[发明专利]一种多传感器融合的陀螺漂移滤波系统及方法

说明书

技术领域

本发明属于陀螺信号处理领域，具体涉及一种陀螺漂移滤波系统及方法。

背景技术

陀螺是一种敏感角速度的惯性组件，并且随着当今科技的发展正在向小型化、高可靠性，高精度发展，但是对陀螺精度要求越高成本也成倍的增加，因此人们更多的在成本和精度之间折中，这种折中带来的就是陀螺的随机漂移较大，也是制约其在工程应用当中最大的问题。

陀螺信号的输出基本上包括以下几个变量：陀螺输出的角速度信号、陀螺的常值误差、陀螺的随机游走及零均值的陀螺白噪声。由上可知，陀螺输出信号误差主要包括常值误差和随机漂移两大类。常值误差可以通过建立较为精确的模型进行有效补偿，而随机漂移包括量化噪声、角度随机游走、角速率随机游走、零偏不稳定和速率斜坡噪声，且受外部环境等多种不确定因素的影响，具有非线性和慢时变性，无法建立其精确的模型，因此对随机噪声的滤波成为了当前研究的重点。

目前常用的陀螺滤波方法主要包括：Kalman滤波方法、小波变换滤波方法、ALLAN方差补偿技术、压缩感知滤波方法等，概要介绍如下：

Kalman滤波是一种递推线性最小方差估计，只通过前一个时刻的估计值和现在的测量值来计算现在的状态估计值。它可以实现最小均方估计误差意义下的随机信号的最优线性滤波。但是该方法的缺点是需要建立噪声的AR(自回归)模型，根据模型参数来设定方法的初始参数，而对于陀螺随机漂移是非线性的、慢时便的，因此很难建立起准确的模型，只能靠方法本身进行弥补。

小波变换阈值滤波是根据信号和噪声在不同尺度上小波变换的不同形态表现，构造出相应的规则，对信号和噪声的小波变换系数进行处理，处理的实质在于减小以至完全剔除由噪声产生的系数，同时最大限度的保留有用信号对应的小波系数。小波阈值去噪过程分为三步：第一步对带噪信号进行小波分解，得到各层分解后的逼近系数和细节系数；第二步对各层细节系数进行阈值量化处理；第三步对处理后的系数进行小波逆变换，得到去噪信号。目前来说，小波函数和小波分解层数的选取还没有一个明确的理论作指导，一般仅凭借经验和反复试验选择。而且相对于其他的滤波方法，小波变换计算量较为复杂，工程实现难度较大。

Allan方差法是利用不同相关时间内方差所表现出的不同特征来描述各种噪声源的。其最大优点是可以简便地分离、辨识出陀螺随机误差的各项分量,并确定各误差项对总误差的贡献。但是对于该方法需要离线利用大量数据建立噪声模型，然后通过Allan对模型进行分析，而且计算量相对较大，不利于工程实现。

压缩感知滤波算法是通过辨识信号的稀疏特性，在远小于Nyquist采样率的条件下，用随机采样获取信号的随机样本，然后通过非线性重建算法完美重建信号。目前对于陀螺滤波方面的应用主要基于小波基础之上，由于无噪声信号通过Mallat(多尺度分析)算法得到的小波系数应该是稀疏的，但当信号中存在噪声时小波系数的稀疏性将大大降低，因此可以通过压缩感知理论可以恢复小波系数的稀疏性，已达到降噪的目的。该方法理论上可以有效提高小波变换的滤波精度，但是由于其理论较为复杂，而且计算量较大，很难工程实现。

综上可知，现有技术中大多数滤波方法均需要建立陀螺输出噪声的模型，利用其模型参数进行分析计算。但是陀螺噪声是非线性的、时变的，因此增加了模型建立的难度，引入了模型误差，降低了现有方法的准确性；现有算法的模型复杂且计算中存在较多的矩阵运算，因此在实时性方面较差，且计算过于复杂，难以工程实现；现有算法的数据分析及滤波多采用单一的陀螺数据作为滤波系统的输入，数据特征单一，无法有效保证结果的可靠性和准确性；现有算法多采用开环滤波算法，系统无法感知滤波输出效果的好坏，因此无法对其进行进一步的修正。

发明内容

本发明为了解决上述至少一个问题和/或不足，并提供下述至少一种优点，相应的提供了一种多传感器融合的陀螺漂移滤波系统及方法。

一方面，本发明提供了一种多传感器融合的陀螺漂移滤波系统，包括信号初始处理模块、信号闭环处理模块、传感器信号融合模块；

所述加速度传感器用于敏感并向所述信号初始处理模块输出加速度计信号；所述陀螺传感器用于敏感并向所述信号初始处理模块输出陀螺信号；

所述信号初始处理模块对所述加速度计信号和所述陀螺信号进行初始处理后，并将经所述初始处理的加速度计信号输出至所述传感器信号融合模块以及将经所述初始处理的陀螺信号输出至所述信号闭环处理模块；

所述信号闭环处理模块用于对输入的经所述初始处理的陀螺信号进行闭环处理后并将经所述闭环处理的陀螺信号输出至所述传感器信号融合模块；