论文部分内容阅读
基于微机电系统（Micro-Electro Mechanical Systems, MEMS）技术的捷联惯性导航系统（Strapdown Inertial Navigation System, SINS）与全球定位系统（GlobalPositioning System, GPS）的组合为实现导航系统的低成本、小型化与轻量化设计提供了可行方案。本文以小型无人飞行器导航系统的研制为背景，以解决MEMS-SINS/GPS存在的精度低与可靠性差问题为目标，以惯性辅助的紧耦合组合结构为框架，研究了MEMS-惯性测量单元（Inertial Measurement Uunit, IMU）误差分析与补偿、惯性辅助的接收机跟踪环路设计、组合导航滤波器设计等关键技术。主要工作内容可概括为：（1）为建立MEMS-IMU高精度误差模型，研究了其误差特性。建立了确定性误差的系统误差模型，设计了标定与补偿方案，提高了使用精度；采用Allan方差分析法辨识了随机误差的主要误差项与误差参数，建立了随机微分方程模型。MEMS-IMU误差模型的建立为惯性器件仿真与组合导航滤波器设计提供了设计输入。（2）针对高动态环境下GPS接收机信号失锁问题，设计了惯性辅助的紧耦合组合结构。建立了SINS的非线性误差模型，推导了伪距差与伪距率差的非线性量测模型，为组合导航滤波器设计提供了依据；设计了惯性辅助的接收机跟踪环路，通过引入前馈通道，消除了载体动态应力的影响，试验表明，在50g/s的动态条件下，可保证对信号的可靠跟踪。该组合导航结构从根本上解决了载体动态导致的卫星信号失锁问题，且具有较强的工程可实现性。（3）针对组合导航模型中的非线性问题，分析了扩展卡尔曼滤波（ExtendedKalman Filtering, EKF）与无迹卡尔曼滤波（Unscented Kalman Filter, UKF）的滤波精度与计算复杂度，提出了改进UKF算法，由UKF进行时间更新，EKF进行序贯量测更新；仿真结果表明，其滤波精度与UKF相当，与EKF相比提高了30%以上，执行时间与UKF相比降低了45%。改进UKF算法可同时满足系统对精度与实时性的要求。（4）针对GPS信号失锁时的滤波发散问题，提出了径向基函数神经网路（Radial Basis Function Neural Network, RBFNN）辅助自适应卡尔曼滤波的信息融合方法，设计了RBFNN在线训练方法与卡尔曼滤波的自适应算法；跑车试验结果表明，在GPS信号断开时间为40s时，位置误差优于15m；断开时间为100s时，位置误差优于90m。该方法可在GPS失锁时有效阻尼导航误差发散。（5）研制了MEMS-SINS/GPS惯性辅助紧耦合组合导航系统原理样机，建立了惯性器件标定与测试系统、组合导航半物理仿真试验系统。通过半物理仿真试验、跑车试验、高动态试验等，验证了相关技术，测试了主要性能指标，结果为：位置精度优于7m，速度精度优于0.4m/s，水平姿态精度优于0.2°、航向精度优于0.6°。