GNSS/INS松组合算法原理简介
文章目录
- 卡尔曼滤波简介
- 概念
- 内容
- 方法
- 卡尔曼滤波器的初始化
- 系统状态
- 微分方程
- 离散化
- GNSS 位置观测方程
- 状态转移矩阵
- 系统噪声方差阵
- 系统噪声驱动阵
本篇博文的矩阵展开都是根据状态向量为21维给出的,也就是位置误差、速度误差、失准角、陀螺常值零偏误差、加速度计常值零偏误差、陀螺比例因子误差、加速度计比例因子误差
卡尔曼滤波简介
概念
卡尔曼滤波算法作为一种重要的最优估计理论被广泛应用于各种领域,组合导航系统的设计是其成功应用中的一个最主要方面。卡尔曼滤波有离散型和连续型两种形式,前者可直接用于数字计算机上实现,后者更常用于卡尔曼滤波的理论性能分析。这里只介绍应用离散卡尔曼滤波算法实现GNSS/INS
松组合解算的具体设计。
内容
在一个滤波周期内,卡尔曼滤波的信息更新过程可以分为时间更新过程和量测更新过程。其中时间更新又被称为预测,一步预测的状态及其协方差阵为:
方法
卡尔曼滤波器的初始化
GNSS/INS
松组合卡尔曼滤波算法设计的关键在于:建立离散时间系统误差状态模型,然后构建误差状态的线性观测方程。有了系统模型和观测方程则可直接使用卡尔曼滤波的基本方程进行组合导航解算,即完成了组合导航的算法设计。
系统状态
GNSS/INS 松组合常采用误差状态卡尔曼滤波(间接卡尔曼滤波)进行组合导航解算,以解决系统的非线性问题。因此,卡尔曼滤波的状态向量包含导航状态误差和传感器误差,定义为
微分方程
陀螺和加速度计零偏及比例因子误差均建模为一阶高斯马尔可夫过程
注意:系统噪声不能随意加入,而应该根据系统状态方程的推导式确定。例如位置误差微分方程中没有包含传感器误差,则一般情况下不应该在位置误差分量上加上系统噪声
离散化
GNSS 位置观测方程
GNSS
定位解算给出的是天线相位中心(或其它参考点)的位置坐标,INS
机械编排给出的是IMU
测量中心的导航结果,二者在物理上不重合((如图1所示),因此在数据融合解算时需进行杆臂效应改正。GNSS
天线相位中心与 IMU
测量中心之间的位置转换关系式为:
状态转移矩阵
系统噪声方差阵
系统噪声驱动阵
GNSS/INS松组合算法原理简介相关推荐
- GNSS/INS松组合算法
目录 前言 GNSS/INS松组合状态模型 GNSS/INS松组合量测模型 GNSS/INS松组合卡尔曼滤波 1.松组合模型离散化 2.卡尔曼滤波时间更新 3.卡尔曼滤波量测更新 前言 GNSS与IN ...
- 用matlab估计时延差,一种GNSS/INS松组合时延误差的估计及补偿方法与流程
本发明属于组合导航系统性能提升领域,具体涉及一种GNSS/INS松组合时延误差的估计及补偿方法. 背景技术: 在搭建实用的低成本INS/GNSS组合导航系统时,数据处理以及数据传输引起的时间同步误差, ...
- INS/GPS组合导航类型简介
INS/GPS组合导航类型简介 前言 内容 PSINS中19维组合导航代码可参考一下 前言 导航技术为用户提供运动物体的位置.速度和姿态信息.常用导航方法有卫星导航和惯性导航. 卫星导航以其定位精度高 ...
- GNSS-RTK/INS紧组合算法
目录 前言 INS机械编排(e系) 姿态更新 速度更新 位置更新 RTK/INS紧组合模型 状态模型 量测模型 前言 相较于GNSS/INS松组合系统,GNSS-RTK/INS紧组合中将两个系统的状态 ...
- 非线性滤波——基于EKF的INS/GPS松组合算法的研究(直接法|EKF|欧拉角)
题外话:虽然导航与控制领域在现代工业中应用广泛,但近些年火热的多旋翼无人机无疑是推动这一领域进一步发展的最重要的推手,如日中天的汽车智能驾驶行业也将使导航和控制领域充分融合计算机视觉(SLAM).机器 ...
- 支持向量机算法原理简介
1,支持向量机概念简介 分类作为数据挖掘领域中一项非常重要的任务,它的目的是学会一个分类函数或分类模型(或者叫做分类器),而支持向量机本身便是一种监督式学习的方法,它广泛的应用于统计分类以及回归分析中 ...
- AVS-CABAC算法原理简介2
CABAC是H264的一种熵编码方案,相比如H264的另外一种熵编码方案CAVLC而言,在可接受的视频质量(30dB到38dB之间)内变化时,前者可节约平均9%到14%的码流.CABAC有以下几个特性 ...
- 逻辑回归算法原理简介
1,逻辑回归简介 逻辑回归完成分类任务,是经典的二分类算法(也可以解决多分类问题),机器学习算法一般选择先逻辑回归(优先选择)再用复杂的,逻辑回归的决策边界可以是非线性的(高阶).可以通过参数对结果进 ...
- 线性回归算法原理简介
1,线性回归概念 回归和分类的区别:简单地说,回归就是通过数据预测出一个目标值(实际值),分类就是通过数据预测出一个类别(二分类,多分类). 比如:银行贷款实例 (1)数据:每个个人(样本)的工资和年 ...
最新文章
- 通过Android重审GET和POST请求
- 使用Arthas 获取Spring ApplicationContext还原问题现场
- BootStrap2学习日记8---表单
- jdbc时区_什么比日期和时区更难? SQL / JDBC中的日期和时区!
- python time.sleep()-睡眠线程还是进程?
- c语言程序员算法题库,100个超级经典地C语言算法,程序员必须练习.doc
- python网络爬虫系列教程——python中pyquery库应用全解
- EBS R12.2 创建应用层的启动和关闭脚本
- 计算机网络华为模拟器,华为模拟器eNSP Win10版
- Matlab之正态拟合直方图绘制函数histfit
- 分布式事务-TX-LCN 的lcn模式和tcc模式
- SAP OOALV-SD模块实战开发案例(增删改查)
- IDEA运行项目时停不下来
- WorldPress 设置固定连接 Apache 服务器无法打开网页(100%解决这个问题)
- html点按钮展开图片,案例:点击按钮隐藏图片 再次点击显示图片
- 基于STM32的ESP8266天气时钟(2)--------MCU获取天气数据
- python 切片详解
- 计算机Excel设置透视图,电脑Excel表格中数据透视图怎么制作
- 原理这就是索引下推呀
- 学习PrintWriter类
热门文章
- 更换电脑鼠标自带光标
- 你会的还只有初级安卓工程师的技术吗?论程序员成长的正确姿势
- 数据结构与算法 c语言 百度网盘,【资料分享】 数据结构与算法全集(C源代码+详细注释)!...
- 未能加载文件或程序集“Microsoft.mshtml”或它的某一个依赖项。未能验证强名称签名。此程序集可能已被篡改,或者已被延迟签名,但没有用正确的私钥进行完全签名。 (异常来自 HRESULT:0
- 离散数学 习题篇 —— k倍区间
- DPS学习心得(一)
- AD17开发流程和经验技巧
- 高通平台android开发总结
- laravel6+Laravel-admin1.8.11 一对多 hasMany 中集成UEditor富文本编辑器
- ClickHouse 使用EXPLAIN 分析 SQL 执行计划