[发明专利]基于模糊判断算法的多旋翼无人机位置数据融合滤波方法

摘要

本发明公开的基于模糊判断算法的多旋翼无人机位置数据融合滤波方法，包括以下步骤：1)针对多传感器融合的Kalman滤波，选取定义修正阶段方程；2)选取测量模型；3)定义包括传感器在内的精度标准；4)对多旋翼无人机的位置数据融合滤波引入模糊算法中隶属度的概念，改善在降低传感器信任程度时可能引发的数据跳变。本发明的方法是在多旋翼无人机上搭载全球卫星定位系统并利用其位置信号的基础上，对位置信号进行滤波处理，从而使得传感器的数据具有容错能力。

主权项

1.基于模糊判断算法的多旋翼无人机位置数据融合滤波方法，其特征在于，包括以下步骤：1)针对多传感器融合的Kalman滤波，选取定义修正阶段方程；2)选取测量模型；3)定义包括传感器在内的精度标准；4)对多旋翼无人机的位置数据融合滤波引入模糊算法中隶属度的概念，改善在降低传感器信任程度时可能引发的数据跳变；在所述的步骤1)中，用于多传感器融合的Kalman滤波的修正阶段方程定义如下：其中，其中，zi(k)表示k时刻的第i个传感器的观测量；用k时刻以前的数据对k时刻进行估计；表示用k时刻以及k时刻以前的数据对k时刻的估计结果，即滤波后的输出；P(k|k‑1)表示最小预测均方差矩阵；P(k|k)表示修正后的最小预测均方差矩阵；Ki(k)表示误差增益；Ri(k)表示第i个传感器的协方差矩阵；根据测量值与预测值之间的偏差针对每一个传感器i提出一个相应判定函数q_i用于对传感器在第k时刻的精确程度进行判断，如下：其中，qi的概率密度曲线服从χ2分布，根据χ2分布图线以及每一个时间步k计算出的第i个传感器的精度值qi可以判断该传感器的可信程度；在所述的步骤2)中，所述测量模型的选取如下：其中，bGPS(k)以及bIMU(k)代表测量高斯白噪声；其分布服从协方差矩阵RGPS(k)以及PIMU(k)；x(k)为系统的状态，包括加速度、速度以及位置；在所述的步骤3)中，所述精度标准的定义如下：其中，为协方差矩阵；计算出的各个传感器的精度以及设定的阀值，CGPS代表相信GPS数据的情况，qGPS＜GPS阀值；CIMU表示相信IMU数据的情况，此时qIMU＜IMU阀值，定义cGPS表示只使用GPS的情况，定义cIMU表示只使用IMU的情况，定义cGPS+IMU表示同时使用GPS和IMU的情况，定义c0表示不信任二者的情况，因此集合A＝{c0,cGPS，cGPS+IMU，cIMU}构成了数据融合的整个空间；在所述的步骤4)中，所述隶属度的具体计算方法如下:引入模糊算法中隶属度的概念用以改善在降低传感器信任程度时可能引发的数据跳变，从而降低无人机发生事故的风险，其中，β为各种情况的系数，且β0+βGPS+βIMU+βGPS+IMU＝1   (12)只使用GPS数据的情况：KGPS(k)＝PGPS(k|k)(HGPS)T(RGPS)‑1   (14)(PGPS(k|k))‑1＝P‑1(k|k‑1)+(HGPS)T(RGPS)‑1HGPS   (15)只使用IMU数据的情况：KIMU(k)＝PIMU(k|k)(HIMU)T(PIMU)‑1   (17)(PIMU(k|k))‑1＝P‑1(k|k‑1)+(HIMU)T(RIMU)‑1HIMU   (18)同时使用IMU和GPS数据的情况：其中，KGPS|(GPS+IMU)(k)＝PGPS+IMU(k|k)(HGPS)T(RGPS)‑1   (20)KIMU|(GPS+IMU)(k)＝PGPS+IMU(k|k)(HIMU)T(RIMU)‑1   (21)(PGPS+IMU(k|k))‑1＝P‑1(k|k‑1)+(HIMU)T(HIMU)‑1HIMU+(HIMU)T(RIMU)‑1HIMU+(HGPS)T(RGPS)‑1HGPS        (22)当既不采用GPS也不采用IMU数据时，滤波值直接采用Kalman滤波的估计值，即最终数据融合结果：