惯性导航 | 测量方程中的噪声模型与离散时间噪声模型

惯性导航 | 测量方程中的噪声模型与离散时间噪声模型

  • IMU测量方程中的噪声模型
  • IMU的离散时间噪声模型

IMU测量方程中的噪声模型

在大多数系统中,IMU的噪声由两部分组成:测量噪声(Measurement Nosie)与零偏(Bias)。

原因:
由于各种各样的原因,即使在车辆静止时,IMU的角速度和加速度输出也不一定形成均值为0的白噪声,而是带有一定的偏移
这个偏移量是由IMU内部的机电测量装置导致的,有些IMU的偏移较小,也有的会比较大。
同时该偏移量还受温度等因素的影响,随时间发生变化。

在数学上,我们将它建模出来,认为零偏也是系统的状态量,而且随时间随机改变。但是这是一种数学建模,并非系统本质。

我们并不是从IMU的机械特性或者物理特性得出零偏的变化关系,也没有在物理上描述IMU零偏和温度之间的关系,即使这种关系客观存在。
我们只是假定数学模型是这样的,然后看它与实际的IMU器件读数是否有明显的差异。

记陀螺仪和加速度计的测量噪声分别为 η g \eta _{g} ηg, η a \eta _{a} ηa,同时记零偏为 b g b _{g} bg, b a b _{a} ba,下标g表示陀螺仪,a表示加速度计。那么这几个参数在测量方程中表现为:
a ~ = R T ( a − g ) + b a + η a ω ~ = ω + b g + η g \begin{matrix} \tilde{a} =R^{T} (a-g)+b _{a}+\eta _{a} \\ \tilde{\omega } =\omega +b _{g}+\eta _{g} \end{matrix} a~=RTag+ba+ηaω~=ω+bg+ηg

在连续时间下,我们认为IMU测量噪声是一个方差为 C o v ( η g ) Cov(\eta _{g}) Cov(ηg), C o v ( η a ) Cov(\eta _{a}) Cov(ηa)的零均值白噪声高斯过程。
认为零偏是一个维纳过程(Wiener Process)或布朗运动或随机游走(Random Walk)。

对于一个均值为零、协方差为 Σ \Sigma Σ的白噪声高斯过程随机变量 w ( t ) w(t) w(t)可以写为
w ( t ) ∼ G P ( 0 , Σ δ ( t − t ′ ) ) w(t)\sim GP(0,\Sigma \delta (t-t^{'} )) w(t)GP(0,Σδ(tt))
其中, Σ \Sigma Σ称为能量密度矩阵, δ \delta δ为狄拉克函数。狄拉克函数的存在可以轻松的从连续时间的高斯过程推导离散时间采样之后的IMU测量噪声。

一个普通的零偏b的随机游走过程可以建模为:
b ˙ ( t ) = η b ( t ) \dot{b}(t)=\eta _{b} (t) b˙(t)=ηb(t)

其中 η b ( t ) \eta _{b} (t) ηb(t)也是一个高斯过程。于是 b g b _{g} bg b a b _{a} ba的随机游走都可以建模为:
b ˙ a ( t ) = η b a ( t ) ∼ G P ( 0 , C o v ( b a ) δ ( t − t ′ ) ) b ˙ g ( t ) = η b g ( t ) ∼ G P ( 0 , C o v ( b g ) δ ( t − t ′ ) ) \begin{matrix} \dot{b}_{a}(t) = \eta _{ba} (t)\sim GP(0,Cov(b_{a})\delta (t-t^{'} )) \\ \dot{b}_{g}(t) = \eta _{bg} (t)\sim GP(0,Cov(b_{g})\delta (t-t^{'} )) \end{matrix} b˙a(t)=ηba(t)GP(0,Cov(ba)δ(tt))b˙g(t)=ηbg(t)GP(0,Cov(bg)δ(tt))

随机过程可以从直观上理解,由于高斯过程的协方差随时间变得越来越大,IMU的测量值会随着采样时间变长而变得更加不准确,因此采样频率越高的IMU,其精度也会相对较高。而零偏部分由布朗运动描述,呈现随机游走状态。表现在实际当中,则可以认为一个IMU的零偏会从某个初始值开始,随机的向附近做不规律的运动。运动的幅度越大,就称它的零偏越不稳定。
所以质量好的IMU,零偏应该保持在初始值附件不动。

随机游走实际上就是导数为高斯过程的随机过程。从IMU的角度来看,由于我们关心的是测量的角速度和加速度,所以零偏部分看起来是随机游走。

若从高一级的系统层面来看,角速度就是角度的导数,加速度又是速度的导数,所以IMU的测量噪声,也可以解释为角度的随机游走和速度的随机游走。

IMU的离散时间噪声模型

在连续时间下的IMU噪声方程比较复杂,但在离散时间下简单。

现实中的IMU会按照固定时间间隔对运动物体的惯性进行采样,因此总可以将拿到的数据看成离散的。

IMU传感器按照固定频率进行采样,设每次采样间隔为 △ t \bigtriangleup t t ,那么对于噪声来说,陀螺仪和加速度计的离散测量噪声可以简化地描述为:
η a ( k ) ∼ N ( 0 , 1 △ t C o v ( η a ) ) η g ( k ) ∼ N ( 0 , 1 △ t C o v ( η g ) ) \begin{matrix} \\ \eta _{a}(k)\sim \mathcal{N} (0,\frac{1}{\triangle t} Cov(\eta _{a})) \\ \eta _{g}(k)\sim \mathcal{N} (0,\frac{1}{\triangle t} Cov(\eta _{g})) \end{matrix} ηa(k)N(0,t1Cov(ηa))ηg(k)N(0,t1Cov(ηg))
对于零偏部分,则可以写为
b g ( k + 1 ) − b g ( k ) ∼ N ( 0 , △ t C o v ( b g ) ) b a ( k + 1 ) − b a ( k ) ∼ N ( 0 , △ t C o v ( b a ) ) \begin{matrix} \\ b_{g}(k+1)-b_{g}(k)\sim \mathcal{N} (0,\triangle t Cov(b _{g})) \\ b_{a}(k+1)-b_{a}(k)\sim \mathcal{N} (0,\triangle t Cov(b _{a})) \end{matrix} bg(k+1)bg(k)N(0,tCov(bg))ba(k+1)ba(k)N(0,tCov(ba))

在离散时间系统中,两个噪声都是便于处理的。
在很多系统实现中,甚至不用考虑用协方差矩阵来表示IMU测量噪声和零偏随机游走,而是简单地将它们表示为对角矩阵,这实际上忽略了各个轴之间的相关性。

在程序里,使用 σ g , σ a \sigma _{g},\sigma _{a} σg,σa的参数表示IMU的噪声标准差,用 σ b g , σ b a \sigma _{bg},\sigma _{ba} σbg,σba 参数表示零偏游走的标准差。

离散时间下的噪声标准差应该为:

σ g ( k ) = 1 △ t σ g , σ a ( k ) = 1 △ t σ a σ b g ( k ) = △ t σ b g , σ b a ( k ) = △ t σ b a \begin{matrix} \\ \sigma _{g}(k) = \frac{1}{\sqrt{\triangle t} } \sigma _{g} ,\sigma _{a}(k) = \frac{1}{\sqrt{\triangle t} } \sigma _{a} \\ \sigma _{bg}(k) = \sqrt{\triangle t} \sigma _{bg} ,\sigma _{ba}(k) = \sqrt{\triangle t} \sigma _{ba} \end{matrix} σg(k)=t 1σg,σa(k)=t 1σaσbg(k)=t σbg,σba(k)=t σba

在进行惯导的滤波器实现和预积分时,会用到这些符号来配置IMU的噪声情况。

如何得到噪声参数?
IMU产品普遍提供自身的参数手册,以说明它在出厂时的数据精度、稳定性等指标。 这些指标也可以指导我们调节状态估计算法的权重。
算法相关的主要参数有以下几项

  • 测量噪声。在整个运动模型看来是角度随机游走和速度随机游走,对应离散时间噪声模型中的 σ g , σ a \sigma _{g},\sigma _{a} σg,σa。也可以简单地称其为陀螺白噪声和加速度计白噪声。
  • 零偏随机游走方差。也就是噪声模型中的 σ b g , σ b a \sigma _{bg},\sigma _{ba} σbg,σba 。通常在手册中没有直接的对应项,在实际中也很难测量到。手册中经常用零偏重复性和运动时偏置稳定性来代替它。
    刚打开IMU时,可以在静止状态下估计IMU零偏。每次零偏的大小变化由零偏重复性来描述。另外,如果其它客观条件不变,则这个开机零偏在运动过程中也会发生一定改变,其幅值就由运动时零偏稳定性来描述。
    在理想条件下,可以认为IMU的零偏会在初始零偏附件的运动时零偏稳定性这个范围内。然而实际中的IMU往往不会运行在恒温条件下,其零偏变化需要实时进行估计。整体而言,可以参考这个指标来设定零偏随机游走的幅值大小。

例如网上随便找的可这个IMU
在这里插入图片描述
在IMU数据性能参数上面可以查到 测量噪声 、零偏稳定性(运动时零偏稳定性)的参数 。没有提供零偏重复性参数。
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/723128.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

1.1_3 性能指标——时延、时延带宽积、往返时间RTT、利用率

文章目录 1.1_3 性能指标——时延、时延带宽积、往返时间RTT、利用率(一)时延(二)时延带宽积(三)往返时延RTT(四)利用率 1.1_3 性能指标——时延、时延带宽积、往返时间RTT、利用率 …

wireshark抓取localhost(127.0.0.1)数据包

打开wireshark中,在"capture"菜单中,选择"interfaces"子菜单,在列出的接口中选中"Adapter for loopback traffic capture"即可。 必须安装了Npcap才有此选项,否则需要重新安装wireshark。 抓包截图…

桥梁安全监测方案:多维度的技术与设备应用

一、背景与意义 随着交通基础设施的快速发展,桥梁作为连接两岸的关键纽带,其安全性能直接关系到人们的生命财产安全和交通畅通。为确保桥梁的安全与稳定,及时发现潜在的安全隐患,采取科学、有效的安全监测方案显得尤为重要。本文将…

网络 协议 UDP编程

网络:数据传输,数据共享 1.网络协议模型: OSI协议模型 应用层 实际发送的数据 表示层 发送的数据是否加密 会话层 是否建立会话连接 传输层 数据传输的方式(数据报、流式&#xff09…

材料物理 (HIT) 笔记-2

原内容请参考哈尔滨工业大学何飞教授:https://www.bilibili.com/video/BV18b4y1Y7wd/?p12&spm_id_frompageDriver&vd_source61654d4a6e8d7941436149dd99026962 或《材料物理性能及其在材料研究中的应用》(哈尔滨工业大学出版社) 三…

进程间通信之信号灯 || 网络协议UDP/TCP || 三次握手四次挥手

在线程通信中由于数据段等内存空间的共用性,导致同时访问时资源竞争的问题,在线程中我们使用信号量的申请和释放,在防止资源竞争的产生。在进程间的通信中,有信号灯的概念。搭配共享内存实现进程同步。 有名信号量: 1.创建 …

HTML标签语义化,含面试题+答案

form表单细节 一、表单 1.表单 标签用于为用户输入创建 HTML 表单 2.表单能够包含 input 元素,比如文本字段、复选框、单选框、提交按钮等等。 3.表单还可以包含 menus、textarea、fieldset、legend 和 label 元素。 4.表单用于向服务器传输数据。 二、表单form 的…

NASA数据集——非洲合成孔径雷达:2016 年加蓬 LVIS 导出的网格森林生物量和树冠指标

非洲合成孔径雷达:2016 年加蓬 LVIS 导出的网格森林生物量和树冠指标 简介 本数据集包含网格化森林特征产品,这些产品来自2016年NASA-ESA非洲合成孔径雷达活动期间NASA机载土地、植被和冰雪传感器(LVIS)仪器获取的非洲加蓬五个森林地点的全波形激光雷达数据。2016 年 2 月…

代码随想录算法训练营第14天| 144. 二叉树的前序遍历

144. 二叉树的前序遍历 注意事项 1、这种可能发生空指针异常的地方一定要进行非空指针判断。 2、迭代法&#xff1a;在左右节点入栈之前&#xff0c;要分别判别非空再入栈&#xff0c;否则将出错。 class Solution { public:vector<int> preorderTraversal(TreeNode…

相机类型的分辨率长宽、靶面尺寸大小、像元大小汇总

镜头的靶面尺寸大于等于相机靶面尺寸。 相机的芯片长这样&#xff0c;绿色反光部分&#xff08;我的手忽略&#xff09;&#xff1a; 基本所有像素的相机的靶面大小都可以在这个表格里面找到。 镜头的靶面尺寸在镜头外表上可以找到&#xff0c;选型很重要&#xff01;

代码还原之 函数

指令堆里逆向出来的代码有歧义&#xff0c;有三处返回&#xff0c;有嵌套IF语句&#xff0c;故推断出是个函数&#xff1b; #if 0/*27ec: 48 8d 3d 58 39 00 00 lea 0x3958(%rip),%rdi # 614b <_IO_stdin_usedBase0x14b> // rdi"COLUMNS"27f3: e8 e…

30天自制操作系统(第27天)

27.1 应用程序运行时关闭命令行窗口 需要实现的功能&#xff1a; 在应用程序运行的时候&#xff0c;可以关闭所对应的命令行窗口。思路&#xff1a;1.先调整bootpack.c中按下"x"按钮时&#xff0c;暂时将窗口隐藏起来&#xff0c;并当fifo接收从console.c发送的关闭窗…

【鸿蒙 HarmonyOS 4.0】多设备响应式布局

一、背景 在渲染页面时&#xff0c;需要根据不同屏幕大小渲染出不同的效果&#xff0c;动态的判断设备屏幕大小&#xff0c;便需要采用多设备响应式布局。这种设计方法能够动态适配各种屏幕大小&#xff0c;确保网站在不同设备上都能呈现出最佳的效果。 二、媒体查询&#xf…

第九篇:– 过程发现(Process Discovery)是如何赋能数字化市场营销全过程?- 我为什么要翻译介绍美国人工智能科技巨头IAB公司

IAB平台&#xff0c;使命和功能 IAB成立于1996年&#xff0c;总部位于纽约市。 作为美国的人工智能科技巨头社会媒体和营销专业平台公司&#xff0c;互动广告局&#xff08;IAB- the Interactive Advertising Bureau&#xff09;自1996年成立以来&#xff0c;先后为700多家媒体…

C++ primer plus 学习 4.8 new动态结构 与结构体指针

参照C primer plus 4.8.4 踩坑涉及到 1. 如何初始化结构体 2. 结构体指针使用&#xff1a;&#xff08;*pn&#xff09;->atr&#xff0c;*pn则为结构体本身 3. 指针重新赋值可能导致的内存泄漏 4.delete的使用&#xff08;只能用在new后面&#xff09; 5. 数组和字符…

【ELK日志分析系统】ELK+Filebeat分布式日志管理平台部署

ELKFilebeat部署一、ELK简介1、ELK组件1.1 其他组件 2、为什么要使用 ELK3、完整日志系统基本特征 二、ELK的工作原理三、ELK Elasticsearch 集群部署1、环境准备2、部署 Elasticsearch 软件(node节点)2.1 安装elasticsearch—rpm包2.2 修改elasticsearch主配置文件2.3 es性能调…

Nerf原理理解

神经辐射场是一个简单的全连接网络&#xff08;权重约为 5MB&#xff09;&#xff0c;经过训练可使用渲染损失再现单个场景的输入视图。该网络直接从空间位置和观看方向&#xff08;5D 输入&#xff09;映射到颜色和不透明度&#xff08;4D 输出&#xff09;&#xff0c;充当“…

小白跟做江科大51单片机之DS18B02按键控制效果

1.新建项目导入AT24C02、Key、Delay、LCD1602、DS18B02相关文件 2.编写main.c函数 #include <REGX52.H> #include "LCD1602.h" #include "Delay.h" #include "Key.h" #include "AT24C02.h" #include "DS18B02.h" f…

Linux 相关命令

文章目录 目录相关操作vim 编辑器命令行模式插入模式底行模式 目录相关操作 查看当前目录下的文件 ls创建目录 mkdir 目录名进入文件&#xff0c;首先确认位于文件的目录 vi 文件名 vim 编辑器 命令行模式 控制光标的移动&#xff0c;字符或行的删除&#xff0c;移动复制某区域…

AntV L7初体验

本案例使用L7库和Mapbox GL JS创建的简单地图可视化示例&#xff0c;加载点数据。 文章目录 1. 引入 CDN 链接2. 导出模块3. 创建地图3.1. 注册 token3.2. 创建地图实例 4. 创建场景5.创建点图层6. 演示效果7. 代码实现 1. 引入 CDN 链接 <!-- 1.引入CDN链接 --> <!--…