关键词:
无人机
协同导航
磁力计误差校正
UWB测距
质量控制
数据滤波
摘要:
多机联动可优化无人机任务分配,提升任务执行效率,协同导航是保障多无人机协作效率、定位精度、安全性和可靠性的关键。协同导航应用场景常伴随以磁干扰和非视距环境为主的外部环境扰动和以系统观测噪声为主的内部环境扰动。扰动的时变性和不确定性导致系统性能降低,无法满足无人机协同导航在实际应用中对于高精度、高可靠性和高效率的要求。针对如上问题,论文围绕多无人机协同导航数据处理方法开展研究,主要工作内容与成果包括:
(1)针对外部磁干扰影响协同导航系统姿态解算精度的问题,通过对惯性传感器中的磁力计建立基于刻度因子误差、非正交误差、零偏误差和软硬磁特性的磁力计误差模型,提出基于椭球拟合算法的磁干扰消除方案,采用最小二乘平差法估计椭球拟合算法中的椭球方程系数,得到校准后的磁场强度值;设计基于奇异值分解的双重自适应无迹卡尔曼滤波方案,引入多重渐消自适应因子调整误差协方差矩阵,通过改变滤波增益以降低磁力计噪声干扰,消除磁干扰对机载磁力计输出精度的影响,提高无人机协同导航系统姿态解算精度。
(2)针对非视距环境下的超宽带(Ultra Wide Band,UWB)接收信号产生非视距误差从而影响无人机协同导航相对定位精度的问题,通过分析UWB定位误差并对非视距信号进行识别,分别从测试与训练场景相同和异同两方面对比分析基于支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和多层感知器(Multilayer Perceptron,MLP)三种机器学习分类器围绕非视距环境下的异常信号识别性能,通过融入遗传算法优化分类器参数,进一步提高机器学习方法识别异常信号的参数配置效率和模型分类性能;提出基于Sage-Husa的自适应扩展卡尔曼滤波方法,构建以惯性导航系统(Inertial Navigation System,INS)信息为状态量和以UWB测距信息为观测量的扩展卡尔曼滤波模型,简化滤波迭代过程,引入Sage-Husa自适应滤波,削弱非视距对无人机间相对测距精度的影响,提高无人机协同相对定位精度。
(3)针对无人机协同导航系统存在内部传感器有色噪声的问题,从传感器输出纠正与改进、数据融合方法两个角度入手,利用时间序列法将有色噪声转化为白噪声进行滤波,其次通过最小二乘和极大似然方法进行系统参数辨识,提出基于Huber M估计的鲁棒容积卡尔曼滤波算法。设计基于抗差理论的协同导航抗差质量控制策略,利用噪声白化方法将有色噪声转化为白噪声进行系统参数辨识;通过引入贝叶斯近似策略的容积法则对协同系统开展非线性量测更新;将系统量测方程转换为观测量和状态预测的线性回归问题后,采用M估计进行求解,引入Huber函数并融合L1、L2范数估计,提高无人机协同导航系统抗差能力。
(4)设计并搭建主从式无人机协同导航实验平台。无人机均搭载ADIS16460惯性导航系统、ublox ZED-F9P GNSS RTK解算模块、自主设计的UWB无线测距装置以及STM32F103ZET6导航解算计算机。通过无人机协同导航实验平台分别开展机载磁力计数据处理对比实验、UWB/INS数据融合对比实验、系统抗差质量控制对比实验以及无人机协同飞行实验。机载磁力计数据处理对比实验表明论文所提算法相较无迹卡尔曼滤波(Unscented Kalman Filter,UKF)和自适应无迹卡尔曼滤波算法(Adaptive Unscented Kalman Filter,AUKF)性能指标平均提升32.79%和25.76%,可有效提高机载磁力计输出精度。UWB/INS数据融合对比实验结果表明论文所提算法相较扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)和UKF精度分别提高了41.01%和29.91%,可有效提高无人机协同相对定位精度。系统抗差质量控制实验结果表明论文所提算法相较EKF和容积卡尔曼滤波算法(Cubature Kalman Filter,CKF)精度分别提高了14.16%和25.38%,可有效提高无人机协同导航系统抗差能力。无人机协同飞行实验结果表明,将论文所提算法应用于无人机协同导航,解算得到三个从机精度分别为2.55m,4.73m和3.23m,满足协同导航米级精度要求,可有效提高无人机协同导航系统的环境适应性。
该论文有图73幅,表26个,参考文献151篇。