电子罗盘与速率陀螺的航向数据融合在智能汽车技术中的应用

2023-09-19 理论教育版权反馈

【摘要】：本节以电子罗盘和速率陀螺的数据融合为例进行介绍。电子罗盘和低成本固态角速率陀螺融合估计航向的方案，能实现低成本、较高精度、鲁棒的航向估计。电子罗盘和陀螺误差模型的建立主要是通过信号采集进行辨识和分析得到的。由于罗盘、陀螺融合航向数据的冗余特性，可将陀螺漂移速率作为系统状态，利用罗盘数据对陀螺漂移速率进行融合估计。航向角加速率作为系统噪声，系统的观测向量为：其中，z1是罗盘的输出，而z2是陀螺的输出。

在智能汽车定位系统中，航向与位置信息是通过安装在智能汽车上相应的传感器得到的。从单个传感器得到的信息存在各种干扰和误差，而使用多个传感器信息，从冗余的信息中对数据进行融合，可以得到较为精确的定位和定向信息，从而实现较高精度的航向估计和位置估计。具体方法是在分析现有传感器的特点后建立融合模型，采用滤波算法进行融合估计。本节以电子罗盘和速率陀螺的数据融合为例进行介绍。

角速率陀螺能感受载体的转向运动，不受外界环境的干扰，但存在漂移，且漂移速率不恒定；电子罗盘感受地磁场的变化，易受外界环境的干扰。这两种传感器具有很好的互补性，而且因信息源不同，测量噪声相对独立，有利于数据的融合处理。电子罗盘和低成本固态角速率陀螺融合估计航向的方案，能实现低成本、较高精度、鲁棒的航向估计。

动态系统状态估计常用的融合算法有加权平均和Kalman滤波等方法。其中，Kalman滤波算法应用最广。电子罗盘和陀螺误差模型的建立主要是通过信号采集进行辨识和分析得到的。罗盘数据经过自相关分析和频谱分析，其误差可用零均值的白噪声近似。陀螺数据的误差主要是由漂移引起的，且漂移速率缓慢变化，可用一阶马尔科夫过程来近似陀螺漂移速率。由于罗盘、陀螺融合航向数据的冗余特性，可将陀螺漂移速率作为系统状态，利用罗盘数据对陀螺漂移速率进行融合估计。实际系统的Kalman滤波器状态向量为：

其中，φ是载体绝对航向角，dφ是航向角速率，而u是陀螺漂移速率。航向角加速率作为系统噪声，系统的观测向量为：

其中，z1是罗盘的输出，而z2是陀螺的输出。系统离散状态方程为：

其中，T是采样周期；w1（k）是系统噪声，方差为Q1；w2（k）描述陀螺漂移速率的缓慢变化，作为弱噪声加入，方差为Q2。系统的观测方程为：

其中，v1（k）是罗盘输出数据中的白噪声，v2（k）是陀螺数据中的白噪声，方差分别为R1，R2。写为矩阵形式为：

其中，

系统噪声矩阵为：

观测噪声矩阵为：

Kalman滤波方程为：

其中，X（0）=X0，B（0）=B0。