要求
1、 以 G318左贡段为例,包含急上坡、急下坡、急拐弯、平直路线; 2、 假设 GNSS 信号时有时无,精度在10米,10秒到5分钟内,随机出现 GNSS 信号,每次 出现维持1分钟;
3、 根据车载的速度表、加速度表、陀螺仪,已知车辆的速度和方向。 4、 没有离线地图,除已知起点 A 和终点 B 的 GNSS 坐标外,另外,假设已知不多于20个关 键途经点的 GNSS 位置,途经点位置自定义。
建立 GNSS、速度表、加速度表等误差模型,使用卡尔曼滤波器的改进型算法,融合 GNSS、 速度表、加速度表和陀螺仪,请实现从起点到终点的车辆导航,并将跟踪出的轨迹显示到地 图上,显示航迹质量曲线及分析稳定时间及质量的影响因素。
摘要
本文基于获取到的原始GPS和IMU数据,旨在设计和实现一种基于Kalman滤波的GPS(全球定位系统)和IMU(惯性测量单元)数据融合的导航系统仿真,以改善导航结果的准确性和稳定性。卡尔曼滤波在全球定位系统与惯性导航系统组合中被广泛应用,以提高导航精度和稳定性。本文提出了一种基于GPS与IMU误差量的松组合方式,利用卡尔曼滤波器融合两种传感器的信息,实现了高精度的导航解算。
本研究设计了基于松(Loosely Coupled)结构的导航系统,根据要求GPS随机获取以及IMU需要进行更新,从而GPS和IMU的误差模型被建模并相互耦合。卡尔曼滤波器根据误差模型和测量值动态地更新状态估计,不断校正GPS和IMU的数据,使其相互校准,从而得到更为精确的导航结果。最后将跟踪出的轨迹显示到地图上,并且显示了航迹质量可信度曲线。
实验结果表明,所提出的基于GPS与IMU误差量的松组合方式在各种环境下都能有效地提高导航精度和稳定性,且质量评估可靠有效。因此,该方法具有很高的实用价值,在航空航天、无人驾驶和精准导航等领域有着广泛的应用前景。
整体框架
整体步骤包括数据处理、数据对准、Kalman滤波模型构建、误差量计算、可信度估计以及导航结果的绘制。如下图 2-1所示。
首先,GPS数据以随机方式获取,包含位置和时间等信息,而IMU利用惯性传感器获取运动状态数据。进一步,通过机械编排(惯导更新),对GPS和INS(惯性导航系统)原始观测数据进行处理,以计算并获取两者之间的误差量。这一步骤需要进行数据对准,并且涉及将INS和GPS的导航结果(速度和位置)转化为GPS基准上的数值,并计算其差值,以获取误差量作为后续Kalman滤波的外部观测信息。
接下来,论文着重构建Kalman滤波模型,将误差量作为外部观测信息输入系统,并将INS和GPS的测量值作为滤波器的输入。通过Kalman滤波器对先前更新的INS数据进行修正和补充,得到更精确的导航结果。在此过程中,对每次Kalman滤波的输出进行卡方检验,计算可信度水平,以评估导航结果的可信度。
最后,论文将Kalman滤波器输出的值转化为差量,用于进行导航绘图,并利用卡方检验获得的可信度估计,绘制反映导航结果可信度的图表。整个流程旨在提升导航系统对GPS和IMU数据融合的处理能力,以提高导航结果的精确性和可靠性,并为导航领域的应用提供更加可信的定位和运动状态信息。
文章目录
基于卡尔曼滤波的GNSS/INS组合导航整体结构图
结果
测试结果
总结
本文综述了 INS/GNSS 松组合导航的基本原理及整体框架, 重点推导了 INS 更新算法, 阐述了 INS/GNSS 松组合导航模型的构建, 基于上述内容,编写了一个用于 INS/GNSS 松组合导航间接法数据处理的仿真程序, 设计实验对GNSS、INS、INS/GNSS三种导航方法进行结果对比以及可信度分析,得出以下主要结论:
导航精度比较: 对比GNSS、INS和INS/GNSS三种导航方法的轨迹精度。INS提供高频率的测量,而GNSS提供绝对位置信息。通过结合这两者,INS/GNSS松组合导航在导航精度方面表现更好。
鲁棒性: 检验在不同环境条件下各导航方法的鲁棒性。INS/GNSS松组合导航在失去GNSS信号时能够继续提供准确的导航信息。
可信度分析: 对实验结果进行可信度分析,整体可信度较高,参考价值较为优越。
误差积累: 检查INS/GNSS松组合导航能够有效减小误差的积累。INS有随时间增长的漂移,而GNSS可能受到信号遮挡或多径效应的影响。而结合两者能够减小误差的累积。