英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
一种精确的使用3D辅助速度更新的陆地车辆MEMS IMU/GPS导航系统。
牛小骥、纳萨、纳塞尔·埃尔·希米。
加拿大阿尔伯塔省卡尔加里大学。
2007年3月收录;2007年8月修订
摘要:近十年来，陆路汽车市场发展迅速。对于大多数陆路导航LVN系统，GPS用于定位。然而，由于信号堵塞，GPS在城市地区的精度不高。因此，LVN市场的目标是将其他传感器与GPS结合起来。在这种情况下，传感器的成本和大小是主要问题。MEMS惯性传感器的最新进展使得开发低成本和紧凑的imu成为可能。然而，MEMS在没有更新的情况下提供了较差的准确性(例如，在GPS中断期间)。在这样的时间段内，需要进行其他更新以获得更好的性能。汽车用零速度更新(ZUPTs)通常用于此目的。然而，这是不实际的，特别是当GPS堵塞频繁的时候。本文采用三维辅助速度更新(AVUs)，即非完整约束和运动速度。当使用运动MEMS/GPS数据与几个GPS信号的阻滞的时候，结果表明在应用AVUs后，有显著的精度提高。
介绍：GPS在不同的陆路导航(LVN)应用中已经使用了好几年。在所有这些应用中，GPS接收器主要用于提供车辆的位置。不幸的是，尽管全球定位系统可以在理想条件下提供高度精确的位置，但是GPS作为一个独立的导航系统在城市地区(例如，城市下的城市)，在重树或森林的树冠，以及隧道内都有一定的局限性。在这种情况下，GPS卫星到接收机的信号被阻断，因此，导航在信号被重新获得之前完全丢失。这导致了非常差的定位精度，尤其是在运动导航时，这样的信号堵塞时达到几分钟。最近，随着各种导航和导航系统的可用性，将其他导航传感器与GPS相结合的概念已被广泛应用到LVN市场。但是，在LVN社区中考虑了一些因素，以便进行这种集成。最常见的因素是额外传感器的成本和尺寸。目前，这两种制约因素正在促使汽车制造商进行小型低成本导航的研究和开发，并引导系统满足快速增长的定位服务市场需求。
航海:航海学会杂志。第54卷，第3期，2007年秋季。
印刷于美国
微机电系统(MEMS)技术的发展已经表明，在开发这种必要的导航系统方面取得了一定的进展。MEMS是一种集成的微型电子设备，其大小从微米到毫米不等。MEMS技术的发展与微型化的电子技术相结合，使其能够产生一种基于芯片的惯性传感器，用于测量角速度和加速度[1]。这些芯片体积小，重量轻，价格低廉，耗电量低[2]。因此，MEMS在汽车和其他工业应用领域中发现了广泛的应用。基于模因的惯性测量单元(IMU)与GPS接收芯片提供了一种导航系统，在每个系统上都有几个优点。在这种集成中，GPS的位置和速度通过卡尔曼滤波器(KF)来更新MEMS传感器，而IMU则用于提供GPS信号中断期间的导航信息和快速GPS信号的重新采集。然而，由于其轻量和制造过程，低成本的MEMS传感器存在较大的偏置不稳定性和噪声，因此当GPS信号受到干扰或阻塞时，会影响MEMS独立导航精度。
因此，MEMS IMU/ GPS LVN系统的开发需要特别考虑，以提供准确的定位。为了提高MEMS/GPS系统的导航精度，可以采用多种方法。第一种方法是改进导航算法，特别是集成技术。这种算法的例子是[3]，用于使用无气味的KF和[4]来实现神经网络的工作。另一种方法是改进MEMS惯性传感器的随机建模，更多细节见[5]。此外，第三种方法是通过去噪技术提高MEMS数据的质量[6]。第四种方法是向MEMS传感器引入辅助更新信息(或约束)来改进KF误差估计和补偿，特别是在GPS信号阻塞期间。本文将对最后一种方法进行详细的研究。通常，LVN应用程序中使用的最常见的辅助信息类型是零速度更新(ZUPT)。然而，由于这需要车辆频繁停止，ZUPTs通常在LVN应用中变的不适用的，特别是在GPS信号阻塞频繁且持续时间很长的市区。其他一些辅助手段包括多普勒速度传感器、视线系统和计算机视觉导航[7,8]。不幸的是，对于大多数LVN应用程序来说，这些辅助手段的成本和大小是不可接受的。地图匹配是导航系统的另一种更新，但它使系统依赖于地图数据库。
本文将对MEMS传感器的另一种更实用的辅助速度更新(AVUs)进行研究和实现。这些更新应用于三维运动模式，不需要车辆停止，并且是专为LVN应用而设计的。第一类速度更新来自于二维非完整约束(NHC)，它假设车辆的横向和上升速度非常接近于零，只要车辆不滑动或从地面上跳下来。第二次更新被称为里程计导出速度(ODV)，这是一个1D的向前速度更新，它是从固定在车辆的一个轮子上的一个里程表/车轮传感器上获得的。首先，我们将介绍在卡尔加里大学(UofC)的移动多传感器系统(MMSS)研究小组开发的MEMS IMU(用于与GPS的集成)。在MEMS IMU/GPS导航算法中实现了NHCs和ODV更新。通过对MEMS IMU/GPS集成系统的性能进行测试，该系统在陆地车辆MEMS/GPS的运动数据与正常GPS条件下符合。
信号阻塞。最后对所得结果进行了讨论和分析。
MMSS研究小组开发MEMS IMU。
市场上有不同等级的MEMS惯性传感器。再制造过程中，MEMS一般分为两类，即表面加工和批量加工[9]。表面微机械传感器提供了在单个芯片上集成传感结构和接口电路的机会，但具有相对较薄的证明质量，因此，这种传感器具有很高的机械噪声。另一方面，由于其厚的证明质量，大尺寸传感器可以获得更高的分辨率，但传感结构与接口电路不兼容。因此，球微机械传感器通常很难批量生产。从客户的角度来看，表面微机械的惯性传感器是首选的，因为它们是相对廉价和紧凑的，尽管它们的性能比体积小的微型传感器更低。
UofC的MMSS研究小组的目标是开发一个6度的MEMS IMU导航系统，该系统的成本为100美元，同时达到所有LVN应用程序的精度要求。为此，本文选择了模拟设备公司(ADI)的表面微球-微孔加工的惯性传感器芯片。基于批量采购，选择的ADI传感器价格低至$10.00/gyro[10]和$2.50每加速计[11]。陀螺模块是ADXRS150EB[12,13]，而加速度计芯片是[14]。在表1中列出了MEMS传感器的制造商和MMSS组的实验室测试结果。使用上述传感器，MEMS IMU的硬件总成本约为60.00美元，符合要求的研究目标。
图1显示MMSS组开发MEMS IMU的图片。输出是模拟电压信号从MEMS传感器与信号条件反射。严格地说，该装置是一个惯性传感器组件(ISA)。传感器的带宽设置为30 - 40hz，因为地面车辆的运动频谱在20hz以下(主要在10hz以下)。模拟输出采用16位数据采集卡，NI DAQ- card - 6036e[17]，采样率为100 Hz。然后，将采样的电压信号转换为角速率和特定的力。对于MEMS IMU/ GPS集成系统来说，这两个系统之间的时间同步是通过GPS的脉冲每秒(PPS)信号实现的。
如前所述，MEMS惯性传感器存在很大的偏差和比例因子误差。因此，所有MEMS传感器的实验室校准是必要的。开发的MEMS IMU在实验室中对偏差、尺度因子和轴向失调进行了校正[18]。校正后，从624 deg/s到60.5 deg/s，从62500 mg到6 6mg的加速度计，偏差减少。尺度因子误差和轴向失调也降低了。表2显示了在实验室校准后MEMS传感器的特性。在这种情况下，实验室校准可能会增加MEMS系统的成本。由于它与传感器(单位)数量、使用仪器、校准方法和人员的不同，因此很难估计其在研究阶段的成本。因此,
表2的成本估算仅是硬件的成本。有可能开发出一些低成本的设备和一个简单的方法来满足MEMS IMU校准的要求。
在表1和表2中，通过Allan方差分析得到了传感器的偏置不稳定性;请参见[16]，以得到对Allan方差的详细解释。例如，图2显示了MEMS IMU中使用的三个ADI gyros的Allan方差曲线。当集群长度短(lt;10 s，即:在高频率范围内，Allan方差值以传感器的白噪声为主，随着簇长度的增加而下降。然而，当集群长度变得很长(gt;1000 s，即:,在
在非常低的频率范围内，长期偏差漂移起作用，导致阿伦方差值增加。因此，一个山谷出现在中间，这被称为偏见不稳定。在图中，这个山谷出现在100秒到几百秒的时间内，值为0.01 deg/s。在Allan曲线底部的这个值通常被认为是传感器所能提供的最好的偏置稳定性，这对于设置KF参数很有用。
MEMS IMU / GPS导航算法
为了完成导航系统的开发，UofC的MMSS研究小组开发了AINSTM软件，为MatLab1提供了一个辅助惯性导航系统工具箱[19]。AINSTM是一个灵活的工具箱，它可以处理不同的IMU等级(导航、战术和MEMS)，它有多个辅助源，如GPS、里程表和航向传感器。有几种不同的处理方法可供选择，例如，选择不同的校准模式，模拟GPS中断等。本文中使用的MEMS版本的AINSTM，有一些特殊的功能来处理MEMS传感器的巨大不确定性。这些特殊的功能将在本节中简短地加以说明。对于详细的算法描述，包括机械化方程和误差模型推导，请参考[20]，[21]和[22]。对于一般的KF递归估计方程，请参考[23]和[24]。
AINSTM IMU Mechanization
AINSTM的IMU机械化方程是在导航框架(n-frame)中开发的:东北- down (NED)，通常被称为地方级框架(LLF)。选择这个框架是因为:a)在LLF中可视化导航解决方案(例如位置、速度和姿态)很容易，这对错误分析非常有用; b) LVN系统主要工作在地面上的有限区域，通常代表LLF应用程序。选择相应的IMU身体框架(b-frame)作为前向向下。采用四元素算法来计算姿态，以获得较高的计算性能，计算量小，稳定性高。图3为IMU机械化结构，在图中所有符号均为:
AINSTM卡尔曼滤波器(KF)
为了估计一个最优的导航解决方案，IMU机械化的输出(即需要将位置、速度和姿态与GPS的位置(和速度)结合起来。扩展卡尔曼滤波(EKF)是最受欢迎的KF技术。在EKF中，IMU误差由GPS和IMU解决方案之间的差异来更新。KF的误差状态向量包括基本的导航误差状态(即:，IMU gyros和加速计的偏差和尺度因子，共21个误差状态。然而，在MEMS传感器的情况下，尺度因子误差的影响相对于偏置误差来说相对较小。因此，本文不包括传感器尺度因子误差。因此，所使用的KF误差状态向量是15个状态向量，即:
drnhellip;hellip;。为IMU机械化的位置误差矢量，
dnnhellip;hellip;为IMU机械的速度误差矢量，
laquo;nhellip;hellip;。是IMU机械的姿态误差矢量，
dhellip;hellip;。是陀螺仪的偏置矢量
bhellip;hellip;。是加速度计的偏置向量。
通过线性化IMU 机械化方程，得到了基本状态(drn, dnn，laquo;n)的动力学方程。对于惯性传感器偏置误差模型，用随机概率法表示;有关不同IMU传感器的随机误差模型的详细信息，请参见[25]。对于AINSTM，实现了一阶高斯-马尔可夫模型。利用MEMS传感器的噪声和稳定性对相应谱密度矩阵的参数设置进行了评价(回忆表2)，并采用Allan方差分析[26]进行了进一步的微调。通常，GPS位置和速度被用作IMU/GPS综合系统中的KF更新信息。然而，在本文中，GPS的速度并不是KF的输入，因为大多数新的低成本GPS芯片(将来很可能用于LVN应用)将不会有速度输出。
AINSTM 3D辅助速度更新(AVUs)
本文首先讨论了非完整约束(NHCs)和Odometer Derived-Velocity (ODV)，以提高导航性能，特别是在GPS信号阻断期间。在[27]中，非完整系统是机械系统对其速度的限制不能从位置约束中推导出来并且出现在有滚动接触或某些滑动接触的机械系统中。因此，在我们的LVN中，NHCs指的是，除非车辆在地面上跳跃或滑动，在垂直于正向的平面上，车辆的速度几乎为零[28]。由于这种约束与轮式车辆在共同表面上运动有关，而且是车辆状态、车辆与地形、发动机振动和悬架系统之间的相互作用，它是非完整的。这种约束可以看作是沿ve- hicle(右和下)两个轴的速度更新(或ZUPT)，即
m = 0 and m = 0;
b b
(2)其中mb是b坐标系下沿左右方向的速度投影。同样的, ODV是沿着第三个direc- tion(向前)的速度更新，即，
mx = modo;
(3)其中mb为正方向b坐标系中的速度投影，modo是ODV。因此，NHCs和ODV组成了一个3D速度更新。这里应该注意到，这些速度更新必须应用于地面接触点上，安装了里程表轮传感器。这一点和参考点之间的杠杆转换(即在应用更新之前，IMU中心是必需的。在论文的测试中，里程表安装在后轮上，因为车辆有前转向，使得前轮在转弯时违反NHCs。在IMU b-frame(态度被解决的地方)和车辆框架(速度更新被应用的地方)之间的偏差也需要考虑。类似于任何更新信息，辅助速度信息将会出现错误。车辆的滑动和碰撞会影响NHCs的假设，也会影响里程表信号的交流曲线。因此，应该对此类更新的相应错误级别(协方差)进行分配和微调;参见[22]了解更多细节。
因此，在b坐标系下的速度更新可以修正速度误差，提高定位精度。事实上，NHCs也可以对姿态估计做出贡献，尤其是标题。下面将给出一个简单的解释，并给出一些简单的推导。基于[21]，本文推导了NHCs和ODV更新的测量方程，假设没有杠杆臂，IMU与车辆完全一致:
根据这些测量方程,方程(6)的第一行表明，正向速度误差,dmb x，与姿态误差无关,这意味着ODV不会对姿态造成影响。此外，第二行显示横向速度误差，dmb y，与航向误差，eb z，通过车辆速度分量，mb x，这意味着NHCs的横向约束可以校正航
全文共5866字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[8956]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
