改进的卡尔曼滤波在MEMS陀螺仪信号处理的应用

针对MEMS陀螺仪的输出随机漂移误差影响测量精度的问题,提岀一种改进的卡尔曼滤波方法进行MEMS陀螺仪误差补偿。传统的卡尔曼滤波方法是针对时域内的随机序列采用统计特性进行递推估计,从而得到测量所需要的信号。本文在传统卡尔曼滤波算法的基础上引入衰减因子和差分控制项,以此自适应地估计卡尔曼滤波量测噪声方差,并结合硬件系统将该算法进行静态性能试验和动态性能试验,使用Allan方差分析法对原始陀螺仪信号以及误差补偿后的陀螺仪信号进行对比分析。对比数据结果表明,陀螺仪静态随机误差得到了有效的抑制,从而验证了该算法在陀螺仪静态数据处理方面具有一定的应用价值。     

基于MAEKF算法的航姿参考系统设计

构建了以低成本MEMS陀螺仪、加速度计和磁传感器组合的航姿参考系统,提出了一个乘性自适应扩展卡尔曼滤波算法.取乘性误差四元数和陀螺仪误差作为状态量,基于重力场和磁场构造了量测矢量,用于修正航姿数据.并采用准确量测法,给滤波器加入了四元数的归一化约束,最后给出了基于新息的估计量测噪声方差矩阵的公式.通过仿真和试飞验证,表明本文设计的低成本的航姿参考系统能够提供比较准确的航姿信息.与常规的扩展卡尔曼滤波器比较,本文设计的乘性自适应扩展卡尔曼滤波算法有效提高了系统的精度和稳定性,并且具有较好的鲁棒性.     

一种自适应残差补偿算法在移动机器人姿态估计中的应用研究

针对两轮移动机器人MEMS IMU姿态估计的数据融合问题,提出一种以卡尔曼滤波为基础的自适应残差补偿算法。该算法结合惯性传感器误差模型与移动机器人姿态模型构建卡尔曼滤波器,利用卡尔曼滤波量测更新的加速度残差自适应补偿非重力载体位移加速度对姿态估计的影响。实验结果表明,该算法有效的融合了MEMS IMU姿态测量数据,抑制了传感器随机漂移误差,同时自适应补偿了非重力载体位移加速度。     

组合导航自适应卡尔曼滤波改进算法研究

针对常规卡尔曼滤波由于噪声的统计特性与实际情况不相符而引起滤波误差增大的问题,提出了一种新的在线估计系统噪声和量测噪声的自适应滤波算法.新算法通过新息序列自适应量测噪声,对Sage-Husa滤波算法进行改进以估计系统噪声,该算法在噪声统计特性未知的情况下能进行滤波计算.最后对改进的新算法与常规卡尔曼滤波算法作了对比试验...     

基于卡尔曼滤波算法的MEMS陀螺仪误差补偿研究

为了补偿MEMS陀螺仪的漂移误差,本文采用了一种新的卡尔曼滤波算法。文中对MPU3050陀螺仪进行分析,提出其漂移模型。通过分析陀螺仪的误差,建立陀螺仪的误差模型。卡尔曼滤波的效果通过阿伦方差进行评估,与其他滤波算法比较,在MEMS陀螺仪中采用卡尔曼滤波算法可以有效的减少SCM（单片机）计算,并在转台上对陀螺仪进行测试。实验结果表明,结合误差模型和卡尔曼滤波算法可有有效的减少陀螺仪的漂移误差。     

基于自适应滤波的MEMS姿态确定方法

针对消费类电子设备对姿态测量系统的需求,本文提出了一种基于MEMS加速度计、陀螺仪和磁强计的九轴姿态确定算法.针对实际系统中传感器量测噪声未知的情况,首先介绍了一种基于矢量观测器的矩阵Kalman滤波姿态确定算法,然后利用残差匹配技术,设计了一种基于残差匹配的自适应滤波方法.论文采用自适应滤波对传感器量测噪声进行估计,并将估计的量测噪声代入线性矩阵Kalman滤波算法,有效解决了线性矩阵Kalman滤波需要准确量测噪声统计信息的缺陷.最后设计了仿真实验验证本文提出的算法,并将其与线性矩阵Kalman滤波算法比较.仿真结果表明,自适应矩阵Kalman滤波的姿态旋转误差角为0.6091°,标准差为0.3009°,能够有效的估计传感器量测噪声,并具有更高的姿态确定精度和稳定性.     

基于新息自适应卡尔曼滤波的加速度计信号降噪

针对加速度计信号降噪中精度有限、噪声统计规律不能完全确定等实际问题,提出了一种新的自适应卡尔曼滤波算法.利用新息自适应估计出了系统噪声和量测噪声的协方差阵,采用不同滑动窗口宽度设计了一组并行滤波器,通过加权优化获得了一个综合白适应滤波器,从而使该降噪方法不仅具有噪声白适应估计能力,而且对新息方差估计所需的滑动窗口宽度的选取进行了优化.理论上推导了该降噪算法的基本过程,并进行了加速度计实测数据降噪试验.试验结果表明,该降噪方法能获得较好的滤波效果,降噪后加速度计信号的噪声方差强度减少了5个数量级.     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

阈值去噪与RBF神经网络在MEMS陀螺仪误差补偿中的应用

针对现有MEMS陀螺仪中随机误差较大,导致器件输出信噪比低进而影响其应用范围的现状,提出一种基于小波阈值去噪与梯度径向基( RBF)神经网络结合的MEMS陀螺漂移非平稳时间序列建模预测方法。首先采用Allan方差法分析了MEMS陀螺仪的主要随机误差,随后利用小波阈值去噪分离出MEMS陀螺误差模型中的白噪声及漂移误差,最后采用RBF神经网络对漂移数据进行建模。通过实验对文中所述的误差补偿方法进行验证,表明了方法的有效性,对于基于MEMS陀螺仪的惯导系统精度提高具有重要意义。     

深度学习下MEMS陀螺温度误差补偿方法

针对MEMS陀螺仪因材质特性,制造工艺等差异导致输出数据受温度影响的问题.本文在传统温度误差补偿的基础上,提出将深度学习与神经网络相结合,通过LSTM神经网络进行温度误差补偿,从而减小温度变化引起的陀螺的温度漂移.分析了MEMS陀螺仪的温度特性,并在RNN神经网络模型的基础上,建立多层LSTM神经网络模型,利用基于AD...     

基于Kalman滤波和神经网络的MEMS陀螺温度漂移补偿

MEMS陀螺温度漂移严重影响系统的测量精度。传统的BP神经网络建模补偿容易使权值和阈值陷入局部极小值,导致网络训练失败。陀螺输出信号中的高频噪声也会影响模型精度。针对上述问题,该文提出一种Kalman滤波结合粒子群算法(PSO)优化BP神经网络的MEMS陀螺温度漂移补偿方法。首先对陀螺进行了温度漂移测试实验,然后采用Kalman滤波对实验数据进行降噪,最后建立陀螺温度漂移模型,从而实现温度漂移的补偿。实验结果表明,采用该方法补偿后MEMS陀螺在不同温度下的输出方差降低了65.09%,与传统的BP神经网络相比补偿精度明显提高。     

基于旋转矩阵KF的低成本MEMS姿态解算

针对低成本MEMS器件组合的姿态检测系统在运动加速度干扰下姿态估计精度较差等问题,提出了一种基于旋转矩阵卡尔曼滤波器(KF)的姿态解算方法.为了克服四元数法观测方程为非线性的缺点,该方法以旋转矩阵部分元素建立状态方程,并对量测加速度采用状态反馈估计的运动加速度进行补偿,减小了外部加速度的干扰,然后通过构造水平观测向量降低了计算复杂度,并给出了量测噪声协方差的推导.最后设计了卡尔曼滤波器对量测信息实现融合.动静态测试表明,该方法消除了累计误差,与无迹卡尔曼滤波(UKF)相比,提高了在运动加速度干扰下的姿态估计精度.     

动态捷联惯导/多卫星组合导航自适应联邦滤波算法研究

研究了一种基于动态扰动的滤波算法,用以提高动态扰动情况下捷联惯导/多卫星组合导航系统 的精度和可靠性．该算法采用几何精度因子（GDOP）对量测噪声进行自适应调节,利用卡尔曼滤波器的新息 量对状态噪声协方差阵进行整体控制,同时根据具有时变特性的各子系统误差协方差阵对信息分配系数进行 自适应调节．通过对SINS/GPS/Galileo/北斗组合导航系统的仿真,分析对比了常规联邦滤波、Sage 自适应联邦 滤波和本文所提自适应联邦滤波算法．结果表明,该自适应联邦滤波算法能够有效抑制动态扰动,提高组合 导航系统的精度和可靠性．     

基于多传感器的运动姿态测量算法

在基于MEMS传感技术的运动姿态测量中, 陀螺仪信号的漂移和载体线性加速度与重力加速度的叠加是影响测量结果准确性的主要原因, 实践中一般采用静态补偿和滤波技术减小测量误差. 基于自主研发的惯性测量单元, 设计了一种新型两级扩展卡尔曼滤波器: 基于四元数的运动姿态测量模型, 首先构造自适应加速度误差协方差矩阵, 消除载体线性加速度, 再采用多传感器融合技术进行数据融合, 修正陀螺仪信号漂移产生的误差. 实验表明, 本文算法结果与业界认可的动作捕捉系统Xsens的测量结果一致, 可有效满足应用需求.     

无人机自适应姿态角度估计仿真

针对复杂环境下传感器噪声未知且不断变化,会导致姿态融合结果不准确的问题,设计了一种基于单新息自适应算法的卡尔曼滤波器,对加速度计和陀螺仪噪声协方差进行在线估计。首先,介绍了能够结合各个传感器优势的无人机姿态融合算法。然后,设计了采用基于单新息自适应算法的卡尔曼滤波器,给出了能够在线估计加速度噪声协方差R和陀螺仪噪声协方差Q的自适应算法。MATLAB仿真表明单新息自适应卡尔曼滤波器在环境噪声变化时,能够更准确地获得无人机的姿态信息,提高了姿态融合精确度,提高了滤波器的鲁棒性。     

野值存在下的BP网络自适应卡尔曼滤波

野值的存在会严重影响滤波器的稳定性和滤波精度,甚至会引起滤波器发散。定量分析了野值对卡尔曼滤波器的影响,提出了一种抗野值的BP网络自适应卡尔曼滤波算法。通过BP网络对新息序列估计方差的变化率进行实时监测和计算,输出一组加权系数对模型中系统噪声和量测噪声作＂在线＂修正,从而有效地抑制了连续野值对滤波器的影响。经仿真证明算法提高了滤波器的精度和稳定性,同时对单个离散野值也有较好的滤波效果。     

基于信息补偿的自适应联邦滤波算法

针对采用标准卡尔曼滤波器必须知道系统噪声统计特性的局限性，研究了一类系统噪声未知情况下的自适应联邦滤波方法，指出了自适应滤波方法应用于联邦结构时应当注意的问题，提出了一种基于信息补偿的自适应联邦滤波算法。SINS／BDS／GPS组合导航系统的仿真结果表明，该方法可以有效抑制系统噪声未知情况下的滤波发散现象，提高了滤波的稳定性和估计性能。