论文部分内容阅读
针对自主水下航行器(Autonomous Underwater Vehicle,AUV)的实际工作环境和需求，本研究对捷联惯性导航系统(Strapdown Inertial Navigation System,SINS)/全球定位系统(Global Positioning System,GPS)/多普勒测速仪(Doppler Velocity Log,DVL)紧组合导航系统信息融合技术进行了理论研究。 捷联惯性导航算法是SINS有效运行的基础，针对AUV的低动态特性，本文介绍了基于Runge-Kutta规则的低动态捷联姿态、速度和位置算法。SINS的解算误差模型是进行信息融合的基础，本文采用通过摄动理论推导的?-角误差模型。相比于φ-角误差模型，其结构更简洁，系数更易获取。 对于声学DVL的误差，可以通过建模的方式加入SINS/DVL组合导航系统。但是，考虑到误差建模精度和系统可观测性的影响，很难保证DVL误差可以被有效估计，进而影响到组合系统精度。因而，本文认为在组合之前应将DVL误差进行校正，文中简要介绍了DVL相关误差的校正方式。对准后的DVL的量测信息是在载体系的投影，本文采用基于摄动理论推导的载体系与计算导航系中的误差状态的相互关系，并以此进行组合系统滤波器的量测更新。计算机仿真结果验证了相关算法正确。 针对SINS/GPS紧组合导航系统量测模型的非线性性质，本文介绍了两种不同思路的非线性滤波器，分别为 Extended卡尔曼滤波器(Extended Kalman Filter, EKF)和Cubature卡尔曼滤波器(Cubature Kalman Filter,CKF)。同时，CKF的正常运行需要维持状态估计均方误差阵的正定性，为此本文介绍了基于QR分解的均方根CKF(Square-root CKF,SCKF)。并以逼近Taylor级数的阶次为标准，理论分析了EKF和CKF的精度，得出EKF具有一阶精度，而CKF具有二阶精度这一结论。然而，计算机仿真结果显示，分别基于两种非线性滤波算法的组合系统几乎具有相同的估计精度。理论分析发现，量测模型 Taylor级数展开式的二阶项的数值远小于量测噪声，在这种弱非线性条件下，CKF的优势无法体现。结合考虑EKF的计算效率高于SCKF，本文研究得出EKF是适用于SINS/GPS紧组合系统的最佳滤波方案。 在影响组合导航系统精度的诸多因素中，除了建模精度与滤波算法精度外，系统可观测性无疑是举足轻重的一项，其决定了系统状态是否能够被滤波器有效估计。考虑到SINS/GPS紧组合导航系统滤波模型不包含量测矩阵(CKF)或量测矩阵结构复杂(EKF)，经典的可观测性分析理论无法有效应用。本文提出一种适用于SINS/GPS紧组合导航系统的可观测性分析方法—瞬时可观测性分析，具体过程为：构建简化的?-角误差模型；基于简化模型构建瞬时可观测性矩阵(Instantaneous Observability Matrix,IOM)；通过捷联算法的思想构建“线机动”和“角机动”的线性模型；在不同的运动环境下，推导了IOM的具体形式；通过分析IOM的零空间得出瞬时可观测性相关结论。主要结论为，几乎所有的线机动和角机动都可以使三通道SINS/GPS紧组合系统瞬时可观测，对应的二通道系统则不然，计算机仿真验证了理论分析的正确性。缺星状态下，滤波器估计效果不稳定，载体机动会加剧这一现象。