一种MEMS传感器累积误差修正方法技术

本发明专利技术公开了一种MEMS传感器累积误差修正方法，包括以下步骤：S1、利用降噪算法进行MEMS传感器观测值预处理；S2、利用MEMS传感器计算航向；S3、优化经MEMS传感器得到的航向；S4、利用iBeacon信号计算航向；S5、融合iBeacon信号计算的航向与优化后的MEMS传感器计算的航向修正航向误差。本发明专利技术采用上述MEMS传感器累积误差修正方法，实验证明增加iBeacon定位修正和航向修正后，整体定位精度提升至3米以内，有效的修正了MEMS传感器算法的累积误差，增强了导航定位系统的稳定性和可持续性。增强了导航定位系统的稳定性和可持续性。增强了导航定位系统的稳定性和可持续性。

【技术实现步骤摘要】
一种MEMS传感器累积误差修正方法


[0001]本专利技术涉及MEMS传感器
，尤其涉及一种MEMS传感器累积误差修正方法。

技术介绍

[0002]随着MEMS技术的迅速发展和普及，MEMS传感器在尺寸、成本、重量和功耗等方面的优势，使得基于MEMS惯性传感器的行人导航系统得以实现。基于MEMS惯性传感器的行人导航系统可简称为惯性行人导航系统，为行人导航提供了一种全新的技术方案，是穿戴式智能系统一个新兴的应用方向，开创了捷联惯导系统推广与应用的新局面。近十年来，随着MEMS技术的进一步发展，惯性行人导航系统吸引了众多研究机构和研究人员的目光，成为惯性导航、行人导航、室内导航和穿戴式智能系统领域的一大研究热点。
[0003]智能终端是本实施例的基础平台，内置了多种传感器，其中惯性传感器是惯性导航定位的主要数据来源，这些MEMS传感器可以实时准确的感知行人及周围环境的变化并提供丰富的观测数据，为实现行人导航定位提供了有力的保障。但智能终端MEMS传感器会因元器件物理结构变化及环境干扰而产生测量误差，总体上可分为系统误差和随机误差。这些误差会直接影响依赖于MEMS传感器的导航定位系统的精度。
[0004]MEMS传感器属于消费级产品，其具有质量轻、体积小、功耗低、成本低、易集成等优点，这使得基于MEMS传感器的导航定位技术成为理想的行人导航定位手段之一。但是基于MEMS传感器的导航定位系统单独工作时，但噪声大、精度低、稳定性差，定位误差会随时间迅速增长，且容易受外界环境干扰和自身震荡影响，使得估计的步长和航向产生较大的偏差，定位误差也随之增大。伴随着行进距离的增加，定位误差越来越大，仅依赖MEMS传感器的导航定位算法，必然难以保证定位结果的精度，最终致使系统无法正常工作。因此，需融合其它信息来修正系统误差进而辅助导航定位。
[0005]惯性传感器通常是由加速度计和陀螺仪组成，是惯性导航最为重要的核心部件。陀螺仪动态响应特性良好，但是会产生累计误差，其中累计误差主要为低频误差。加速度计没有累计误差，但是容易受到振动误差干扰，其中振动误差主要为高频误差。造成IMU量测值存在误差，主要是以下几个因素：
[0006](1)高斯白噪声和随机游走噪声(零偏)。
[0007](2)传感器的尺度误差。
[0008](3)IMU各个轴系非正交系产生的轴向误差。

技术实现思路

[0009]为解决上述问题，本专利技术提供一种MEMS传感器累积误差修正方法，实验证明增加iBeacon定位修正和航向修正后，整体定位精度提升至3米以内，有效的修正了MEMS传感器算法的累积误差，增强了导航定位系统的稳定性和可持续性。
[0010]为实现上述目的，本专利技术提供了一种MEMS传感器累积误差修正方法，包括以下步骤：
[0011]S1、利用降噪算法进行MEMS传感器观测值预处理；
[0012]S2、利用MEMS传感器计算航向；
[0013]S3、优化经MEMS传感器得到的航向；
[0014]S4、利用iBeacon信号计算航向；
[0015]S5、融合iBeacon信号计算的航向与优化后的MEMS传感器计算的航向修正航向误差。
[0016]优选的，步骤S1具体包括以下步骤：
[0017]S11、利用以下公式进行低通滤波：
[0018]Y(n)＝a*X(n)+(1
‑
a)*Y(n
‑
1)
[0019]式中，X(n)是输入信号，Y(n
‑
1)是上个时刻的滤波信号，a是低通滤波系数，Y(n)是低通滤波后的信号；
[0020]S12、均值滤波；
[0021]S13、利用以下公式进行中值滤波：
[0022]y(i)＝Med{x(i
‑
N)
…
x(i)
…
x(i+N)}
[0023]式中，x(i)是输入信号，y(i)是均值滤波后的信号；
[0024]S14、傅里叶变换。
[0025]优选的，步骤S2具体包括以下步骤：
[0026]S21、定义的载体坐标系统：横轴方向为X轴，向右为正，纵向方向为Y轴，前向为正，垂直于XY平面的方向为Z轴，向外为正；并定义ψ为载体的航偏角，机头左偏为正，γ为载体横滚角，右机翼向上为正，θ为载体俯仰角，机头向上抬起为正；
[0027]则基于加速度计X
‑
轴和Z
‑
轴测量值计算得到横滚角γ：
[0028]γ＝arctan2(
‑
AccX,AccZ)
[0029]S22、基于加速度计X
‑
，Y
‑
，Z
‑
轴测量值，计算载体俯仰角θ：
[0030][0031]S23、计算Z轴旋转矩阵：
[0032][0033]计算Y轴旋转矩阵：
[0034][0035]计算X轴旋转矩阵：
[0036][0037]得到总的旋转矩阵：
[0038][0039][0040]S24、基于X
‑
轴和Y
‑
轴的旋转矩阵和结合磁力计三轴测量值将磁力计调整为水平姿势：
[0041][0042]式中，分别表示导航坐标系统中的磁力计X,Y,Z轴值；分别表示导航坐标系统中的磁力计X,Y,Z轴值；表示磁力计X,Y,Z轴在载体坐标系中的值；
[0043]S25、计算航向：
[0044][0045]ψ
north
＝ψ
m
+Δψ
[0046]式中，Ψ
m
表示磁北；
△
Ψ表示磁偏角；Ψ
north
表示实际北方向。
[0047]优选的，步骤S3具体包括以下步骤：
[0048]S31、互补滤波：分别对陀螺仪测量值进行高通滤波，对加速度计测量值进行低通滤波，如下述公式：
[0049][0050]对陀螺仪的更新方程进行拉普拉斯变换得到：
[0051]sR
c
(s)＝R(s)Ω(s)
[0052]带入到上式中，得到：
[0053][0054]S32、Kalman滤波：
[0055][0056]状态方程:
[0057][0058]式中，X
k
是待估计的状态向量，它包含两个待估状态参数X
Heading
和X
GyroBias
；X
Heading
是智能手机的实时航向，X
GyroBias
是陀螺仪零向偏差；Heading
Mag
是使用加速度计和磁力计测量值计算得到的航向，ψ
GyroRatek
是陀螺仪角度更新率；ξ
k
是测量噪声，ω
k
，δ
k
均是状态噪声；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种MEMS传感器累积误差修正方法，其特征在于：包括以下步骤：S1、利用降噪算法进行MEMS传感器观测值预处理；S2、利用MEMS传感器计算航向；S3、优化经MEMS传感器得到的航向；S4、利用iBeacon信号计算航向；S5、融合iBeacon信号计算的航向与优化后的MEMS传感器计算的航向修正航向误差。2.根据权利要求1所述的一种MEMS传感器累积误差修正方法，其特征在于：步骤S1具体包括以下步骤：S11、利用以下公式进行低通滤波：Y(n)＝a*X(n)+(1
‑
a)*Y(n
‑
1)式中，X(n)是输入信号，Y(n
‑
1)是上个时刻的滤波信号，a是低通滤波系数，Y(n)是低通滤波后的信号；S12、均值滤波；S13、利用以下公式进行中值滤波：y(i)＝Med{x(i
‑
N)
…
x(i)
…
x(i+N)}式中，x(i)是输入信号，y(i)是均值滤波后的信号；S14、傅里叶变换。3.根据权利要求1所述的一种MEMS传感器累积误差修正方法，其特征在于：步骤S2具体包括以下步骤：S21、定义的载体坐标系统：横轴方向为X轴，向右为正，纵向方向为Y轴，前向为正，垂直于XY平面的方向为Z轴，向外为正；并定义ψ为载体的航偏角，机头左偏为正，γ为载体横滚角，右机翼向上为正，θ为载体俯仰角，机头向上抬起为正；则基于加速度计X
‑
轴和Z
‑
轴测量值计算得到横滚角γ：γ＝arctan2(
‑
AccX,AccZ)S22、基于加速度计X
‑
，Y
‑
，Z
‑
轴测量值，计算载体俯仰角θ：S23、计算Z轴旋转矩阵：计算Y轴旋转矩阵：计算X轴旋转矩阵：
得到总的旋转矩阵：S24、基于X
‑
轴和Y
‑
轴的旋转矩阵和结合磁力计三轴测量值将磁力计调整为水平姿势：式中，分别表示导航坐标系统中的磁力计X,Y,Z轴值；分别表示导航坐标系统中的磁力计X,Y,Z轴值；表示磁力计X,Y,Z轴在载体坐标系中的值；S25、计算航向：ψ
north
＝ψ
m
+Δψ式中，Ψ
m
表示磁北；
△
Ψ表示磁偏角；Ψ
north
表示实际北方向。4.根据权利要求1所述的一种MEMS传感器累积误差修正方法，其特征在于：步骤S3具体包括以下步骤：S31、互补滤波：分别对陀螺仪测量值进行高通滤波，对加速度计测量值进行低通滤波，如下述公式：对陀螺仪的更新方程进行拉普拉斯变换得到：sR
c
(s)＝R(s)Ω(s)带入到上式中，得到：S32、Kalman滤波：
状态方程:式中，X
k
是待估计的状态向量，它包含两个待估状态参数X
Heading
和X
GyroBias
；X
Heading
是智能手机的实时航向，X
GyroBias
是陀螺仪零向偏差；Heading
Mag
是使用加速度计和磁力计测量值计算得到的航向，ψ
GyroRatek
是陀螺仪角度更新率；ξ
k
是测量噪声，ω
k
，δ
k
均是状态噪声；S33、计算初始航向使用卡尔曼滤波估计后的航向：式中，ω
i
是陀螺仪输出的角度变化率，T
k
和T
k+1
分别是开始时刻和结束时刻；S34、使用以下算法将两个航向估计值Heading
Filtered
和Heading
GyroIntegration
融合在一起：Heading
MEMS
＝Coeff*Heading
GyroIntegration
+(1
‑
Coeff)*Heading
Filtered
式中，Coeff是融合系数，其设置为0.96。5.根据权利要求1所述的一种MEMS传感器累积误差修正方法，其特征在于：步骤S4具体包括以下步骤：S41、根据iBeacon发射功率将其分为强、中、弱三个等级S42、针对中、强iBeacon进行RSSI
‑
距离建模，以获得更精确的信号损失模型；S43、根据不同类型iBeacon的信号特性，设计相应的航向算法和定位算法。6.根据权利要求5所述的一种MEMS传感器累积误差修正方法，其特征在于：在步骤S42中构建移动时间窗口内的iBeaconRSSI测量值序列BeaconMap，其具体包括以下步骤：S421、采集1000毫秒内扫描到所有iBeacon对象RSSI序列和发生时刻，这一过程中低于阈值的信号值被自动过滤掉；S422、计算1000毫秒内同一iBeacon对象的RSSI均值和最后发生时刻；S423、建立一个窗口为T秒的数据结构BeaconMap，将步骤S422中建立的所有iBeacon对象添加至BeaconMap，在此过程中，如果某个iBeacon已经存在于BeaconMap中，需要判断该对象的RSSI均值是否超出T秒，如果超出，则移除最早的记录，追加最新的RSSI均值；对于一个新出现的iBeacon对象，直接在BeaconMap中添加一个新的对象；S424、对于BeaconMap中存在的iBeacon对象，而最近1000毫秒均值对象中未能扫描到该iBeacon，需要在BeaconMap中为该iBeacon追加一个RSSI均值为零记录，并记录对应当前时间；此外判断BeaconMap中该iBeacon对象是否超出T个记录，如果超出移除第一条记录。7.根据权利要求6所述的一种MEMS传感器累积误差修正方法，其特征在于：在步骤S424中，由于单个iBeacon的信号范围是非常局限的，故随着人的不断行进，iBeacon对象的RSSI测量值序列就会出现全部是0的现象，这表示行人已经离开了该iBeacon；所以在后续的航向算法中，一旦判断出航向，就会对BeaconMap做清空处理，即BeaconMap中iBeacon对象以
及其RSSI信息都在不断的更新。8.根据权利要求5所述的一种MEMS传感器累积误差修正方法，其特征在于：在步骤S43中包括：设计弱信号iBeacon航向估计算法、设计中、强信号iBeacon航向估计算法、设计弱信号iBeacon定位估计算法；其中，设计弱信号iBeacon航向估计算法具体包括以下步骤：第一步、建立一个PreIndicator结构，并初始化，设置每个iBeacon的初始Indicator值为0；第二步、对当前BeaconMap进行遍历，并结合PreIndicator中iBeacon对象的Indicator信息进行当前Indicator计...

【专利技术属性】
技术研发人员：叶俊华，章怿钦，曲轩宇，王进，王泽，周素茵，徐爱俊，
申请(专利权)人：浙江农林大学，
类型：发明
国别省市：