【摘要】：在戰(zhàn)時(shí)或其他非常規(guī)的無源環(huán)境下,無法采用衛(wèi)星導(dǎo)航定位方式對(duì)慣性導(dǎo)航系統(tǒng)的累積誤差進(jìn)行修正,基于此本文研究了基于矢量道路數(shù)據(jù)的輔助慣性導(dǎo)航(Aided Inertial Navigation System,AINS)定位的基本理論和方法。首先利用GPS-RTK移動(dòng)測量技術(shù)獲取相應(yīng)導(dǎo)航區(qū)域高精度的矢量道路數(shù)據(jù),并進(jìn)行數(shù)據(jù)的模型構(gòu)建和預(yù)處理;接著與移動(dòng)載體實(shí)時(shí)接收到的慣性導(dǎo)航軌跡數(shù)據(jù)進(jìn)行匹配計(jì)算、誤差分析,完成位置誤差修正;然后將匹配誤差作為觀測量,建立系統(tǒng)誤差模型并采用卡爾曼濾波的方法對(duì)慣性導(dǎo)航系統(tǒng)的內(nèi)部誤差參數(shù)進(jìn)行校正;最后完成相關(guān)仿真實(shí)驗(yàn)系統(tǒng)的設(shè)計(jì),以便能有效地修正慣性導(dǎo)航誤差,提高定位精度,為無源環(huán)境下實(shí)現(xiàn)移動(dòng)載體的精確導(dǎo)航定位提供可靠的理論依據(jù)和技術(shù)保障。作者在文中的主要工作和創(chuàng)新點(diǎn)概括如下:(1)構(gòu)建了基于矢量道路數(shù)據(jù)的AINS定位方法的總體框架,闡述其輔助慣性導(dǎo)航工作的基本原理;明確了慣性導(dǎo)航的輸出參數(shù)和相關(guān)誤差方程,闡述了面向AINS的矢量道路數(shù)據(jù)采集原則和模型構(gòu)建方法;針對(duì)面向AINS的矢量道路匹配算法和誤差校正模型進(jìn)行了分析和介紹。(2)基于“分而治之”的基本思想,提出了基于功能分層的TMP(TopologyTracing,Match,Property)矢量道路數(shù)據(jù)模型,采用三層功能結(jié)構(gòu)動(dòng)態(tài)地存取矢量道路數(shù)據(jù),有效地提高了后續(xù)匹配計(jì)算和誤差修正的效率。該模型具有靈活有序的層次劃分,豐富完整的道路信息,清晰簡潔的拓?fù)浣Y(jié)構(gòu)。按照三個(gè)層次的功能不同,將路段和節(jié)點(diǎn)的地理空間信息和屬性信息以及整個(gè)矢量道路網(wǎng)絡(luò)的拓?fù)潢P(guān)系有序地劃分開來,并通過相應(yīng)的路段和節(jié)點(diǎn)進(jìn)行有機(jī)關(guān)聯(lián)。層次劃分有利于各類數(shù)據(jù)之間的靈活組織,方便了數(shù)據(jù)信息的處理和查詢,提高了系統(tǒng)的整體效率,為慣性導(dǎo)航軌跡點(diǎn)在路段上的追蹤和路徑規(guī)劃選擇提供了更為準(zhǔn)確的決策判斷,減少了誤匹配的概率。(3)提出了一種顧及軌跡趨勢變化的特征提取算法,立足于航向角的變化趨勢實(shí)時(shí)快速地提取軌跡特征,能夠排除因變道或避讓產(chǎn)生的特征干擾。首先建立趨勢確定集合和待定集合,并通過計(jì)算軌跡點(diǎn)的趨勢變化量,以確定軌跡點(diǎn)所在趨勢集合的趨勢狀態(tài);進(jìn)一步,將2個(gè)趨勢集合的狀態(tài)進(jìn)行比較判斷,從而避免外界因素造成的趨勢干擾,以獲取有效的整體運(yùn)動(dòng)趨勢;最后根據(jù)趨勢特征的約束條件進(jìn)行特征判斷,完成趨勢特征的提取。實(shí)驗(yàn)結(jié)果表明,該算法效率優(yōu)于傳統(tǒng)的曲線擬合算法,有效地排除了因特殊情況產(chǎn)生的特征干擾,簡單可行、可靠性好,能夠滿足導(dǎo)航匹配的應(yīng)用需要。(4)提出了基于拓?fù)渥粉櫤痛志Y(jié)合的匹配算法,實(shí)現(xiàn)了無源環(huán)境下矢量道路數(shù)據(jù)對(duì)慣性導(dǎo)航軌跡實(shí)時(shí)高精度的位置誤差修正,并以匹配誤差為觀測量構(gòu)建了新的誤差校正模型,解決了慣性導(dǎo)航內(nèi)部參數(shù)誤差無法校正的問題。拓?fù)渥粉櫟氖噶康缆菲ヅ渌惴?有效地解決了道路交叉口等路段的誤匹配問題,算法采用道路數(shù)據(jù)的拓?fù)湫畔?根據(jù)不同系統(tǒng)狀態(tài)對(duì)矢量道路數(shù)據(jù)和慣性導(dǎo)航軌跡進(jìn)行匹配,彌補(bǔ)了基于衛(wèi)星的組合導(dǎo)航在自主性、抗干擾性等方面的不足。其次,提出了采用匹配信息和誤差模型的校正方法,構(gòu)建了輔助導(dǎo)航系統(tǒng)的誤差模型和新的觀測量,采用卡爾曼濾波方法對(duì)誤差進(jìn)行了估計(jì)和校正。相比于傳統(tǒng)以匹配算法為核心的校正方法,該方法不僅有效利用了慣性導(dǎo)航軌跡位置與對(duì)應(yīng)行駛路段的幾何和拓?fù)潢P(guān)系,更通過慣性導(dǎo)航誤差模型校正了系統(tǒng)內(nèi)部誤差。(5)以上述研究為基礎(chǔ),研發(fā)了基于矢量道路數(shù)據(jù)的AINS實(shí)驗(yàn)系統(tǒng),構(gòu)建了實(shí)驗(yàn)系統(tǒng)的分層結(jié)構(gòu),明確了實(shí)驗(yàn)系統(tǒng)的運(yùn)行環(huán)境,并對(duì)主要功能進(jìn)行逐一的實(shí)通過對(duì)主要功能模塊的實(shí)現(xiàn),驗(yàn)證將矢量道路數(shù)據(jù)應(yīng)用于輔助導(dǎo)航定位的科學(xué)性和有效性。
【圖文】：

如圖 3.23，圖 3.24 所示，兩個(gè)采樣道路點(diǎn)之間較大的空白區(qū)域，即是存在數(shù)據(jù)丟失。圖3.23 矢量道路數(shù)據(jù)丟失點(diǎn)示例1圖3.24 矢量道路數(shù)據(jù)丟失點(diǎn)示例2

如圖 3.23，圖 3.24 所示，兩個(gè)采樣道路點(diǎn)之間較大的空白區(qū)域，，即是存在數(shù)據(jù)丟失。圖3.23 矢量道路數(shù)據(jù)丟失點(diǎn)示例1圖3.24 矢量道路數(shù)據(jù)丟失點(diǎn)示例2
【學(xué)位授予單位】：解放軍信息工程大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TN96;E91

【相似文獻(xiàn)】

相關(guān)博士學(xué)位論文 前1條

1 李翔;矢量道路數(shù)據(jù)輔助慣性導(dǎo)航定位的技術(shù)與方法研究[D];解放軍信息工程大學(xué);2017年

相關(guān)碩士學(xué)位論文 前4條

1 黃云龍;基于平臺(tái)/捷聯(lián)混合方式的全姿態(tài)慣性導(dǎo)航方法研究[D];中國航天科技集團(tuán)公司第一研究院;2017年

2 李亞濤;基于智能手機(jī)的室內(nèi)導(dǎo)航技術(shù)的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2017年

3 李一帆;基于慣性傳感器的行人室內(nèi)軌跡推算與定位算法研究[D];南京郵電大學(xué);2017年

4 王德智;基于ROS的慣性導(dǎo)航和視覺信息融合的移動(dòng)機(jī)器人定位研究[D];哈爾濱工業(yè)大學(xué);2017年

本文編號(hào)：2607120