聊聊DVL刻度因数误差标定

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$\delta K$和安装误差角$\alpha ,\beta ,\gamma$进行标定。为了实现这一目标，可以采用以下方法：

1. 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$\delta K$、$\alpha ,\beta ,\gamma$这4个参数。
2. 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$\delta K$、$\alpha ,\beta ,\gamma$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

1. 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。

2. 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。

3. 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$v_{DVL}$，经过安装误差角旋转矩阵$R_{\alpha ,\beta ,\gamma }$和刻度因数误差$\delta K$后，可以得到DVL在INS坐标系下的测量速度$v_{DVL}^{{}^{\prime }}$，
   即：$v_{DVL}^{{}^{\prime }}=\delta K\cdot R_{\alpha ,\beta ,\gamma }\cdot$