摘要 - 由于微机电系统(MEMS)的发展,有可能制造出小尺寸和廉价的加速度计和陀螺仪,这些加速度计和陀螺仪被用于执行GPS / INS集成的许多应用中,例如识别轨道缺陷,导航,地理参考,农业等。尽管这些MEMS设备具有低成本,但它们呈现出不同的误差,这些误差在短时间内降低了导航系统的精度。因此,为了提高系统性能,须对这些误差进行适当的建模。在这项工作中,Allan Variance和Power Spectral Density技术用于识别影响惯性传感器数据的随机过程。一旦识别出随机分量,就使用一阶Gauss-Markov和随机游走过程对它们进行建模。评估了两个模型,将扩展卡尔曼滤波器(EKF)的状态增加到6和9.随后,实现了结合自回归滤波器和小波去噪的惯性传感器的另一种分析和建模,并且在这种情况下,松散的EKF耦合GPS / INS集成策略增加了6,12和18个状态。最后,结果显示了这些传感器误差模型与GPS中断条件下的实际数据之间的比较。
在这项工作中,我们使用松散耦合的积分和反馈,通过闭环纠正INS错误。该方法将惯性解与具有位置和速度的残余误差的GPS数据组合作为扩展卡尔曼滤波器(EKF)的输入。INS误差动力学方程建立在EKF中,最初有9种状态用于位置,速度和姿态误差。
EKF适用于每个误差模型,以评估从先前分析获得的六个随机误差模型。首先,实现了从AV和PSD中提取的两个模型,因此扩展卡尔曼滤波器的矢量误差状态增加了6和9个状态。随后,评估了三个自回归模型,增加了具有6,12和18个状态的EKF。应当注意,如果AR模型的阶数增加1,则扩展卡尔曼滤波器(EKF)的状态向量中的变量将增加6,因为该模型将用于六个惯性传感器中的每一个。表IV总结了3DM-GX3传感器的随机模型以及松耦合GPS / INS集成所需的状态数。
用于松散耦合积分的EKF具有针对两个模型的15个状态,一个是利用AV PSD获得的模型,其中加速度计和陀螺仪的偏置不稳定性(B)用一阶高斯 - 马尔可夫过程建模。具有15个状态的第二模型是一阶AR模型。
为了评估惯性传感器误差模型的性能,车辆配备了3DM-G3X MEMS级IMU和带有u-blox LEA-5X接收器的Sat-Surf平台[23]。该数据集是在城市收集的。
尽管三阶AR模型呈现最小误差,但必须提到的是,可以改进这些结果来计算确定性误差并实现INS对准。此外,为了保证INS / GPS精确集成,有必要分析惯性传感器的温度影响,因为基于MEMS的IMU行为取决于温度。关于二阶AR模型,它使EKF不稳定,因此它已从结果中删除。还有必要考虑这些模型在具有GPS信号阻塞的不同情况下的行为。
以上文章为部分原文译文,原文请见https://www.researchgate.net/publication/228326908_Analysis_and_Modelling_of_MEMS_Inertial_Measurement_Unit
版权所有:
Alex G. Quinchia and
Carles Ferrer†
Universitat Aut`onoma de Barcelona
†Institut de Microelectr `onica de Barcelona
(CNM, CSIC)
Barcelona, Spain
Gianluca Falco
Emanuela Falletti and
Fabio Dovis
Politecnico di Torino and Istituto
Superiore Mario Boella
Turin, Italy
上一篇:没有了!