标定必要性
不标定有误差
一般可以基于双矢量、最小二乘、卡尔曼滤波来标定
卡尔曼滤波标定
但卡尔曼滤波标定法对可观测性要求高,在直线航行轨迹情况下,不满足可观测性,工程中较少用
双矢量DVL安装误差刻度因子标定
可以借鉴INS的对准
最小二乘法标定
在INS/DVL组合导航系统中,确实需要对DVL的刻度因数误差 δ K \delta K δK和安装误差角 α , β , γ \alpha, \beta, \gamma α,β,γ进行标定。为了实现这一目标,可以采用以下方法:
- 最小二乘法(Least Squares):最小二乘法是一种广泛应用于参数估计的方法。通过收集一系列的测量数据,利用最小二乘法来最小化估计参数与实际值之间的平方误差和,从而得到参数的估计值。在这种情况下,可以将DVL的速度测量值与INS的速度测量值进行比较,根据误差的平方和最小化原则求解 δ K \delta K δK、 α , β , γ \alpha, \beta, \gamma α,β,γ这4个参数。
- 卡尔曼滤波(Kalman Filter):卡尔曼滤波是一种递归算法,通过不断更新系统状态的预测值和测量值来优化参数估计。在DVL和INS组合导航系统中,可以使用扩展卡尔曼滤波(Extended Kalman Filter, EKF)或者无迹卡尔曼滤波(Unscented Kalman Filter, UKF)对参数进行标定。EKF和UKF分别对非线性系统进行线性化和非线性变换,然后使用卡尔曼滤波算法对参数进行更新。
具体的标定算法如下:
- 首先,需要获取一段时间内的DVL和INS测量数据,包括速度和姿态信息。
- 对数据进行预处理,包括去除异常值、滤波等操作,以减小测量噪声对参数估计的影响。
- 选择一种参数估计方法(如最小二乘法、卡尔曼滤波等),根据DVL和INS的测量值之间的关系,建立误差模型。
- 使用误差模型和选择的参数估计方法,求解最优的 δ K \delta K δK、 α , β , γ \alpha, \beta, \gamma α,β,γ参数值。
- 对求解得到的参数进行验证,可以通过比较标定前后的组合导航结果来评估标定效果。
在实际操作中,可能需要根据具体的系统和场景选择合适的标定方法和算法。同时,可能需要多次迭代和优化,以提高标定精度和鲁棒性。
具体说说最小二乘步骤
-
首先收集一段时间内的DVL和INS测量数据,包括速度和姿态信息。
-
对数据进行预处理,包括去除异常值、滤波等操作,以减小测量噪声对参数估计的影响。
-
建立误差模型。根据DVL和INS的安装误差角和刻度因数误差,可以得到DVL测量速度在INS坐标系下的表示。设DVL在其安装坐标系下的测量速度为 v D V L v_{DVL} vDVL,经过安装误差角旋转矩阵 R α , β , γ R_{\alpha, \beta, \gamma} Rα,β,γ和刻度因数误差 δ K \delta K δK后,可以得到DVL在INS坐标系下的测量速度 v D V L ′ v_{DVL}^{'} vDVL′,
即: v D V L ′ = δ K ⋅ R α , β , γ ⋅ v D V L v_{DVL}^{'} = \delta K \cdot R_{\alpha, \beta, \gamma} \cdot v_{DVL} vDVL′=δK⋅Rα,β,γ⋅