PSINS源码阅读—STIM300/GNSS组合导航
文章目录
- 前言
- 代码解读
- 主要框架
- 代码阅读
- 主要脚本
- sinsgps函数
- 结果测试
前言
严老师最近在PSINS网站上上传了一组STIM300-GNSS跑车数据,并且有光纤惯导数据作为真值参考,网站是一组STIM300-GNSS跑车数据(有姿态参考),为了使用该数据集,psins代码包采用最新的,即psins201210,严老师也提供了代码,算是提供了一套比较完整的SINS/GNSS松耦合算法。
代码解读
主要框架
STIM300属于业界顶级的MEMS IMU,STIM300只是一个IMU,本身不输出姿态角数据,STIM300在出厂之前已经做了严格的标定和温度补偿,代码中的姿态算法部分还是基于光纤惯导的思路,即基本上只是陀螺仪在参与姿态解算,加速度计参与速度解算。一般来说对于MEMS IMU,因为精度有限,加速度计也是要参与速度解算的,这部分可以参考MTI系列惯导数据手册,其对MTI中所使用的算法思路有一个大致的讲解。
代码阅读
首先代码中提供了一个18状态向量的卡尔曼滤波器,状态向量分别为:欧拉角误差、速度误差、位置误差、陀螺零偏误差、加速度计零偏误差以及杆臂误差,实际上通过设置Q矩阵和P矩阵杆臂部分为0,就没有考虑杆臂。
主要脚本
主要脚本如下:
close all;
glvs
ts = 1/125;
dd = binfile('mimuattgps.bin',16);
imu = dd(:,[1:6,10]); imuplot(imu);
att = dd(:,7:10); insplot(att,'a'); % FOG-Att
gps = no0(dd(:,[11:end,10]),1); gpsplot(gps);
% 设置IMU噪声,噪声含义如下:
% 陀螺仪偏置:100deg/h (设置初始零偏,设置P矩阵)
% 加速度计偏置:5000ug (设置初始零偏,设置P矩阵)
% 陀螺仪高斯噪声: 0.1deg/sqrt(h)
% 加速度计高斯噪声:10ug/sqrt(Hz)
imuerr = imuerrset(100, 5000, 0.1, 10);
% 欧拉角初始误差:pitch:3600角秒,roll:3600角秒,偏航角:300角秒
% 速度初始误差:1m/s
% 位置初始误差:1m
davp = avpseterr([3600;3600;300], [1;1;1], [1;1;1]*10);
ins = insinit([att(1,1:3),gps(1,1:6)]', ts); ins.nts=ts;
[avp, xkpk, ins1, kf1] = sinsgps(imu(10/ts:3000/ts,:), gps, ins, davp, imuerr);
avpcmpplot(att, avp(:,[1:3,end]), 'a', 'mu');
imuerrset中设置了陀螺仪和加速度计的零偏和高斯白噪声,分别用于设置P矩阵中对应的欧拉角误差以及速度误差,以及Q矩阵中对应的欧拉角误差以及速度误差。
avpseterr中设置了P矩阵对应的欧拉角误差、速度误差、位置误差,sinsgps函数是SINS/GNSS组合导航核心函数。
因为代码数据集中提供了光纤惯导的三个欧拉角,所以avpcmpplot函数通过STIM300/GNSS组合导航得到的欧拉角和光纤数据进行比较,得到组合导航误差,方便分析。
sinsgps函数
如下代码设置了GPS速度观测和位置观测的噪声,这个数据集中的GPS为单点GPS,并且提供了东北天导航坐标系下的GNSS速度。
pos0=gps(1,1:3)'; r0=[10/glv.Re;10/glv.Re;30]; %设置GPS位置观测噪声if size(gps,2)>6pos0=gps(1,4:6)'; r0=[[1;1;1]/10;r0]; %设置GPS速度观测噪声end
在kf.Qt的设置中也考虑了零偏的马尔科夫游走,即建模了零偏的缓慢变化,代码如下:
% imuerr.sqg:一阶马尔科夫噪声% imuerr.sqa:一阶马尔科夫噪声% imuerr.web:高斯噪声% imuerr.wdb:高斯噪声kf.Qt = diag([imuerr.web; imuerr.wdb; zeros(3,1); imuerr.sqg; imuerr.sqa; zeros(3,1)])^2;
设置了kf.Pmin和kf.Pmax,即P矩阵的幅度限制,kf.adaptive = 1虽然打开了自适应卡尔曼滤波的开关,但是代码中已经把自适应部分代码屏蔽了,可能用起来不太好吧。
代码中使用了部分反馈校正原理,这部分在严老师的一篇论文中有叙述,kf.xtau设置了反馈系数,如下所示:
kf.xtau = [ [1;1;1]*10; [1;1;1]; [1;1;1]; [10;10;10]; [10;10;10]; [1;1;1] ];
imugpssyn做了SINS和GNSS的软件同步,说是同步,其实不算,就是找两个相邻的IMU数据中间有没有GPS数据,从这里也可以看到时间同步精度理想情况下不超过IMU输出周期,即8ms。
kfs = kfstatistic(kf); kfs1 = kfstat([],kf); 这两个函数目前没太研究,kfs 和kfs1在代码中没有使用。
kf.Phikk_1 = kffk(ins)是计算状态转移矩阵,就是高精度惯导最常用的15*15矩阵。
观测量为惯导速度解算,位置解算和GPS速度,位置之间的差值,代码如下所示:
zk = [ins.vnL;ins.posL]-gps(kgps,1:6)'; % 同时观测GPS速度和位置
观测转移矩阵的设置如下所示:
kf.Hk = [zeros(6,3), eye(6), zeros(6,6), [-ins.CW;-ins.MpvCnb]];
kfupdate函数中调用了了卡尔曼滤波的5个方程。
kffeedback函数中使用了部分反馈校正方法来更新AVP,欧拉角、速度、位置、陀螺零偏、加速度计零偏都进行了反馈。
这部分的整体注释代码如下:
function [avp, xkpk, ins, kf] = sinsgps(imu, gps, ins, davp, imuerr, lever, r0, fbstr)
% %% init
% imuerr = imuerrset(0.03, 100, 0.001, 1);
% davp = avpseterr([300;300;300], [1;1;1], [1;1;3]*100);
% ins = insinit(avp(1,1:9), ts); ins.nts=ts;
% %% kf
% lever = [0;0;0];
% rk = [10/glv.Re;10/glv.Re;30];
% [avp1, xkpk, ins1, kf] = sinsgps(imu, gps, ins, davp, imuerr, lever, rk, 'avp');
global glvif ~exist('fbstr', 'var'), fbstr='avped'; end % fbstr:反馈量if ~exist('r0', 'var')% 注意r0pos0=gps(1,1:3)'; r0=[10/glv.Re;10/glv.Re;30]; %设置GPS位置观测噪声if size(gps,2)>6pos0=gps(1,4:6)'; r0=[[1;1;1]/10;r0]; %设置GPS速度观测噪声endendif ~exist('lever', 'var'), lever = [0;0;0]; endif ~exist('imuerr', 'var'), imuerr = imuerrset(0.01, 100, 0.001, 1); endif ~exist('davp', 'var'), davp = avpseterr([300;300;300], [1;1;1], [1;1;3]*100); end[nn, ts, nts] = nnts(2, diff(imu(1:2,end)));if ~exist('ins', 'var')[att0, res0] = aligni0(imu(1:fix(200/ts),:), pos0);ins = insinit([res0.attk(1,1:3)'; 0;0;0; pos0], ts); ins.nts=ts;endgpspos_only = 0;if size(gps,2)<=5, gpspos_only = 1; end psinstypedef(186);kf = [];% 状态变量: 18状态:欧拉角,速度,位置,陀螺零偏,加速度计零偏,杆臂% imuerr.sqg:一阶马尔科夫噪声% imuerr.sqa:一阶马尔科夫噪声% imuerr.web:高斯噪声% imuerr.wdb:高斯噪声kf.Qt = diag([imuerr.web; imuerr.wdb; zeros(3,1); imuerr.sqg; imuerr.sqa; zeros(3,1)])^2;kf.Rk = diag(r0)^2;kf.Pxk = diag([davp; imuerr.eb; imuerr.db; lever]*1.0)^2;% 最小欧拉角误差:[3;3;10]角秒% 最小速度误差:[0.01;0.01;0.01]/100m/s% 最小位置误差:% 陀螺仪最小偏置误差:[1;1;1]/1000 deg/h% 加速度计最小偏置误差:[1;1;10]ugkf.Pmin = [[3;3;10]*glv.sec; [0.01;0.01;0.01]/100; [[1;1]/glv.Re;1]/100; [1;1;1]/1000*glv.dph; [1;1;10]*glv.ug; [0;0;0]].^2;kf.Pmax = 10000*diag(kf.Pxk); kf.pconstrain = 1; %协方差限幅kf.adaptive = 1; % 自适应卡尔曼滤波kf.xtau = [ [1;1;1]*10; [1;1;1]; [1;1;1]; [10;10;10]; [10;10;10]; [1;1;1] ]; % ????kf.Hk = zeros(length(r0),18); %观测转换矩阵% kfinit0:初始化KF结构体kf = kfinit0(kf, nts);imugpssyn(imu(:,7), gps(:,end)); %imu,gps软件同步len = length(imu); [avp, xkpk] = prealloc(fix(len/nn), 16, 2*kf.n+1); %预分配空间timebar(nn, len, '18-state SINS/GPS simulation.'); ki = 1;kfs = kfstatistic(kf); kfs1 = kfstat([],kf);for k=1:nn:len-nn+1k1 = k+nn-1; wvm = imu(k:k1,1:6); t = imu(k1,end);ins = insupdate(ins, wvm);% kf.Phikk_1:状态转移矩阵kf.Phikk_1 = kffk(ins); % kf.Phikk_1(1:3,1:3) = eye(3);kf = kfupdate(kf); % kfs = kfstatistic(kfs, kf, 'T'); kfs1 = kfstat(kfs1, kf, 'T');% 由imugpssyn的同步机制可以知道INS数据和GPS数据的时间同步误差最大为:惯导数据周期:8ms% 找到了两个惯导数据之间的GPS数据,否则:kgps=0[kgps, dt] = imugpssyn(k, k1, 'F');if kgps>0 %如果有GPS数据
% if gps(kgps,4)<4 && gps(kgps,4)>0 % DOPins = inslever(ins); % 杆臂补偿if gpspos_only==1% ins.posL:加入杆臂补偿之后的位置zk = ins.posL-gps(kgps,1:3)'; kf.Hk = [zeros(3,6), eye(3), zeros(3,6), -ins.MpvCnb];else% ins.vnL:加入杆臂补偿之后的速度% ins.posL:加入杆臂补偿之后的位置zk = [ins.vnL;ins.posL]-gps(kgps,1:6)'; % 同时观测GPS速度和位置% kf.Hk:观测矩阵% eye(6):速度和位置% [-ins.CW;-ins.MpvCnb]:考虑到杆臂kf.Hk = [zeros(6,3), eye(6), zeros(6,6), [-ins.CW;-ins.MpvCnb]];endkf = kfupdate(kf, zk, 'M');% kfs = kfstatistic(kfs, kf, 'M'); kfs1 = kfstat(kfs1, kf, 'M');
% endend[kf, ins] = kffeedback(kf, ins, nts, fbstr); % fbstr = 'avped'avp(ki,:) = [ins.avp; ins.eb; ins.db; t]'; % 注意是有时间的xkpk(ki,:) = [kf.xk; diag(kf.Pxk); t]'; ki = ki+1;timebar;end
% kfs = kfstatistic(kfs); kfs1 = kfstat(kfs1,kf);avp(ki:end,:) = []; xkpk(ki:end,:) = [];insplot(avp);kfplot(xkpk);
结果测试
- 从结果中可以看到陀螺仪和加速度计的零偏估计较为稳定。
2. 利用光纤惯导的欧拉角作为真值,可以间接估计出STIM300和光纤惯导之间的安装误差角,如下所示,整体较为稳定,中间有比较大的跳动,原因有待进一步分析。可以看到pitch在1500s处的误差在16角秒左右,roll的误差在21角秒左右,yaw的误差在2角秒左右。
3. 从2的分析中可以看到,欧拉角的组合导航精度还是比较高的,一方面是陀螺仪本身精度高,另一方面是GPS的修正作用。下面测试在没有GPS的修正作用时的欧拉角误差。屏蔽掉sinsgps函数中的kffeedback函数,欧拉角误差如下所示,可以看到yaw最大误差接近3°。
可见GNSS的修正作用对于欧拉角的正确性还是非常重要的。如下图所示,由于没有有效的估计零偏,roll和pitch一开始的偏差就已经很大了。
PSINS源码阅读—STIM300/GNSS组合导航相关推荐
- PSINS源码阅读—test_SINS_trj
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言 关于航迹仿真 代码解读 参考论文 前言 test_SINS_trj是航迹仿真程序,具体实现可以参考严恭敏老师的硕士论文 ...
- 基于PSINS工具箱的卡尔曼滤波与SINS/GNSS组合导航
文章目录 卡尔曼滤波与SINS/GNSS组合导航 典型的SINS/GNSS组合滤波 POS处理 卡尔曼滤波与SINS/GNSS组合导航 用于Kalman滤波的函数有: psinstypedef(nnm ...
- 转-OpenJDK源码阅读导航跟编译
OpenJDK源码阅读导航 OpenJDK源码阅读导航 博客分类: Virtual Machine HotSpot VM Java OpenJDK openjdk 这是链接帖.主体内容都在各链接中. ...
- PSINS源码test_SINS_DR解析
PSINS源码test_SINS_DR解析 前言 源码解析 整体介绍 对源码参数的更改 test_SINS_DR脚本 glvf函数 drinit函数 odsimu函数 RMRN函数 imuerrset ...
- sfm三维重建源码_OpenMVG源码阅读小记
"读一份好源码,就是和许多智慧的人谈话". 本文记录了笔者学习 openMVG 开源软件的一些初步经验和心得.如果你对计算机视觉和摄影测量有兴趣,需要用到相关技术,这篇文章正好就是 ...
- gin context和官方context_gin 源码阅读(二) 路由和路由组
" 上一篇讲的是gin 框架的启动原理,今天来讲一下 gin 路由的实现. 1 用法 还是老样子,先从使用方式开始: func main() { r := gin.Default() r.G ...
- koa源码阅读之koa-compose/application.js
koa源码阅读之koa-compose/application.js koa-Compose 为了理解方便特地把注释也粘进来 //这英语.我也来翻译一波 //大概就是把所有的中间件组合返回一个完整大块 ...
- SpringMVC源码阅读:过滤器
SpringMVC源码阅读:过滤器 目录 1.前言 2.源码分析 3.自定义过滤器 3.1 自定义过滤器继承OncePerRequestFilter 3.2 自定义过滤器实现Filter接口 4.过滤 ...
- spark.mllib源码阅读:GradientBoostedTrees
Gradient-Boosted Trees(GBT或者GBDT) 和 RandomForests 都属于集成学习的范畴,相比于单个模型有限的表达能力,组合多个base model后表达能力更加丰富. ...
- Soul网关源码阅读(八)路由匹配初探
Soul网关源码阅读(八)路由匹配初探 简介 今日看看路由的匹配相关代码,查看HTTP的DividePlugin匹配 示例运行 使用HTTP的示例,运行Soul-Admin,Sou ...
最新文章
- Sublime Text 3 及Package Control 安装(附上一个3103可用的Key)
- SAP MM ML81N为采购订单创建服务接收单,报错- No matching PO items selected -
- 12306 背后的技术大牛:我不跟人拼智商,我就跟他们拼狠!
- Notepad++自用主题推荐
- 安装oracle并且小总结oracle sql
- 哈希表的实现(取余法)
- Atcoder Educational DP Contest 题解
- Arduino学习笔记⑦ EEPROM断电保存数据
- 数据结构 3-2-1 队列的链式存储实现
- HashMap排序(java)
- java 异或加密_Java异或技操作给任意的文件加密原理及使用详解
- Ubuntu中USB端口与外设绑定,ROS读取IMU模块数据
- UWB定位系统油库人员定位解决方案
- (二)数字后端之物理实现
- Windows Sever(修改计算机名并加入工作组)
- 爬虫入门 ---- CSDN查看文章全部评论
- 用Paddle自动生成二次元人物头像
- 深度学习研究理解:OverFeat:Integrated Recognition, Localization and Detection using Convolutional Networks
- [Python3]Python官方文档-Python Manuals
- Win11关闭Windows Defender实时保护,暂时关闭和永久关闭方法 | Win10怎么永久关闭Windows Defender实时保护