论文部分内容阅读
在车辆定位领域,全球定位系统(Global Position System,GPS)与惯性导航系统(Inertial Navigation System,INS)是两种主要的定位技术。GPS能够保持长时间的高精度定位,但是定位精度不能满足车联网的要求,并且其容易受到外界环境的干扰。INS是一种独立的导航系统,短时精度高,但是因为其误差会不断累积,无法长时间定位。利用卡尔曼滤波(Kalman Filtering)的组合导航可以实现二者的优势互补。标准卡尔曼滤波系统需要提前知道系统的噪声统计特性,但是由于惯性器件误差的复杂性,很难准确的提前确定系统的噪声统计特性。针对此类问题,本文提出一种改进的自适应卡尔曼滤波算法,并通过实际跑车实验验证了算法的有效性。本文的主要研究内容如下:(1)对惯性导航与组合导航的理论知识进行了详细介绍,确定了使用松组合的导航方案。然后利用Matlab仿真平台,对惯性导航与组合导航进行了仿真分析,仿真结果表明:基于扩展卡尔曼滤波的组合导航精度优于GPS导航与惯性导航。(2)针对惯性器件的误差特点,采用Allan误差分析法对实验室惯性器件的随机误差进行识别与分析。针对低精度陀螺仪精度较低,车辆无法进行初始对准的问题,介绍了一种利用磁力计对陀螺仪与加速度计进行辅助的初始对准方法,并且通过数据采集实验验证了该方法的有效性。(3)针对传统自适应卡尔曼滤波算法中测量噪声方差矩阵与系统噪声方差矩阵由于非正定性可能会导致滤波发散的问题,引入序贯滤波进行约束。并且通过简化系统噪声方差矩阵计算的方法使系统可以实现同时估计测量噪声与系统噪声,从而提高了滤波的可靠性与系统的精度。最后利用实际跑车实验采集的数据进行半实物仿真,结果表明:改进后的自适应卡尔曼滤波能够有效的提高定位精度,防止滤波发散。