某型机载惯性/卫星/大气多信息融合MEMS航姿系统的设计与实现

曹　阳，赖际舟，柳　敏，叶素芬

(南京航空航天大学自动化学院，南京 211106)

0　引言

航姿系统是一种载体运行过程中航姿参数的信息处理系统，能为载体提供准确可靠的姿态与航行信息。传统的航姿系统基于框架式陀螺，体积偏大,成本偏高,故障率居高不下[1]。随着新型惯性传感器技术的发展，基于微机电技术(Micro Electro Mechanical System, MEMS)的硅微陀螺仪和加速度计以体积小、质量小、可靠性高、启动时间短和对线性过载不敏感的特点，逐渐在捷联式惯性导航系统中使用[2]。MEMS技术的成熟以及对低成本因素的考虑促使微机械陀螺、加速度计得到越来越多的应用[3-4]。以MEMS陀螺仪和加速度计为敏感元件的微型航姿系统已成为航空、航天、导弹及战车导航等诸多领域中重要的发展方向之一[5-6]。

MEMS陀螺器件精度较低，导致其捷联航姿算法解算的姿态精度不高[7]，实际应用中常采用磁传感器进行辅助。MEMS加速度计和磁传感器计算的航向角漂移小，但其动态情况下性能受限，且磁传感器易受干扰，从而影响航姿系统输出信息的精度和可靠性[8]。

因此，本文设计并实现了一种多源信息辅助下的综合航姿系统，提出了一种基于大气/卫星输出信息辅助的融合方案。根据系统的工作模式管理以及GPS的位置信息或大气数据传感器的空速信息，采用Kalman滤波方法实现对航姿系统输出数据的校正，从而保障航姿系统输出信息的性能。

1　多信息辅助的航姿系统构建

1.1　综合航姿系统组成和原理

多信息辅助的航姿系统由惯性测量部件、磁航向传感器和GPS接收机、天线组成。其中，惯性测量部件包含电源模块、导航解算模块、接口模块、3个单轴MEMS陀螺仪、3个单轴MEMS加速度计、大气数据传感器和大气数据解算模块，其系统工作原理框图如图1所示。

由图1可知，多信息辅助的航姿系统通过陀螺和加速度计敏感载体的角速率和加速度，并将角速率和加速度信号发送给导航解算模块，通过捷联解算对外输出航向、姿态信息；磁航向传感器敏感地磁并将三轴磁场强度传输给导航解算模块用于解算磁航向；内置GPS接收机向导航解算模块提供位置信息，大气数据解算模块向导航解算模块提供空速和高度信息。在载体姿态更新的过程中由于惯性器件存在误差，严重影响了测量精度。因此，结合已知观测信息，采用Kalman滤波方法进行误差估计，并对航姿系统输出进行校正。

综合航姿系统具有多种工作运行模式，可以根据可用传感器实现多运行模式的自主切换，其模式管理及切换示意如图2所示。不同模式的优先级从高至低排列如下：

1)GPS辅助航姿系统模式，根据GPS输出信息对航姿系统输出进行修正，从而得到载体的位姿信息。

2)大气数据辅助航姿系统模式，根据大气数据输出信息对航姿系统输出进行修正，从而得到载体的位姿信息。

3)纯航姿系统模式，根据MEMS惯性器件和磁传感器数据实现载体的位姿信息解算和输出。

由图2可知，所设计的系统和融合方案中，系统优先选用GPS的位置信息进行Kalman滤波修正，当GPS信息无效后，使用空速信息进行Kalman滤波修正，从而实现与航姿系统输出的无缝融合。

1.2　航姿系统初始对准

航姿系统在正常使用前，需要进行初始对准。其原理是根据陀螺和加速度计的输出直接求解俯仰角和横滚角，并结合磁航向传感器提供的航向角信息，建立姿态转移阵作为导航解算的初始姿态阵，同时可以对Kalman滤波器初始矩阵进行初始化。对准完成可以对初始的姿态角度进行判断，大于设定门限，则认为对准失败，对准流程如图3所示。

2　基于大气/卫星输出数据的航姿系统融合方案

在微型航姿参考系统中，常用的姿态解算算法是基于三轴加速度计和三轴磁传感器，利用重力场和地磁场在地理坐标系和载体坐标系之间的转换及方向余弦矩阵解算姿态角。该方法算法简单，计算量小，易于实现。但是由于加速度计对重力加速度和运动加速度均敏感，并且磁传感器易受铁磁性物质干扰，同时由于低成本MEMS加速度计精度不高，尤其在高机动情况下，直接采用加速度计/磁力计计算的姿态输出并不可靠[9]。为了解决上述问题，提高航姿系统输出的精度和可靠性，本文设计并提出了一种GPS信息和大气信息辅助修正的融合方案，根据传感器可用状态实现滤波器的无缝切换，有效利用多源传感器信息修正航姿系统输出误差。综合航姿系统优先选取GPS位置信息进行滤波修正，当GPS信息无效时，采用空速信息进行滤波修正。

2.1　组合导航系统滤波模型建立

根据航姿系统解算原理，建立其系统状态模型，状态量X(k)选取如下：

X(k)=[δVEδVNφEφNφUδLδλ
εxεyεzxy]T

(1)

式中，δVE、δVN为速度误差，φE、φN、φU为姿态失准角，δL、δλ为经纬度位置误差，εx、εy、εz为陀螺漂移误差，x、y为加速度计零偏误差。

其速度误差、姿态误差、位置误差、陀螺漂移、加速度计漂移误差方程如下：

(1)速度误差方程

(2)

(2)姿态误差方程

(3)

(3)位置误差方程

(4)

(4)陀螺漂移误差方程

采用1阶Markov过程描述陀螺漂移，τg=1800s，为时间常数。

(5)

(5)加速度计零偏误差方程

(6)

式中，ΩU=ωiesinL，ΩN=ωiecosL，ωie为地球自转角速率，L为载体纬度信息，RM是地球参考椭球子午面内的曲率半径，RN是地球垂直子午面的法线平面的曲率半径。

当GPS输出信息可用时，组合导航系统的量测值为航姿位置λAHRS、LAHRS和GPS接收机输出位置λGNSS、LGNSS之差，关系如下：

(7)

根据量测值和状态变量的选择，可构成如下的量测方程[10]：

Z1=H1X+V1=[0(2×5)I(2×2)0(2×5)]X+V1

(8)

式中，V1为GPS位置量测噪声矩阵。

在GPS信号无效的情况下，多信息辅助下的航姿系统自动切换至大气辅助组合工作方式，此时量测值为航姿速度VE(AHRS)、VN(AHRS)和空速分解的东北向速度VE(ADS)、VN(ADS)之差，关系如下：

(9)

根据量测值和状态变量的选择，其量测方程如下：

Z2=H2X+V2=[I(2×2)0(2×10)]X+V2

(10)

式中，V2为大气速度量测噪声矩阵。

2.2　组合导航系统滤波融合方法

在建立的系统状态和量测方程的基础上，文中采用Kalman滤波方法实现组合导航系统的信息融合，其递推方程组如下：

状态一步预测为：

(11)

一步预测均方误差为：

(12)

滤波增益为：

(13)

状态估计为：

(14)

估计均方误差为：

Pk=[I-KkHk]Pk/k-1

(15)

式中各变量的定义可参见文献[10]。

(1)速度校正

(16)

(2)姿态矩阵校正

(17)

(3)位置校正

(18)

(4)陀螺漂移修正

(19)

(5)加速度计零偏修正

(20)

3　试验验证与分析

为了验证本文所设计系统和提出方案的有效性，搭建了多信息辅助的MEMS航姿系统原理样机。首先完成了综合航姿系统的硬件和软件调试，并在三轴标定转台上完成样机误差标定，通过跑车试验验证并分析系统的精度是否满足设计要求。跑车试验中，将一套经过校准的惯导系统(其航向角精度为0.1°，横滚和俯仰角精度为0.05°)提供的姿态信息作为基准。试验结束后，事后对综合航姿系统和基准系统的姿态数据进行对比分析。跑车装置如图4所示。

实际跑车行驶轨迹如图5所示，分别对两种模式下的综合航姿系统性能进行测试和验证。

(1)GPS信息可用模式下的航姿精度分析

利用GPS的位置信息对航姿系统输出进行辅助修正，其误差曲线如图6所示。

由图6跑车试验数据可以看到，多信息辅助航姿系统在GPS组合模式下，系统的航向和姿态精度能保持在较高的精度水平，其精度能够达到设计指标的要求。其中，姿态误差经过统计计算，其精度如表1所示。

表1　GPS辅助下的跑车试验姿态精度

(2)GPS不可用时的大气/惯性模式航姿精度分析

利用大气传感器测量的速度对航姿系统输出进行辅助修正，其误差曲线如图7所示。

由图7的跑车试验数据可以看到，多信息辅助航姿系统在大气组合模式下，系统的航向和姿态精度能够达设计指标的要求。姿态误差经过统计计算，其精度如表2所示。

表2　大气辅助下的跑车试验姿态精度

综上所述，无论是在GPS辅助或大气数据辅助的情况下，综合航姿系统的输出精度和稳定性都能得到保证，验证了本文提出方案和设计系统的有效性。

4　结论

本文针对MEMS航姿系统输出精度不高、易受干扰的问题，设计了多信息辅助下的航姿系统，提出了一种基于大气/GPS输出信息的航姿系统自适应融合方案。所设计系统具备多种工作运行模式，能实现不同模式的有效管理，综合利用多源传感信息，实现航姿系统输出数据的无缝校正，能有效保障航姿系统的性能。首先阐述了系统的组成和工作原理，建立了融合方案所需的系统状态和量测模型。最后根据所搭建的综合航姿系统原理样机，通过跑车试验验证了所设计系统和方案的可行性。

[1]李翔, 王勇军, 李智. 航姿系统矢量传感器非对准误差及其校正[J]. 传感技术学报, 2017, 30(2): 266-271.

LI Xiang, WANG Yong-jun, LI Zhi. Inter-triad misalignment of vector field sensors in attitude and heading reference systems and its calibration[J]. Chinese Journal of Sensors and Actuators, 2017, 30(2): 266-271.

[2]Sheng H, Zhang T. MEMS-based low-cost strap-down AHRS research [J]. Measurement, 2015, 59: 63-72.

[3]Chou W, Fang B, Ding L, et al. Two-step optimal filter design for the low-cost attitude and heading reference systems [J]. IET Science, Measurement & Technology, 2013, 7(4): 240-248.

[4]艾文娟, 刘岩. 基于 MEMS 技术的惯性/地磁组合导航[J]. 自动化与仪器仪表, 2016 (1): 110-113.

AI Wen-juan, LIU Yan. INS/geomagnetic integrated navigation based on MEMS technology[J]. Automation and Instrumentation, 2016(1):110-113.

[5]Zhuang Y, El-Sheimy N. Tightly-coupled integration of WiFi and MEMS sensors on handheld devices for indoor pedestrian navigation [J]. IEEE Sensors Journal, 2016, 16(1): 224-234.

[6]Sasani S, Asgari J, Amiri-Simkooei A R. Improving MEMS-IMU/GPS integrated systems for land vehicle navigation applications [J]. GPS Solutions, 2016, 20(1): 89-100.

[7]李华栋. 基于低成本 MEMS 器件的捷联航姿系统设计[J]. 电子技术与软件工程, 2016 (1): 114-115.

LI Hua-dong. Design of AHRS based on low-cost MEMS[J]. Electronic Technology & Software Engineering, 2016 (1): 114-115.

[8]常健, 李荣冰, 刘建业,等. MEMS航姿系统振动环境适应性研究[J]. 电子测量技术, 2015(9): 93-97.

CHANG Jian, LI Rong-bing, LIU Jian-ye, et al. The research of vibration environmental adaptability of MEMS AHRS[J]. Electronical Measurement Technology, 2015 (9): 93-97.

[9]盛汉霖, 张天宏, 刘冬冬. 基于扩展Kalman滤波器的低成本航姿系统设计[J]. 系统工程与电子技术, 2013, 35(10): 2158-2164.

SHENG Han-lin, ZHANG Tian-hong, LIU Dong-dong. Low-cost AHRS design based on extending Kalman filter[J]. System Engineering and Electronics, 2013, 35(10): 2158-2164.

[10]Auger F, Hilairet M, Guerrero J M, et al. Industrial applications of the Kalman filter: a review[J]. IEEE Transactions on Industrial Electronics, 2013, 60(12): 5458-5471.