一、利用单天线GPS确定载体姿态的研究（论文文献综述）
张思宇[1]（2021）在《车载GNSS实时姿态估计算法研究》文中认为
王诺[2]（2020）在《冗余式MEMS-SINS的非线性组合导航技术研究》文中研究表明为了保证导航系统长时间稳定工作,可以利用冗余方式提升捷联惯性导航系统（Strapdown Inertial Navigation System,SINS）的可靠性,而微惯性测量单元（Micro Inertial Measurement Unit,MIMU）体积小的特征,为冗余技术的应用提供了条件。为了弥补SINS误差随时间累积以及低成本MEMS惯性器件精度低的问题,可以利用冗余式MEMS捷联惯导系统与全球导航卫星系统（Global Navigation Satellite System,GNSS）在误差传播性能方面互补的特性进行组合。然而,一方面需要进一步研究如何抑制MEMS惯性器件精度低对组合导航姿态角估计的影响;另一方面需要进一步考虑如何应对GNSS信号受干扰、失效的问题。同时,信息融合技术也是影响组合导航效果的重要因素,如何更好地利用信息融合技术提升估计精度也需要进一步研究。为了保证MEMS组合导航系统的可靠性和导航效果,本文将从如下几个方面展开研究:首先,选择器件级冗余方式提升系统的可靠性,通过对系统进行可靠性分析确定系统冗余配置的数目和结构,并考虑惯性器件故障后的系统重构问题。并对组合导航系统的非线性滤波方法进行了介绍和分析,重点介绍了适用于强非线性条件下的无迹卡尔曼滤波算法（Unscented Kalman Filter,UKF）。针对GNSS信号易失效问题,在其失效后利用里程计（Odometer,OD）与冗余式MEMS-SINS进行组合,以保证系统导航效果的连贯性;设计完成冗余式MEMS-SINS/GNSS与冗余式MEMS-SINS/OD的组合方案,并给出工作模式的切换规则。其次,由于系统状态量的可观测性强弱能够反映出状态估计的效果,因此,针对航向角估计发散问题,可以利用非线性系统可观测性分析的方法找出其具体原因。由于非线性系统的可观测性分析方法目前学术界尚没有统一的定义,为了能够快速简便的对其进行分析,可以利用Taylor级数展开的方式在一个时间段内将其近似为线性时变系统,然后利用PWCS和SVD方法对冗余式MEMS-SINS/GNSS组合的状态量进行可观测性的定性与定量分析。再次,针对航向角状态量可观测性弱的问题,通过单基线GNSS测量得到的航向角对系统进行航向约束,能够有效提升系统航向角的估计效果;针对单天线GNSS在转弯状态测量得到的航迹角存在侧滑角的问题,通过转弯判断规则对系统的运动状态进行判断,当检测到系统处于转弯状态时,关闭航向约束,仅利用MEMS实现系统短时有效输出;针对MEMS器件精度低,关闭航向约束对系统导航效果造成的影响,通过基于Sage-Husa得到的非线性噪声统计估计器以及利用模糊推理改进的自适应UKF算法在短时间内抑制该影响。结果表明,该算法能够有效保证系统导航精度。然后,针对GNSS信号易失效问题,在检测到GNSS信号失效后利用里程计与冗余式MEMS-SINS进行组合,保证系统导航效果的连贯性。针对里程计量测信息易受野值干扰的问题,首先对里程计量测信息中可能出现的野值情况进行了分析,然后建立野值检测规则;当系统检测到量测信息中出现野值后,通过新息向量改进常规UKF算法,完成改进的抗野值自适应UKF算法设计。通过仿真实验证明,该方法能够有效改善里程计野值信息对系统导航效果造成的影响。最后,分别将冗余式MEMS-SINS/GNSS组合部分与冗余式MEMS-SINS/OD组合部分的滤波器作为子滤波器1与子滤波器2。利用联邦滤波的方式将两种子滤波器的滤波方法融合起来,从而验证组合导航总体方案设计的导航效果。通过仿真实验证明,该总体方案能够实现系统连续、高精度、高可靠性的导航目的。
李嘉晶[3]（2020）在《基于单轴光纤陀螺的车载组合导航系统研究》文中研究说明双天线GPS导航系统能够提供陆上车辆导航所需的速度、位置和航向角信息,但由于GPS信号输出频率低,并且易受干扰,尤其是在车辆转弯时,很难保证车辆航向角信息的精度,而光纤陀螺捷联惯导系统具有体积小、灵敏度高、输出频率高等众多优点,能够在较短的时间内保持一定的姿态角精度,但对于陆上车载导航光纤陀螺成本较高,因此本文提出一种基于单轴光纤陀螺的低成本的简化惯导系统（简称RISS）设计方案,利用设计的简化惯导系统和双天线GPS导航系统进行组合,提高导航信息的输出频率的同时保证系统输出的航向角信息精度小于0.5?,并基于TMS320C6713DSP芯片实现双天线GPS/RISS组合导航系统的硬件和软件设计。主要研究内容如下:首先对国内外简化惯导系统设计方案进行调研,并详细分析了两种简化惯导系统的工作原理,在此基础上结合实验室现有条件,利用单轴光纤陀螺仪、低成本倾角传感器和加速度计设计了一种新的简化惯导系统,对其工作原理进行详细分析并建立力学编排方程,对影响简化惯导系统导航性能的因素进行详细分析并推导其导航误差模型,研究了GPS系统的组成和定位原理,对比分析伪距定位法和载波相位定位法,并推导基于载波相位法的双天线GPS航向角求解方程。然后研究卡尔曼滤波原理,对比分析直接法滤波和间接法滤波的优缺点,构建基于间接法的双天线GPS/RISS松组合滤波算法模型,并设计轨迹发生器生成轨迹参数进行组合导航算法的仿真研究,仿真结果表明双天线GPS/RISS组合导航系统的航向角精度满足设计要求。其次进行基于DSP+FPGA的组合导航系统的硬件实现和相关软件程序编写,详细介绍了硬件系统的组成及其各部分主要功能,在DSP专用开发环境CCS3.3中设计组合导航系统的控制程序和导航解算程序。最后设计跑车实验,先对双天线GPS的定向精度和安装误差进行检查,再进行跑车试验,实验结果证明设计的导航算法的正确性,双天线GPS在1米基线时,组合导航系统的航向精度可达到0.3?。
刘猛奎[4]（2019）在《多天线GNSS/INS组合导航算法研究》文中指出移动测量系统的核心是GNSS/INS组合导航技术,即利用GNSS导航结果精度高和INS导航结果不受外界影响的特点,通过不同的组合方式为用户提供精度更优的位置、速度、姿态信息。近年来,移动测量系统得到迅速的发展,尤其表现在车载移动测量系统方面。然而传统的车载GNSS/INS测量系统通常搭载一个GNSS接收机,当载体长时间处于直线运动状态时,会存在定姿信息可观测性不强的问题,尤其是航向信息会随着时间而逐渐发散,对低等级的惯性导航器件表现更为显着。而利用载体上安装的多个GNSS天线则可以直接提供航向角、俯仰角和横滚角,形成组合系统中姿态角误差的直接观测,此外,还可以利用各个GNSS的载波相位信息,建立起量测关系。故本文紧紧围绕多天线GNSS/INS松、紧组合导航算法展开研究,主要研究工作如下:（1）研究了 GNSS相对定位技术原理,利用载波相位干涉原理求解流动站不同GNSS天线间形成的基线矢量,通过基线矢量在当地导航系和载体坐标系下的不同描述利用姿态转换矩阵求出航向角、俯仰角和横滚角。提出了一种简单实用的标定方法,用来补偿天线坐标系与载体坐标系间的安装角误差。通过实测数据得出,基线长度为1m左右时,航向角RMS达到0.32°。（2）详细介绍了当地导航坐标系和地心地固坐标系下的机械编排形式并给出了两种坐标系下INS误差方程的具体推导公式。介绍了标准卡尔曼滤波,并根据实际工程应用有针对性的阐述了非线性卡尔曼滤波的线性化和线性卡尔曼滤波的离散化。（3）严密推导了当地导航坐标系下的多天线GNSS/INS松组合状态方程和量测方程以及地心地固坐标系下的多天线GNSS/INS紧组合状态方程和量测方程。并通过实测数据验证多天线GNSS/INS组合导航算法提高航向角精度的可行性。以高精度惯导后处理得到的结果作为参考值,对比分析单天线松组合和多天线松组合结果及单天线紧组合和多天线紧组合结果,实例结果表明:多天线组合对位置和速度起到一定的平滑作用,对俯仰角和横滚角的改善不显着,对航向角改善最为明显,其中,多天线松组合RMS提升了 65.15%,多天线紧组合RMS提升了 58.06%。
朱锋[5]（2019）在《GNSS/SINS/视觉多传感器融合的精密定位定姿方法与关键技术》文中提出全球卫星导航系统作为国家重要的空间信息基础设施,具备全球、全天候、高精度连续定位、导航和授时的功能,然而,到达地面的GNSS卫星信号非常微弱,存在遮挡、干扰和欺骗三大脆弱性问题,无法在电磁干扰、物理遮蔽等复杂环境下使用,为了保障国家PNT系统的坚韧性,提升导航与位置服务的能力,美国提出了全源定位与导航（ASPN,All Source Positioning and Navigation）计划,同时,我国开展了“羲和系统”的研制并提出协同精密定位技术,随后开始推进以北斗为核心的国家综合PNT体系的建设。这些计划都将多传感器集成、多源异质信息融合确定为未来PNT技术的重要发展方向,也是从根本上解决单一导航系统局限性和脆弱性的有效途径。随着智能化时代的到来,以移动测量为代表的行业应用和以位置服务为代表的大众应用对精密定位定姿技术存在着巨大需求,星载、机载、车载、船载平台的移动测量和自动驾驶汽车、无人机、移动机器人等智能载体的自主导航都高度依赖精密的位置基准信息。因此,多传感器融合的精密定位定姿技术具有十分重要的研究意义与价值。本文旨在对GNSS/SINS/视觉多传感器融合的理论模型与技术方法开展系统深入的研究,提升复杂环境下精密定位定姿的能力,论文的主要工作和贡献如下:1)从模型简化与统一的角度,总结了精密单点定位和差分定位方式下的松/紧组合模型,并讨论了地面车辆可挖掘的多源约束信息及融合策略;面向车载场景,提出了一种以速度为主线的级联对准方案;为了实现双向滤波与双向平滑,给出了前向/后向的机械编排算法;在双天线GNSS/SINS组合测姿中,采用失准角模型代替欧拉角模型,达到与松组合兼容的目的。2)设计了一种称为“半紧组合”的新结构,既兼容了松组合与紧组合的优势,又克服了各自的主要缺陷,能够在卫星数不足的情况下,保持与紧组合一样的定位定姿精度,又解决了紧组合利用“传递”模式进行模糊度固定的风险问题,还能实现固定解的RTS平滑,是一种适用于多传感器分布式滤波的有效方法。3)为了增强复杂环境下的模糊度固定性能,分别从位置域、大气域、模糊度域的角度提出了三种新方法,即惯性辅助PPP模糊度固定、电离层建模约束的S2L-RTK、模糊度整合的后处理算法。理论分析与数据处理表明:当惯性递推的位置精度优于半个波长时,能够辅助模糊度实现瞬时固定;相比于加权电离层RTK模型,S2L-RTK通过电离层建模预报约束,在复杂环境下的模糊度固定率提高了近50%;模糊度整合的后处理算法可以将正确固定的模糊度赋予整个弧段,实现全弧段固定。4)提出了一种新的GNSS/SINS后处理策略,该策略先使用两个独立线程进行前向/后向Kalman滤波,滤波完成后各自进行RTS平滑,最后采用FBC组合技术对前向/后向平滑结果进行融合得到高精度结果。进一步的,通过状态降维和更新率调低,在不损失精度的情况下,大幅度提高了后处理效率,2.65小时的数据仅耗时4.5s,经过后处理平滑后,60s的累积误差从最大的20m减小到0.5m。5)根据移动测量的原理,研究了视觉点云地图与车道线地图生成技术,通过多帧影像前方交会得到路标点局部坐标以及单应性变换得到车道线局部坐标,然后由GNSS/SINS解算得到的相机位姿进行坐标转换,获得ECEF系下视觉点云与车道线坐标。提出了评价视觉点云的质量指标,并通过数据清洗提升了点云质量,由多方面的误差分析表明,车道线的绝对位置精度约为1020cm。6)在视觉点云和车道线两个图层的高精度地图支持下,深入开展了视觉定位以及GNSS/SINS/视觉/车道线约束/里程计多源信息融合的方法,构建了不同信息组合下的数学模型,提出了空间八叉树和特征十叉树加速的视觉定位框架,由KITTI数据集测试表明,视觉定位定姿的精度约为1.5cm和0.06deg,定位成功率接近100%,定位平均耗时为0.316秒,能够满足实时性要求,当与惯性融合时,仅需成功匹配到1个路标点,就能在GNSS长时间失锁（20min）的情况下保持10cm的位置精度。最后测试了2颗卫星情况下的GNSS/SINS/车道线约束/里程融合的实时定位,对于时长为300s的部分遮挡,其三个分量上的位置精度均优于10cm。7)自主研发了一套高精度GNSS/SINS数据融合的处理软件POSMind。该软件具有丰富的可视化界面,既可以单独处理GNSS多系统数据、也可以联合惯性数据进行融合处理,支持精密单点定位（PPP）、差分定位（DGNSS）、松组合（LCI）、紧组合（TCI）、半紧组合（STC）多种混合模式,并提供前向/后向滤波器、前向/后向RTS平滑器以及组合器,实现多种信息的最优融合,是目前唯一提供IAR-PPP/SINS组合功能的软件。在此基础上,实现了视觉地图支持下的GNSS/SINS/视觉/里程计多传感器融合的实时定位定姿算法。
孙晓炜[6]（2019）在《基于MEMS的IMU/GPS紧组合导航方法研究》文中研究指明MEMS-IMU惯性导航系统（INS）与全球定位系统（GPS）相组合的紧组合导航系统,不仅在可见卫星数目不足四颗时可以进行导航解算,同时又有着较低的成本和较高的性能优势,这些特点使其成为现阶段导航领域研究的热门。实现两个子系统组合的关键问题,是如何处理两个子系统提供的数据信息,因此,本课题研究的数据融合技术对于提高组合导航系统的性能,实现高精度和高可靠性定位有着重要的意义。由于采用了成本较低的MEMS惯性器件,使得惯性导航系统的精度较低,将其应用于紧组合导航系统中时,姿态角误差的矫正效果不理想,使得系统不能长时间保持高精度运行,当姿态角误差积累到一定程度,会导致紧组合滤波器发散,因此对姿态角误差进行量测矫正很有必要。本文的主要内容如下:首先,对组合导航技术以及载体姿态测量技术的发展情况进行了简要总结,叙述了导航领域中常用导航坐标系的定义和联系,研究了GPS导航系统和惯性导航系统的基本工作方法,并对两个子系统常见的误差来源进行了描述和分析。研究了惯性导航系统与卫星导航系统的三种基本组合方式,以及每种方式的特点。其次,研究了卡尔曼滤波算法的滤波原理,针对本课题所研究的基于MEMS的IMU惯性与卫星紧组合导航系统的特点,建立了卡尔曼滤波模型,并对系统滤波方程进行了推导。通过仿真结果表明,紧组合系统的闭环滤波结构比开环滤波结构性能更优秀,并且在缺星条件下可以进行定位解算,精度满足要求。然后,研究了采用GPS接收机测量载体运动中姿态信息的原理,并详细推导了如何用单天线GPS接收机进行伪姿态角解算,采用卡尔曼滤波技术对解算数据进行最优估计。通过仿真验证表明,采用单天线GPS接收机进行载体姿态解算,可以提供满足要求的姿态信息。最后,在传统的惯性导航与卫星导航紧组合系统中,通过引入由单天线GPS接收机解算得到的姿态角量测信息,提出了紧组合姿态矫正算法,以使紧组合导航系统的性能得到提升,并建立模块化综合仿真实验平台。通过仿真验证表明,所设计的紧组合姿态矫正算法可以解决因姿态角误差不可观测所造成的误差积累问题,使得滤波器在长时间内稳定运行,并保证精度。
王鼎杰[7]（2018）在《卫星辅助增强微惯性导航精度方法研究》文中研究表明随着高性能、低成本MEMS惯性器件的不断涌现,曾经昂贵、庞大的惯性/卫星组合系统发展成低成本、低功耗、微型化的微惯性/卫星组合导航系统,将惯性/卫星组合技术覆盖到过去用不起或用不上的小型无人机应用领域。微惯性/卫星组合导航系统能够提供连续、可靠的位置、速度和姿态等全维导航信息,赋予小型无人机全天候、实时、高精度的自主导航能力,是实现自主飞行、精密进近着陆（舰）或撞网回收等任务的核心关键系统。为提升传统惯性/卫星组合技术的现有导航精度,本文以高精度、小型化微惯性/卫星组合导航系统为研究对象,开展微惯性/卫星组合导航随机误差精确建模方法、载波相位时间差分辅助微惯性/卫星紧组合导航方法、神经网络辅助增强MEMS惯性导航方法和MEMS惯性导航动态初始对准方法研究,并搭建组合导航系统原理样机开展算法集成和试验验证评估。主要完成了以下研究工作:（1）为了实现传统惯性/卫星松组合的最优信息融合,提出了一种基于Allan方差分析的MEMS随机误差建模及量测噪声自适应估计的松组合方法。该方法采用Allan方差分析技术对微惯性器件噪声进行辨识与精细建模,然后基于归一化新息的卡方检验对GNSS定位粗差进行探测,并通过协方差匹配方法剔除粗差影响,同时根据Allan方差计算过程的带通滤波特性对量测输出进行频率分割,以优化融合效果。RTK/MEMS-SINS组合导航车载试验表明,该方法将定位、定姿均方根从0.089m、0.138°缩小至0.047m、0.117°,精度整体上分别提升了47%和15%。SPP/MEMS-SINS组合导航车载试验表明,该方法对组合导航定位、定速和定姿均方根分别从5.1852m、0.1465m/s、0.2131°缩小至4.2497m、0.0645m/s、0.1735°,精度整体上分别提升了约18%、56%和19%。该方法提升了传统松组合导航精度。（2）为提升无基准站辅助条件下的单站绝对导航性能,提出了一种基于载波相位时间差分（Time-Differenced Carrier Phase,TDCP）辅助MEMS-SINS组合导航方案。一方面,从GNSS历元间速度积分角度,推导更加精确的速度积分项近似公式,直接利用载波相位历元间星间差分观测量构建全紧组合观测方程。另一方面,从GNSS历元间位置差分角度,由TDCP测量值最小二乘估计获取精密历元间位置增量,并基于几何约束构建拟紧组合观测方程。车载导航试验结果表明,拟紧组合方案定位、定速和定姿均方根误差达到2.4866m、0.0533m/s和0.1599°;全紧组合方案定位、定速和定姿均方根误差分别达到2.6424m、0.0465m/s和0.0990°,且定位误差更加平滑。显然,全紧组合方案整体性能优于拟紧方案,在定速和定姿精度上提升了12.52%和25.08%,位置精度相当。拟紧组合方法可取之处在于其观测维数始终为3（全紧组合观测维数为mn,m是GNSS频点数,n是可用卫星颗数）,有利于嵌入式实时导航系统实现。另外,探讨了MEMS惯性辅助探测GNSS单频小周跳问题,初步验证了MEMS惯导短期辅助GNSS单频小周跳探测的可行性。（3）针对GNSS缺失条件下组合导航精度退化的缺陷,提出了一种旨在同时提升位置、速度和姿态精度的神经网络辅助Kalman滤波组合导航方法。该方法在有GNSS信号时训练BP神经网络,建立惯性测量与GNSS位置增量间的经验模型,在GNSS缺失时采用训练好的BP网络预报载体位置增量,构建位置增量观测方程。为了抑制网络预报异常对信息融合的不利影响,该方法同时采用抗差自适应Kalman滤波框架对SINS误差进行在线校准。车载半仿真试验表明,在40秒GNSS中断条件下,该网络辅助Kalman滤波方法将惯性导航最大定位和定速误差分别降低约21.33%和19.35%,最大定姿误差略有改善。试验结果初步验证该方法具备在GNSS长时间中断条件下提升微惯性/卫星组合导航定位、定速和定姿精度的能力。（4）针对无人机机载动态条件下低成本MEMS惯性导航系统的姿态初始化及模型非线性难题,提出了一种新的快速空中动态初始对准方法。空中动态粗对准方法利用GNSS速度信息和MEMS加速度计测量值构造定姿双向量,从而在载体运动条件下获取其较为准确的姿态信息。机载试验表明,该空中动态粗对准算法偏航角、俯仰角和滚转角均方根误差优于15°、7°和9°,基本满足后续精对准的小角度要求。动基座精对准方法采用Cubature变换减小线性化误差的不利影响,同时采用状态扩展方式来捕获有意义的高阶矩信息、减小非加性IMU噪声的不利影响。机载试验表明,该方法能够处理大、小失准角条件下的MEMS-SINS初始对准模型非线性问题,性能优于传统Kalman滤波方法,且无需模型切换即可实现由大初始姿态角误差到小初始姿态角误差的无缝对准。（5）针对试验评估中对高精度导航参考基准的需求,提出了一种基于简化RTS反向平滑的RTK/MEMS-SINS组合高精度事后基准确定算法,并通过对组合导航误差Allan方差分析,指出RTS反向平滑对组合导航中长期精度的显着改善作用。车载动态试验结果表明:相对于传统Kalman滤波,RTS反向平滑方法能够将组合导航定位、定速和定姿精度进一步提升40%、12%和20%。RTS平滑不仅改善了组合导航短期精度,而且显着改善了中长期精度,但是无法有效改善高频噪声影响。该方法可作为GNSS/INS组合导航事后评估的高精度参考基准确定方法。（6）搭建GNSS/MEMS-SINS组合导航系统原理样机,开展了多种组合导航方案的系统集成与车载试验评估分析。车载盲导穿越障碍试验结果表明,该组合导航系统精度和实时性可满足高速车载精密导航应用需求。
杨磊[8]（2018）在《基于双天线GNSSMIMU载体姿态测量系统的设计与研究》文中指出物联网技术革新推动了姿态测量技术的发展,使姿态测量技术在人工智能、无人机、交通运输及稳控平台等方面具有很强的应用。目前姿态测量技术大多采用微惯性测量单元（Miniature Inertial Measurement Unit,MIMU）或者双天线全球导航卫星系统（Global Navigation Satellite System,GNSS）进行载体姿态测量;而MIMU姿态测量技术存在累积误差及初始位置对准等问题,双天线GNSS姿态测量技术存在整周模糊度及噪声误差等问题;为了减少上述问题的误差,本文提出基于双天线GNSSMIMU组合载体姿态测量系统的设计与研究,通过两种姿态测量技术的优势互补,提高载体姿态测量精度,满足实际生活中人们对于姿态测量的需求。本文首先介绍了MIMU微惯性姿态测量及双天线GNSS姿态测量原理,分析了MIMU惯性姿态测量及双天线GNSS姿态测量现存误差,针对MIMU安装误差提出了椭球拟合现场自标定方法,随后将两种不同的载体姿态测量技术进行组合,采用MIMU辅助最小二乘去相关法（Least Squares Estimate Adjustment Search Algorithm,LAMBDA）解算GNSS卫星载波相位整周模糊度,采用GNSS对MIMU进行初始位置对准及累计误差校准,降低两个姿态测量系统的误差,解算得到两组姿态角信息,最后通过联邦Kalman滤波将两组数据进行融合处理得到载体的最终姿态角。本文末尾对双天线GNSS-MIMU组合姿态测量系统进行实验验证,主要分单系统实验验证和组合系统实验验证。分别对MIMU辅助双天线GNSS整周模糊度解算、双天线GNSS阈值法校准MIMU累计误差及组合载体姿态测量系统进行了验证。通过验证得到组合姿态测量系统的航向角和俯仰角精度比单系统姿态测量方式的测量精度高,且组合姿态测量静态方式的载体姿态角误差,航向角保持在3°以内,俯仰角精度保持在1.5°以内,动态直线行驶航向角误差保持在5°以内,证实了文章提出的组合姿态测量方式的可行性。这对于目前载体姿态测量技术的发展具有极大的理论和工程参考价值。
朱恒阳[9]（2018）在《基于GPS和MEMS的飞机导航系统算法研究》文中研究说明随着信息和导航技术的发展,实时准确地掌握载体的运动信息变得尤为重要。载体的姿态信息（偏航、俯仰、横滚）在航空航天中的飞行器件、在海上航行的轮船、以及在陆地上行驶的汽车等中都是重要的输出参数之一。如何准确地获得运动载体的姿态信息也是研究领域的一大热点。论文以MEMS/GPS组合测姿系统为研究对象,研究重点包括组合导航算法和组合导航过程中数据融合算法两部分。本文的研究内容如下:1、阐述了SINS、GPS和SINS/GPS组合导航系统的基本工作原理。针对SINS,详细推导了在当地地理坐标系下的解算过程,并基于欧拉平台误差角建立了当地地理坐标系下的误差方程;针对GPS,介绍了其定位测速的基本原理,并对GPS定位系统误差进行了细致、深入的分析。最后分析了现有的MEMS/GPS组合导航系统的组合方式以及校正方式。2、设计了 MEMS/GPS组合导航的总体测姿方案,提出了三种不同的测姿方案。给出了相应测量姿态方法的状态方程和量测方程的具体形式,同时利用Matlab完成了算法验证。针对单独MEMS系统姿态随时间发散的问题,提出采用MEMS和GPS松组合导航的方法。但是采用松组合输出校正方案不仅姿态收敛慢,而且时间长了容易发散;针对松组合输出姿态收敛慢容易发散的问题,提出了反馈校正的方法。该方法通过四元数实现对姿态信息的反馈,虽然能保证系统长时间不发散,但是系统收敛慢,不适合无人机快速启动的特点;针对松组合反馈校正姿态收敛慢的问题,提出了基于单天线原理的MEMS/GPS组合导航方案。该方案不仅能保证系统长时间不发散,也能使系统快速收敛;针对可见星不足时组合导航不能正常工作的问题,提出了紧组合的方案,很好地解决了 GPS可见星不足时系统不能正常工作的问题。3、针对R值较小时,Sage-Husa自适应卡尔曼滤波发散的问题,引入变分贝叶斯自适应卡尔曼滤波。该方法在量测噪声R未知的情况下,滤波精度高于经典卡尔曼滤波和Sage-Husa自适应卡尔曼滤波的精度,且其不受量测噪声R急剧变小的影响。4、针对之前MEMS/GPS组合导航仿真中轨迹单一问题,基于轨迹仿真的基本原理和载体不同运动状态下的动力学方程,设计实现了真实轨迹发生器、MEMS仿真器和MEMS/GPS组合导航仿真系统。然后通过实际车载导航数据,对算法的性能进行了验证,仿真结果验证了本文所提出算法均能有效的解决相应问题,提高了组合系统的导航精度。
陈一佳[10]（2018）在《基于GPS惯导视觉的测姿研究》文中进行了进一步梳理控制系统需要实时获取载体（如飞机、导弹、车辆等）姿态信息来判断其运动状态,进而控制载体运动。传统测姿技术多采用GPS（Global Positioning System）多天线系统,该方法精度较高,但成本较高且算法的复杂度较大（需经过周跳检测、模糊度固定等步骤）,其精度和可靠性易受周围观测环境的影响。相比于多天线,单天线架设简便,成本相对较低。针对城市峡谷、隧道等环境下GPS信号易失锁或中断的特点,本文尝试采用GPS分别与惯导（Inertial Navigation System,INS）和视觉系统融合来获取可靠的运动载体姿态信息。该方案可以克服惯导或视觉系统误差累积的缺点,也可以保证GPS信号中断的情况下继续提供可用、连续的载体姿态信息。本文以国家自然科学基金项目“一机多天线高精度北斗/GPS定位模型和关键技术研究”为课题研究背景,对GPS单天线测姿模型的理论误差和精度分析展开深入研究。以此为基础,提出了基于一种新型的GPS/INS/视觉测姿算法用以提高载体姿态测量的精度和可靠性。论文的研究内容主要包括:1.研究了GPS单天线测姿的基本原理,分析其利用伪姿态角表征载体姿态的优缺点。介绍了测量误差、偏置误差和侧移误差。与GPS多天线测姿的结果相比,车载动态实验验证了测量误差和偏置误差存在的影响并且提出了相应改正方法。2.针对视觉系统中的特征点提取与匹配,在分析了常用的加速鲁棒特征（Speeded Up Robust Features,SURF）算法与面向快速和旋转（Oriented FAST and Rotated BRIEF,ORB）算法提取特征点并使用暴力匹配后,本文使用了基于统一计算设备架构（Compute Unified Device Architecture,CUDA）加速的ORB算法与匹配算法,通过并行化达到提升运行效率的目的。以桌面平台为例:在720P、1080P和2K三种分辨率情况下,本文提出的算法在特征点提取上加速比分别为7.6倍、14.3倍、14倍;在匹配上加速比为24倍、19.96倍、20.32倍,提升效果显着。3.研究了视觉系统测姿的两种方式:基于2D图像对极约束和基于3D图像迭代最近点（Interative Closest Point,ICP）。前者通过建立对极约束求解本质矩阵;后者通过建立ICP匹配并做通用图优化（General Graph Optimization,g2o）。最后由本质矩阵奇异值分解（Singular Value Decomposition,SVD）得到旋转矩阵进而获得姿态角。实验结果表明,两种方法均能较好地反映载体姿态的变化,但由于后者深度图的计算存在误差,故而采用前者可获得更好的效果。4.利用卡尔曼滤波模型,提出了GPS单天线/惯导和GPS单天线/视觉的组合测姿模型来提高姿态测量的精度和可靠性。前者采用将位置/速度差值作为状态向量的松耦合模式,后者采用将姿态角作为状态向量的松耦合模式。车载动态实验表明,组合模式相比单纯惯导、单纯视觉测姿精度改善明显。GPS单天线/惯导组合测姿的均方根误差（Root Mean Square,RMS）相比单纯惯导减小了53.9%;GPS单天线/视觉组合测姿的RMS相比单纯视觉减小了63.6%。由此证明了本文提出的组合测姿模型的可行性和优越性。
二、利用单天线GPS确定载体姿态的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用单天线GPS确定载体姿态的研究（论文提纲范文）
（2）冗余式MEMS-SINS的非线性组合导航技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关技术国内外研究现状 |
| 1.2.1 捷联惯导系统冗余技术研究现状 |
| 1.2.2 MEMS组合导航技术研究现状 |
| 1.2.3 非线性滤波技术研究现状 |
| 1.3 论文研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第2章 冗余式MEMS组合导航系统总体方案设计 |
| 2.1 引言 |
| 2.2 总体方案性能需求分析 |
| 2.3 MEMS捷联惯导系统冗余技术 |
| 2.3.1 冗余惯导系统可靠性分析 |
| 2.3.2 冗余配置数目的确定 |
| 2.3.3 冗余配置结构设计与分析 |
| 2.3.4 冗余系统重构 |
| 2.4 组合导航系统滤波方法研究 |
| 2.4.1 非线性滤波方法分析 |
| 2.4.2 无迹卡尔曼滤波 |
| 2.5 冗余式MEMS组合导航系统方案设计 |
| 2.5.1 冗余式MEMS-SINS/GNSS组合方案 |
| 2.5.2 冗余式MEMS-SINS/OD组合方案 |
| 2.5.3 系统工作模式切换 |
| 2.6 本章小结 |
| 第3章 非线性组合导航系统可观测性分析 |
| 3.1 引言 |
| 3.2 线性系统可观测性分析 |
| 3.2.1 PWCS可观测性分析方法 |
| 3.2.2 SVD可观测度分析方法 |
| 3.3 非线性系统可观测性分析 |
| 3.3.1 改进非线性系统可观测性分析方法 |
| 3.3.2 MEMS-SINS/GNSS组合导航系统可观测性分析 |
| 3.4 本章小结 |
| 第4章 基于改进模糊自适应UKF的 MEMS-SINS/GNSS组合导航算法研究 |
| 4.1 引言 |
| 4.2 冗余式MEMS-SINS/GNSS非线性误差模型 |
| 4.2.1 SINS导航信息更新 |
| 4.2.2 冗余式MEMS-SINS非线性误差模型 |
| 4.2.3 冗余式MEMS-SINS/GNSS组合导航误差模型 |
| 4.3 冗余式MEMS-SINS/GNSS组合导航系统航向角估计方法 |
| 4.3.1 GNSS航向约束 |
| 4.3.2 转弯判断规则 |
| 4.4 改进型模糊自适应滤波算法 |
| 4.4.1 基于Sage-Husa的非线性噪声统计估计器 |
| 4.4.2 改进模糊自适应UKF算法 |
| 4.5 仿真实验与分析 |
| 4.6 本章小结 |
| 第5章 基于改进抗野值自适应UKF的 MEMS-SINS/OD组合导航算法研究 |
| 5.1 引言 |
| 5.2 冗余式MEMS-SINS/OD非线性误差模型 |
| 5.2.1 里程计误差模型 |
| 5.2.2 冗余式MEMS-SINS/OD非线性误差模型 |
| 5.3 改进型抗野值滤波算法 |
| 5.3.1 里程计测量野值分析 |
| 5.3.2 系统野值检测 |
| 5.3.3 改进抗野值自适应UKF算法 |
| 5.4 仿真实验与分析 |
| 5.5 本章小结 |
| 第6章 基于联邦滤波的组合导航算法总体验证 |
| 6.1 引言 |
| 6.2 联邦滤波器设计 |
| 6.3 总体方案实验与分析 |
| 6.3.1 仿真实验设置 |
| 6.3.2 无子系统失效情况仿真实验与分析 |
| 6.3.3 GNSS失效情况下仿真实验与分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（3）基于单轴光纤陀螺的车载组合导航系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 简化惯导系统的国内外研究现状 |
| 1.3 双天线GPS的国内外研究现状 |
| 1.4 组合导航的国内外研究现状 |
| 1.5 论文主要研究内容 |
| 第2章 双天线GPS/RISS导航系统研究 |
| 2.1 光纤陀螺原理 |
| 2.1.1 Sagnac效应 |
| 2.1.2 光纤陀螺 |
| 2.2 常用坐标系及坐标变换矩阵 |
| 2.2.1 常用坐标系 |
| 2.2.2 坐标系之间转换 |
| 2.2.3 关于地球的描述 |
| 2.3 两种传统简化惯导系统原理分析 |
| 2.4 基于单轴光纤陀螺的惯导系统设计和算法分析 |
| 2.4.1 基于单轴光纤陀螺的惯导系统设计 |
| 2.4.2 导航信息解算 |
| 2.4.3 导航解算误差类型及误差来源 |
| 2.4.4 系统误差模型 |
| 2.5 双天线GPS定位定向研究 |
| 2.5.1 GPS组成 |
| 2.5.2 GPS系统观测方程 |
| 2.5.3 双天线GPS定向方法 |
| 2.6 本章小结 |
| 第3章 双天线GPS/RISS组合导航算法 |
| 3.1 卡尔曼滤波原理 |
| 3.2 卡尔曼滤波在组合导航中的应用方法 |
| 3.3 惯性/GPS组合模式 |
| 3.4 基于间接法的双天线GPS/RISS松组合算法 |
| 3.5 组合算法的仿真研究 |
| 3.6 本章小结 |
| 第4章 基于DSP和 FPGA的组合导航系统实现 |
| 4.1 硬件系统 |
| 4.1.1 整体设计 |
| 4.1.2 传感器选择 |
| 4.1.3 数据接收与处理部分设计 |
| 4.2 软件设计 |
| 4.2.1 CCS集成开发环境 |
| 4.2.2 控制算法程序设计 |
| 4.2.3 中断服务程序设计 |
| 4.2.4 系统自启动程序设计 |
| 4.2.5 数据传输程序设计 |
| 4.2.6 导航算法程序设计 |
| 4.3 本章小结 |
| 第5章 实验结果与分析 |
| 5.1 双天线GPS定向精度和安装误差检测 |
| 5.2 组合导航系统实验 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士期间发表的论文及取得的科研成果 |
| 致谢 |
（4）多天线GNSS/INS组合导航算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文结构编排 |
| 2 多天线GNSS测姿 |
| 2.1 GNSS概述 |
| 2.2 GNSS相对定位 |
| 2.3 多天线GNSS测姿原理 |
| 2.4 算例分析 |
| 2.5 小结 |
| 3 惯性导航技术 |
| 3.1 常用坐标系及其姿态角 |
| 3.2 INS机械编排 |
| 3.3 INS误差方程 |
| 3.4 小结 |
| 4 基于多天线GNSS/INS组合算法 |
| 4.1 卡尔曼滤波 |
| 4.2 杆臂值改正 |
| 4.3 基于多天线GNSS/INS松组合算法 |
| 4.4 基于多天线GNSS/INS紧组合算法 |
| 4.5 小结 |
| 5 多天线GNSS/INS组合导航实验设计与数据分析 |
| 5.1 实验设备及跑车方案 |
| 5.2 单/多天线松组合数据分析 |
| 5.3 单/多天线紧组合数据分析 |
| 5.4 多天线松、紧组合数据分析 |
| 5.5 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（5）GNSS/SINS/视觉多传感器融合的精密定位定姿方法与关键技术（论文提纲范文）
| 博士生自认为的创新点 |
| 摘要 |
| ABSTRACT |
| 缩写索引 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 GNSS/SINS组合导航方面 |
| 1.2.2 视觉定位方面 |
| 1.2.3 GNSS/SINS/视觉多源融合方面 |
| 1.3 本文的研究目标及内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 本章小结 |
| 第2章 GNSS/SINS组合定位定姿的基本理论与方法 |
| 2.1 惯性器件的系统误差和随机误差分析 |
| 2.1.1 系统误差分析 |
| 2.1.2 随机误差分析 |
| 2.2 惯导初始对准 |
| 2.3 前向/后向机械编排算法 |
| 2.4 GNSS/SINS组合的基础模型 |
| 2.4.1 GNSS/SINS组合的状态方程 |
| 2.4.2 GNSS/SINS组合的观测方程 |
| 2.5 多源信息约束的观测模型 |
| 2.5.1 三维辅助速度观测更新 |
| 2.5.2 位移约束观测更新 |
| 2.5.3 零速/零角速观测更新 |
| 2.5.4 高程约束观测更新 |
| 2.5.5 多源信息融合策略 |
| 2.6 双天线GNSS/SINS组合测姿 |
| 2.6.1 状态模型和观测模型 |
| 2.6.2 车载实验分析 |
| 2.7 本章小结 |
| 第3章 复杂环境下GNSS/SINS精密定位定姿的关键技术 |
| 3.1 多系统GNSS/SINS组合及其性能分析 |
| 3.1.1 GNSS卫星全球可用性分析 |
| 3.1.2 多系统GNSS/SINS组合导航性能分析 |
| 3.2 GNSS/SINS半紧组合方式 |
| 3.2.1 紧组合方式的进一步讨论 |
| 3.2.2 半紧组合的结构设计与讨论 |
| 3.2.3 半紧组合的效果与优势验证 |
| 3.3 惯性辅助GNSS周跳修复 |
| 3.3.1 周跳修复的模型与方法 |
| 3.3.2 周跳修复的影响因素与实验结果 |
| 3.4 位置域约束的惯性辅助模糊度快速固定 |
| 3.4.1 IAR-PPP/SINS紧组合模型与模糊度固定策略 |
| 3.4.2 惯性辅助PPP模糊度固定的理论分析 |
| 3.4.3 惯性辅助PPP模糊度固定的性能分析 |
| 3.4.4 城市环境下的测试与验证 |
| 3.5 大气域电离层建模约束的模糊度快速固定 |
| 3.5.1 短到长基线的场景分析 |
| 3.5.2 双差电离层建模与S2L-RTK定位模型 |
| 3.5.3 数据测试与验证 |
| 3.6 模糊度域整合的后处理方法 |
| 3.6.1 ADBI方法设计与实现 |
| 3.6.2 数据测试与验证 |
| 3.7 快速高精度的最优平滑算法 |
| 3.7.1 算法设计 |
| 3.7.2 实验验证 |
| 3.8 本章小结 |
| 第4章 视觉点云地图与车道线地图生成技术 |
| 4.1 前方交会与单应性矩阵及其误差分析 |
| 4.1.1 前方交会及其误差分析 |
| 4.1.2 单应性变换及其误差分析 |
| 4.2 视觉点云地图生成技术 |
| 4.2.1 基本理论与方法 |
| 4.2.2 视觉点云地图生成流程 |
| 4.2.3 KITTI数据集测试 |
| 4.3 视觉点云地图数据清洗 |
| 4.4 基于Kalman滤波的车道线提取方法 |
| 4.4.1 车道线提取的方法与流程 |
| 4.4.2 实际道路影像数据验证分析 |
| 4.5 车道线地图生成技术 |
| 4.5.1 利用单目视觉生成车道线 |
| 4.5.2 实验测试与精度评估 |
| 4.6 本章小结 |
| 第5章 地图辅助的视觉定位及多传感器融合技术 |
| 5.1 后方交会及其误差分析 |
| 5.2 视觉点云地图辅助定位 |
| 5.2.1 视觉点云地图辅助的视觉定位框架 |
| 5.2.2 KITTI数据集测试的定位精度分析 |
| 5.2.3 KITTI数据集测试的定位成功率与实时性分析 |
| 5.3 视觉点云地图辅助下的视觉/惯性融合定位 |
| 5.3.1 IBL视觉定位与惯性传感器的组合模型 |
| 5.3.2 数据测试与验证 |
| 5.4 车道线辅助定位 |
| 5.4.1 车道线辅助定位的数学模型 |
| 5.4.2 车道线辅助定位性能分析 |
| 5.5 车道线辅助下的视觉/SINS/里程计/GNSS融合定位 |
| 5.5.1 融合定位的数学模型 |
| 5.5.2 融合定位的测试分析与比较 |
| 5.6 本章小结 |
| 第6章 多传感器集成的精密定位定姿系统开发与测试 |
| 6.1 多传感器集成的硬件平台搭建 |
| 6.2 相机与惯导的空间关系标定 |
| 6.3 高精度GNSS/SINS数据融合处理软件开发 |
| 6.4 高精度GNSS/SINS定位定姿的性能测试与分析 |
| 6.5 复杂环境下的多源融合实时定位测试与分析 |
| 6.5.1 GNSS卫星全部失锁下的视觉/惯性融合定位测试 |
| 6.5.2 复杂环境下的车道线约束/里程计/GNSS/SINS融合定位与测试 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻博期间发表论文、参与项目情况 |
| 致谢 |
（6）基于MEMS的IMU/GPS紧组合导航方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外发展研究现状 |
| 1.2.1 组合导航技术发展概况 |
| 1.2.2 姿态测量技术发展概况 |
| 1.3 主要内容和章节安排 |
| 第2章 INS/GPS组合导航系统 |
| 2.1 常用导航坐标系及其之间转换关系 |
| 2.1.1 常用导航坐标系 |
| 2.1.2 常用导航坐标系间转换关系 |
| 2.2 GPS卫星导航定位系统 |
| 2.2.1 GPS系统结构 |
| 2.2.2 GPS导航定位方法 |
| 2.2.3 GPS定位误差 |
| 2.3 基于MEMS的 IMU惯性导航定位系统 |
| 2.3.1 惯性导航定位方法 |
| 2.3.2 惯性器件误差 |
| 2.3.3 MEMS惯性系统 |
| 2.4 惯性/卫星导航组合方式 |
| 2.5 本章小结 |
| 第3章 紧组合导航系统滤波算法 |
| 3.1 卡尔曼滤波算法 |
| 3.1.1 线性滤波 |
| 3.1.2 非线性滤波 |
| 3.2 MEMS-IMU/GPS紧组合系统卡尔曼滤波模型 |
| 3.2.1 系统状态方程 |
| 3.2.2 系统量测方程 |
| 3.2.3 滤波结构 |
| 3.3 紧组合系统算法性能验证 |
| 3.3.1 开环与闭环方案性能对比 |
| 3.3.2 缺星时性能验证 |
| 3.4 本章小结 |
| 第4章 GPS单天线姿态测量技术 |
| 4.1 GPS多天线测姿方法 |
| 4.2 GPS单天线测姿方法 |
| 4.2.1 伪姿态算法设计 |
| 4.2.2 伪姿态角与传统姿态角间关系 |
| 4.2.3 滤波模型设计 |
| 4.3 GPS单天线测姿性能验证 |
| 4.4 本章小结 |
| 第5章 紧组合姿态矫正算法设计 |
| 5.1 紧组合姿态矫正系统设计 |
| 5.1.1 系统原理 |
| 5.1.2 系统特性 |
| 5.2 系统滤波算法设计 |
| 5.2.1 系统状态方程 |
| 5.2.2 系统量测方程 |
| 5.3 仿真系统设计 |
| 5.4 算法性能验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（7）卫星辅助增强微惯性导航精度方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外相关技术研究综述 |
| 1.2.1 MEMS惯性器件研究现状 |
| 1.2.2 GNSS定位技术研究现状 |
| 1.2.3 微惯性/卫星组合导航技术研究现状 |
| 1.3 论文研究内容及组织结构 |
| 1.4 本章小结 |
| 第二章 捷联惯性导航基本理论与方法 |
| 2.1 导航常用坐标系与姿态参数 |
| 2.1.1 常用坐标系及其转换 |
| 2.1.2 常用姿态参数及其转换 |
| 2.2 惯性导航力学编排及误差传播 |
| 2.2.1 导航参数微分方程 |
| 2.2.2 惯性导航力学编排 |
| 2.2.3 惯性导航误差状态方程 |
| 2.3 本章小结 |
| 第三章 基于Allan方差分析的惯性/卫星松组合导航精密建模 |
| 3.1 基于Allan方差分析的惯性器件随机误差建模方法 |
| 3.1.1 惯性器件随机误差时域建模方法 |
| 3.1.2 基于Allan方差分析的惯性器件随机噪声时域建模方法 |
| 3.1.3 微惯性器件随机误差分析实例 |
| 3.2 惯性/卫星松组合导航观测建模及误差分析 |
| 3.2.1 松组合导航基本观测模型 |
| 3.2.2 组合导航观测模型的实时实现 |
| 3.2.3 GNSS定位误差分析 |
| 3.3 基于新息序列方差匹配的抗差自适应滤波方法 |
| 3.3.1 惯性辅助卫星定位质量控制方法 |
| 3.3.2 观测噪声方差解耦自适应估计方法 |
| 3.3.3 基于新息序列方差匹配的抗差自适应滤波方法试验研究 |
| 3.4 本章小结 |
| 第四章 基于载波相位时间差分的微惯性/卫星组合导航方案设计与实现 |
| 4.1 基于伪距、多普勒测量的惯性/卫星紧组合导航建模方法 |
| 4.1.1 惯性/卫星紧组合导航模型 |
| 4.1.2 惯性/卫星紧组合导航的优势及问题分析 |
| 4.2 载波相位时间差分模型 |
| 4.2.1 载波相位时间差分观测方程推导与分析 |
| 4.2.2 基于载波相位时间差分的精密位置增量解算方法 |
| 4.3 载波相位时间差分观测量的周跳探测与处理策略 |
| 4.3.1 周跳对载波相位时间差分观测量的影响分析 |
| 4.3.2 基于Turbo Edit方法的周跳探测 |
| 4.3.3 惯性辅助载波相位周跳探测方法 |
| 4.3.4 周跳探测方法实例分析 |
| 4.4 载波相位时间差分辅助惯性/卫星紧组合导航方法 |
| 4.4.1 基于载波相位时间差分解算的精密位置增量辅助 |
| 4.4.2 基于载波相位时间差分观测量辅助 |
| 4.4.3 两种方法优劣对比 |
| 4.5 本章小结 |
| 第五章 基于神经网络辅助的微惯性导航精度增强方法 |
| 5.1 神经网络辅助惯性/卫星组合导航基本特点 |
| 5.2 神经网络辅助微惯性导航误差非线性建模方法 |
| 5.2.1 动态神经网络拓扑结构 |
| 5.2.2 基于时滞神经网络辅助惯性导航定位误差非线性建模 |
| 5.2.3 P-δP方法局限性分析 |
| 5.3 卫星缺失情况下基于神经网络辅助的卡尔曼滤波算法设计 |
| 5.3.1 基于BP神经网络的GNSS位置增量预报方法 |
| 5.3.2 基于伪GNSS位置增量辅助微惯性导航方法 |
| 5.4 车载试验验证 |
| 5.4.1 传统P-δP方法辅助惯性导航试验分析 |
| 5.4.2 神经网络辅助卡尔曼滤波方法试验验证 |
| 5.5 本章小结 |
| 第六章 卫星辅助微惯性导航系统空中动基座初始对准方法 |
| 6.1 捷联惯导动基座初始对准方法方案设计 |
| 6.1.1 MEMS捷联惯导动基座初始对准的基本特点 |
| 6.1.2 MEMS捷联惯导动基座初始对准总体方案设计 |
| 6.2 卫星辅助微惯性导航动基座粗对准方法 |
| 6.2.1 双历元GNSS辅助MEMS-SINS动态粗对准原理 |
| 6.2.2 空中动态粗对准方法 |
| 6.3 大失准角条件下动基座初始对准容积卡尔曼滤波方法 |
| 6.3.1 非线性系统递推贝叶斯估计 |
| 6.3.2 基于扩展容积卡尔曼滤波的MEMS-SINS初始对准方法 |
| 6.4 容积卡尔曼滤波初始对准方法分析 |
| 6.4.1 扩展与非扩展容积卡尔曼滤波方法对比分析 |
| 6.4.2 容积卡尔曼滤波方法与无迹卡尔曼滤波方法对比分析 |
| 6.5 机载试验分析 |
| 6.5.1 无人机运动特性分析 |
| 6.5.2 粗对准方法机载试验结果与分析 |
| 6.5.3 精对准方法机载试验结果与分析 |
| 6.6 本章小结 |
| 第七章 组合导航系统原理样机集成及性能验证 |
| 7.1 微惯性/卫星组合导航试验系统集成 |
| 7.1.1 系统原理样机硬件构成 |
| 7.1.2 组合导航及显控软件设计 |
| 7.1.3 车载试验平台 |
| 7.2 车载导航试验方案及评估方法 |
| 7.2.1 车载导航试验方案设计 |
| 7.2.2 组合导航系统性能评估方法 |
| 7.3 车载试验结果与分析 |
| 7.3.1 微惯性/卫星组合事后平滑处理试验结果及分析 |
| 7.3.2 良好GNSS观测环境下组合导航精度评估试验结果与分析 |
| 7.3.3 微惯性导航滑行精度评估试验结果与分析 |
| 7.3.4 微惯性导航位置增量精度评估试验结果与分析 |
| 7.4 本章小结 |
| 第八章 结论与展望 |
| 8.1 论文研究成果及主要创新点 |
| 8.1.1 论文研究成果 |
| 8.1.2 论文主要创新点 |
| 8.2 论文研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（8）基于双天线GNSSMIMU载体姿态测量系统的设计与研究（论文提纲范文）
| 摘要 |
| Abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 测姿技术分类对比 |
| 1.2.1 双天线卫星测姿技术 |
| 1.2.2 惯性测姿技术 |
| 1.2.3 组合测姿技术 |
| 1.3 测姿技术的研究现状 |
| 1.3.1 双天线卫星测姿技术的现状与发展 |
| 1.3.2 惯性测姿技术的现状与发展 |
| 1.3.3 组合测姿技术的现状与发展 |
| 1.4 主要研究内容及论文章节安排 |
| 1.5 本章小结 |
| 第2章 组合姿态测量技术 |
| 2.1 MIMU惯性测姿技术 |
| 2.1.1 MEMS陀螺仪 |
| 2.1.2 MEMS加速度计 |
| 2.1.3 微惯性测量单元 |
| 2.2 双天线GNSS测姿技术 |
| 2.2.1 双天线GNSS测姿概念 |
| 2.2.2 载波相位技术 |
| 2.2.3 双天线GNSS测姿技术 |
| 2.3 本章小结 |
| 第3章 组合测姿系统设计 |
| 3.1 组合测姿总体方案设计 |
| 3.2 组合测姿硬件设计 |
| 3.2.1 处理器模块设计 |
| 3.2.2 电源模块设计 |
| 3.2.3 MEMS惯性测量模块设计 |
| 3.2.4 串口电路模块设计 |
| 3.2.5 GNSS接收机 |
| 3.3 组合测姿软件设计 |
| 3.3.1 底层软件设计 |
| 3.3.2 算法软件设计 |
| 3.4 组合系统实现 |
| 3.5 界面显示 |
| 3.6 本章小结 |
| 第4章 组合测姿算法研究 |
| 4.1 GNSS辅助MIMU姿态测量 |
| 4.1.1 MIMU系统坐标系建立 |
| 4.1.2 MIMU椭球拟合误差模型 |
| 4.1.3 双天线辅助MIMU误差校准 |
| 4.1.4 双天线辅助MIMU对准验证 |
| 4.2 MIMU辅助卫星整周模糊度解算 |
| 4.2.1 整周模糊度误差分析 |
| 4.2.2 MIMU辅助整周模糊度解算 |
| 4.2.3 MIMU辅助整周模糊度解算验证 |
| 4.3 组合测姿数据融合处理分析研究 |
| 4.3.1 Kalman滤波器结构模型 |
| 4.3.2 Kalman状态方程设计 |
| 4.3.3 Kalman量测方程设计 |
| 4.4 本章小结 |
| 第5章 实验验证及分析 |
| 5.1 MIMU椭球拟合标定方法验证 |
| 5.2 双天线GNSS和 MIMU姿态测量验证 |
| 5.3 组合系统姿态测量验证 |
| 5.3.1 静止状态实验验证 |
| 5.3.2 直线行驶实验验证 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）基于GPS和MEMS的飞机导航系统算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景、目的和意义 |
| 1.2 MEMS/GPS组合导航国内外研究现状概况 |
| 1.2.1 MEMS的惯性器件的发展 |
| 1.2.2 MEMS/GPS组合导航系统研究现状 |
| 1.3 论文主要工作和结构安排 |
| 第2章 MEMS/GPS导航算法及组合理论 |
| 2.1 捷联惯性导航系统(SINS) |
| 2.1.1 常用参考坐标系 |
| 2.1.2 SINS导航原理及力学编排 |
| 2.1.3 SINS误差方程 |
| 2.2 全球定位系统(GPS) |
| 2.2.1 GPS系统的构成 |
| 2.2.2 GPS量测的基本原理 |
| 2.2.3 GPS误差源 |
| 2.3 本章小结 |
| 第3章 针对飞行器的基于MEMS/GPS组合测姿方案设计 |
| 3.1 姿态测量总体方案概述 |
| 3.2 基于松组合的MEMS/GPS飞行器组合测姿系统设计 |
| 3.2.1 松组合导航系统状态方程 |
| 3.2.2 松组合导航系统量测方程 |
| 3.2.3 反馈校正仿真分析 |
| 3.3 基于单天线的MEMS/GPS飞行器组合导航系统设计 |
| 3.3.1 基于单天线的MEMS/GPS测姿系统原理 |
| 3.3.2 仿真分析 |
| 3.4 基于紧组合的MEMS/GPS飞行器组合测姿系统设计 |
| 3.4.1 紧组合导航系统状态方程 |
| 3.4.2 紧组合导航系统量测方程 |
| 3.4.3 状态方程和量测方程的离散化处理 |
| 3.4.4 紧组合系统仿真分析 |
| 3.5 本章小结 |
| 第4章 自适应卡尔曼滤波算法研究及试验仿真 |
| 4.1 变分贝叶斯自适应卡尔曼滤波算法 |
| 4.1.1 变分贝叶斯自适应卡尔曼滤波算法原理 |
| 4.1.2 变分贝叶斯自适应卡尔曼滤波的仿真结果分析 |
| 4.2 飞行器仿真 |
| 4.2.1 紧组合轨迹发生器 |
| 4.2.2 基本运动状态 |
| 4.2.3 轨迹微分方程组 |
| 4.2.4 仿真数据介绍 |
| 4.3 本章小结 |
| 第5章 MEMS/GPS紧组合导航系统车载试验验证 |
| 5.1 试验准备 |
| 5.1.1 车载准备 |
| 5.1.2 载车行驶路线 |
| 5.2 车载试验结果 |
| 5.3 车载试验结果分析 |
| 5.4 本章小结 |
| 结论 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）基于GPS惯导视觉的测姿研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究概况 |
| 1.2.1 GPS测姿技术现状研究 |
| 1.2.2 惯导系统测姿技术现状研究 |
| 1.2.3 视觉测姿技术现状研究 |
| 1.2.4 CUDA技术现状与发展 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 测姿系统原理 |
| 2.1 GPS系统 |
| 2.1.1 GPS概述 |
| 2.1.2 坐标系关系及姿态角 |
| 2.1.3 GPS测姿基本原理 |
| 2.1.4 GPS单天线测姿误差分析 |
| 2.2 惯性导航系统 |
| 2.2.1 惯性导航系统简介 |
| 2.2.2 姿态角速度计算 |
| 2.2.3 四元数与姿态矩阵 |
| 2.2.4 速度与位置计算 |
| 2.3 视觉系统 |
| 2.3.1 特征点检测 |
| 2.3.2 特征点匹配 |
| 2.3.3 旋转矩阵与姿态角的转换 |
| 2.4 本章小结 |
| 第三章 特征点提取与匹配 |
| 3.1 常用特征点提取算法 |
| 3.1.1 SURF算法 |
| 3.1.2 ORB算法 |
| 3.2 特征点匹配 |
| 3.2.1 基于汉明距离的暴力匹配 |
| 3.2.2 基于RANSAC的优化匹配 |
| 3.3 基于CUDA加速的ORB与暴力匹配 |
| 3.4 实验对比 |
| 3.4.1 实验设备及环境 |
| 3.4.2 特征点提取与匹配 |
| 3.4.3 误匹配剔除 |
| 3.5 本章小结 |
| 第四章 视觉测姿系统 |
| 4.1 2 D图像对极约束测姿 |
| 4.1.1 对极约束 |
| 4.1.2 本质矩阵的SVD分解 |
| 4.2 3 D图像ICP测姿 |
| 4.2.1 ICP匹配关系的建立 |
| 4.2.2 ICP线性优化求解 |
| 4.2.3 基于g2o的图优化 |
| 4.3 视觉系统实验 |
| 4.3.1 实验设备及环境 |
| 4.3.3 视觉测姿可行性实验 |
| 4.4 本章小结 |
| 第五章 多系统组合测姿模型 |
| 5.1 卡尔曼滤波 |
| 5.2 GPS单天线/惯导的组合测姿算法 |
| 5.3 GPS单天线/视觉的组合测姿算法 |
| 5.4 跑车测姿实验 |
| 5.4.1 实验设备及环境 |
| 5.4.2 单天线实验 |
| 5.4.3 组合测姿实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的科研工作 |
四、利用单天线GPS确定载体姿态的研究（论文参考文献）
- [1]车载GNSS实时姿态估计算法研究[D]. 张思宇. 中国矿业大学, 2021
- [2]冗余式MEMS-SINS的非线性组合导航技术研究[D]. 王诺. 哈尔滨工程大学, 2020(05)
- [3]基于单轴光纤陀螺的车载组合导航系统研究[D]. 李嘉晶. 哈尔滨工程大学, 2020(05)
- [4]多天线GNSS/INS组合导航算法研究[D]. 刘猛奎. 山东科技大学, 2019(05)
- [5]GNSS/SINS/视觉多传感器融合的精密定位定姿方法与关键技术[D]. 朱锋. 武汉大学, 2019(08)
- [6]基于MEMS的IMU/GPS紧组合导航方法研究[D]. 孙晓炜. 哈尔滨工程大学, 2019(08)
- [7]卫星辅助增强微惯性导航精度方法研究[D]. 王鼎杰. 国防科技大学, 2018(01)
- [8]基于双天线GNSSMIMU载体姿态测量系统的设计与研究[D]. 杨磊. 重庆邮电大学, 2018(01)
- [9]基于GPS和MEMS的飞机导航系统算法研究[D]. 朱恒阳. 哈尔滨工程大学, 2018(05)
- [10]基于GPS惯导视觉的测姿研究[D]. 陈一佳. 华东师范大学, 2018(01)