新書推薦：
《
记号132 制造时间：人类计时简史
》
售價：NT$
352
《
变形金刚全新漫画战火重燃+故土难归+绝境逢生（全3册）（能量块宇宙系列合订本，刚丝不容错过，美国漫画
》
售價：NT$
1040
《
看见国家宝藏：60件国宝讲述中华文明
》
售價：NT$
653
《
闺思：宋元社会变迁下的女性与贞节观
》
售價：NT$
500
《
劫掠、贸易与海洋帝国：海上劳工与英格兰的崛起，1570―1630
》
售價：NT$
500
《
新HSK教程1
》
售價：NT$
454
《
辨证录：彩图版全本：全两册
》
售價：NT$
1010
《
灰度空间 ：城市贫民的地下经济
》
售價：NT$
347
|
| 內容簡介： |
|
《李群状态表示的惯性基导航理论与方法》系统研究基于李群状态表示的惯性基导航理论与方法，分别从惯性导航机械编排方案和李群状态表示两个角度开展研究，以构建具有群仿射特性的惯导编排为目标，推导*立于导航解算结果的惯导线性误差模型，实现惯性基高精度、一致性组合导航。《李群状态表示的惯性基导航理论与方法》共6章，内容包括惯性基导航传统误差模型性能分析、惯性系机械编排下基于李群状态表示的惯性基导航理论与方法、地球系机械编排下基于李群状态表示的惯性基导航理论与方法、计程仪航位推算编排下基于李群状态表示的惯性基导航理论与方法、矢量观测辅助下基于李群状态表示的惯性基导航理论与方法等。
|
| 目錄：
|
|
目录第1章 绪论 11.1 引言 31.2 国内外研究进展 41.2.1 惯性基导航信息融合通用滤波算法研究进展 41.2.2 李群状态表示在惯性基导航信息融合中的应用研究进展 5第2章 惯性基导航传统误差模型性能分析 92.1 捷联惯导系统基本原理 112.1.1 主要坐标系 112.1.2 捷联惯导系统机械编排方案 122.2 捷联惯导系统传统两步对准方案 142.2.1 基于优化对准的相对对准方法 142.2.2 基于卡尔曼滤波的精对准方法 162.3 非线性初始对准方法 202.3.1 SINS非线性误差模型 202.3.2 基于无迹卡尔曼滤波的非线性初始对准 212.4 传统初始对准方法性能分析 212.4.1 不同初始失准角下卡尔曼滤波对准性能分析 222.4.2 相对准与精对准的切换误差 222.4.3 传统非线性初始对准方法性能分析 242.5 本章小结 26第3章 惯性系机械编排下基于李群状态表示的惯性基导航理论与方法 273.1 惯性系捷联惯导机械编排模型构建 293.2 惯性系捷联惯导机械编排方案线性误差模型推导 313.2.1 基于SO(3)状态表示的误差模型推导 313.2.2 基于SE(3)状态表示的误差状态模型推导 333.3 基于SE(3)状态表示的惯导线性误差模型准确性分析 363.3.1 惯性系惯导机械编排模型误差方程准确性证明 373.3.2 观测模型不变性分析 403.4 实验验证 413.4.1 仿真验证 413.4.2 实测实验验证 453.5 本章小结 50第4章 地球系机械编排下基于李群状态表示的惯性基导航理论与方法 534.1 变换地球坐标系惯导机械编排模型构建 554.2 基于SE(3)状态表示的误差状态模型推导 564.2.1 基于SE(3)状态表示的左误差状态模型推导 564.2.2 基于SE(3)状态表示的右误差状态模型推导 584.3 实际应用问题处理 594.3.1 误差模型的选择 594.3.2 初始协方差设置 604.3.3 反演校正 604.4 惯导误差模型准确性证明 614.4.1 左误差模型准确性证明 614.4.2 右误差模型准确性证明 644.5 实验验证 654.5.1 仿真验证 654.5.2 实测实验验证 694.6 本章小结 76第5章 计程仪航位推算编排下基于李群状态表示的惯性基导航理论与方法 775.1 计程仪速度辅助惯导误差模型分析 795.1.1 基于SO(3)状态表示的计程仪速度辅助惯导误差模型 795.1.2 基于SE(3)状态表示的计程仪速度辅助惯导误差模型 805.2 计程仪航位推算位置辅助惯导对准模型构建 815.2.1 李群SE(3)基本原理 815.2.2 计程仪航位推算位置辅助惯导机械编排模型 825.2.3 计程仪航位推算位置辅助惯导对准误差模型 835.3 计程仪航位推算位置辅助惯导对准误差模型准确性分析 855.4 实验验证 875.4.1 仿真验证 895.4.2 实测实验验证 925.5 本章小结 104第6章 矢量观测辅助下基于李群状态表示的惯性基导航理论与方法 1056.1 姿态估计MEKF算法 1076.1.1 矢量观测辅助姿态估计系统模型 1076.1.2 MEKF框架 1086.2 基于SO(3)状态表示的MEKF算法 1096.2.1 基于SO(3)状态表示的载体系姿态误差定义下的MEKF算法 1096.2.2 基于SO(3)状态表示的参考系姿态误差定义下的MEKF算法 1106.3 基于SE(3)状态表示的MEKF算法 1116.3.1 基于SE(3)状态表示的右误差定义下的MEKF算法 1116.3.2 基于SE(3)状态表示的左误差定义下的MEKF算法 1126.4 矢量观测辅助下改进MEKF算法 1136.4.1 矢量观测辅助下姿态估计问题射影性分析 1136.4.2 改进的MEKF算法 1146.4.3 姿态估计误差模型准确性分析 1156.5 实验验证 1166.5.1 仿真验证 1166.5.2 实测实验验证 1206.6 本章小结 123参考文献 124
|
| 內容試閱：
|
|
1.1引言 定位导航授时（positioning，navigation and timing:PNT）是交通、电信、电力、基础科研及军事联合作战和精确打击等国民和国防应用领域必不可少的元素。随着北斗卫星导航系统的建设和发展，我国已形成以北斗卫星导航系统为代表的天基PNT系统，PNT服务也由此带来了革命性的变化。但卫星导航系统固有的弱点与脆弱性影响制约着PNT的可用性和稳健性。惯性导航具有自主性强、隐蔽性好、不受外界干扰等优点，在导航领域具有极强的生命力，在国防科技和军事应用领域有着不可替代的作用，是PNT综合系统中的核心组成。然而，基于航位推算原理的惯性导航定位误差随时间累积的问题也一直制约着其长航时自主导航应用。为了保障国家PNT系统的坚韧性，2010年底，美国国防高级研究计划局提出全源定位与导航计划，将集成多种不同原理的导航系统与传感器，融合一切可用信号源，根据实际运行环境快速形成传感器最佳配置方案，并通过先进的自适应导航算法，实现任何平台、任何环境下的高可用和高可靠的无缝导航，从而摆脱对全球定位系统（global positioning system，GPS）的过度依赖[1-2]。我国也逐步推进国家综合PNT体系的建设，它是一种基于不同原理的多种信息源，经过云平台控制、多传感器高度集成和多源数据的融合，生成时空基准统一的且具有抗干扰、防欺骗、稳健、可用、连续、可靠的全空间PNT服务体系[3-6]。可以看出，多传感器集成、多源异质信息融合是未来PNT技术的重要发展方向，也是从根本上突破单一导航系统局限性和降低其脆弱性的有效途径，为了实现连续可用及精准可靠的PNT服务体系，迫切需要研发多传感器融合的精密定位关键技术。 惯性导航因其连续、自主、高动态等突出优势，一般用来作为多源信息融合的基础系统，而惯性基导航也是多源信息融合领域的主流方案。信息融合算法是惯性基导航多源信息融合的核心，而传统的信息融合算法研究主要集中在通用滤波算法设计方面，如设计和应用新型非线性滤波算法、环境适应性更好的鲁棒自适应滤波算法等。区别于一般的动态系统，惯性基导航系统模型固有的结构特性在信息融合算法设计中可加以开发和利用，从而可能在系统状态模型方面进一步提升信息融合的收敛速度和稳态精度。近年来，基于李群状态表示的新型滤波算法，如不变扩展卡尔曼滤波（invariant extended Kalman filter，IEKF），能够对系统状态的流形结构进行充分表达和传播，在机器人等领域得到广泛研究和应用，有效解决了因状态不可观导致的传统滤波算法的滤波不一致问题。现有的基于李群状态表示的IEKF算法主要应用于姿态估计或短时平面导航领域（未考虑地球自转信息）。对于高精度惯性基导航，系统模型更为复杂，系统状态可观测性也会因机动状态不同而改变，李群状态表示在该领域的应用方案和精度优势有待进一步探究。 正是在上述背景下，本书以高精度长航时惯性基导航多源信息融合为研究对象，以李群与李代数理论为算法工具，从惯性导航机械编排方案和李群状态表示角度出发，研究适配于惯性基导航状态流形的新型信息融合方法，充分挖掘和利用惯性基导航系统固有的结构特性，以期从算法层面进一步提升惯性基导航系统的精度和稳定性。 1.2国内外研究进展 惯性基导航信息融合方案一般包括序列滤波和非线性优化两种框架，尤其是近年来随着计算机处理能力的提升，以因子图为代表的优化算法在惯性基导航领域得到了广泛的研究。本书研究以实时滤波为方案基础，因此相关研究现状梳理也聚焦在滤波算法方面。 1.2.1惯性基导航信息融合通用滤波算法研究进展 惯性基导航信息融合应用*为广泛和成功的滤波算法是扩展卡尔曼滤波（extended Kalmanfilter，EKF）算法，事实上，EKF一经提出，就在阿波罗登月计划的轨道预测及C-5A飞机导航系统中得到了成功应用，并成为商用组合导航系统的标准组件[8]。然而，EKF需要对非线性模型进行一阶线性近似，从而影响最终的滤波精度。此外，EKF往往对自身的估计结果过于“自信”，不满足统计意义下的一致性，从而容易导致滤波结果的发散。为了克服EKF算法的固有缺陷，一系列改进算法被相继提出并应用于惯性基组合导航中，如二阶EKF算法和迭代EKF算法等。基于“对概率分布近似要比对非线性函数近似容易得多”的认识，Julier和Uhlmann在1995年左右提出了一种基于确定性采样方法的无味卡尔曼滤波（unscented Kalman filter，UKF）[9-10]。后续还有一系列相似算法被陆续提出，如容积卡尔曼滤波（cubature Kalman filter，CKF）、高斯-厄米滤波（Gauss-Hermite filter，GHF）、中心差分滤波（central difference filter，CDF）[11-13]。武元新等从多维数值积分的角度对各种高斯滤波算法进行了颇具深度和广度的比较和总结，并指出现有的基于高斯分布假设的非线性滤波都可在统一的数值积分框架下通过相应的近似方法导出[14]。美国纽约大学的Crassidis团队给出了基于确定性采样点的滤波算法在惯性导航系统（inertial navigation system，INS）/全球导航卫星系统（global navigation satellite system，GNSS）组合导航领域的应用方案，并得到了比EKF算法更高的组合导航精度[15]。其组合导航的状态模型直接利用惯导机械编排方程而非常规的误差方程，其算法的巧妙之处在于采用“分层结构”来解决卡尔曼滤波（Kalman filter，KF）框架中的四元数规范性问题。严恭敏等对传统组合导航中的实用卡尔曼滤波技术进行了系统评述，在滤波算法方面重点讨论了平方根滤波、自适应滤波、联邦滤波和非线性滤波等技术的适用场合，并给出了使用建议：与其关注所谓的高级或新型滤波算法，更应该立足工程应用实际，采用部分反馈、方差限制、系统噪声方差虚拟建模、量测噪声方差自适应处理等技术对传统EKF进行调节[16]。 上述讨论的滤波算法是在实际惯性基组合导航系统中得到应用的主要滤波算法，对于诸如粒子滤波算法等由于计算量过大难以在嵌入式导航计算机中实时应用的滤波算法，此处不再一一赘述。同时，对于在高斯卡尔曼滤波框架下，如何有效处理系统模型非线性、噪声统计特性不确定性、厚尾非高斯噪声特性等问题，可以参考黄玉龙[17]的相关研究进行梳理。 1.2.2李群状态表示在惯性基导航信息融合中的应用研究进展 李群状态表示在惯性基导航中的应用并非近年来出现的新技术，事实上，传统组合导航中姿态误差定义及滤波框架中的姿态估计与更新都是特殊正交群SO(3)状态表示下的李代数运算。不同的李群状态表示或李群误差定义会导致不同的惯导误差模型，进而影响惯性基组合导航的滤波精度。因此，本小节研究现状的梳理和评述主要集中在李群状态表示对惯导误差模型的影响。 美国纽约大学的Crassidis团队研究了一种基于公共坐标系概念的几何扩展卡尔曼滤波（geometric extended Kalmanfilter，GEKF）并用于卫星姿态估计[18]。他们指出，在定义陀螺漂移估计误差时不能将真实值与估计值直接相减，因为二者所在的投影坐标系并不一致。随后，Crassidis团队将其公共坐标系概念引入了惯性基组合导航领域，指出传统的速度估计误差同样存在坐标系不一致的问题，而位置估计误差则不存在类似问题[19-21]。同时，Crassidis团队指出所谓的坐标系不一致问题都可以通过姿态误差进行表述，而且姿态误差不仅存在于参考坐标系（导航坐标系），也存在于载体坐标系。本书作者通过研究发现，Crassidis团队提出的用于姿态估计的GEKF算法本质上是将姿态和陀螺漂移整体建模为特殊欧式群SE(3)，进而根据群误差定义（分为左误差和右误差）推导相应的误差方程[22]。而GEKF在惯性基组合导航中的应用也可以视为将姿态与速度建模为SE(3)。无*有偶，王茂松等研究了一种状态变换卡尔曼滤波用于惯性基组合导航，其本质思想就是构造一种非线性速度误差方程，新的速度误差方程中姿态误差的系数不再含有比力信息（加速度计直接测量得到，含有较大噪声干扰），取而代之的是重力矢量[23-27]。上述非线性速度误差可以通过将姿态与速度建模为SE(3)并通过群状态右误差定义推导得出。事实上，类似的速度误差定义在Scherzinger等[28]的研究中就有所涉及，相关模型（基于ψ角姿态误差定义）也已成功用于霍尼韦尔公司的直升机组合导航系统和航海姿态参考系统[29-30]。 近年来，巴黎高等矿业学院Bonnabel团队基于李群状态表示，提出了不变扩展卡尔曼滤波（IEKF），用于解决姿态估计、视觉惯性导航系统（visual-inertial navigation system，VINS）、同时定位与地图构建（simultaneous localization and mapping，SLAM）等领域因误可观测性所导致的滤波不一致问题[7，31-36]。Bonnabel和Barrau利用扩展特殊欧氏群SE2(3)表示姿态、速度和位置，放松了对系统模型不变性的苛刻要求，指出基于SE2(3)状态表示的系统模型只要满足群仿射性，即可实现将时变导航状态从雅可比矩阵中解耦，从而自然地解决因误可观测性导致的滤波不一致问题[7，37]。更为重要的是，满足群仿射性惯性基导航模型，基于其线性误差模型也可以实现大失准角的初始对准。Barrau在其博士论文中*次报道了IEKF在惯导初始对准中的应用[34]，相较于传统的初始对准方法，该线性化方法在大失准角下依然适用，如图1.1所示。Barrau声称其提出的基于IEKF的初始对准方法已经成功应用于法国SAGEM（Safran集团下的公司）商用和军用惯导，实现了对传统对准算法模块的全替代。但是，限于保密原因（the level of details is limited by confidentiality of theresults），初始对准算法的细节并未公开。本书作者在Barrau[34]工作的基础之上，针对捷联惯导系统（strapdown inertial navigation system，SINS）/GNSS组合对准问题，通过巧妙的坐标系分解，构造了满足群仿射性的惯性系惯导机械编排模型，推导了其对应的误差方程，该误差方程中不含导航状态估计值，从而实现了全局收敛性的条件，通过仿真和实测数据实验验证，提出的对准方案可以实现任意初始失准角的线性对准[38]。上述结论虽然从控制论和仿真、实测实验角度得到了验证，但是仍然有悖于大家的常识认知（线性误差模型导出的过程中进行了姿态误差的小角度近似，但导出的线性模型却适用
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
