術(shù);2002年02期

3 陳維芹,徐國華,梅衛(wèi)勝;懸停狀態(tài)直升機(jī)剪刀式旋翼的試驗(yàn)研究[J];流體力學(xué)實(shí)驗(yàn)與測量;2002年01期

4 高亞東,張?jiān)?

本文編號(hào)：1108218