一种无人机惯性测量单元角速度计鲁棒校准方法与流程

    专利查询2022-07-09  138



    1.本技术涉及无人机航空电子设备技术领域,尤其是涉及一种无人机惯性测量单元角速度计鲁棒校准方法。


    背景技术:

    2.无人机技术已经开始向实用发展,各种无人机航电系统发展日趋成熟,功能也日趋完善,其中惯性测量单元(imu)是无人机航电系统中测量飞行姿态的核心部件。陀螺仪(角速度计)及加速度计是imu的主要部件,加速度计原理上可单独测量飞行姿态,但是加速度计受外力加速度影响很大,尤其在运动和振动的工作环境中,输出姿态角误差较大,如果融合陀螺仪(角速度计)测量的瞬时角速度量,就可以使系统数据更加稳定。然而,陀螺仪(角速度计)输出的角速度是瞬时量,需要角速度与时间积分计算角度,角速度计的零漂误差会随着时间推移产生积累,从而破坏测量精度,因此,准确估计陀螺仪(角速度计)的零漂误差对无人机飞行姿态测量系统的稳定工作意义重大。
    3.目前无人机航电系统惯性测量单元(imu)校准,特别是陀螺仪(角速度计)校准,需要无人机保持静止状态,将角速度计输出数据进行算术平均,均值作为角速度计的零漂误差。然而,在无人机野外工作环境中,由于受到各种环境干扰因素的影响,保持绝对的静止是很困难的,在校准过程中,如果无人机受到外力产生微小运动或振动,将会影响校准精度,导致校准前功尽弃,必须重新开始校准。因此,开发一种无人机惯性测量单元角速度计鲁棒校准方法非常有必要。


    技术实现要素:

    4.为了解决现有技术中在校准过程中如果无人机受到外力产生微小运动或振动,将会影响校准精度,导致校准前功尽弃,必须重新开始校准的问题,本技术提供一种无人机惯性测量单元角速度计鲁棒校准方法,采用如下的技术方案:
    5.一种无人机惯性测量单元角速度计鲁棒校准方法,采用粒子滤波算法进行无人机角速度计校准。
    6.通过采用上述技术方案,提高无人机航电系统惯性测量单元角速度计校准的成功率和精度。
    7.可选的,无人机处于静止状态,采集角速度计输出数据,对三个轴向输出数据分别求取均值,作为各个轴向角速度测量的零漂误差,后采用粒子滤波算法进行无人机惯性测量单元角速度计校准。
    8.通过采用上述技术方案,能够避免无人机受到外力产生微小运动或振动对角速度计校准的影响。
    9.可选的,所述粒子滤波算法包括以下具体步骤:
    10.假设有一个测量样本集(x1,x2,

    ,xn)被野点测量样本集污染,所述测量样本集{x1,

    ,xn}的分布为正态分布所述测量样本集和野点样集组合成总体样本,
    测量样本集在样本总体中所占的比例为1-α,野点测量样本集在样本总体中所占的比例为α,
    11.则总体样本的混合分布为
    12.粒子滤波算法校准过程为:
    13.估计混合样本的均值μ1、方差和非参数概率分布函数f
    nonpara
    (x);
    14.选取一组估计参数(μj,σj),对于所有测量样本点(x1,x2,

    ,xn)计算包络因子
    15.对于每一个样本点xi以概率接收,n个样本点按上述概率接收后剩下nj个样本点;
    16.对于每一组参数(μj,σj)按照以上概率接收都能剩下一个样本点数nj,找到最大的nj其对应的参数(μj,σj)即是对(μ0,σ0)的最优估计,该最优估计即是未被野点污染的正态分布统计参数的精确无偏估计。
    17.通过采用上述技术方案,假设一个正态分布的测量样本集被野点污染,野点分布概率密度函数记为f
    outlier
    (x),野点在样本总体中所占的比例为α。所有的观测值集合{x1,

    ,xn}可以被当作是从服从概率分布为f
    total
    (x)=(1-α)f(x;μ0,σ0) αf
    outlier
    (x)的随机变量产生的测量样本集。非参数概率密度函数f
    nonpara
    (x)是通过测量样本集{x1,

    ,xn}计算得到的。假设f
    nonpara
    (x)≈f
    total
    (x),则所有的观测值也可以被看做是从服从概率分布为f
    nonpara
    (x)的随机变量产生的测量样本集。对于一个特定的正态分布如果能够找到一个包络比例参数mj,使对于测量样本集{x1,

    ,xn}中的任何一个样本都能够满足m
    jfnonpara
    (x)≥f(x;μj,σj),那么我们能采用一种拒绝采样流程对测量样本集{x1,

    ,xn}进行重采样。
    18.该流程可描述为:
    19.1、依次从测量样本集{x1,

    ,xn}中挑选一个样本xi,然后计算比率:
    [0020][0021][0022]
    2、产生一个服从均匀分布u(0,1)的随机数a,如果a≤r,则接受样本xi;如果a>r,则拒绝样本xi。
    [0023]
    最后,我们在n个样本中通过以上接受/拒绝操作得到nj个样本,这些接受的样本应该服从正态分布f(x;μj,σj)。因为对于测量样本集中的任何一个样本xi∈{x1,

    ,xn}都满足m
    jfnonpara
    (xi)≥f(xi;μj,σj),那么就有:
    [0024][0025]
    这表示得到样本数量nj与函数曲线f(x;μj,σj)/mj下所包围的面积是成比例的,面积越大则得到的样本数量越大。从下图可以看出,如果统计估计参数(μj,σj)十分接近未被野点污染的正态分布n(0,1)参数时,曲线下面积最大,因此找到得到样本数量最大的统计估计参数(μj,σj),此估计参数是未被野点污染的正态分布统计参数(均值和方差)的精确无偏估计。
    [0026]
    可选的,所述估计参数(μj,σj)是任意符合正态分布的值。
    [0027]
    可选的,所述野点是指对测量数据的干扰数据,野点的分布为威布尔分布w(γ,m,a)。
    [0028]
    可选的,所述校准过程具体为:
    [0029]
    a、无人机系统加电后,使其保持在静止状态,采集惯性测量单元角速度传感器三个轴向上的瞬时角速度输出测量值;
    [0030]
    b、针对每个轴向上采集得到的数据,分别进行零漂误差估计计算;
    [0031]
    c、计算测量样本集(x1,x2,

    ,xn)的非参数概率密度分布函数f
    nonpara
    (x);
    [0032]
    d、对于所有采集得到的测量数据组成的测量样本集(x1,x2,

    ,xn)中每一个样本点计算包络因子
    [0033]
    e、对于每一个样本点xi以概率接收,接收完成后,n个样本点共接收n0个样本点;
    [0034]
    f、设定一个合适的方差σ
    jump
    ,产生一个服从正态分布的随机数,将此随机数加上μ0使μ0产生一次随机跳跃,然后产生另一个服从正态分布的随机数,将此随机数加上σ0使σ0也产生一次随机跳跃,随机跳跃后得到一组新的估计参数(μ1,σ1);
    [0035]
    g、对于所有采集得到的测量数据组成的测量样本集(x1,x2,

    ,xn)中每一个样本点计算包络因子
    [0036]
    h、对于每一个样本点xi以概率接收,n个样本点共接收n1个样本点;
    [0037]
    i、如果n1≥n0,更新最优估计(μ
    op
    ,σ
    op
    )为(μ1,σ1),接受此次跳跃,当前估计参数更新为(μ1,σ1);如果n1<n0,以概率接受此次跳跃,如果接受当前估计参数更新为(μ1,σ1),
    最优估计保持不变;
    [0038]
    j、回到第e步重复随机跳跃;
    [0039]
    k、经过多次迭代,得到一个最大的nj,该nj对应的参数(μj,σj)为最优估计参数,μj就是此轴向角速度传感器零漂误差的最优估计值。
    [0040]
    通过采用上述技术方案,该算法能够在正态分布统计样本受到野点数据干扰混入的情况下,准确无偏估计该正态分布的统计参数(均值和方差),因此,在校准过程中,如果无人机受到短暂的运动冲击,即使此时角速度传感器测量数据会作为野点数据混入校准采集数据中,也不会影响零漂误差的估计,从而提升校准准确度。
    [0041]
    可选的,所述步骤b中,针对每个轴向上采集得到的数据,分别进行以下的零漂误差估计计算:计算测量值的均值μ0、方差σ0和非参数概率分布函数f
    nonpara
    (x),将此均值和方差赋值给最优估计(μ
    op
    ,σ
    op
    )。
    [0042]
    综上所述,本技术包括以下至少一种有益技术效果:
    [0043]
    本发明无人机惯性测量单元角速度计鲁棒校准方法,
    [0044]
    1.采用改进的粒子滤波算法进行无人机惯性测量单元角速度计鲁棒校准,该算法能够在正态分布统计样本受到野点数据干扰混入的情况下,准确无偏估计该正态分布的统计参数(均值和方差),因此,在校准过程中,如果无人机受到短暂的运动冲击,即使此时角速度传感器测量数据会作为野点数据混入校准采集数据中,也不会影响零漂误差的估计,从而提升校准准确度。
    [0045]
    2.该校准方法能够在野外工作环境下,在无人机受到短暂运动/振动冲击影响的情况,准确的对其惯性测量单元中角速度计进行零漂误差校准,提高校准的准确性和精度,同时使校准操作的环境适应性更强。
    附图说明
    [0046]
    图1是本发明的校准数据处理示意图;
    [0047]
    图2是本发明具体实施例的仿真实验数据对比示意图。
    [0048]
    图3是本发明的具体实施例的正态分布统计示意图。
    具体实施方式
    [0049]
    以下结合附图1-图3对本技术作进一步详细说明。
    [0050]
    本技术实施例公开一种无人机惯性测量单元角速度计鲁棒校准方法,采用粒子滤波算法进行无人机角速度计校准。
    [0051]
    提高无人机航电系统惯性测量单元角速度计校准的成功率和精度。
    [0052]
    无人机处于静止状态,采集角速度计输出数据,对三个轴向输出数据分别求取均值,作为各个轴向角速度测量的零漂误差,后采用粒子滤波算法进行无人机惯性测量单元角速度计校准。
    [0053]
    能够避免无人机受到外力产生微小运动或振动对角速度计校准的影响。
    [0054]
    粒子滤波算法包括以下具体步骤:
    [0055]
    假设有一个测量样本集(x1,x2,

    ,xn)被野点测量样本集污染,测量样本集
    {x1,

    ,xn}的分布为正态分布测量样本集和野点样集组合成总体样本,测量样本集在样本总体中所占的比例为1-α,野点测量样本集在样本总体中所占的比例为α,
    [0056]
    则总体样本的混合分布为
    [0057]
    粒子滤波算法校准过程为:
    [0058]
    估计混合样本的均值μ1、方差和非参数概率分布函数f
    nonpara
    (x);
    [0059]
    选取一组估计参数(μj,σj),对于所有测量样本点(x1,x2,

    ,xn)计算包络因子
    [0060]
    对于每一个样本点xi以概率接收,n个样本点按上述概率接收后剩下nj个样本点;
    [0061]
    对于每一组参数(μj,σj)按照以上概率接收都能剩下一个样本点数nj,找到最大的nj其对应的参数(μj,σj)即是对(μ0,σ0)的最优估计,该最优估计即是未被野点污染的正态分布统计参数的精确无偏估计。
    [0062]
    假设一个正态分布的测量样本集被野点污染,野点分布概率密度函数记为f
    outlier
    (x),野点在样本总体中所占的比例为α。所有的观测值集合{x1,

    ,xn}可以被当作是从服从概率分布为f
    total
    (x)=(1-α)f(x;μ0,σ0) αf
    outlier
    (x)的随机变量产生的测量样本集。非参数概率密度函数f
    nonpara
    (x)是通过测量样本集{x1,

    ,xn}计算得到的。假设f
    nonpara
    (x)≈f
    total
    (x),则所有的观测值也可以被看做是从服从概率分布为f
    nonpara
    (x)的随机变量产生的测量样本集。对于一个特定的正态分布如果能够找到一个包络比例参数mj,使对于测量样本集{x1,

    ,xn}中的任何一个样本都能够满足m
    jfnonpara
    (x)≥f(x;μj,σj),那么我们能采用一种拒绝采样流程对测量样本集{x1,

    ,xn}进行重采样。
    [0063]
    该流程可描述为:
    [0064]
    1、依次从测量样本集{x1,

    ,xn}中挑选一个样本xi,然后计算比率:
    [0065][0066][0067]
    2、产生一个服从均匀分布u(0,1)的随机数a,如果a≤r,则接受样本xi;如果a>r,则拒绝样本xi。
    [0068]
    最后,我们在n个样本中通过以上接受/拒绝操作得到nj个样本,这些接受的样本应该服从正态分布f(x;μj,σj)。因为对于测量样本集中的任何一个样本xi∈{x1,

    ,xn}都满
    足m
    jfnonpara
    (xi)≥f(xi;μj,σj),那么就有:
    [0069][0070]
    这表示得到样本数量nj与函数曲线f(x;μj,σj)/mj下所包围的面积是成比例的,面积越大则得到的样本数量越大。从下图可以看出,如果统计估计参数(μj,σj)十分接近未被野点污染的正态分布n(0,1)参数时,曲线下面积最大,因此找到得到样本数量最大的统计估计参数(μj,σj),此估计参数是未被野点污染的正态分布统计参数(均值和方差)的精确无偏估计。
    [0071]
    估计参数(μj,σj)是任意符合正态分布的值。
    [0072]
    野点是指对测量数据的干扰数据,野点的分布为威布尔分布w(γ,m,a)。
    [0073]
    校准过程具体为:
    [0074]
    a、无人机系统加电后,使其保持在静止状态,采集惯性测量单元角速度传感器三个轴向上的瞬时角速度输出测量值;
    [0075]
    b、针对每个轴向上采集得到的数据,分别进行零漂误差估计计算;
    [0076]
    c、计算测量样本集(x1,x2,

    ,xn)的非参数概率密度分布函数f
    nonpara
    (x);
    [0077]
    d、对于所有采集得到的测量数据组成的测量样本集(x1,x2,

    ,xn)中每一个样本点计算包络因子
    [0078]
    e、对于每一个样本点xi以概率接收,接收完成后,n个样本点共接收n0个样本点;
    [0079]
    f、设定一个合适的方差σ
    jump
    ,产生一个服从正态分布的随机数,将此随机数加上μ0使μ0产生一次随机跳跃,然后产生另一个服从正态分布的随机数,将此随机数加上σ0使σ0也产生一次随机跳跃,随机跳跃后得到一组新的估计参数(μ1,σ1);
    [0080]
    g、对于所有采集得到的测量数据组成的测量样本集(x1,x2,

    ,xn)中每一个样本点计算包络因子
    [0081]
    h、对于每一个样本点xi以概率接收,n个样本点共接收n1个样本点;
    [0082]
    i、如果n1≥n0,更新最优估计(μ
    op
    ,σ
    op
    )为(μ1,σ1),接受此次跳跃,当前估计参数更新为(μ1,σ1);如果n1<n0,以概率接受此次跳跃,如果接受当前估计参数更新为(μ1,σ1),
    最优估计保持不变;
    [0083]
    j、回到第e步重复随机跳跃;
    [0084]
    k、经过多次迭代,得到一个最大的nj,该nj对应的参数(μj,σj)为最优估计参数,μj就是此轴向角速度传感器零漂误差的最优估计值。
    [0085]
    该算法能够在正态分布统计样本受到野点数据干扰混入的情况下,准确无偏估计该正态分布的统计参数(均值和方差),因此,在校准过程中,如果无人机受到短暂的运动冲击,即使此时角速度传感器测量数据会作为野点数据混入校准采集数据中,也不会影响零漂误差的估计,从而提升校准准确度。
    [0086]
    步骤b中,针对每个轴向上采集得到的数据,分别进行以下的零漂误差估计计算:计算测量值的均值μ0、方差σ0和非参数概率分布函数f
    nonpara
    (x),将此均值和方差赋值给最优估计(μ
    op
    ,σ
    op
    )。
    [0087]
    本技术具体实施例一种无人机惯性测量单元角速度计鲁棒校准方法的实施原理为:
    [0088]
    假设有一个正态分布测量样本集(分布为样本量为总体样本量的1-α)被野点(分布为w(γ,m,a),样本量为总体样本量的α,数据实验假设野点为威布尔分布,证明中没有这样的限制)污染,则混合分布为明中没有这样的限制)污染,则混合分布为算法过程为:
    [0089]
    1、估计混合样本的均值μ1、方差和非参数概率分布函数f
    nonpara
    (x)。
    [0090]
    2、随意选取一组估计参数(μj,σj),对于所有样本点(x1,x2,

    ,xn)计算)计算
    [0091]
    3、对于每一个样本点xi以概率接收,n个样本点共接收nj个样本点。
    [0092]
    4、对于每一组参数(μj,σj)按照以上接收/拒绝过程都能得到一个nj,找到一组(μj,σj)使nj最大,(μj,σj)即是对(μ0,σ0)的最优估计。
    [0093]
    参照图3,仿真数据实验:随机产生20000个样本点,20000
    ·
    (1-α)个样本点来源于正态分布n(0,1),20000α个样本点来源于威布尔分布w(2,2,1)。选取α=0,0.01,0.02,0.05,0.1,0.2,0.3,0.4,计算如图3所示。
    [0094]
    算法详细说明如下:
    [0095]
    假设一个正态分布的测量样本集被野点污染,野点分布概率密度函数记为f
    outlier
    (x),野点在样本总体中所占的比例为α。所有的观测值集合{x1,

    ,xn}可以被当作是从服从概率分布为f
    total
    (x)=(1-α)f(x;μ0,σ0) αf
    outlier
    (x)的随机变量产生的测量样本集。非参数概率密度函数f
    nonpara
    (x)是通过测量样本集{x1,

    ,xn}计算得到的。假设f
    nonpara
    (x)≈f
    total
    (x),则所有的观测值也可以被看做是从服从概率分布为f
    nonpara
    (x)的随机变量产生的测量样本集。对于一个特定的正态分布
    如果能够找到一个包络比例参数mj,使对于测量样本集{x1,

    ,xn}中的任何一个样本都能够满足m
    jfnonpara
    (x)≥f(x;μj,σj),那么我们能采用一种拒绝采样流程对测量样本集{x1,

    ,xn}进行重采样,该流程可描述为:
    [0096]
    1、依次从测量样本集{x1,

    ,xn}中挑选一个样本xi,然后计算比率:
    [0097][0098][0099]
    2、产生一个服从均匀分布u(0,1)的随机数a,如果a≤r,则接受样本xi;如果a>r,则拒绝样本xi。
    [0100]
    参照图3,最后,我们在n个样本中通过以上接受/拒绝操作得到nj个样本,这些接受的样本应该服从正态分布f(x;μj,σj)。因为对于测量样本集中的任何一个样本xi∈{x1,

    ,xn}都满足m
    jfnonpara
    (xi)≥f(xi;μj,σj),那么就有:
    [0101][0102]
    这表示得到样本数量nj与函数曲线f(x;μj,σj)/mj下所包围的面积是成比例的,面积越大则得到的样本数量越大。从附图3可以看出,如果统计估计参数(μj,σj)十分接近未被野点污染的正态分布n(0,1)参数时,曲线下面积最大,因此找到得到样本数量最大的统计估计参数(μj,σj),此估计参数是未被野点污染的正态分布统计参数(均值和方差)的精确无偏估计。
    [0103]
    图3中显示了非参数概率密度函数f
    nonpara
    (x)和函数f(x;μj,σj)/mj的关系,当f(x;μj,σj)/mj中参数与未被野点污染正态分布参数接近时,f(x;μj,σj)/mj具备最大的曲线下包围面积。
    [0104]
    以上均为本技术的较佳实施例,并非依此限制本技术的保护范围,故:凡依本技术的结构、形状、原理所做的等效变化,均应涵盖于本技术的保护范围之内。
    转载请注明原文地址:https://tc.8miu.com/read-3315.html

    最新回复(0)