论文部分内容阅读
多源组合导航系统整合了多种导航方式,实现了内部子导航系统间信息共享和性能互补,能够在复杂环境中为车载、机载、弹载等多种平台提供连续且准确的导航解决方案,现已成为自主导航的重要手段,在军用和民用领域都得到广泛应用。本文以机载导航系统的实际需要为背景,以提高机载导航系统精度与鲁棒性为目标,以多源组合导航为框架,分别研究了新型激光探测与测距(Light Detection and Ranging,Li DAR)机载导航算法、Li DAR/惯性导航系统(Inertial Navigation System,INS)组合导航系统、多源组合导航系统中的信息融合算法和故障检测算法等关键技术。本文的主要创新点包括4点。(1)针对现有基于特征点的Li DAR机载导航算法精度受到INS输出的姿态解误差影响的问题,提出了一种基于SIFT的高程-距离匹配算法。该算法将插值后的Li DAR测量距离数据与本地存储的数字高程地图(Digital Elevation Map,DEM)数据直接进行特征点匹配,并应用模糊控制计算SIFT算法门限,多次循环提取最优匹配点云。在此基础上,为了进一步提高Li DAR导航系统定位精度,提出了一种基于抗差岭估计的定位解算算法。该算法通过引入岭参数将无偏估计变为有偏估计,实现均方根误差最小约束条件下的最优位置估计,并利用迭代选权降低了质量较差的观测量对定位精度的影响。仿真测试结果表明,与已有的基于特征点的Li DAR机载导航算法相比,本文提出的两种算法能够在有效降低Li DAR系统对INS系统依赖的同时,进一步提高机载Li DAR导航系统的定位成功率和定位精度。(2)针对现有Li DAR机载导航算法性能受到载体倾角和地面起伏度影响的问题,提出了一种基于Sigmoid函数的自适应切换算法。该算法通过判断载体姿态和扫描区域地表起伏度信息构建自适应切换模型,实现在ICP与SLPF两种Li DAR导航算法间自适应切换,从而提高了Li DAR/INS组合导航系统的稳定性。另外,在上述研究的基础上,详细分析了两种可行的Li DAR/INS组合导航方法,并通过仿真实验对两种方法进行了验证与性能对比,仿真实验结果表明,两种组合方法在不同的导航场景下有各自的优缺点。(3)针对现有多源组合导航因子图融合算法受到子系统观测噪声时变特性的影响,导致导航环境的变化严重影响状态估计准确性的问题,提出了一种高斯模型下基于因子图框架的子系统观测量均值向量和协方差矩阵的动态估计方法。该方法在不影响最优化系统收敛性的前提下,利用因子图最优化过程中每个迭代周期内的观测量残差,实时地更新各个子系统观测量的均值向量和协方差矩阵的最大后验估计,从而得到更加准确的导航状态估计值。仿真测试与实验测试结果均表明,与已有的因子图算法相比,本文提出的基于迭代最大后验估计的因子图算法能够有效提高子系统观测状态变化时的多源组合导航估计精度。(4)针对现有基于神经网络的多源组合导航系统故障检测算法中,检测实时性低、渐变式故障检测效果差等问题,提出了一种多通道-单维卷积的全卷积神经网络(Multi-channel Single-dimensional Fully Convolutional Neural Network,MS-FCN)故障检测方法。该方法以组合导航系统中的残差序列作为输入,利用不同尺寸的卷积神经网络提取残差序列中包括局部与全局等不同尺度的特征信息,并通过反卷积将特征图谱还原为与输入数据相同尺寸,从而实现为每一采样时刻做出全面、精确的运行状态诊断。仿真测试与实验测试结果均表明,本文提出的MS-FCN对渐变故障与突变故障都有更好检测率与误检率,因此基于MS-FCN的多源组合导航系统将拥有更高稳定性和导航状态的估计精度。