GNSS/MEMS IMU车载组合导航中IMU比例因子误差的影响分析

从系统状态模型出发,分析比例因子误差对组合导航精度和计算量的影响,同时基于车载运动的特点分析比例因子误差的观测性,提出一种仅保留航向陀螺仪和水平加速度计比例因子误差的降维状态模型。实验结果表明,当比例因子误差大于6×10^(-3)时,增广比例因子误差有助于提高导航精度,但计算量增加约170%;降维模型能够达到高维模型的导航精度,与不增广比例因子误差相比,计算量仅增加约70%。

捷联惯导系统IMU误差特性分析

为了优化捷联惯导系统惯性测量单元性能,首先,从惯性导航系统工作原理出发,细致梳理捷联惯导误差模型,对惯性测量单元常见误差源分类,重点分析主流民航客机机型捷联惯导惯性测量单元的误差特性;然后,对由5个直线段和4个转弯组成的矩形起落航线,在无误差的理想模式和设置导航级捷联惯导惯性测量单元误差参数模式,分别进行轨迹仿真;最后,在飞行轨迹的姿态、速度、位置误差三维方向对比分析。结果表明,IMU误差诱使飞行轨迹随时间有偏离趋势,高度误差波动始终非常平稳,水平方向误差在一定时间后大幅度发散,表现出惯性导航性能的固有缺陷,即误差随时间的推移逐渐累积,会在一段平稳时间后呈发散趋势。因此在实际使用惯导中可以使用特殊的算法和硬件平台以延长误差发散之前的时间,也可以通过与GPS等数据进行组合导航的方式抑制其发散趋势。研究结果为进一步进行组合导航算法优化奠定基础。

基于IMU在线校准的SLAM精度提升方法研究

基于多传感器融合的SLAM算法是当前移动机器人实现精准定位和导航的关键技术之一,在分析了惯性测量单元(IMU)的系统误差会对SLAM算法的建图和导航精度影响较大,并且IMU的系统误差会随工作时间发生变化的问题后,提出了一种易于实现的IMU在线标定方法。该标定方法首先建立了IMU中加速度计和陀螺仪的误差模型。其次通过二维云台实现IMU的姿态调整。然后通过读取加速度传感器的静态数值实现加速度计的误差参数辨识。最后以标定后的加速度计输出数据和陀螺仪计算的旋转矩阵,实现陀螺仪的误差参数辨识。为验证以上标定算法的效果,文中基于标定前后的IMU分别进行SLAM建图实验,实验结果表明,基于标定后IMU的建图精度更好。

Android终端中IMU数据质量分析

【目的】受制造工艺与制作成本的约束,Android智能终端中的惯性测量单元原始数据精度较低且包含大量噪声,不能直接使用,导致用户位置服务的体验感较差,亟需对IMU数据质量进行分析,优化设计方法。【方法】通过Allan方差分析法对荣耀8手机和三星Tab S7+平板电脑的IMU原始数据进行分析,得到影响智能终端原始数据精度的各项误差源系数。【结果】1)三星Tab S7+平板电脑IMU输出的陀螺仪数据噪声相比于荣耀8手机更大,且原始数据带宽更宽、数据尖峰较多。2)两种设备的零偏不稳定性、角速率随机游走、速率斜坡数值较大,是影响智能终端IMU数据质量的主要误差源。【结论】同环境下,荣耀8智能手机IMU原始数据精度优于三星Tab S7+平板电脑。未来,可以通过低通滤波等方式减弱量化噪声对IMU数据采集精度的影响,也可通过误差建模的方式予以估计和补偿,提高智能设备IMU数据质量。

模值观测IMU零偏快速标定技术

分析针对外场试验对惯组零偏标定提出的时间短、精度高的要求,提出了一种基于模观测法的惯组零偏快速标定方法,通过分别构建惯组中三轴陀螺测量信息与地球自转角速度的模值方程和三轴加速度计测量信息与当地重力加速度的模值方程,以惯组3个敏感轴分别大致朝上三位置静态1 min测量信息构建零偏非线性方程组,通过遗传算法最小值寻优获得惯组的零偏标定结果。结果表明:整个惯组零偏标定仅需约3 min,而且不用借助转位机构,仅需让每个敏感轴大致朝上保持静态1 min,适用于外场惯组零偏快速标定;利用仿真和试验验证了所提出方法的有效性,计算值与参考值的偏差均比对应精度的惯组精度高一个数量级,即惯组零偏模标定计算结果与参考值相差在可容许的范围内;验证了所提出方法的正确性和有效性。

LM优化算法的IMU阵列在线校准

针对IMU阵列的输出存在确定性误差的问题,提出一种基于列文伯格-马夸尔特(Levenberg-Marquardt, LM)优化算法的在线校准方式。该方法无需任何外部参考设备,通过手动转动和静置IMU阵列校准加速度计和陀螺仪的确定性误差。首先利用多个位置的静态数据校准加速度计,然后利用校准后的加速度计及位置间的转动数据校准陀螺仪。仿真实验显示,校准结果与理论接近。3组车载实验结果显示,校准后动态导航精度平均提升19.1%,表明该校准方法能有效校准误差参数并提高导航精度。

光纤陀螺IMU全温三方位速率/一位置标定及分段线性插值补偿方法

针对光纤陀螺惯性测量单元全温动态环境下测量误差问题,提出一种全温三方位正反速率/一位置标定及分段线性插值补偿方法,建立了光纤陀螺惯性测量单元误差模型,在每个恒温点设计三方位正反速率/一位置标定方案。采用分段线性插值算法实时补偿系统零偏和标度因数温度误差,系统全温环境下的测量精度提高5倍左右。车载实验结果表明,采用该方法后系统4200 s纯惯性姿态测量误差小于1°。

应用AR模型的IMU误差系数漂移预测研究

将影响 IMU误差系数漂移并难于分离的多种因素综合为一种因素 ,假定 IMU误差系数的漂移由一特定系统所引起 ,从而采用时间序列建模方法进行 IMU误差系数漂移的预测。该方法具有消除各因素具体分析中的不确定性并减少其工作量的优点。文中描述了其原理 ,对某惯组的 3 3个误差系数进行了时间序列建模与预测并得到有效的结果。

基于一种简化Allan方差法的IMU误差分析

为了分析惯性测量单元(IMU)的随机误差项系数,采用了Allan方差分析方法,同时,针对大数据量情况,为了减小计算量并保持Allan方差分析的准确性,结合双对数曲线特点,给出了一种简化的Allan方差算法,并使用该算法对一种微机械(MEMS)惯性测量单元的长时间静态数据进行了分析。结果表明:该方法可以有效地辨识出IMU各误差项系数。

基于LSTM深度神经网络的MEMS-IMU误差模型及标定方法

针对微惯性传感器受热、力学等环境的影响显著,传统的多项式误差模型补偿效果不理想的问题,建立一种基于长短时记忆(LSTM)深度神经网络的MEMS-IMU误差模型。模型输入信息为MEMS-IMU输出的角速度、加速度、温度,输出为角速度误差、加速度误差。同时,设计了基于长短时记忆神经网络的MEMS-IMU误差模型标定流程,构建了MEMS-IMU热、线运动、角运动等多维误差因素的综合激励训练集,对长短时记忆神经网络模型进行训练。对训练得到的模型进行验证,结果表明,相对于传统方法,采用所提出的模型对加速度和角速度进行误差补偿后残差均值减小约70%,均方差分别减小39%和64%,补偿效果更好。

旋转惯导系统中IMU转停时间分配技术研究

针对惯性测量单元(IMU)单轴旋转捷联惯导系统改善运载体导航精度能力有限的问题,同时从工程应用角度降低IMU连续长时间正反转引发旋转机构出现故障几率的角度出发,提出一种基于光纤陀螺的双轴转停方案。设计对称分布的双轴16次序转停路径并分析其误差调制原理;根据双轴旋转捷联惯导系统误差特性,研究IMU转停过程对系统导航精度的影响并计算最优转停时间间隔,利用仿真验证本方案的有效性。

城市环境BDS/MEMS-IMU组合导航的模型误差抑制方法

针对BDS/MEMS-IMU组合导航系统模型及噪声参数不确定性易引起模型误差的问题,设计噪声参数优化方法改进EKF,抑制系统模型误差及观测粗差对组合导航模型稳定性的影响:分析预测残差调谐系统噪声协方差矩阵;根据BDS观测质量,精化观测噪声协方差矩阵。实验结果表明,结合噪声参数优化方法可提升BDS/MEMS-IMU组合导航模型的稳定性及精度。

改进的IMU传感器安装误差正交补偿方法

针对传统的正交补偿方法难以保证惯性测量单元具有较高的正交补偿精度的问题,提出了一种改进的适用于大角度和小角度安装误差角情形的正交补偿方法,该方法分别建立三轴加速度计和三轴光纤陀螺传感器的安装误差方程,对惯性测量单元进行速率标定和多位置静态标定,并利用最小二乘法求解惯性测量单元的安装误差方程参数。仿真和实验结果表明:该方法较传统的正交补偿方法具有较高的正交补偿精度和传感器标定精度,且回避了静态标定时在较大安装误差角下利用转位机构获得零偏存在较大误差的问题,大大地提高了标定效率。

一种高精度无定向的光纤陀螺IMU转停标定方法

通过优化测试编排和设计数据处理算法提高光纤陀螺IMU标定的效率和精度。针对光纤陀螺IMU的误差模型,设计了一种基于双轴转台的无定向光纤陀螺IMU多位置转停标定及误差修正方法。将陀螺速率试验和加计24位置实验方案相结合,提出一种无需北向基准条件下,IMU绕Z轴正反转一周后,分别绕X轴和Y轴以60°和120°为间隔的正、反转停方案,转动速率6(°)/s,各位置停止2 min。同时,基于上述标定方案设计了一种标定误差精确修正算法以修正标定后残差。实际测试结果表明,该方案具有传统的标定算法相当的精度,且测试时间由原来的4.5 h缩短到40 min。

IMU姿态测量误差对激光脚点精度影响与模拟计算

介绍了机载激光扫描的现状。在机载激光扫描系统定位原理的基础上,讨论了俯仰角、侧滚角、偏航角误差对激光脚点定位精度的影响并进行了详细分析;利用目前IMU实际测量精度进行模拟计算,得出了一些有益结论,对于理解机载激光雷达定位精度和实际应用具有一定的指导意义。

基于IMU/GPS的性能导航方法研究

利用直角坐标系与大地坐标系之间的关系,将状态方程直接采用经纬度描述,GPS测量数据与电子地图上的经纬度相匹配,建立了混合模型,给出了一种新的GPS与IMU融合估计方法,提高了重复定位精度,更方便地实现组合导航系统功能。采用GPS和IMU装置进行了地面车辆试验和实际飞行试验,说明了模型和方法的适用性。

激光陀螺捷联惯性导航系统IMU误差标定

针对激光陀螺捷联惯性导航系统惯性测量单元(IMU)误差标定对转台精度、基座对北和调平要求较高,以及系统工作时激光陀螺抖动、长时间工作温度升高、算法复杂等因素,提出了以速度为观测量,采用以最小二乘拟合法的系统级标定法。通过三轴转台多位置测量:静止-转动-静止,快速辨识三轴激光陀螺和三轴加速度计正交安装误差、传感器零偏、刻度因子等24个误差参数,整个标定过程时间约2h,多位置对准航向、横滚、俯仰测试精度优于0.012°。实验表明,采用该方法算法简单,操作过程便捷,可以有效提高激光陀螺捷联惯性导航系统IMU精度。

惯导极区模拟测试船用IMU转换修正误差公式简化与分析

在中低纬度检验惯性导航极区性能的模拟测试系统中,基准误差造成的IMU转换修正误差是影响模拟测试精度的重要因素,本文讨论分析了其简化计算方法。采用转移前后地球球体模型下横向坐标系导航参数不变的基准轨迹转移原则,首先简述了模拟测试方法及IMU转换公式;其次,研究了IMU转换修正误差的计算方法,相比完整计算公式给出了适合船用的近似计算公式,并对其中的系数、各分量的量级及变化形式进行分析;最后,利用实测航次的导航参数,对比验证了公式计算的正确性。简化公式最大计算误差约为10%,可满足后续模拟测试中IMU误差的分析要求。

基于演化建模的IMU误差系数漂移预测研究

将影响IMU误差系数漂移并难于分离的多种因素综合为一种因素,假定IMU误差系数的漂移由一特定系统所引起,引入高阶微分方程模型代替传统时间序列分析中的AR、ARMA等模型对IMU误差系数漂移进行建模分析,采用将遗传程序设计与遗传算法相嵌套的演化算法,实现了建模过程的自动化。实例表明:演化算法可消除各因素具体分析中的不确定性,由计算机自动发现符合要求的高阶微分方程模型,模型的拟合和预测效果均较好。

基于岭回归径向基神经网络的MIMU误差建模

对MEMS(Micro Electro Mechanical systems微电子机械系统)IMU(Inertial Measurement Unit惯性测量单元)的随机漂移和误差进行建模和补偿是提高捷联惯导系统性能的主要方法之一。为了避免径向基(RBF)神经网络输出之间可能存在的复共线性,更加准确有效的对MIMU的输出误差建模,提出将岭回归径向基神经网络用于MIMU的误差建模中。通过与时间序列建模方法的仿真比较表明,在对MIMU误差补偿上所建立的岭回归RBF网络与四阶AR模型方法精度相当,比一阶AR模型精度高,而且无需对数据平稳性处理。