基于扩展卡尔曼滤波的姿态解算系统及解算方法技术方案

基于扩展卡尔曼滤波的姿态解算系统及解算方法，通过解算和校准陀螺仪和加速度计数据，得到精度较高的三轴姿态角；数据处理模块对IMU传感器含噪数据进行平滑滤波、归一化处理，得到降噪处理和统一单位之后的测量数据，解算模块利用线性互补滤波结合PI积分补偿校正陀螺仪数据，处理后的传感器数据导入扩展卡尔曼滤波进行数据融合和姿态解算，校准模块利用Elman神经网络进行在线训练，以IMU两个传感器信息和解算模块输出的校准前的姿态信息为输入，以姿态角测量值为神经网络预测值，采用三个并行的Elman神经网络结构进行在线训练，实时更新神经网络的权值和阈值，输出校准后的三轴姿态角，提高解算精度和系统的冗余性。

【技术实现步骤摘要】
基于扩展卡尔曼滤波的姿态解算系统及解算方法
本专利技术属于固定翼无人机姿态解算
，具体涉及基于扩展卡尔曼滤波的姿态解算系统及解算方法。
技术介绍
固定翼无人机的飞控系统包含姿态控制、组合导航、故障诊断等众多模块，是无人机的核心部件，其决定了无人机的可靠性和稳定性，而对采集的数据进行融合处理并进行姿态解算，获得较为准确的姿态角，是整个飞控环节的第一步。目前在固定翼无人机上采用的姿态解算方法，普遍使用的有mahony互补滤波器和扩展卡尔曼滤波器。互补滤波器(complementaryfilter,CF)从加速度计和磁罗盘获得低频数据融合从陀螺仪获得的高频数据进行姿态解算，其显著优势是计算量小，是现在商用最广泛的滤波器，但是动态性能低于卡尔曼滤波器，导致飞控系统有滞后现象，截止频率附近衰减较慢，处理后的数据存在误差，精确度较低。扩展卡尔曼滤波器(ExtendedKalmanFilter,EKF)利用泰勒级数展开将非线性系统进行线性化处理，其动态性能良好，仅依靠参数矩阵进行解算，不影响估计精度，但也因此十分依靠先验知识，线性化过程存在一定的线性化误差。神经网络(neuralnetwork,NN)本质上是从输入空间到目标空间的一个非线性映射，对于载体机动和惯导器件之间的误差相关性能够准确拟合，ElmanNN相对于普通的NN有一个特殊的承接层，它能够使网络独有动态记忆功能，因此也很好符合了惯导器件的惯性特性，可以结合固定翼无人机的惯性测量单元进行辅助使用。
技术实现思路
为克服上述现有技术的不足，本专利技术的目的在于提供基于扩展卡尔曼滤波的姿态解算系统及解算方法，利用神经网络校准扩展卡尔曼滤波，解决传统姿态解算方法的局限性以及过度依赖陀螺仪、加速度计传感器性能的缺陷，本专利技术在标准扩展卡尔曼滤波的基础上，加入线性互补滤波算法，综合两种滤波算法用于固定翼无人机(UnmannedAerialVehicle,UAV)惯性测量单元(InertialMeasurementUnit,IMU)两个传感器的数据融合与姿态解算，再加入Elman神经网络校准三轴姿态角，提高了解算精度，降低了对惯性测量单元的依赖性。本专利技术不仅可以改善传感器受温漂、振动等误差影响，而且加入Elman网络，降低了姿态解算对惯导系统的依赖性，提高了姿态解算的自适应性，响应速度和收敛速度更快，能够快速准确地解算出无人机的三轴姿态角。为实现上述目的，本专利技术采用的技术方案是：基于扩展卡尔曼滤波的姿态解算系统，包括有数据处理模块、解算模块、校准模块；所述的数据处理模块：用于处理IMU陀螺仪和加速度计两个传感器数据；所述的解算模块：用于将IMU陀螺仪和加速度计两个传感器数据经过线性互补滤波和扩展卡尔曼滤波进行数据融合和姿态解算，得到校准前的姿态信息；所述的校准模块：用于将IMU陀螺仪和加速度计两个传感器数据和校准前的姿态信息作为Elman神经网络的输入进行训练和预测，从而得到校准后的姿态信息。利用基于扩展卡尔曼滤波的姿态解算系统解算的方法，包括以下步骤：步骤1，数据处理模块对数据进行处理，具体做法是：导入传感器含噪数据，传感器含噪数据包括有陀螺仪测得的姿态角速度和加速度计测得的姿态角重力加速度；传感器含噪数据含有噪声，对导入数据做平滑滤波、归一化处理，获得处理后数据，供步骤2使用；步骤2，解算模块进行姿态解算，具体做法是：首先，神经网络用线性互补滤波算法对步骤1处理后数据进行滤波，利用旋转矩阵对不同坐标系下的加速度g做相应转换和向量叉乘，并对陀螺仪数据进行PI积分补偿，通过融合加速度计高通滤波和陀螺仪低通滤波，得到更接近真实测量结果的数据；再次，以线性互补滤波之后的陀螺仪数据作为扩展卡尔曼滤波算法的初始状态变量，以加速度计测量数据为量测变量，求得雅克比系数矩阵、过程噪声协方差矩阵以及测量噪声协方差矩阵，代入扩展卡尔曼滤波方程组迭代计算，得到当前时刻的姿态角的四元数表示法，以此类推，得到一组线性的四元数形式姿态角，达到实时准确跟踪姿态信息的目的；步骤3，校准模块对三轴姿态角进行校准，具体做法是：输入两个传感器数据和未校准的三轴姿态角至ElmanNN，采用在线训练学习；工作开始时，设置ElmanNN的初始权值和阈值为随机值，取姿态角测量值为ElmanNN的预测值，采用梯度下降的学习方法，通过实时更新神经网络的权值和阈值，经学习后输出校准后的三轴姿态角。所述的步骤2，神经网络以线性互补滤波和扩展卡尔曼滤波解算后的三轴姿态角为输入；为避免训练过程的交叉耦合，采用三个并行的Elman神经网络结构。所述的三轴姿态角，通过解算和校准无人机惯性测量单元上的陀螺仪和加速度计两个传感器的数据得到；所述的线性互补滤波，结合PI积分补偿校正陀螺仪数据，将处理后的两个传感器数据导入扩展卡尔曼滤波进行数据融合和姿态解算，Elman神经网络将两个传感器数据和解算后的三轴姿态角信息作为输入在神经网络结构中进行在线训练，输出校准后的三轴姿态角，提高解算精度和系统的冗余性。所述的扩展卡尔曼滤波算法，以前一时刻的姿态角的四元数表示法为初始变量，以线性互补滤波之后的陀螺仪测量数据为状态变量，以加速度计测量数据为量测变量，给定系数矩阵，经扩展卡尔曼滤波方程组迭代计算得到当前时刻的姿态角的四元数表示法，以此类推，得到一组线性的四元数形式姿态角，达到实时准确跟踪姿态信息的目的。与现有技术相比，本专利技术的有益效果是：本专利技术基于改进扩展卡尔曼滤波的姿态解算方法综合两种算法的优势，减少了各自使用时的局限性，提高了解算性能，具有更高的实时性和稳定性。本专利技术的改进扩展卡尔曼滤波模块和Elman神经网络模块不单单是对单一传感器的数据进行算法处理再进行姿态解算，通过融合陀螺仪和加速度计两个传感器数据，并经过神经网络在线训练，能够实时解算出精度较高的三轴姿态角估计值。本专利技术仅使用UAV-IMU上的陀螺仪和加速度计两个传感器，节约了数据空间，节省了数据分析和处理的时间，提高了解算速度，简化了解算流程。本专利技术利用神经网络校准扩展卡尔曼滤波的固定翼无人机姿态解算方法，通过解算和校准UAV-IMU上的陀螺仪和加速度计两个传感器的数据，得到精度较高的三轴姿态角；数据处理模块对IMU传感器测量数据进行平滑滤波、归一化等处理，解算模块首先利用线性互补滤波结合PI积分补偿校正陀螺仪数据，然后将处理后的两传感器数据导入扩展卡尔曼滤波进行数据融合和姿态解算，校准模块利用Elman神经网络进行在线训练，以IMU传感器信息和解算模块输出的校准前的姿态信息为输入，以姿态角测量值为神经网络预测值，为了避免训练过程的交叉耦合，采用三个并行的Elman神经网络结构，实时更新神经网络的权值和阈值，输出校准后的三轴姿态角，提高解算精度和系统的冗余性。附图说明图1为本专利技术的系统的方法流程图。图2为本专利技术的系统原理框图。图3是本专利技术实施例所述的Elman神本文档来自技高网...

【技术保护点】
1.基于扩展卡尔曼滤波的姿态解算系统，包括有数据处理模块、解算模块、校准模块；/n所述的数据处理模块：用于处理IMU陀螺仪和加速度计两个传感器数据；/n所述的解算模块：用于将IMU陀螺仪和加速度计两个传感器数据经过线性互补滤波和扩展卡尔曼滤波进行数据融合和姿态解算，得到校准前的姿态信息；/n所述的校准模块：用于将IMU陀螺仪和加速度计两个传感器数据和校准前的姿态信息作为Elman神经网络的输入进行训练和预测，从而得到校准后的姿态信息。/n

【技术特征摘要】
1.基于扩展卡尔曼滤波的姿态解算系统，包括有数据处理模块、解算模块、校准模块；
所述的数据处理模块：用于处理IMU陀螺仪和加速度计两个传感器数据；
所述的解算模块：用于将IMU陀螺仪和加速度计两个传感器数据经过线性互补滤波和扩展卡尔曼滤波进行数据融合和姿态解算，得到校准前的姿态信息；
所述的校准模块：用于将IMU陀螺仪和加速度计两个传感器数据和校准前的姿态信息作为Elman神经网络的输入进行训练和预测，从而得到校准后的姿态信息。


2.利用基于扩展卡尔曼滤波的姿态解算系统解算的方法，其特征在于，包括以下步骤：
步骤1，数据处理模块对数据进行处理，具体做法是：
导入传感器含噪数据，传感器含噪数据包括有陀螺仪测得的姿态角速度和加速度计测得的姿态角重力加速度；传感器含噪数据含有噪声，对导入数据做平滑滤波、归一化处理，获得处理后数据，供步骤2使用；
步骤2，解算模块进行姿态解算，具体做法是：
首先，神经网络用线性互补滤波算法对步骤1处理后数据进行滤波，利用旋转矩阵对不同坐标系下的加速度g做相应转换和向量叉乘，并对陀螺仪数据进行PI积分补偿，通过融合加速度计高通滤波和陀螺仪低通滤波，得到更接近真实测量结果的数据；
再次，以线性互补滤波之后的陀螺仪数据作为扩展卡尔曼滤波算法的初始状态变量，以加速度计测量数据为量测变量，求得雅克比系数矩阵、过程噪声协方差矩阵以及测量噪声协方差矩阵，代入扩展卡尔曼滤波方程组迭代计算，得到当前时刻的姿态角的四元数表示法，以此类推，得到一组线性的四元数形式姿态角，达到实时准确跟踪姿态信息的目的；
步骤3，校准模块对三轴姿态角...

【专利技术属性】
技术研发人员：弋英民，王柯颖，苑易伟，张友民，李东博，范笑林，郑朝阳，穆凌霞，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61