✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
本文提出了一种基于强跟踪滤波的IMU+GNSS组合导航算法。该算法利用强跟踪滤波的优点,有效地融合了IMU和GNSS两种传感器的信息,提高了导航系统的精度和鲁棒性。
引言
惯性导航系统(IMU)和全球导航卫星系统(GNSS)是两种重要的导航技术。IMU通过测量自身加速度和角速度,可以提供高频的导航信息,但存在漂移误差。GNSS通过接收卫星信号,可以提供高精度的位置和时间信息,但容易受到遮挡和多径等因素的影响。
强跟踪滤波
强跟踪滤波是一种非线性滤波算法,具有以下优点:
-
可以处理非线性系统
-
具有良好的跟踪性能
-
可以融合多种传感器信息
组合导航算法
本文提出的组合导航算法基于强跟踪滤波,具体步骤如下:
-
**状态模型:**建立IMU和GNSS的联合状态模型,其中状态变量包括位置、速度、姿态和IMU漂移误差。
-
**观测模型:**建立IMU和GNSS的观测模型,其中IMU观测值为加速度和角速度,GNSS观测值为位置和时间。
-
**滤波过程:**利用强跟踪滤波算法,融合IMU和GNSS的观测信息,更新状态估计。
📣 部分代码
function figure_ukf
t_stop=1200;
[UKFTraceData,UKFIMUData,UKFSinsData,UKFKALData,UKFErrData,UKFGPSData]=ukfm_sins_gps(t_stop);
[AUKFTraceData,AUKFIMUData,AUKFSinsData,AUKFKALData,AUKFErrData,AUKFGPSData]=shuaijianukfm_sins_gps(t_stop);
[SUKFTraceData,SUKFIMUData,SUKFSinsData,SUKFKALData,SUKFErrData,SUKFGPSData]=sf_ukfm_sins_gps(t_stop);
% fig_num=0.0;
% fig_num = fig_num+1;
% figure(fig_num);
% subplot(3,1,1);plot(UKFTraceData(:,1),UKFSinsData(:,2)-UKFTraceData(:,2),'r',AUKFTraceData(:,1),AUKFSinsData(:,2)-AUKFTraceData(:,2),'b');legend('UKF','AUKF');
% subplot(3,1,2);plot(UKFTraceData(:,1),UKFSinsData(:,3)-UKFTraceData(:,3),'r',AUKFTraceData(:,1),AUKFSinsData(:,3)-AUKFTraceData(:,3),'b');legend('UKF','AUKF');
% subplot(3,1,3);plot(UKFTraceData(:,1),UKFSinsData(:,4)-UKFTraceData(:,4),'r',AUKFTraceData(:,1),AUKFSinsData(:,4)-AUKFTraceData(:,4),'b');legend('UKF','AUKF');
% xlabel('姿态角度误差(横滚角度误差(度),俯仰角度误差(度),航向角度误差(度))');
% %飞行姿态角度误差曲线
fig_num=0.0;
fig_num = fig_num+1;
figure(fig_num);plot(UKFTraceData(:,1),(UKFSinsData(:,2)-UKFTraceData(:,2))*3600,'r',AUKFTraceData(:,1),(AUKFSinsData(:,2)-AUKFTraceData(:,2))*3600,'b',SUKFTraceData(:,1),(SUKFSinsData(:,2)-SUKFTraceData(:,2))*3600,'g');legend('UKF','FUKF','SUKF');
xlabel('t/s');
ylabel('横滚角度误差(")');
fig_num = fig_num+1;
figure(fig_num);plot(UKFTraceData(:,1),(UKFSinsData(:,3)-UKFTraceData(:,3))*3600,'r',AUKFTraceData(:,1),(AUKFSinsData(:,3)-AUKFTraceData(:,3))*3600,'b',SUKFTraceData(:,1),(SUKFSinsData(:,3)-SUKFTraceData(:,3))*3600,'g');legend('UKF','FUKF','SUKF');
xlabel('t/s');
ylabel('俯仰角度误差(")');
fig_num = fig_num+1;
figure(fig_num);plot(UKFTraceData(:,1),(UKFSinsData(:,4)-UKFTraceData(:,4))*60,'r',AUKFTraceData(:,1),(AUKFSinsData(:,4)-AUKFTraceData(:,4))*60,'b',SUKFTraceData(:,1),(SUKFSinsData(:,3)-SUKFTraceData(:,3))*60,'g');legend('UKF','FUKF','SUKF');
xlabel('t/s');
ylabel('航向角度误差('')');
%飞行姿态角度误差曲线
fig_num = fig_num+1;
figure(fig_num);
subplot(3,1,1);plot(UKFSinsData(:,1),UKFSinsData(:,5)-UKFTraceData(:,5),'r',AUKFSinsData(:,1),AUKFSinsData(:,5)-AUKFTraceData(:,5),'b',SUKFSinsData(:,1),SUKFSinsData(:,5)-SUKFTraceData(:,5),'g');legend('UKF','FUKF','SUKF');
ylabel('东向速度误差(米/秒)');xlabel('t/s');
subplot(3,1,2);plot(UKFSinsData(:,1),UKFSinsData(:,6)-UKFTraceData(:,6),'r',AUKFSinsData(:,1),AUKFSinsData(:,6)-AUKFTraceData(:,6),'b',SUKFSinsData(:,1),SUKFSinsData(:,6)-SUKFTraceData(:,6),'g');legend('UKF','FUKF','SUKF');
ylabel('北向速度误差(米/秒)');xlabel('t/s');
subplot(3,1,3);plot(UKFSinsData(:,1),UKFSinsData(:,7)-UKFTraceData(:,7),'r',AUKFSinsData(:,1),AUKFSinsData(:,7)-AUKFTraceData(:,7),'b',SUKFSinsData(:,1),SUKFSinsData(:,7)-SUKFTraceData(:,7),'g');legend('UKF','FUKF','SUKF');
ylabel('天向速度误差(米/秒)');xlabel('t/s');
fig_num = fig_num+1;
figure(fig_num);
subplot(3,1,1);plot(UKFSinsData(:,1),UKFSinsData(:,8)-UKFTraceData(:,8),'r',AUKFSinsData(:,1),AUKFSinsData(:,8)-AUKFTraceData(:,8),'b',SUKFSinsData(:,1),SUKFSinsData(:,8)-SUKFTraceData(:,8),'g');legend('UKF','FUKF','SUKF');
ylabel('经度误差(米)');
xlabel('t/s');
subplot(3,1,2);plot(UKFSinsData(:,1),UKFSinsData(:,9)-UKFTraceData(:,9),'r',AUKFSinsData(:,1),AUKFSinsData(:,9)-AUKFTraceData(:,9),'b',SUKFSinsData(:,1),SUKFSinsData(:,9)-SUKFTraceData(:,9),'g');legend('UKF','FUKF','SUKF');
ylabel('纬度误差(米)');
xlabel('t/s');
subplot(3,1,3);plot(UKFSinsData(:,1),UKFSinsData(:,10)-UKFTraceData(:,10),'r',AUKFSinsData(:,1),AUKFSinsData(:,10)-AUKFTraceData(:,10),'b',SUKFSinsData(:,1),SUKFSinsData(:,10)-SUKFTraceData(:,10),'g');legend('UKF','FUKF','SUKF');
ylabel('高度误差(米)');
xlabel('t/s');
fig_num = fig_num+1;
figure(fig_num);
subplot(3,1,1);plot(UKFKALData(:,1),UKFKALData(:,2),'r',AUKFKALData(:,1),AUKFKALData(:,2),'b',SUKFKALData(:,1),SUKFKALData(:,2),'g');legend('UKF','FUKF','SUKF');
subplot(3,1,2);plot(UKFKALData(:,1),UKFKALData(:,3),'r',AUKFKALData(:,1),AUKFKALData(:,3),'b',SUKFKALData(:,1),SUKFKALData(:,3),'g');legend('UKF','FUKF','SUKF');
subplot(3,1,3);plot(UKFKALData(:,1),UKFKALData(:,4),'r',AUKFKALData(:,1),AUKFKALData(:,4),'b',SUKFKALData(:,1),SUKFKALData(:,4),'g');legend('UKF','FUKF','SUKF');
xlabel('卡尔曼滤波输出(速度误差(米/秒))');
fig_num = fig_num+1;
figure(fig_num);
subplot(3,1,1);plot(UKFKALData(:,1),UKFKALData(:,10),'r',AUKFKALData(:,1),AUKFKALData(:,10),'b',SUKFKALData(:,1),SUKFKALData(:,10),'g');legend('UKF','FUKF','SUKF');
subplot(3,1,2);plot(UKFKALData(:,1),UKFKALData(:,9),'r',AUKFKALData(:,1),AUKFKALData(:,9),'b',SUKFKALData(:,1),SUKFKALData(:,9),'g');legend('UKF','FUKF','SUKF');
subplot(3,1,3);plot(UKFKALData(:,1),UKFKALData(:,11),'r',AUKFKALData(:,1),AUKFKALData(:,11),'b',SUKFKALData(:,1),SUKFKALData(:,11),'g');legend('UKF','FUKF','SUKF');
xlabel('卡尔曼滤波输出(位置误差(米))');
fig_num = fig_num+1;
figure(fig_num);
plot(UKFTraceData(:,8),UKFTraceData(:,9),'r',UKFSinsData(:,8),UKFSinsData(:,9),'g');
grid on
xlabel('飞行航迹仿真(经度(度),纬度(度)');
ylabel('导航航迹(经度(度),纬度(度)');
fig_num = fig_num+1;
figure(fig_num);
plot3(AUKFTraceData(:,8),AUKFTraceData(:,9),AUKFTraceData(:,10),'r');
grid on
xlabel('经度(度)');
ylabel('纬度(度)');
zlabel('高度(米)');
⛳️ 运行结果
仿真实验
为了验证算法的性能,进行了仿真实验。实验结果表明,本文提出的组合导航算法比单独使用IMU或GNSS的算法具有更高的精度和鲁棒性。
结论
本文提出了一种基于强跟踪滤波的IMU+GNSS组合导航算法。该算法有效地融合了两种传感器的信息,提高了导航系统的精度和鲁棒性。仿真实验验证了算法的优越性能,为高精度导航系统的实现提供了新的思路。
🔗 参考文献
[1] 王宏力,许强,何星,等.基于强跟踪滤波的单脉冲星/惯性/星光组合导航算法[J].四川兵工学报, 2018.DOI:10.11809/bqzbgcxb2018.12.021.
[2] 王宏力,许强,何星,等.基于强跟踪滤波的单脉冲星/惯性/星光组合导航算法[J].兵器装备工程学报, 2018, 39(12):5.DOI:CNKI:SUN:CUXI.0.2018-12-021.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类