一种低动态高振动环境下的BDS/INS紧组合导航方法技术

本发明专利技术提出一种低动态高振动环境下的BDS/INS紧组合方法，该方法获取低动态高振动环境下的移动载具的INS原始数据以及同步的BDS原始数据；首先对INS原始数据进行EMD‑ICA去噪处理，得到去噪后的INS数据；将EMD‑ICA去噪后的INS数据与BDS原始数据进行紧组合Kalman滤波解算；将Kalman滤波解算后的数据做RTS平滑处理，得到整个导航过程中移动载具在当地地理坐标系中的位置、当地地理坐标系下三方向的速度和姿态信息,从而获得移动载具的具体定位信息，结合目的地的地理信息从而实现对移动载具的精确导航。

A BDS/INS Tight Integrated Navigation Method in Low Dynamic and High Vibration Environment

【技术实现步骤摘要】
一种低动态高振动环境下的BDS/INS紧组合导航方法
本专利技术涉及一种导航方法，尤其适用于一种导航领域使用的低动态高振动环境下的BDS/INS紧组合导航方法。
技术介绍
随着卫星定位技术的发展，GPS/INS组合导航用于动态定位的研究非常广泛，通过GPS/INS紧组合提高系统的定位性能。目前，我国BDS系统与GPS系统具有相同的信号调制方式，并且BDS已具备全球导航定位服务能力。BDS/INS紧组合方法具有更高的导航精度，能进行复杂环境的导航定位。目前，国内外多数论文和专利主要针对INS原始数据降噪提出解决方案，且大多采用小波阈值降噪、EMD降噪方法以及EMD-小波降噪方法，小波阈值降噪方法不能抑制异常噪声的干扰，且需事先确定基函数和分解层数，不具有自适应能力，同时降噪结果受阈值和阈值函数的影响较大；对于EMD降噪，当信号的信噪较低且存在脉冲干扰或异常噪声时，信号的极值点分布不均匀，从而产生模态混叠现象，导致相邻2个IMF分量混叠，难以区分，从而影响EMD降噪效果；EMD-小波降噪模型中，需确定高频IMF进行小波降噪，故降噪效果受高频IMF数量的影响，同样地，当信号的信噪较低且存在脉冲干扰或异常噪声时，EMD-小波降噪的降噪效果不理想。目前的低动态高振动环境是指：搭载BDS和INS的移动载具行驶速度缓慢，但该移动载具却处于高频不规则振动中，这种低动态高振动环境将同时影响BDS和INS定位解算：对于BDS，快速振动会导致BDS卫星信号跟踪失锁，从而难以固定整周模糊度；对于INS，低动态高振动会使惯性器件的观测信号淹没在高频噪声中，大幅降低BDS/INS紧组合导航定位精度。因此，有必要提出一种技术手段，解决上述问题。
技术实现思路
专利技术目的：针对上述技术的不足之处，提供一种利用EMD-ICA算法对INS原始数据进行去噪处理，有效提高整周模糊度解算的速度，再利用KF-RTS平滑算法对数据去噪处理，提高运移动载具在低动态高振动环境下导航定位精度的低动态高振动环境下的BDS/INS紧组合导航方法。技术方案：为实现上述技术效果，本专利技术低动态高振动环境下的BDS/INS紧组合导航方法，包括以下步骤：步骤1：获取低动态高振动环境下的移动载具的INS(惯性导航系统)原始数据以及同步的BDS(北斗卫星导航系统)原始数据,并对INS原始数据进行EMD-ICA(经验模态分解-独立分量分析)去噪处理，得到去噪后的INS数据；步骤2：将INS原始数据与BDS原始数据进行紧组合中的Kalman滤波解算，得到紧组合处理后移动载具在当地地理坐标系中的位置、当地地理坐标系三轴方向的速度和姿态信息；步骤3：对Kalman滤波解算后的数据进行RTS(Rauch-Tung-Striebel)平滑处理削弱噪声信号的影响，得到移动载具平滑后在当地地理坐标系中更精确的位置、当地地理坐标系三轴方向的速度和姿态信息，从而获得移动载具的具体定位信息，结合目的地的地理信息从而实现对移动载具的精确导航。所述步骤1的去噪处理包括将原始INS数据通过小波滤波去噪，减去其均值，将结果作为INS数据误差模型的参考信号rt：步骤1.5中求出陀螺仪数据误差信号后，以此作为误差改正模型，对INS原始观测数据进行改正，即用原始数据减去误差信号数据得到去噪后的数据。步骤1.1：利用陀螺仪与加速度计采集移动载具的信息，包括陀螺仪的x、y、z轴三轴角速度信息与加速度计的x、y、z轴的三轴加速度信息，将所有陀螺仪与加速度计归入观测历元，对观测历元内的上述六种信息进行去噪处理；步骤1.2：首先处理陀螺仪x轴数据，将原始陀螺仪x轴数据进行EMD(经验模态分解)分解，得到n个IMF(本征模态函数)分量：找出原始陀螺仪x轴数据q(t)的所有极大值点序列和极小值点序列，将这两个序列分别用三次样条差值拟合成上、下包络线；计算上、下包络线对应的均值序列mi，将所有原始陀螺仪x轴数据构成序列q并利用公式：hi＝q(t)-mi与得到hi，hi为中间变量；查看hi是否满足IMF筛选条件：如满足公式：则IMFi(t)＝hi(t)，否则将hi看成新的q(t)继续迭代计算：利用公式：ri(t)＝ri-1(t)-IMFi(t)计算剩余信号的残余分量ri(t)；IMFi(t)为第i个本征模态函数，t表示本征模态函数是时间t的函数；检测残余分量ri(t)是否为单调数，若ri(t)极值点个数不少于2个，则判断ri(t)不为单调函数，则i＝i+1，继续以上步骤；否则，分解结束；最终使用EMD分解将原始陀螺仪x轴数据分解成n个IMF分量和一个残余分量rn的和：步骤1.3：将分解后的n个IMF分量作为虚拟观测数据Q为EMD分解后的IMF分量，q为原始数据，利用ICA-R方法(参考独立分量分析方法)提取出期望信号et：首先对虚拟观测数据QL×n去均值并进行白化，得到矩阵Z，初始化惩罚因子γ，选择一个随机的初始向量w0并标准化；选择拉格朗日乘系数u和λ的初值；计算ρ＝E{G(y)}-E{G(v)}，其中ρ为中间变量，无具体含义；E表示求函数的期望；G为任意非二次函数，自变量y表示与具有相同方差的变量，v为一个零均值单位方差的高斯变量。利用公式：uk+1＝max{0，uk+γg(wk)}和λk+1＝λk+γh(wk)更新u和λ；利用公式：更新w，标准化w直到|w(k+1)Tw(k)-1|趋近于0，式中y为与具有相同方差的变量，μ为拉格朗日乘子，η为比例系数，取值范围在0～1之间，求取q的协方差矩阵月q＝E{qqT}，对求得的正常数ρ取符号函数Gy(y)、和gy(y)、分别为Gy和gy关于y的一阶导数和二阶导数，其中G与g为两不同的任意实际非二次函数，最后求取迭代分量et＝wZ；步骤1.4：求解陀螺仪数据幅值恢复的比例系数a，a＝avg(at)，(t＝1，2，…n)，n为观测历元数；a是at的平均值，at表示历元t的幅值恢复系数。步骤1.5：利用公式：s1，s1＝a·et求得期望的陀螺仪x轴数据误差信号s1：通过将误差信号s1从原始数据中剥离从而获得陀螺仪数据的有用信号，从而完成对原始INS数据去噪处理；式中et为期望信号；步骤1.6：重复上述步骤从而完成陀螺仪的x、y、z轴三轴角速度信息与加速度计的x、y、z轴的三轴加速度信息的去噪处理。所述步骤2包括以下步骤：步骤2.1：构建BDS/INS紧组合的状态方程：包括INS的误差状态方程；步骤2.2：构建BDS/INS紧组合的量测方程：包括双差载波相位定位方程和多普勒测速方程；步骤2.3：使用INS数据辅助BDS数据解算整周模糊度；步骤2.4：将BDS/INS紧组合的状态方程和BDS/INS紧组合的量测方程进行Kalman滤波解算，得到当前时刻移动载具在当地地理坐标系中的位置、当地地理坐标系三轴方向的速度和姿态信息；将BDS/INS紧组合的状态方程和BDS/INS紧组合的量测方程进行Kalman滤波解算，得到解如下式所示：其中，为Xk的Kalman滤波估值，为滤波增益矩阵，为预测的状态向量协方差阵，Rk为量测噪声Vk的对称正定方差阵，Qk为噪声向量Wk的非负定方差阵，为当前时刻状态向量的协方差阵；时刻的量测方程系数矩阵，HkT为Hk的转置；为前一时刻的状态估值；步骤2.5：本文档来自技高网...

【技术保护点】
1.一种低动态高振动环境下的BDS/INS紧组合导航方法，其特征在于，包括以下步骤：步骤1：获取低动态高振动环境下的移动载具的INS原始数据以及同步的BDS原始数据,并对INS原始数据进行EMD‑ICA去噪处理，得到去噪后的INS数据；步骤2：将INS原始数据与BDS原始数据进行紧组合中的Kalman滤波解算，得到紧组合处理后移动载具在当地地理坐标系中的位置、当地地理坐标系三轴方向的速度和姿态信息；步骤3：对Kalman滤波解算后的数据进行RTS平滑处理削弱噪声信号的影响，得到移动载具平滑后在当地地理坐标系中更精确的位置、当地地理坐标系三轴方向的速度和姿态信息，从而获得移动载具的具体定位信息，结合目的地的地理信息从而实现对移动载具的精确导航。

【技术特征摘要】
1.一种低动态高振动环境下的BDS/INS紧组合导航方法，其特征在于，包括以下步骤：步骤1：获取低动态高振动环境下的移动载具的INS原始数据以及同步的BDS原始数据,并对INS原始数据进行EMD-ICA去噪处理，得到去噪后的INS数据；步骤2：将INS原始数据与BDS原始数据进行紧组合中的Kalman滤波解算，得到紧组合处理后移动载具在当地地理坐标系中的位置、当地地理坐标系三轴方向的速度和姿态信息；步骤3：对Kalman滤波解算后的数据进行RTS平滑处理削弱噪声信号的影响，得到移动载具平滑后在当地地理坐标系中更精确的位置、当地地理坐标系三轴方向的速度和姿态信息，从而获得移动载具的具体定位信息，结合目的地的地理信息从而实现对移动载具的精确导航。2.根据权利要求1所述的低动态高振动环境下的BDS/INS紧组合导航方法，其特征在于：所述步骤1的去噪处理包括将原始INS数据通过小波滤波去噪，减去其均值，将结果作为INS数据误差模型的参考信号rt：步骤1.5中求出陀螺仪数据误差信号后，以此作为误差改正模型，对INS原始观测数据进行改正，即用原始数据减去误差信号数据得到去噪后的数据。步骤1.1：利用陀螺仪与加速度计采集移动载具的信息，包括陀螺仪的x、y、z轴三轴角速度信息与加速度计的x、y、z轴的三轴加速度信息，将所有陀螺仪与加速度计归入观测历元，对观测历元内的上述六种信息进行去噪处理；步骤1.2：首先处理陀螺仪x轴数据，将原始陀螺仪x轴数据进行EMD分解，得到n个IMF分量：找出原始陀螺仪x轴数据q(t)的所有极大值点序列和极小值点序列，将这两个序列分别用三次样条差值拟合成上、下包络线；计算上、下包络线对应的均值序列mi，将所有原始陀螺仪x轴数据构成序列q并利用公式：hi＝q(t)-mi与得到hi，hi为中间变量；查看hi是否满足IMF筛选条件：如满足公式：则IMFi(t)＝hi(t)，否则将hi看成新的q(t)继续迭代计算：利用公式：ri(t)＝ri-1(t)-IMFi(t)计算剩余信号的残余分量ri(t)；IMFi(t)为第i个本征模态函数，t表示本征模态函数是时间t的函数；检测残余分量ri(t)是否为单调数，若ri(t)极值点个数不少于2个，则判断ri(t)不为单调函数，则i＝i+1，继续以上步骤；否则，分解结束；最终使用EMD分解将原始陀螺仪x轴数据分解成n个IMF分量和一个残余分量rn的和：步骤1.3：将分解后的n个IMF分量作为虚拟观测数据Q为EMD分解后的IMF分量，q为原始数据，利用ICA-R方法提取出期望信号et：首先对虚拟观测数据QL×n去均值并进行白化，得到矩阵Z，初始化惩罚因子γ，选择一个随机的初始向量w0并标准化；选择拉格朗日乘系数u和λ的初值；计算ρ＝E{G(y)}-E{G(v)}，其中ρ为中间变量，无具体含义；E表示求函数的期望；G为任意非二次函数，自变量y表示与具有相同方差的变量，v为一个零均值单位方差的高斯变量。利用公式：uk+1＝max{0，uk+γg(wk)}和λk+1＝λk+γh(wk)更新u和λ；利用公式：更新w，标准化w直到|w(k+1)Tw(k)-1|趋近于0，式中y为与具有相同方差的变量，μ为拉格朗日乘子，η为比例系数，取值范围在0～1之间，求取q的协方差矩阵Rq＝E{qqT}，对求得的正常数ρ取符号函数G′y(y)、和g′y(y)、分别为Gy和gy关于y的一阶导数和二阶导数，其中G与g为两不同的任意实际非二次函数，最后求取迭代分量et＝wZ；步骤1.4：求解陀螺仪数据幅值恢复的比例...

【专利技术属性】
技术研发人员：张秋昭，张云睿，马春，张书毕，郑南山，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32