- 博客(20)
- 收藏
- 关注
RSS订阅原创 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&
2020-10-31 20:49:30
960
1
原创 捷联惯导系统学习7.4(车载惯性/里程仪组合导航 )
航位推算算法（Dead Reckoning，DR）利用位姿、航向、行驶里程信息推算载车相对于起始点的位置。里程仪（odometer）:输出一般是载车在一小段内行驶的路程增量，为了方便分析，假设里程仪输出的是瞬时速度。轮式车辆往往分为转向轮和非转向轮，非转向轮始终与车体正前方一致，这里假设里程仪测量的是非转向轮的信号。理想情况下：载车正常形式，前进取正，倒车取负，且车轮紧贴地面无打滑、滑行、弹跳。设车体坐标系为m系，oym:在和载车车轮相接处的地平面内,ozm：垂直与地平面内向上为正;0xm指向右方oy
2020-10-30 20:31:36
2179
原创 捷联惯导系统学习7.3(惯性/卫星组合导航 )
全球卫星组合导航系统：GPS（美国全球定位系统）、GLONASS（俄罗斯格洛纳斯）、BDS（中国北斗）、GALILEO(欧盟伽利略)。系统构成：卫星、地面测控站、用户设备卫星信号微弱，极易受到干扰，但提供的位置误差不会随时间积累，可以与惯导系统互补，发挥两种系统优点。空间杆臂误差卫星与惯导存在误差惯导（IMU）是以传感器几何中心作为导航定位和测速的基准的;卫星导航是以接收天线的相位中心作为参考点的。两者之间存在的偏差称为空间杆臂误差...
2020-10-27 21:52:26
2340
原创 捷联惯导系统学习7.2(捷联惯导精对准 )
捷联惯导的粗对准误差可达(’)数级，方位失准角为(。^。。)数级。若在进行粗对准以后进入纯惯导导航，导航误差将迅速发散，需要进一步精对准，减小失角误差。捷联惯导系统精对准令wenb=0w^b_{en}=0wenb=0Cbn:导航系与载体系的转换矩阵wibb:陀螺仪输出，载体系相对于惯性系的角速度wieb:地球自转引起的导航系的旋转C^n_b:导航系与载体系的转换矩阵\\w^b_{ib}:陀螺仪输出，载体系相对于惯性系的角速度\\w^b_{ie}:地球自转引起的导航系的旋转Cbn:导航系与
2020-10-26 16:27:29
1089
原创 捷联惯导系统学习7.1(捷联惯导粗对准 )
初始对准：确定导航参数姿态、方位、速度、位置的初始值，方位的初始化是最难的。单独的惯导难以长时间维持高精度定位导航，需要与其他方式综合。捷联惯导粗对准初始对准具体就是确定导航参考坐标系的一个过程，寻找导航坐标系（一般为东北天坐标系）与载体坐标系之间的对应关系。双矢量定姿方法一已知两个不共线的矢量V1,V2V_1,V_2V1,V2,在坐标r（导航坐标系）系投影为V1r,V2rV^r_1,V_2^rV1r,V2r,b系（载体坐标系）下的投影为V1b,V2bV_1^b,V^b_2V1b,
2020-10-24 21:32:34
1555
原创 捷联惯导系统学习6.13(状态估计的误差分配与可观测度分析 )
实际上，现实系统的工作时间总是有限的，通常不会出现绝对稳定的情况，在有限的时间内滤波结果或多或少会受到初值的影响。对于高维数的时变随机系统，不可能从理论上用解析方法分析滤波器的稳定性和状态估计效果...
2020-10-22 20:55:14
648
原创 捷联惯导系统学习6.12(随机系统的可控性、可观性与滤波器的稳定性分析 )
随机系统模型为{Xk=Φk/k−1Xk−1+Γk/k−1Wk−1Zk=HkXk+Vk\begin{cases} X_k=\Phi_{k/k-1}X_{k-1}+\Gamma_{k/k-1}W_{k-1}\\Z_k=H_kX_k+V_k\\\end{cases}{Xk=Φk/k−1Xk−1+Γk/k−1Wk−1Zk=HkXk+Vk随机可控性如果对于时刻j，存在正整数N,使得：Λ(j,j+N):随机可控性格莱姆矩阵\Lambda(j,j+N):随机可控性格莱姆矩阵Λ(j,j+N
2020-10-21 13:33:59
595
1
原创 捷联惯导系统学习6.10(间接滤波与滤波矫正 )
非线性系统的拆分已知非线性随机系统模型：{Xk=g(Xk−1,Wk−1)Zk=j(Xk,Vk)\begin{cases}X_k=g(X_{k-1},W_{k-1})\\Z_k=j(X_k,V_k)\\\end{cases}{Xk=g(Xk−1,Wk−1)Zk=j(Xk,Vk)g()和j()g()和j()g()和j()均是非线性的向量函数，将原始系统式分解为两部分：{Xk=Xkn+ΔXkZk=h(ΔXk)+Vk\begin{cases}X_k=X^n_k+\Delta X_k\\
2020-10-20 14:46:48
374
原创 捷联惯导系统学习6.9(非线性滤波方法 )
对于非线性系统，先进行泰勒级数展开，略去高阶项近似为线性系统，再做线性kalman估计。向量的泰勒级数展开某一个含n个自变量，m维向量函数f(x)f(x)f(x)如下：Y=f(x),X=[x1x2...xn]T,Y=[y1y2...yn]TY=f(x),X=\left[\begin{matrix}x_1&x_2&...&x_n \end{matrix}\right]^T,Y=\left[\begin{matrix}y_1&y_2&...&y_n \en
2020-10-19 15:47:51
174
原创 SLAM中非线性优化(Eigen实现 最小2乘法)
安装matplotlibcpp.h 画散点图下载：git clone https://github.com/lava/matplotlib-cpp例子使用：#include "matplotlibcpp.h"namespace plt = matplotlibcpp;int main() { plt::plot({1,3,2,4}); plt::show();}编译：g++ minimal.cpp -std=c++11 -I/usr/include/python2.7 -l
2020-10-16 17:06:46
508
原创 SLAM中非线性优化
这里是笔记，详细请查看链接线性最小二乘非线性最小二乘基础知识<UD分解>P:n阶正定的对称矩阵P:n阶正定的对称矩阵P:n阶正定的对称矩阵对矩阵P进行上三角-对角分解:U:上三角阵U:上三角阵U:上三角阵D:对角阵D:对角阵D:对角阵P=UDUTP=[P11P12...P1nP21P22...P2n............Pn1Pn2...Pnn],U=[U11U12...U1nU21U22...U2n............Un1Un2...Unn](Uii=1,(i=1,2
2020-10-15 14:37:01
262
捷联惯导系统学习6.7(量测故障检测与强跟踪滤波 )
系统状态空间Xk:n维状态向量X_k:n维状态向量Xk:n维状态向量Zk:m维测量向量Z_k:m维测量向量Zk:m维测量向量Φk/k−1:已知的系统结构参数\Phi_{k/k-1}:已知的系统结构参数Φk/k−1:已知的系统结构参数Γk/k−1:已知的系统结构参数，分别为n×l阶系统分配噪声\Gamma_{k/k-1}:已知的系统结构参数，分别为n×l阶系统分配噪声Γk/k−1:已知的系统结构参数，分别为n×l阶系统分配噪声Hk:已知的系统结构参数，分别为m×n阶测量矩阵H_k:已知的系统
2020-10-15 14:03:06
399
2
原创 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。 量测噪声方差阵自适应算法系统状态空间Xk:n维状态向量X_k:n维状态向量Xk:n维状态向量Zk:m维测量向量Z_k:m维测量向量Zk:m维测量向量Φk/k−1:已知的系统结构参数\Phi_{k/k-1}:已知的系统结构参数Φk/k−1:已知的系统结构参数Γk/k−1:已知的系统结构参数，分别为n×l阶系.
2020-10-14 13:44:49
3807
原创 捷联惯导系统学习6.5(遗忘滤波 )
原理作用当系统建模存在偏差时，滤波器往往出现过度拟合，不能反映系统真实状态，均方误差阵PkP_kPk并不能反映状态估计精度。解决办法是修改系统噪声Qk,Q_k,Qk,和量测噪声RkR_kRk的权重，从而减少历史信息的权重，相对提高了新信息的权重，减小系统惯性，在建模不准情况下改善滤波性能。系统状态空间Xk:n维状态向量X_k:n维状态向量Xk:n维状态向量Zk:m维测量向量Z_k:m维测量向量Zk:m维测量向量Φk/k−1:已知的系统结构参数\Phi_{k/k-1}:已知的系统结构参.
2020-10-14 09:59:09
401
原创 捷联惯导系统学习6.4(UD分解滤波 )
UD(unit upper traingular& diagonal factorization)分解滤波UD(unit upper traingular& diagonal factorization)分解P:n阶正定的对称矩阵P:n阶正定的对称矩阵P:n阶正定的对称矩阵对矩阵P进行上三角-对角分解:U:上三角阵U:上三角阵U:上三角阵D:对角阵D:对角阵D:对角阵P=UDUTP=[P11P12...P1nP21P22...P2n............Pn1Pn2...Pnn
2020-10-13 13:58:33
1608
1
原创 捷联惯导系统学习6.4(奇异值分解滤波 )
奇异值（singular Value Decomposition,SVD）分解滤波将三角阵的求逆变为对角阵(plotter平方根滤波)的求逆,大大降低计算量已知kalman滤波均方误差阵更新公式如下:Pk/k−1=Φk/k−1Pk−1Φk/k−1T+Γk−1Qk−1Γk−1TPk−1=Pk/k−1−1+HkTRk−1HkP_{k/k-1}=\Phi_{k/k-1}P_{k-1}\Phi^T_{k/k-1}+\Gamma_{k-1}Q_{k-1}\Gamma_{k-1}^T \\P_k^{-1}=P_
2020-10-12 11:23:35
667
原创 捷联惯导系统学习6.4(平方根滤波 )
平方根滤波针对经典Kalman滤波中，状态误差阵PkP_kPk是状态估计的平方，可能占有更多位数，所以使用状态误差阵PkP_kPk的平方根进行更新，减少数值位数和计算误差（在早期计算机中比较有校）。Potter平方根滤波将均方误差阵PkP_kPk分解为下三角阵，再求平方根Cholesky分解P:n阶正定对称矩阵P:n阶正定对称矩阵P:n阶正定对称矩阵总可以得到：P=[P11P12...P1nP21P22...P2n............Pn1Pn2...Pnn],Δ=[δ11δ12..
2020-10-10 14:06:16
1358
1
原创 捷联惯导系统学习6.3(信息滤波与信息融合 )
信息滤波在kalman滤波中定义：Pk=E[(Xk−E^[Xk])(Xk−E^[Xk])T]P_k=E[(X_k-\hat E[X_k])(X_k-\hat E[X_k])^T]Pk=E[(Xk−E^[Xk])(Xk−E^[Xk])T]当Pk→0P_k \rightarrow 0Pk→0，X^k\hat X_kX^k接近于真实值。在信息滤波中定义：Ik:信息矩阵I_k:信息矩阵Ik:信息矩阵Ik=Pk−1=E[(Xk−E^[Xk])(Xk−E^[Xk])T]−1I_k=P_k^{
2020-10-09 11:16:18
345
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人