车载简易惯性测量装置的误差建模与仿真

提出了一种用于列车定位的车载简易惯性测量装置（IMU），给出了其系统安装结构与导航定位解算方法，并分析了该系统的误差源，进而在此基础上推导获得了其系统误差模型。计算机仿真结果表明，所建立的IMU系统误差模型能够准确地描述出测量器件误差对整个系统测量结果的影响，从而为车载简易IMU的工程应用垫定了理论基础。     

一种新型微惯性测量组合布局误差模型的建立与仿真分析

根据一种适合于高转速载体的微惯性测量组合布局方案,在考虑载体质心和惯性测量组合中心不重合的情况下,建立了具有惯性器件安装方位误差因素的数学模型,并进行了仿真,得到了相应的误差曲线。解决了无陀螺惯性测量系统解析出的角速度比陀螺输出的角速度精度低,误差随时间严重发散的问题,提高了系统精度。

Abstract：

According to a MEMS-IMU configuration that suits high rotation vehicle measure,a mathematic model with the position error was established according to the non-coincidence of the centroid of body and the centric of inertial measurement,the model simulation was completed and the error curve was obtained.The scheme could not only solve the problem that low precision of gyroscope free measurement system compared with conventional gyro measurement system,but also the divergence of error with the time.Therefore,the calculation precision could be improved.     

干扰条件下自适应滤波定位精度分析

在干扰条件下,单纯采用自适应滤波(adaptive Kalman filter, AKF) 或扩展卡尔曼滤波器(extensive Kalman filter, EKF) 在全球导航卫星系统/惯性测量单元(global navigation satellite systems/inertial measurement units, GNSS/IMU)组合导航的运用中都无法达到系统精度最优。为了指导组合导航系统的数据融合滤波器设计,获取AKF和EKF定位性能的经验数值是十分必要的。首先推导出EKF和一种AKF算法--新息序列自适应估计(innovation based adaptive estimation, IAE)的数学模型和计算公式。然后提出了一种实际数据结合仿真的验证方法。针对不同的干扰程度造成的精度降低的测量值,比较AKF算法跟普通EKF在GNSS/IMU组合导航数据融合中的定位精度性能。试验和仿真得到了在实验所采用的IMU精度条件下,自适应滤波在组合导航方面的定位性能的经验曲线以及IAE与EKF定位精度存在的临界点。     

基于演化建模的IMU误差系数漂移预测研究

将影响IMU误差系数漂移并难于分离的多种因素综合为一种因素,假定IMU误差系数的漂移由一特定系统所引起,引入高阶微分方程模型代替传统时间序列分析中的AR、ARMA等模型对IMU误差系数漂移进行建模分析,采用将遗传程序设计与遗传算法相嵌套的演化算法,实现了建模过程的自动化.实例表明:演化算法可消除各因素具体分析中的不确定性,由计算机自动发现符合要求的高阶微分方程模型,模型的拟合和预测效果均较好.     

基于卫星导航/惯性单元松耦合的低速智能电动汽车航向角估计

低速智能电动汽车近年来发展迅速,组合定位技术是其关键技术,航向角估计是组合定位技术中重要组成部分。基于低速智能电动汽车,提出了GNSS(global navigation satellite system)/IMU(inertial measurement unit)组合的航向角估计方法。介绍了GNSS/IMU松耦合条件下的航向角估计方法,提出基于IMU的航向角积分方法,推导了松耦合条件下误差动态与测量模型。针对GNSS信号质量时变问题,使用残差自适应卡尔曼滤波算法对航向角误差进行估计。针对GNSS信号质量设计了航向角误差反馈修正策略。通过在不同GNSS信号条件下进行的多组实车试验,验证了所提出的航向角估计算法的有效性。     

基于滑动窗口优化的激光雷达惯性测量单元紧耦合同时定位与建图算法

针对现有的激光里程计在面临室外大场景建图时,普遍会出现定位精度低、鲁棒性差的问题,本文提出一种16线激光和IMU惯性测量单元紧耦合的SLAM算法。首先对IMU进行估计位姿,通过线性插值矫正激光点云的运动畸变；接着通过曲率提取场景特征,并根据不同特征性质进行分类；然后利用帧间匹配模块在滑动窗口内构建局部地图；最后利用帧与局部地图匹配得到的距离和IMU数据构建联合优化函数。借助KITTI数据集和自行录制的园区数据集,对改进算法与主流的Lego-LOAM和同样使用紧耦合方案的LIO-Mapping进行分模块和整个系统的精度评定,实测结果表明,在符合里程计实时性的要求下,改进激光里程计精度高于Lego-LOAM和LIO-Mapping方案。     

一种融合视觉与IMU信息的车载激光雷达三维地图构建与定位方法

针对激光雷达非匀速运动畸变问题,提出一种融合视觉惯性里程计和激光雷达里程计,进行三维地图构建与定位(simultaneous localization and mapping, SLAM)方法.经预处理和时间戳对齐后的数据,应用视觉估计和惯性测量单元(inertial measurement unit, IMU)预积分对视觉进行初始化,通过约束的滑窗优化和视觉里程计的高频位姿,将传统雷达匀速运动模型改进为多阶段匀加速模型,从而降低点云畸变.同时,利用列文伯格-马夸尔特(Levenberg-Marquardt, LM)方法优化激光里程计,提出一种融合词袋模型的回环检测方法,最终实现三维地图构建.基于实车试验数据,通过与LEGO-LOAM(lightweight and ground-optimized lidar odometry and mapping on variable terrain)方法的结果对比,本文方法在平均误差和误差中位数上分别提升了16%和23%.