Tutum ölçüm sisteminin kararlılığı için optimizasyon algoritması araştırması
Du Hongbin, Hou Qiuhua, Kang Xiaoming
(Bilgi Bilimi ve Mühendisliği Okulu, Doğu Çin Bilim ve Teknoloji Üniversitesi, Şangay 200237)
Bulanık kural ayarlamasına dayalı bir kademeli doğrusal Kalman (LKF) tutum hesaplama yöntemi tasarlanmıştır.Durum denklemini oluşturmak için dönme matrisinin bazı unsurları kullanılır.İlk olarak, gözlem olarak manevra ivme telafisinin ivmesi ve farklı hareket durumlarını ayarlamak için bulanık kuralı kullanılır. Kovaryans matrisi, ivmenin girişimini azaltır ve yatay tutum açısını elde eder; daha sonra sapma açısını elde etmek için dolaylı gözlemler elde etmek için manyetik yoğunluk bilgisi ve tutum bilgisi kullanılır. Dinamik ve statik testler, bu yöntemin yatay eğime kümülatif hatayı ve manyetik girişim eşleme girişimini ortadan kaldırdığını göstermektedir.Genişletilmiş Kalman filtresi (EKF) ile karşılaştırıldığında, hareket hızlanma paraziti ve manyetik alan paraziti altında tutum tahmin doğruluğunu iyileştirir ve azaltır Hesaplama miktarı.
Tutum tahmini; ivme telafisi; kademeli; ayrıştırma; bulanık kurallar
Çin Kütüphanesi Sınıflandırma Numarası: TN06; TP301.6
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.04.025
Çince alıntı biçimi: Du Hongbin, Hou Qiuhua, Kang Xiaoming. Tutum ölçüm sisteminin kararlılık optimizasyon algoritması üzerine araştırma.Elektronik Teknoloji Uygulaması, 2017, 43 (4): 94-97.
İngilizce alıntı biçimi: Du Hongbin, Hou Qiuhua, Kang Xiaoming. Tutum ölçüm sisteminin kararlılık optimizasyon algoritması üzerine araştırma. Application of Electronic Technique, 2017, 43 (4): 94-97.
0 Önsöz
Son yıllarda, MEMS (Mikro-Elektro-Mekanik Sistem) jiroskopları, ivmeölçerler ve manyetometreler ile birleştirilen tutum ölçüm sistemleri, otonom araç sürüşü, mikro uçak ve insan hareket analizi alanlarında yaygın olarak kullanılmaktadır. Düşük maliyetli MEMS cihazlarının sürüklenme özellikleri ve yüksek gürültü özellikleri nedeniyle, birleşik sensörlerin tutum hesaplaması yoluyla kararlı tutum bilgisi elde etmesi gerekir. Uzun süreli manevra ivmesi ve manyetik alan paraziti olduğunda, doğru tutum bilgisi elde edilemez. Bu nedenle, bilgi kaynaşmasını sağlamak için makul bir duruş tanımlama modeli ve belirli bir çözüm yöntemi kullanmak her zaman çetrefilli bir sorun olmuştur.
Yukarıdaki sorunlara yanıt olarak, yerli ve yabancı bilim adamları bazı gelişmiş algoritmalar önerdiler. Literatür, harici paraziti telafi edememe nedeniyle değiştirilmiş bir Kalman filtre algoritması önermektedir, tahmin doğruluğu önemli ölçüde azalmıştır; literatür, manyetometre kuplaj paraziti nedeniyle eğim doğruluğunu etkileyen genişletilmiş Kalman filtre füzyon yöntemini kullanmaktadır ve EKF'deki yüksek dereceli terimlerin ihmalinden kaynaklanan bir hata sorunu vardır. , Ve boyutluluk yüksektir ve hesaplama karmaşıktır; literatür manevra ivmesini tanımlamak için artık hatayı kullanır, ancak sapma açısını dikkate almaz; literatür, manevra hızlanma telafisini gerçekleştiren ve algoritmanın karmaşıklığını azaltan dönme matrisini EKF kullanır, ancak tam olarak ulaşamaz Duruş tahmini.
Manevra hızlanmasının müdahalesi altında doğruluk bozulması ve kuplaj paraziti sorununu çözmek için, bu makale manevra hızlanmasını durum geri beslemesi yoluyla tahmin eder, hızlanma telafisini gerçekleştirir ve manevra hızlanma parazitini azaltmak için kovaryans matrisini dinamik olarak ayarlamak için bulanık kurallar kullanır ve kademeli yapı manyetik alanı ortadan kaldırır. Bilginin eğim açısı üzerindeki etkisi ve son olarak bu yöntemin etkinliğini doğrulamak için bir deney tasarlanmıştır.
1 Tutum açıklaması ve sensör modeli
1.1 Koordinat sistemi ve rotasyon matrisi
Bu çalışmada, rotasyon matrisini elde etmek için taşıyıcı koordinat sisteminden (B sistemi) jeodezik koordinat sistemine (E sistemi, X / Y / Z pozitif eksen noktalarını sırasıyla kuzey / doğu / gökyüzü tanımlayın) Z-Y-X dönüş yönüne göre:
Formülde c ve s sırasıyla cos ve sin'i temsil eder ve , ve sapma açısını, yükseklik açısını ve yuvarlanma açısını temsil eder. , ve elde etmek için kullanılan ifadeler aşağıdaki gibidir:
1.2 Sensör modeli
MEMS sensör çıkış modeli:
Formülde jiroskobun ideal açısal oran çıktısı, ba ve bg jiroskobun ivmesi ve sıfır sapması, G = (0,0, g) T yerçekimi vektörü, g 9,8 m / s2, a motor ivmesi, h Manyetik alan referans vektörü, örneğin, ea, em sırasıyla jiroskop, ivmeölçer ve manyetometrenin ilişkisiz Gauss rasgele beyaz gürültüsüdür.
2 Cascade LKF filtre tasarımı
Bu makale esas olarak, eğim açısının sapma açısıyla ilişkili olduğu dönme matrisindeki üçüncü satır vektörünün özelliklerini kullanır ve iki doğrusal Kalman filtresi, eğim açısı ve sapma açısının en iyi tahminlerini adım adım elde etmek için hiyerarşik olarak tasarlanmıştır.
2.1 Açılı Kalman filtresi
Örnekleme zamanı nerede. Durum, özyinelemeli işlem sırasında farklılaşacaktır ve hızlanma verileriyle düzeltilmesi gerekir. Bununla birlikte, manevra koşulları altında manevra ivmesi ivmeyi büyük ölçüde bozar ve dinamik koşullar altında tahmin doğruluğunu iyileştirmek için manevra ivmesinin tahmin edilmesi gerekir.
Taşıyıcı belirli bir yönde hareket ettiğinde, manevra ivmesi a ani dönüş olmaması durumunda bitişik momentler arasında aniden değişemez, bu nedenle bu makale literatürdeki birinci dereceden düşük geçişli sürekli süreç modelini benimser. İvme modeli Şekil 1'de gösterilmektedir. Son anda manevra ivmesinin arka tahmini a + (k-1), son anda ölçülen ivme ile optimal teorik ivme arasındaki farktan elde edilebilir, yani: a + (k-1) = ya (k-1) -ba-gx1 (k-1). İvme modeline göre, bir sonraki an için bir ön tahmin elde edilebilir:
Bunlar arasında, a + (k-1) önceki zamandaki arka tahmindir, a- (k) bu zamandaki ön tahmindir ve ca boyuttur.
(3) denkleminin ikinci denkleminden gözlem denklemini elde edin:
Çapraz dizi Racc, genellikle ani olmayan dönüş eğrisi hareketinin neden olduğu hızlanma girişiminin üstesinden gelmek için kullanılır. Dönme ivmesinde ani bir değişiklik olduğunda, kovaryans matrisi bulanık kurallar kullanılarak ayarlanır. Kovaryans matrisi modeli aşağıdaki gibidir:
Err1 ve err2'yi bulanık girdi değişkenleri olarak ve Ka ve Kg'yi bulanık çıktı değişkenleri olarak ayarlamak için bulanık ölçütler kullanın. err1, err2 = {NB, NS, ZE, PS, PB}, elemanlar sırasıyla negatif büyük, negatif küçük, sıfır, pozitif küçük ve pozitif büyük temsil eder. Bu yazıda, üçgen işleminin basit olduğu düşünülerek, bulanık değişkenlerin üyelik fonksiyonu simetrik bir üçgen benimsemiştir.Er1 ve err2'nin bulanık üyelik fonksiyonu (x) Şekil 2'de gösterilmiştir. Bulanık kurallar Tablo 1'de gösterilmektedir.
Gürültü kovaryans matrisini elde etmek için Tablo 1'deki Ka ve Kg değerlerini alın:
2.2 Sapma açısı Kalman filtresi
Formülde hmy ve hmx, gürültüsüz teorik manyetik alan seviyesi bileşenleridir ve emx ve emy, manyetik alan seviyesi gürültüsüdür.
Gözlem denklemini yukarıdan elde edin:
Algoritma akışı Şekil 3'te gösterilmektedir.
3.1 Statik test
Bu yazıda ivmeölçer hesaplamanın üç yöntemi, füzyon algoritması hesaplaması ve jiroskop hesaplaması, statik tutum bilgilerini elde etmek için kullanılır.
Şekil 4'te ivmeölçer ile elde edilen tutum açısı büyük gürültü girişimine sahiptir.Bu yazıda yer alan algoritma ile hesaplanan tutum açısı, gürültü ve sürüklenmeden kaynaklanan birikmiş tutum hatasını ortadan kaldırmaktadır.Aslında platform küçük bir açı eğimi ile yerleştirilmekte ve hesaplanan tutum açısı sıfır noktasından sapmaktadır. Bununla birlikte, sabit bir açıya ulaştıktan sonra hiçbir sapma ve aşma fenomeni yoktur ve doğruluk büyük ölçüde artar; Şekil 5, jiroskop tarafından elde edilen tutum açısının gürültü ve jiroskop kayması nedeniyle kademeli olarak sapacağını ve hareketsizken sabit bir açıya sabitlenemeyeceğini göstermektedir.
3.2 Dinamik test
Şekil 6, bu yazıda bulunan algoritma ve literatür EKF algoritması ile manevra ivmesinin müdahalesi altında elde edilen referans platform tutum açısı ile karşılaştırılan tutum açısının hata değerini göstermektedir.
Tablo 2, ivme tahmininin üç algoritması, EKF ve bu makaledeki algoritma ile tahmin edilen tutum açısının ortalama kare hatası verilerinin ve referans platformun tutum açısının karşılaştırmasını göstermektedir.
Sonuçlar, önerilen algoritmanın manevra hızlanmasının müdahalesi altında tutum tahmininin doğruluğunu geliştirebileceğini göstermektedir. Dinamik koşullar altında, bu makalede algoritma ile elde edilen eğim açısı ve yuvarlanma açısının ortalama kare hatası, genişletilmiş Kalman filtre algoritmasınınkinden daha küçüktür.Statik koşullar altında, esas olarak biriken hatanın üstesinden gelmek ve ayrıca yüksek hassasiyet özelliklerini korumaktır.
3.3 Manyetik alan girişim testi
Sabit edinim platformunun yakınına sert demir ve diğer manyetik alan parazitlerini ekleyin ve tutum açısı bilgi çıkışı Şekil 7'de gösterilmektedir. Şekil 7, EKF algoritmasının küçük bir sapma açısı dalgalanmasına sahip olmasına rağmen, dönüş açısı doğruluğunu etkilediğini ve eğim açısının açı dalgalanmaları ürettiğini göstermektedir; Bu makaledeki algoritma, iki aşamalı filtrenin ayrılması nedeniyle yatay tutumu etkileyemeyecek ve doğru açıyı koruyamayacaktır. Değişiklik yok, yatay tutum açısının doğruluğu iyileştirildi.
4. Sonuç
Bu makale, hızlanma parazit koşulları altında tutum doğruluğu bozulması ve parazit bağlaşımı sorunları için bulanık ayarlamaya dayalı bir kademeli LKF filtreleme yöntemi önermektedir. Bu yöntem, manyetik alan girişiminin eğim açısı üzerindeki etkisini çözmek için katmanlı bir tasarım kullanır ve manevra hızlanma girişimini azaltmak ve ivmeyi telafi etmek için kovaryans matrisini hareket durumu bilgilerine göre ayarlama yöntemine odaklanır. Deneyler, bu yöntemin biriken hataları ortadan kaldırdığını, manevra ivme paraziti altında tutum tahmininin doğruluğunu geliştirdiğini ve eğim açısı üzerindeki manyetik alan parazitinin etkisini ortadan kaldırdığını doğrulamaktadır.Düşük maliyetli tutum sistemlerine genişletilmesi daha uygundur.
Referanslar
ZIHAJEHZADEH S, LOH D, LEE T J, ve diğerleri.Spor uygulamaları için kademeli Kalman filtre tabanlı GPS / MEMS IMU entegrasyonu. Ölçüm, 2015, 73: 200-210.
KANG C W, PARK C G. Bulanık ayarlı kalman filtresi kullanarak ivmeölçerler ve jiroskoplarla tutum tahmini.Proc. Of ECC, 2009: 3713-3718.
LIGORIO G, SABATINI A Atalet tabanlı dinamik eğim ölçer ile insan hareketi izleme için yeni bir Kalman filtresi.Biyomedikal Mühendisliği IEEE işlemleri, 2015, 62 (8): 2033-2043.
Wu Jie, Yan Jianguo. Değiştirilmiş Kalman filtresine dayalı tutum tahmin algoritması üzerine araştırma. Bilgisayar simülasyonu, 2012, 29 (2): 54-57.
SABATIN A Ataletsel ve manyetik algılama ile oryantasyonu belirlemek için M. Quaternion tabanlı genişletilmiş Kalman filtresi Biyomedikal Mühendisliği IEEE İşlemleri, 2006, 53 (7): 1346-1356.
SUH Y S. Uyarlanabilir dış ivme tahmini ile kuaterniyon tabanlı dolaylı Kalman filtresi kullanarak oryantasyon tahmini, Enstrümantasyon ve Ölçme üzerine IEEE İşlemleri, 2010, 59 (12): 3296-3305.
LEE J K, PARK E J, NOBINOVITCH S. Çeşitli dinamik koşullar sırasında eylemsizlik sensörü ölçümünü kullanarak tutum ve harici ivmenin tahmini. Enstrümantasyon ve Ölçme Üzerine IEEE İşlemleri, 2012,61 (8): 2262-2273.
Xiao Wenjian, Lu Ping, Zhang Xiyu.Manevra odaklı bir rota ve tutum ölçüm sisteminin tasarımı.Elektro-Optik ve Kontrol, 2014, 21 (5): 83-87.
MAHONY R, HAMEL T, PFLIMLIN J M. Özel ortogonal grupta doğrusal olmayan tamamlayıcı filtreler Otomatik Kontrolde IEEE İşlemleri, 2008, 53: 1203-1218.
Qin Yongyuan. Ataletsel Navigasyon (İkinci Baskı) Beijing: Science Press, 2015.
