[发明专利]一种舰船捷联惯性导航系统自适应初始对准方法

说明书

技术领域

本发明涉及导航领域，具体涉及一种舰船光纤捷联惯性导航系统的初始对准方法。

背景技术

捷联惯性导航系统(Strapdown Inertial Navigation System,SINS)可以利用加速度计和陀螺仪敏感到运载体自身的线速度和角速度信息，从而提供速度、位置及姿态等导航信息。由于SINS具有全天候、自主性、抗干扰、隐蔽性高、能够提供多种导航信息、体积小、价格低等诸多优点，被广泛应用于航海领域。而初始对准为舰船SINS提供初始信息，是SINS进行正常导航工作的前提。初始对准的精度将直接影响到导航系统的导航精度，因此对初始对准技术进行研究具有重要的理论和实际意义。

目前，在进行初始对准时一般将惯性导航系统简化为线性系统，但是实际的系统存在非线性，尤其是在舰船高动态情况下。将非线性系统近似为线性系统来处理将会降低滤波算法的精度，甚至会引起滤波发散。因此非线性滤波器得到了越来越多的关注，其中最为常用的是扩展卡尔曼滤波器(Extended Kalman Filter,EKF)和无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)。但是EKF和UKF在强非线性、高维度系统中存在滤波精度不高且容易发散的问题。此外，上述滤波器还要求系统模型的先验知识严格已知，但由于系统本身器件误差的漂移、舰船高机动引起的动态误差以及外部环境不确定因素的影响，这一要求在实际应用中是很难满足的。

为解决系统的不确定性问题，目前国内外学者已经提出了多种自适应滤波算法，如Sage-Huge自适应滤波算法、自适应因子调节算法等。虽然这些自适应算法对系统的估计精度有一定程度上的改善，但是在实际运用中，仍然存在一定的局限。如：Sage-Huge自适应滤波算法不能在过程噪声和量测噪声同时未知时使用，它需要已知其中的一个量；渐消因子自适应滤波每次迭代智能有一个最佳渐消因子，对于较复杂的系统模型来说不能保证滤波器的最佳估计。

本发明通过引入基于方差分量估计(Variance Component Estimation,VCE)的自适应容积卡尔曼滤波(Cubature Kalman Filter,CKF)，抑制系统非线性和不确定性问题对舰船SINS初始对准精度及导航精度的影响，完成舰船的高精度初始对准，为舰船高精度导航奠定基础。

发明内容

本发明的目的是提供一种能够同时解决惯导系统非线性和系统噪声不确定性问题的舰船捷联惯性导航系统自适应初始对准方法。

本发明的目的是通过以下步骤来实现的：

步骤1：舰船SINS开始工作，采集SINS中光纤陀螺仪和加速度计的测量信息；

步骤2：根据舰船上所搭载的全球定位系统提供舰船的初始位置，以及采集到的光纤陀螺、加速度计信息，利用解析式粗对准算法初步确定舰船的姿态信息，完成舰船SINS的粗对准；

步骤3：建立高动态环境下舰船SINS的非线性误差模型；

步骤4：建立舰船高动态环境下的非线性滤波方程；

步骤5：利用基于VCE的自适应CKF算法对系统噪声进行实时估计，同时估计出系统的失准角；

步骤6：利用步骤5中估计出来的失准角来修正系统的初始捷联姿态矩阵，得到精确的初始捷联矩阵，从而完成动基座下的精对准过程。

进一步地，所述基于VCE的自适应CKF算法，其步骤为：

1)首先定义三组伪观测量；

2)根据残差理论，分别计算三组伪观测量的系统残差向量；

3)执行CKF滤波过程，计算出系统残差向量的方差矩阵；

4)得到相互独立的三组量测向量的多余观测分量；

5)计算过程噪声方差分量和量测噪声方差分量的多余观测分量；

6)得到量测噪声方差阵和过程噪声方差阵；

7)重复执行步骤3)-步骤6)。

本发明具有如下有益效果：通过构建VCE的自适应CKF算法，同时解决了高动态机动环境下舰船系统的非线性问题和系统的状态噪声和量测噪声统计特性不确定的问题，有效提升了对准滤波算法的稳定性、鲁棒性，与传统CKF算法相比，采用本发明方法后，航向失准角误差收敛速度更快，精度更高，初始对准综合性能得到提升。

附图说明

图1为本发明方法的流程图；

图2为第一组条件下利用本发明与传统方法时失准角的纵摇失准角对比曲线；

图3为第一组条件下利用本发明与传统方法时失准角的横摇失准角对比曲线；