文摘
提供可接受的导航解决方案,基于位置的服务(LBS)土地导航主要依靠全球定位系统(GPS)和惯性导航系统(INS)的测量精度和鲁棒性。GPS / INS组合系统可以提供更好的着陆导航解决方案比任何独立的系统可以提供的。低成本惯性测量单元(imu),基于微机电系统(MEMS)技术,彻底改变了着陆导航系统由于其低成本小型化和广泛的可用性。然而,其准确性是强烈影响其固有的系统和随机错误,这主要取决于环境条件。环境噪声和非线性防止获得最优定位估计土地车载导航(LVN),而使用传统的卡尔曼滤波器(KF)。本文的主要目标是有效地消除随机误差MEMS-based艾莫斯。建议的解决方案分为两个主要部分:(1)提高降噪,使用先进的随机误差模型MEMS-based艾莫斯基于结合自回归过程(ARP)和一阶高斯-马尔可夫过程(1 gmp),和(2)建模低成本GPS / INS集成,使用混合模糊推理系统(FIS)和二阶扩展卡尔曼滤波器(SOEKF)。获得的结果表明,该方法执行比传统的技术在不同的随机和动态情况。
1。介绍
稳步增加经济和环境约束以及严格的安全要求引发了土地的开发和广泛使用低成本车载导航(LVN)系统在过去的十年里。LVNs有许多应用:nonsafety应用程序,如车队管理和交通优化,或主动安全的应用程序,比如碰撞缓解制动系统(CMBS)和车道保持系统。LVNs也可以用来保护车辆被盗车辆跟踪系统或减少温室气体排放在环境监测系统中。除此之外,他们也可以用于自主汽车导航系统和紧急援助服务。此外,需要识别司机的行为在许多应用程序需要低成本和可靠的估计车辆的立场和态度。很明显,普遍使用LVN公路运输要求更低的成本,广泛的可用性,和以往提高性能(1]。
高级商业定位服务(LBS)必须能够解决困难的定位问题,特别是那些在室内车库,市区,或茂密的树叶的情况下,通过提供可接受的客户支持,当GPS信号丢失。一个问题就是最近在positioning-based调查系统依赖于multi-Global导航卫星系统(GNSS)环境中实现的有效使用全球GLONASS的星座,伽利略卫星,中国北斗导航卫星系统(BDS)。在一个独立的GPS Multi-GNSS环境提供了几个优势。事实上,multi-GNSS环境可能会增加可用性的导航卫星接收到的GPS卫星信号小于4城市峡谷。此外,它可以提高定位的准确性,尤其是当导航系统考虑了水平定位精度(2]。
然而,multi-GNSS-based技术可能会增加系统的干扰,特别是当multi-GNSS环境广播导航信号频带重叠。此外,这些技术对更高层次的复杂性,因为接收器的模拟部分应该处理多个系统、多个频率和相当大的带宽3]。最后,提到开发技术在于需要费力操作和计算的后处理技术,这可能不适合实时商业应用。现代的方法来解决当前的定位问题是集成GPS信号与低成本惯性测量单元(imu)数据。艾莫斯可以估计位置和车辆采用的态度一个惯性导航系统(INS)机械化过程(加速度计和陀螺仪),这是一个集成的线性加速度和角速率。然而,MEMS-based低成本艾莫斯准确执行的只是在有限的时间内,他们的定位和态度错误随时间稳步增加。
MEMS-based艾莫斯基于它们的质量状况进行分类识别,他们的操作模式和制造过程。压敏电阻,电容式、压电式和谐振元件传感器是不同类型的MEMS传感器放置在质量位置识别的分类(4]。这些类型的传感器运动的物理工作引起的变化转换成电信号。压敏电阻和压电传感器广泛应用于MEMS-based艾莫斯是由于它的简单性,成本效益和宽动态范围。然而,他们遭受低精度和高灵敏度温度(4]。MEMS-based传感器的性能特征包括带宽、噪声地板,失调,漂移,线性度、动态范围和功耗。因此,MEMS-based惯性传感器错误通常是由随机错误的质量产生不良影响导航解决方案(5]。
第一部分提出的方法包括增加导航解决方案1阶高斯-马尔可夫过程(1 gmp)动态估计和补偿MEMS-based低成本的艾莫斯的随机错误。两个不同的识别方法被利用在这项研究中识别1 gmp参数。第一个是传统方法分析的基础上自相关函数(ACF),第二个是1阶自回归过程分析的基础上(ARP)模型。ACF并不完全匹配低成本的随机误差特点MEMS-based艾莫斯。这个不匹配主要原因是低成本的高非线性惯性传感器错误导致高阶gmp(即。,2 -或3 rd-order gmp)分布而不是1 gmp (6]。因此,有必要发展的更好的基于模型的方法来准确估计的分布1 gmp低成本惯性传感器错误。本研究提出了使用组合1 gmp-arp方法作为替代候选人确定1 gmp低成本惯性传感器的参数分布。估计ARP的系数,三种不同的算法被认为和实现,即在Yule-Walker (YW)方法,伯格方法,modified-covariance方法(7]。
随着这些静态错误都高频(HF)项和低频(LF)项,减少他们需要为了开发低成本惯性传感器的准确性。小波去噪技术(WDTs)一直在利用类似的研究,由于其重要的角色在去除高频噪声(8]。这提出了一个混合的WDT(不同级别)和1 gmp评估低成本惯性传感器的精度改进这些方法混合在一起。
传统上,GPS / INS集成是由使用卡尔曼滤波(KF)技术。这种方法已经在许多研究验证,使用高端艾莫斯(9]。然而,最近的研究报告几个缺点KF-based INS / GPS集成,当使用低成本MEMS-based惯性传感器(6]。最初的非线性动态模型,定义了导航问题[10),但允许使用简单的线性过滤器如KF,这些模型通常是一个小错误的假设下线性化。假设由KF系统特点是线性模型,由高斯白噪声驱动,不可能描述的非线性误差动态MEMS-based INS (11]。
传统的1阶卡尔曼滤波器广泛用于高端INS和GPS数据的整合,可以实现次优估计的最小均方误差(MMSE)车辆的状态向量(12]。1阶扩展卡尔曼滤波器(EKF)的假设是基于高阶术语(2阶或以上)的泰勒级数展开小到可以被忽略。这种情况可能对高端导航系统保持小而有限的错误,而不是高度非线性系统,如MEMS-based INS。此外,提供一个可接受的位置和姿态估计,1阶卡尔曼滤波器需要适当的车辆动力学的非线性模型和测量传感器。一阶线性化,特别是在高度非线性动力学的存在,往往导致分歧的状态协方差矩阵11]。因此,使用这种假设为一个低成本导航系统可能会导致不稳定的解决方案,证明了几个以前公布的结果(13]。
几个研究小组调查的可能性,利用抽样技术来应对高度非高斯多峰在GPS / INS误差分布的集成和从而避免线性化动态模型(13]。无味卡尔曼滤波(UKF)和粒子滤波(PF)是两个这样的替代方法,可以提供更好的性能比古典KF或卡尔曼滤波器,但在高计算成本(11,14]。一些作者断言,取样的局限性和Kalman-based技术可以克服使用人工智能(AI) (15]。人工智能算法的集成与下一代嵌入式导航系统是计算机技术与科技进步成为可能。在过去的十年中,各种神经网络(NN)和基于模糊推理系统(FIS)的集成方案介绍(16- - - - - -18]。人工智能算法需要一个训练阶段,意识到使用学习算法在GPS信号可用性。然而,基于ai GPS / INS集成计划遭受两个主要缺点:这些方法通常需要长时间的训练,大大限制了他们利用实时商业应用;此外,他们高度依赖于训练数据的一致性,显示有限的成功如果误差动力学不训练和预测阶段之间保持不变(11]。
第二部分所提出的方法是结合线性化导航过滤器和人工智能技术为智能认知导航器。SOEKF作为线性化导航滤波器有助于减少在过滤过程中线性化误差和FIS-based方法作为一种人工智能技术,预测的误差状态SOEKF基于协方差匹配估计技术(彗星)。事实上,汽车运动的动态特性在车身骨架和导航框架形式基于SOEKF过程。金融中间人可以利用增加的准确性和鲁棒性的SOEKF并防止SOEKF的调优阶段的差异。该方法的性能进行了评估道路试验,使用Matlab。结果表明,该方法有效地减少了均方根误差(RMSE)的位置与SOEKF相比下降了45%。
本文的其余部分组织如下:部分2描述了本研究的主要方法。部分3处理建议的方法和本文的贡献对GPS / INS集成和噪声建模。这里采用的方法对GPS / INS集成基于该混合FIS-SOEKF模型。此外,低成本惯性传感器的噪声建模提出利用1 gmp-arp相结合。部分4处理道路测试和实验数据的详细分析,然后讨论的性能。最后,部分5总结本文通过总结成果和未来工作提供建议改善提出了方法。
2。背景
本节展示细节背景技术和思想用于这项研究。更具体地说,两个主要的主题将在本节研究:二阶扩展卡尔曼滤波器(SOEKF)作为汽车导航数据融合技术和随机误差建模技术在惯性导航系统中。
2.1。二阶扩展卡尔曼滤波器(SOEKF)
线性状态估计已经广泛应用于早期文学指导、导航和控制各种类型的车辆,包括飞机、航天飞机、舰船、潜艇,和汽车陆地车辆(9]。所介绍,为了执行使用经典卡尔曼最优估计基于过滤器技术在非线性随机INS动态模型,该模型必须附近线性化的假设。一阶和二阶扩展卡尔曼滤波器(EKF)两个线性卡尔曼滤波基于过滤器的技术是基于假设的第一和第二订单的泰勒级数展开。
在这项研究中,SOEKF是提出数据融合处理的低成本和FIS INS和GPS辅助。因此,总结SOEKF性能提出了部分。SOEKF是一个估计方法,该方法能解决的问题估计的状态控制的过程。SOEKF的模型 在哪里是国家,是测量,过程噪声、是测量噪声,和是动态和测量模型的功能。的预测和校正步骤SOEKF被[19- - - - - -21] 在哪里和分别是time-propagated状态估计和协方差呢和状态转换和设计矩阵;错误状态向量和吗测量向量: 在哪里和的雅可比矩阵和所表达的 和海赛矩阵吗和这是由 和坐标轴的单位向量的方向。
2.2。随机误差建模技术在惯性导航系统中
技术开发的惯性传感器的校正错误通常可以分为两类,(1)确定性误差校准程序和(2)随机误差估计模型。只考虑随机误差估计模型在这工作。
一般来说,随机错误可以分为两类,即白噪声和有色噪声(或相关)。白噪声是一种随机过程,其特征是一个自相关函数(ACF)的狄拉克的形式。另一方面,有色噪声可能会表现出不同的acf取决于噪声的性质(粉红、红、灰等)。
白噪声通常可以减轻使用足够的低通滤波器和小波去噪技术(WDT),而有色噪声必须精确建模,以估计和补偿。传统上,有色噪声的艾莫斯被建模为一个一阶高斯-马尔可夫过程和一个指数衰减ACF (1 gmp)。本节提出了随机过程模型的细节有色噪声以及小波去噪技术(WDT)在艾莫斯消除白噪声。
2.2.1。随机过程
最重要的错误考虑随机错误,因为这些错误,如果不处理,会产生严重的负面影响车辆跟踪输出的准确性(5]。几个研究小组开始调查的可能性使用Mont-Carlo MEMS器件的随机误差进行建模仿真技术由于多组分特征的传感器。然而,它增加了动态模型的自由度(22]。替代方法像广义随机摄动技术,随机有限元法(SFEM)和二阶二阶矩(SOSM)方法被认为是在23- - - - - -25]。
虽然有几个随机过程,这部分地址只有那些被认为是在这项研究中,即一阶高斯-马尔可夫过程(1 gmp)和自回归过程(ARP)。这两个随机过程之间的关系,提出随机误差建模部分将详细介绍3.1。
一阶高斯-马尔可夫过程(1 gmp)。传统上,艾莫斯的噪音是建模为1阶高斯-马尔可夫过程(1 gmp) [8,26- - - - - -28]。GMP的连续时间和离散时间模型,分别由(10)和(11)。考虑 在哪里和是1 gmp和白噪声(WN)和和分别取样和相关时间。噪声协方差可以表示
经典,1 gmp的参数可以估计自相关函数(ACF)。一些研究调查了使用ACF分析随机误差的惯性传感器和收购1 gmp的参数。它可以被建模的指数衰减ACF,如图1。模型这一过程所需的基本参数和,这是由 在哪里,,噪声协方差,时间滞后和过程相关的倒数时间,分别。如图1,这个过程限制信号的不确定性,这形成了独特的特征这一过程。所以,在任何相关时间,小于或等于。然而,ACF结果的准确性取决于记录数据的长度。
自回归过程(ARP)。ACF可能匹配的高阶通用,而不是1阶,对于MEMS惯性传感器,如上所述,许多工人(29日]。因此,其他方法模型的错误,提出了(29日),是自回归过程(ARP)。ARP是一种类型的自回归移动平均(ARMA)过程中,由过去的值的组合和表达 在哪里,,,,ARP的输出,秩序的过程中,模型参数,标准偏差,和白噪声。特定的价值,最小化之间的均方根误差(RMSE)原始信号和信号估计ARP可以帮助我们识别ARP的系数。这个错误是由 有几种识别算法来估计ARP的系数。在这项研究中,三种方法,即Yule-Walker (YW),伯吉斯,和modified-covariance (MCOV)算法,将考虑实施。的方法给出了最低RMSE将是最好的一个估计ARP的系数。所以,最好的方法来估计调查ARP的系数被认为是在这个研究。
2.2.2。小波去噪技术(WDT)
小波去噪技术(WDT)是基于小波滤波方法,它可以消除随机误差的测量惯性传感器在高频率(HFs)在不改变信号中包含的重要信息(30.,31日]。多分辨率分析(MRA)算法进行WDT,可以将信号分解成不同的部分波段与各种时间和频率分辨率。从概念上讲,WDT信号过滤是一个高通滤波器和一个低通滤波器,将采样由两个水平(↓2)在连续分解(钟表),如图2。
最大数量的原始信号的信息是包含在近似系数在每一次能带。因此,少数的信息是包含在高频噪声分量,详细确定的系数。这种技术可以结合不同的噪声建模过程如1 gmp和ARP,调查惯性传感器的随机误差。应用技术后,1的系数确定gmp的持久的声音。更多相关的解释提出了部分3和4。
3所示。提出的方法
本文提出了结合两个独立的和互补的解决方案为全球组合导航系统提供稳定的低成本无处不在的汽车导航严重的城市环境。首次提出的解决方案包括增加导航解决方案组合1 gmp-arp动态估计和补偿的静态误差低成本惯性。第二个解决方案是结合线性化导航过滤器和人工智能技术为智能认知导航器。SOEKF作为线性化导航滤波器有助于减少在过滤过程中线性化误差;和FIS-based方法作为一种人工智能技术有助于预测SOEKF的错误状态。本节介绍这两个细节提出了解决方案。
3.1。提出了随机误差建模IMU的低成本
自相关函数(ACF),提出了部分2不完全匹配的随机误差特征低成本MEMS-based艾莫斯。这个不匹配主要原因是低成本的高非线性惯性传感器错误导致其他发行版而不是1 gmp (6]。因此,有必要发展的更好的基于模型的方法来准确估计的分布1 gmp低成本惯性传感器错误。本研究提出使用一种新的方法,命名为“1 gmp-arp方法相结合,“作为替代候选人确定1 gmp低成本惯性传感器的参数分布。模型的基本概念是1 gmp。然而,它的和计算了1阶ARP而不是通过ACF。替换在(14)给出了一阶ARP如下: 结合(11)和(16)的价值在1 gmp相关在ARP 在这项研究中,我们称这个过程为“1 gmp-arp相结合”的模式。模型的主要优点是不准确的ACF没有不利的影响估计相关时间。前面提到过的,(即使用识别算法。,YW, Burge’s, and MCOV algorithms) to estimate the ARP’s coefficients of the combined 1GMP-ARP model is the goal of this section. Furthermore, in order to compare the combined 1GMP-ARP model with classical 1GMP model, first the 1GMP parameters are experimentally estimated by ACF; then the parameters are obtained by ARP using different identification algorithms.
此外,小波去噪技术(WDT)可以结合ACF(如实验方法来估计经典1 gmp参数)或提出结合1 gmp-arp(作为替代方法来估计的参数1 gmp)调查惯性传感器的随机误差。应用技术后,获得的1的系数gmp ARP,或ACF,测定的持久的声音。这些组合增强在GPS / INS集成系统改善导航解决方案,并提出了他们的研究结果4。
3.2。提出了混合FIS-SOEKF GPS / INS的模型集成
两种不同的自适应卡尔曼滤波方法,即创新自适应估计(IAE)和多模型自适应估计(MMAE),被认为是由几个研究小组(32,33]。这两种方法都是基于协方差匹配估计技术(彗星)。本研究采用IAE概念模糊模型的一部分。
汽车运动的动态特性在车身骨架和导航框架形式SOEKF过程的基础。金融中间人可以利用增加的准确性和鲁棒性的SOEKF并防止SOEKF的调优阶段的差异。因此,金融中间人是用作识别结构的动态变化和实现实时优化非线性误差模型。它可以提供一个良好的估计在维护的准确性和系统的跟踪能力。图3描述了如何提出混合FIS-SOEKF模型执行无处不在的导航系统。
模糊推理系统(FIS)是一种基于规则的方法,可以模拟人类专家思维和理解语言的概念,而不是典型的逻辑系统(34]。FIS的优势实现的算法估计状态变得不稳定,因为高系统的复杂性。金融中间人也用于知识归纳过程,因为它们可以作为通用估计(35]。
FIS架构执行三种类型的操作:模糊化、模糊推理和去模糊化。模糊化将脆输入值转换为模糊值;模糊推理将给定的输入映射到一个输出,和去模糊化将模糊操作转换成新的脆值。金融中间人可以不准确的数据转换为规范化模糊薯片,可能值的范围,为代表的隶属度函数(MFs)和confidence-rate输入。此外,金融中间人能够选择最优的MF在某些具体的标准,适用于特定的应用程序。FIS的确定性输出和它的性能依赖于有效的模糊规则,考虑去模糊化过程,MF值的可靠性。
拟议的FIS的创新过程模型是基于协方差矩阵的输入FIS的区别以及实际的协方差矩阵和协方差矩阵理论。图4显示该FIS概述,在这项研究中使用。理论协方差矩阵,基于创新过程,在SOEKF计算部分(4)。实际的协方差矩阵,根据(36),提出了 在哪里指定窗口大小(它是通过移动窗口技术和实验选为),是。所以,不同之处在于提出的
事实上,可以显示不相容的程度(DOI)实际和理论之间的协方差矩阵。当是接近于零,这意味着这两个值几乎匹配和的绝对值的区别可以忽略不计。然而,如果小或者大于零,这意味着理论价值()大于或小于实际值()。为了纠正这种差异,对角元素的在(4)应该依靠DOI调整。拟议的规则的评估,根据实际和理论之间的差异的协方差矩阵,描述FMs的三种情况:(1)如果大于0,然后呢将减少由于。(2)如果小于0,然后呢将会增加由于。(3)如果,然后将保持不变。考虑。相关的FMs如图5(一个),“”、“”和“”表示“减少”、“平衡”和“增加,分别”。此外,(2)和(5)表明,如果是完全观察到的变化可以进行更改,直接。所以,观察不相容的实际和理论之间的协方差矩阵,增强或削弱成为必不可少的。拟议的规则评估为此被描述为两MFs FIS:(1)如果,然后将保持不变。(2)如果,然后将会改变由于。考虑。相关的FMs如图5 (b)在" LZ”、“”、“广州”表示“低于零,”“零”和“大于零,分别”。
(一)
(b)
4所示。实验分析、结果和讨论
静态分析的原始数据的随机误差得到无线Micro-intelligent黑盒(Micro-iBB),设计和组装的VTADS ETS LASSENA实验室的团队。Micro-iBB三合会由加速度计、陀螺仪磁力计和温度传感器。序列号的加速度计、陀螺仪和演示板LSM303DLHC, L3GD20和STEVAL-MKI119V1分别。选中的协助设备Micro-iBB包括GNSS接收机(u-blox 7)。表1和图6分别呈现的细节Micro-iBB及其技术规范,本文中使用。
4.1。随机误差建模技术
本节分析了随机误差来确定随机误差的影响Micro-iBB的陀螺仪和加速度计。首先,acf后被认为是记录原始数据。WDT应用数据处理之前削弱高频噪音,消除传感器初步的偏见。通过使用WDT,不相关的和有色噪声信号可以减少。图7描述不同的钟表的影响消除系统的噪声。然后,ACF 1 gmp的相关参数,即和应该提取。图8(一个)显示了加速度计的ACF后用WDT六的钟表。这一数字证实了残余噪声的存在设在和设在的加速度计,即使应用WDT。这种噪声是不相关的噪声,不能减毒的ACF 1 gmp。ACF的设在加速度计的暗示设在比其他相关轴。
(一)
(b)
(一)
(b)
图8 (b)显示了陀螺仪使用后的ACF WDT 6的钟表。这个数字表明,虽然设在和设在陀螺仪的影响主要是由高频和白噪声设在陀螺仪的比其他轴显示更多的相关组件。数据之间的比较1和8清楚地表明,ACF不能模型的低成本的MEMS艾莫斯的错误1 gmp完美。因此,在这项研究中,它是模型1进行gmp利用ARP的参数作为一个可选择的解决方案来克服这个问题分析的随机错误。ACF对所有传感器的实验结果总结在表2在“ACF-based”列。这后,MCOV YW,伯格算法也被用于去噪测量(与不同程度的分解)为了估计的参数组合1 gmp-arp。这些算法也总结在表的结果2在“YW-ARP-based”、“MCOV-ARP-based”和“伯格's-ARP-based”列6水平的分解。这些结果存在相当大的差异的四个考察获得的参数的方法。
4.2。GPS / INS集成
评估的性能提出了GPS / INS集成的模型,其结果与传统方法相比,GPS / INS集成。演示的松散耦合的GPS / INS集成在一个三维导航系统利用。在松散耦合的GPS / INS集成、位置和速度观测到GPS辅助测量。所以,在SOEKF测量模型可以如下: 在哪里是和。测量噪声向量是噪音,指示的位置和速度。向量被定义为测量噪声模型在SOEKF根据GPS位置和速度的不确定性建模与零均值和协方差矩阵。错误状态向量,有关这项研究的导航系统,如下: 在哪里和分别是,和中剩余的错误指示的位置和速度,向北东(ENU表示)框架;是错误的态度。和分别是,和,表示随机误差的三轴加速度计和陀螺仪。事实上,和包括在误差传播模型的状态向量动态估计随机误差六州。从1 gmp的定义(10),随机误差相关的动力学方程可以显示加速度计和陀螺仪 表2介绍了1 gmp的参数估计的ACF和合并后的1 gmp-arp(使用不同的算法)6西医的钟表。所以,,,,在(21)可以被初始化的值在表2西医的6的钟表。
提议的着陆导航解决方案实施与道路试验的实验装置。Micro-iBB执行的测试的规范详细的下部分4.1。结果评估Novatel跨越技术提供的参考解决方案。它由Novatel接收机和霍尼韦尔tactical-grad IMU验证提出方法和GPS停机期间评估整体性能。
的原始数据Micro-iBB route-test来源于不同的传感器。所选轨迹满足整体质量和可靠性的要求提出本研究的模型在现实环境中各种条件。第一个轨迹是发现在城市高速公路使作者在高速驾驶。第二个轨迹是在市区,其中包含许多著名的摩天大楼。测试以缓慢的速度沿着这个轨迹进行频繁停止因为高路十字路口交通和拥挤。
我们的目标是调查的效率提出了混合使用不同的钟表FIS-SOEKF WDT和使用各种算法来估计ARP的系数为1的gmp。为此WDTs认为是2的钟表,6的钟表和8的钟表和算法MCOV YW,伯格算法。该组合与传统SOEKF和两个混合FIS-SOEKFs相比,使用ACF估计1 gmp系数与不同的WDT钟表。所有混合FIS-SOEKF解之后更新的想法陀螺仪和加速度计测量随机误差状态。rms估计在所有导航解决方案与Novatel跨度作为参考解决方案。
4.2.1。准备第一个场景:高速公路
第一route-test轨迹选择本研究从高速公路附近的# 5中收取东大街(45.509023−73.557511)和结束Lebeau大道附近的高速公路上# 71(45.524299−73.652472)在蒙特利尔,QC,加拿大,大道Ville-Marie /公路# 720西部和公路#北(见图159)。这个轨迹做了近11分钟的不间断的汽车导航/ 14.4公里的距离。高速公路轨迹选择五个自然GPS停机检查系统的性能在短期和长期内停机期间,存在于城市峡谷。图9(一个)谷歌地图上描绘了route-test参考解决方案。图9 (b)介绍了GPS的位置中断在Matlab上红线,沿着选定的轨迹。
(一)
(b)
图10提出可用卫星的数量和每个GPS停机的时间。第一个隧道地区GPS故障发生30秒不到7可用卫星的数量。没有卫星大约三分之二的这个故障的持续时间(见图10 ())。第二个和第三个中断发生在两个能够180秒和60秒持续时间(见图10 (b)- - - - - -10 (c))。数据10 (d)- - - - - -10 (e)现在最后两个中断在城市峡谷地区50 - 30秒的持续时间。一般来说,更高的移动速度增加水平定位错误。因此,这种情况下的高速驾驶和几个中断可以测试该模型的有效性和鲁棒性。
(一)
(b)
(c)
(d)
(e)
图11介绍了均方根和最大误差在水平定位在五个GPS中断十二个解决方案相比在第一个场景中。使用该方法的优势与6的钟表更新随机误差州陀螺仪和加速度计测量可以看到通过比较它与传统SOEKF和混合FIS-SOEKFs,用于ARP或ACF估计1 gmp系数,利用不同的WDT钟表。图11说明了结果(我)传统SOEKF没有更新随机误差状态,显示为SOEKF,和(2)通过该混合FIS-SOEKF,使用ACF-based 1 gmp, 2-LOD去噪后,显示为“FS (ACF2),”6-LOD去噪后,显示为“FS (ACF6)。“其余的解决方案使用该混合FIS-SOEKF和显示为“f”这个数字。(3)“MCOV-ARP”、“YW-ARP”和“伯格的ARP映射”代表1 gmp建模的解决方案,通过使用ARP的系数”modified-covariance”,“Yule-Walker,”和“城”算法,分别。的价值观,遵循每个解决方案,表示特定的LOD西医使用的解决方案。
(一)
(b)
从上述数据可以看出,提出的混合FIS-SOEKF,曾经ACF-based 1 gmp 6-LOD去噪后,表现明显比传统SOEKF没有更新更好的随机误差。这是因为该混合FIS-SOEKF可以处理的非线性系统和模型;然而,SOEKF利用二阶线性化模型来估计系统的状态。结果还表明,“伯格的arp映射”优于“SOEKF”也提出了混合去噪后FIS-SOEKF ACF-based使用1 gmp。
此外,基于arp的条款1中gmp 6-LOD去噪后,“伯格's-ARP6”展示了一个重大的改进定位精度与“YW-ARP6”和“MCOV-ARP6的性能。“这是因为伯格的算法提供了最高精度,适用于低成本MEMS-based INS相比其他算法确定ARP的系数在理想的情况下。在第二次中断180秒的时间,可以看出,所有解决方案的性能退化,因为需要至少四颗卫星在松散耦合的GPS / INS集成。针对这个需求,可用卫星的数量还不到四个超过一半的停机时间,除了本身持续时间很长。此外,使用低成本MEMS-based INS恶化这种情况。所以,第二个停机了最糟糕的结果,最大水平误差是630米,平均水平误差187;这些不能被显示在图的值很高。
图12介绍两个部分高速公路的轨迹在GPS中断# 2和# 4。这图显示了引用和所有的导航解决方案考虑。这些结果证实了提出的性能混合FIS-SOEKF,使用基于arp 1 gmp 6-LOD去噪后,可以作为一种新的导航解决方案在高速公路GPS中断的持续时间可以是一个最大的60秒。
(一)
(b)
4.2.2。第二个场景:市区
第二个route-test轨迹选择从麦吉尔街附近La公社西部省大道(45.498718−73.552831),最终在别针西部省大道(45.501466−73.584548)在蒙特利尔,QC,加拿大,大道圣·洛朗/ Shebrooke西部省街和皮街(见图13)。测试沿着这个轨迹是通过中、高流量近50分钟的汽车导航覆盖10.5公里的距离。这个轨迹,市区贯穿摩天大楼,被选中,是因为它的五个自然GPS停机检查在短期和长期中断系统的性能。图(13日)谷歌地图上描绘route-test参考解决方案。图13 (b)介绍了GPS的位置中断的细节在Matlab上红线,沿着选定的轨迹。
(一)
(b)
图14显示可用卫星的数量和每个GPS停机的时间轨迹蒙特利尔市区。检查提议的导航解决方案在长GPS中断,中断被募集到附近大中断。更大的中断的数量在这个场景中因此成为5。图15显示了均方根误差和最大误差在水平定位在五个GPS中断相比,十二个解决方案。这个场景中确认的结果的准确性得到的结果之前的场景。
(一)
(b)
(c)
(d)
(e)
(一)
(b)
图16说明了结果中断# 2和# 4,(我)传统SOEKF没有更新随机误差状态,显示为“SOEKF”,和(2)通过该混合FIS-SOEKF使用ACF-based 1 gmp 2-LOD去噪后,显示为“FS (ACF2)”和6-LOD去噪后,显示为“FS (ACF6)。”(iii)所使用的其他解决方案提出的混合FIS-SOEKF显示为“FS。”“MCOV-ARP”、“YW-ARP”和“伯格的ARP映射”代表1 gmp建模的解决方案,通过使用ARP的系数在“modified-covariance,”“Yule-Walker,”和“村的“算法,分别。遵循每个解决方案的值表示特定的LOD西医使用的解决方案。
(一)
(b)
从显示的数据,可以看出,提出的混合FIS-SOEKF,曾经ACF-based 1 gmp 2-LOD和6-LOD去噪后,“FS (ACF2)”和“FS (ACF6)”表现明显比传统SOEKF没有更新更好的随机误差。结果还表明,“FS(伯格的ARP映射),“在所有的导航解决方案“科幻(ARP)”,表现“SOEKF”,“FS (ACF2)”和“FS (ACF6)。“此外,基于arp 1 gmp 6-LOD去噪后,“FS(伯格's-ARP6)”展示了一个重大的改进在市中心的情况下,定位精度与准确性得到“FS (YW-ARP6)”和“FS (MCOV-ARP6)。“这是因为伯格的算法提供了最高精度,适用于低成本的MEMS-based INS,相比其他算法确定ARP的系数。
至于卫星的数量和每个GPS故障的持续时间,可以看出有三分之二的时间少于4卫星,少于5卫星在其余部分中断持续时间的# 2和# 4。然而,RMSE停机# 4不仅仅是在宕机# 2,因为停机# 4(180秒)的持续时间长于的宕机# 2(110秒)。结果还表明,中断# 5礼物,尽管其最长持续时间(310秒),较小的RMSE比中断# 3和# 4。这是因为6 - 8卫星存在了不到一半的时间停机# 4和小于4卫星的四分之三的时间。宕机# 2显示最低的误差(2米),因为它短的停机时间。
5。结论
本文提出了两种新颖的辅助方法来提高性能的ultralow-cost MEMS-based IMU在车辆导航系统中。提出的方法可以涵盖两个方面:随机误差建模和GPS / INS集成。提出1 gmp-arp包含一个完整的随机误差的建模噪声组件在MEMS低成本惯性传感器。本文展示了一个大的合作1 gmp, ARP, WDT描述噪声组件。不同程度的分解去噪技术以及各种方法来识别ARP的参数被认为是澄清最好的一个随机误差建模在MEMS低成本惯性传感器。结果呈现,伯格的方法,在应用六级分解去噪技术,执行比modified-covariance Yule-Walker方法和不同程度的分解。第二个方法包括一个集成SOEKFFIS增强性能的低成本GPS / INS导航数据融合集成。FIS的部分是利用动态调整的过程噪声协方差,通过观察创新的过程,它是利用SOEKF-part保持进一步提高估计的精度。结果证实,该混合FIS-SOEKF可以提供进一步改善总体性能相比SOEKF在严酷的环境。
未来的研究工作与此相关的研究将集中在更复杂的GPS / INS集成结构紧密和ultratightly耦合等与高阶随机误差和噪声建模,减少错误的假定导航系统。此外,GPS / INS集成将扩大GNSS / BDS low-cost-INS集成利用multi-GNSS环境的优势。
相互竞争的利益
作者宣称没有利益冲突。
确认
本研究项目的一部分题为VTADS:车辆跟踪和事故诊断系统。支持的是加拿大自然科学和工程研究理事会(NSERC)和高等技术师范学院(LASSENA实验室),与两个工业合作伙伴,即iMetrik全球公司和未来的电子产品。