捷联惯导系统学习7.5(简化的捷联惯导算法及误差方程 )
即MEMS惯性器件的校准方法,只在几分钟内的精度有效。
简化的捷联惯导算法及误差方程
在MEMS中,陀螺仪精度为0.1。/s0.1^。/s0.1。/s量级,加速度计为5mg5mg5mg量级,由于陀螺仪精度过低无法,获得地球自转信息,需要对陀螺仪捷联惯导更新算法进行简化:
简化的姿态更新算法为:
。:四元数乘法P。Q=[p0−p1−p2−p3p1p0−p3−p2p2p3p0−p1p3−p2p1−p0][q0q1q2q3]=MPQ。:四元数乘法\\ P。Q=\left[\begin{matrix} p_0&-p_1&-p_2&-p_3\\p_1&p_0&-p_3&-p_2\\ p_2&p_3&p_0&-p_1\\p_3&-p_2&p_1&-p_0\\ \end{matrix}\right]\left[\begin{matrix} q_0\\q_1\\q_2\\q_3 \end{matrix}\right]=M_PQ。:四元数乘法P。Q=⎣⎢⎢⎡p0p1p2p3−p1p0p3−p2−p2−p3p0p1−p3−p2−p1−p0⎦⎥⎥⎤⎣⎢⎢⎡q0q1q2q3⎦⎥⎥⎤=MPQ
Qb(m)n:tm时刻的姿态变化四元数Q_{b{(m)}}^n:t_m时刻的姿态变化四元数Qb(m)n:tm时刻的姿态变化四元数
Qb(m)b(m−1):tm−1到tm时刻的姿态四元数变换Q_{b(m)}^{b(m-1)}:t_{m-1}到t_m时刻的姿态四元数变换Qb(m)b(m−1):tm−1到tm时刻的姿态四元数变换
Δθm=[tm−1,tm]时间内角增量\Delta\theta_m=[t_{m-1},t_m]时间内角增量Δθm=[tm−1,tm]时间内角增量
Qb(m)n=Qb(m−1)n。Qb(m)b(m−1)Qb(m)b(m−1)=[cosΔθm2Δ∣θm∣ΔθmsinΔθm2]Q_{b{(m)}}^n=Q_{b{(m-1)}}^n。Q_{b(m)}^{b(m-1)}\\ Q_{b(m)}^{b(m-1)}=\left[\begin{matrix} cos \frac{\Delta \theta_m}{2}\\\frac{\Delta| \theta_m|}{\Delta \theta_m}sin\frac{\Delta \theta_m}{2} \end{matrix}\right]Qb(m)n=Qb(m−1)n。Qb(m)b(m−1)Qb(m)b(m−1)=[cos2ΔθmΔθmΔ∣θm∣sin2Δθm]对于中低速的运载体,一般地速v<100m/sv<100m/sv<100m/s,在惯导比力方程中,(2wien+wenn)×vn≈1×10−3(2w^n_{ie}+w^n_{en})×v^n\approx 1×10^{-3}(2wien+wenn)×vn≈1×10−3远小于传感器本身误差,因此将速度更新方程简化为:
vmn:为tm时刻的惯导速度Cb(m−1)n:与四元数Qb(m−1)n对应的姿态阵v^n_m:为t_m时刻的惯导速度\\ C^n_{b(m-1)}:与四元数Q^n_{b(m-1)}对应的姿态阵vmn:为tm时刻的惯导速度Cb(m−1)n:与四元数Qb(m−1)n对应的姿态阵
Δvm:在时间[tm−1,tm]时刻内的增量,加速度输出×采样周期\Delta v_m:在时间[t_{m-1},t_m]时刻内的增量,加速度输出×采样周期Δvm:在时间[tm−1,tm]时刻内的增量,加速度输出×采样周期
vmn=vm−1n+Δvsf(m)n+gnTsΔvsf(m)n=Cb(m−1)n(Δvm+12Δθm×Δvm)v^n_m=v^n_{m-1}+\Delta v^n_{sf(m)}+g^nT_s\\ \Delta v^n_{sf(m)}=C^n_{b(m-1)}(\Delta v_m+\frac{1}{2}\Delta \theta_m×\Delta v_m)vmn=vm−1n+Δvsf(m)n+gnTsΔvsf(m)n=Cb(m−1)n(Δvm+21Δθm×Δvm)一般MEMS在小范围内移动(几千米内),可以选择当地直角坐标系作为导航参考坐标系(n系),与地球表面固联,导航起始点为坐标原点,oxn,oyn,oznox_n,oy_n,oz_noxn,oyn,ozn分别指向东向、北向、天向,得到导航定位的微分方程为:
pmn=pm−1n+vm−1n+vmn2Tsp˙n=vnpmn=[xmymzm]Tp^n_m=p^n_{m-1}+\frac{v^n_{m-1}+v^n_m}{2}T_s\\ \dot p^n=v^n\\ p^n_m=\left[\begin{matrix} x_m&y_m&z_m \end{matrix}\right]^T\\ pmn=pm−1n+2vm−1n+vmnTsp˙n=vnpmn=[xmymzm]T得到低精度惯导系统方程为:
wgb:陀螺仪角速率白噪声w^b_g:陀螺仪角速率白噪声wgb:陀螺仪角速率白噪声
wab:加度计比力白噪声w^b_a:加度计比力白噪声wab:加度计比力白噪声
τai:时间常数i=x,y,z\tau_{ai}:时间常数i=x,y,zτai:时间常数i=x,y,z
τgi:时间常数i=x,y,z\tau_{gi}:时间常数i=x,y,zτgi:时间常数i=x,y,z
wraib:一阶马尔可夫过程白噪声w^b_{rai}:一阶马尔可夫过程白噪声wraib:一阶马尔可夫过程白噪声
wrgib:一阶马尔可夫过程白噪声w^b_{rgi}:一阶马尔可夫过程白噪声wrgib:一阶马尔可夫过程白噪声
ξrb=[ξrxbξrybξrzb]T:陀螺仪的一阶马尔可夫过程误差,allan方差分析\xi_r^b=\left[\begin{matrix} \xi_{rx}^b&\xi_{ry}^b&\xi_{rz}^b \end{matrix}\right]^T:陀螺仪的一阶马尔可夫过程误差,allan方差分析ξrb=[ξrxbξrybξrzb]T:陀螺仪的一阶马尔可夫过程误差,allan方差分析
ξrb=[▽rxb▽ryb▽rzb]T:加速仪的一阶马尔可夫过程误差\xi_r^b=\left[\begin{matrix} \bigtriangledown_{rx}^b&\bigtriangledown_{ry}^b&\bigtriangledown_{rz}^b \end{matrix}\right]^T:加速仪的一阶马尔可夫过程误差ξrb=[▽rxb▽ryb▽rzb]T:加速仪的一阶马尔可夫过程误差
ϕ˙=−Cbn(ξrb+wgb)δv˙n=fsfn×ϕ+Cbn(▽rb+wab)δp˙n=δvn\dot \phi=-C^n_b(\xi^b_r+w^b_g)\\ \delta \dot v^n=f^n_{sf}×\phi+C^n_b(\bigtriangledown^b_r+w^b_a)\\ \delta \dot p^n=\delta v^nϕ˙=−Cbn(ξrb+wgb)δv˙n=fsfn×ϕ+Cbn(▽rb+wab)δp˙n=δvn
ξ˙rib=−1τgiξrib+wrgib▽˙rxb=1τai▽rib+wraibi=x,y,z\dot \xi^b_{ri}=-\frac{1}{\tau_{gi}}\xi^b_{ri}+w^b_{rgi}\\ \dot\bigtriangledown_{rx}^b=\frac{1}{\tau_{ai}}\bigtriangledown_{ri}^b+w^b_{rai}\\ i=x,y,zξ˙rib=−τgi1ξrib+wrgib▽˙rxb=τai1▽rib+wraibi=x,y,z
一阶马尔可夫过程的作用:
(1):一阶马尔卡夫过程可在长时间组合滤波后,避免滤波器过度收敛,防止过渡收敛导致抗干扰性弱
(2):如果惯性传感器中误差存在较大随机常值成分,可通过滤波器的传感器误差反馈矫正,消除随机常值误差影响
捷联惯导系统学习7.5(简化的捷联惯导算法及误差方程 )相关推荐
- 捷联惯导系统学习4.1(惯导数值更新算法)
1 常用坐标系的定义 (1)地心惯性坐标系(i 系,inertial frame) 用oixiyizio_ix_iy_iz_ioixiyizi表示,原点以地球为中心, 原点oio_ioi在地 ...
- 捷联惯导系统学习7.5(低成本组合导航系统模型)
低成本组合导航系统模型 低精度MEMS惯性/卫星/地磁组合导航系统中,选择惯导系统的姿态失准角ϕ\phiϕ.速度误差δvn\delta v^nδvn.定位误差δpn\delta p^nδpn.陀螺仪相 ...
- 捷联惯导系统学习2.5(等效旋转矢量微分方程的泰勒级数解)
在高精度的捷联惯导系统中,陀螺仪姿态的解算往往是通过采集一定时间内的角增量信息, 计算角增量信息计算出等效旋转矢量,在通过等效旋转矢量递推余弦阵或者四元数,完成姿态更新. 等效旋转矢量微分方程的泰勒级 ...
- 捷联惯导系统学习3.2(地球的正常重力场)
圆球模型下的地球重力 如图,重力为引力与离心力作用的共同结果,其中 引力:F=GMr2=ur2(G引力常数,M为地球质量,r为质点到地心距离)F=\frac{GM}{r^2}=\frac{u}{r^2 ...
- 捷联惯导系统学习6.1(一些卡尔曼滤波处理技术 )
噪声相关条件下的Kalman滤波 理想状态下的kalman需要系统噪声与测量噪声之间部不相关,如果测量噪声与系统噪声相关需要进行处理 噪声相关条件下的系统状态方程 Xk:n维状态向量X_k:n维状态向 ...
- 捷联惯导系统学习6.6(Sage-Husa自适应滤波 )
原理作用 只有准确的获得系统的结构参数和噪声统计特性参数,才能获得最优值的状态估计,实际中往往是不够准确的 可以使用量测输出(输出隐含了系统模型的某些信息)对系统系统模型进行重新估计. 量测噪声方差阵 ...
- 捷联惯导系统学习2.6(圆锥误差补偿多子样算法)
若圆锥运动的四元数更新方程为: Q(tm)=Q(Tm−1).Q(T)Q(t_m)=Q(T_{m-1}).Q(T)Q(tm)=Q(Tm−1).Q(T) ( ...四元数乘法) ( Q(T)Q(T)Q ...
- 捷联惯导系统学习2.2(等效旋转矢量)
二 等效旋转矢量: 1 一些重要的三维矢量运算关系(证明请自己找) $ u为单位矢量 ;u'是u的一阶导数$ (1):V1×(V2×V3)=(V1∗V3)V2−(V1∗V2)V3(1):V_1\tim ...
- 捷联惯导系统学习2.5(等效旋转矢量微分方程)
已知三维旋转矢量关系如下:(证明略) 参数说明: ViV_iVi表示三维空间矢量 v=∣V∣=VVTv=|V|=\sqrt{VV^T}v=∣V∣=VVT表示矢量模值 uuu为与V同方向的单位矢量即 ...
- 捷联惯导系统学习6.2(序贯滤波 )
序贯滤波(sequential Kalman filtering) 一种将高维数据量测更新降低为多个低维数量测更新的方法,有效降低矩阵的求逆计算量(通过把矩阵对角化,将对角拆开分开计算) 特别的对于如 ...
最新文章
- 如何快速解决虚拟机中的CentOS7无法上网的方式
- STL-queue.back()队尾误区
- QT接收或发送二进制数据(或数据内包含0)
- OpenFlow网络中处理正常流量的工作流程
- P2872 [USACO07DEC]Building Roads S(最小生成树)
- 深圳 | 腾讯AI Lab招聘CVCG研究员及实习生
- 需要gmail的朋友请留下你们的email,还有86个
- python plot linestyle 线型颜色及线条控制(linestyle、marker、color)
- 用DrawerLayout(Support Library 4提供)开发侧边栏,有没有什么方法关闭手势控制?...
- java.lang.UnsatisfiedLinkError: Library not loaded: @rpath/libo.dylib Reason: image not found
- C语言小游戏——贪吃蛇
- MongoDB数据同步工具之 MongoShake
- 基于JavaWeb的背单词系统的设计与实现
- excel中的stdev和stdevp的区别等系列
- Oracle数据库(三)可插拔数据库使用
- BigDecimal的8种round舍入模式
- ML笔记 00:机器学习类型 深度学习和传统机器学习的区别
- 微信回应转错帐被拉黑事件 支付宝:我们比较蠢 没法那么洒脱
- MQTT协议-取消订阅和取消订阅确认
- 位/比特(bit)、字节(Byte)的理解