Вы находитесь на странице: 1из 14

Известия ТулГУ. Технические науки. 2018. Вып.

ПРИБОРЫ НАВИГАЦИИ

УДК 629.05

АДАПТИВНЫЙ СУБОПТИМАЛЬНЫЙ ФИЛЬТР КАЛМАНА


В ЗАДАЧЕ ВЫСТАВКИ БИНС

В.И. Мкртчян, Д.Б. Пазычев


Рассматриваются несколько известных схем построения субоптимальных
фильтров Калмана. Предлагается альтернативная схема, состоятельность которой
подтверждается испытаниями. Кроме этого, рассматриваются прикладные вопросы,
связанные с выставкой БИНС на подвижном основании с помощью спутниковой
навигационной системы и фильтра Калмана, а именно обеспечение линейного
характера модели ошибок, адаптация к нестабильным измерительным
шумам, вызванных задержкой навигационного решения спутниковой навигационной
системы.
Ключевые слова: БИНС, фильтр Калмана, выставка, ИНС/СНС.

Введение. Фильтр Калмана позволяет получить оптимальные в


среднеквадратическом смысле оценки вектора состояния, если модель сис-
темы точно задана [5 – 7, 11, 12]. На практике это условие трудновыпол-
нимо, поэтому прибегают к построению редуцированных (субоптималь-
ных) фильтров. В настоящей работе, во-первых, рассматриваются несколь-
ко известных схем построения субоптимальных фильтров Калмана и пред-
лагается альтернативная схема, состоятельность которой подтверждается
испытаниями. Отличие предлагаемого подхода состоит в том, что
не требуется априорная информация о статистических параметрах исклю-
ченных из вектора состояния компонент. Во-вторых, рассматривается ре-
шение некоторых проблем, связанных с выставкой БИНС на подвижном
основании.
Рассматриваемые далее алгоритмы БИНС тестировались в режиме
камеральной обработки данных, записанных с помощью БИНС «БИНС-
ТЕК» (ООО «ТеКнол»). Система испытывалась на летательном аппарате
Ми-8. В качестве эталонной системы навигации использовался приемник
сигналов СНС GPS NV08C-CSM.
60
Приборы навигации
Модель системы. Введем следующие ортогональные правые сис-
темы координат с общим началом в центре масс ЛА – точке M .
Mxyz – трёхгранник, жёстко связанный с корпусом ЛА, ось y ко-
торого направлена вдоль продольной оси ЛА, z совпадает с нормальной
осью ЛА, а x дополняет трёхгранник до правого. MENUp – географиче-
ский сопровождающий трёхгранник, ось E которого направлена на восток,
N – на географический север, ось Up направлена вверх. Взаимная ориен-
тация трехгранников Mxyz и MENUp однозначно задается матрицей на-
правляющих косинусов Cnb . Mx1 y1 z1 – расчётный географический трёх-
гранник, ориентация которого по отношению к Mxyz формируется вычис-
лителем БИНС. В идеальном случае Mx1 y1 z1 совпадает с MENUp . В об-
щем случае он отклонен от MENUp на неизвестные углы Φ E , Φ N и Φ Up ,
которые далее будем считать малыми. Первые два угла характеризуют от-
клонение от плоскости горизонта EN , третий – отклонение от плоскости
меридиана NUp . Задачей выставки будем считать оценку и компенсацию
углов отклонения Φ E , Φ N и Φ Up .
Воспользуемся наиболее распространенной [2 – 9] моделью ошибок
БИНС, построенной на датчиках угловой скорости (ДУС):
.
δV E = − gΦ N + a N ΦUp + δaE ,
.
δ V N = gΦ E − a E ΦUp + δa N ,
. δVN
ΦE =− + ωUpΦ N − ω N ΦUp + δω E ,
R
. δV
Φ N = E − ωUpΦ E + ω EΦUp + δω N ,
R
. δV
Φ Up = E tgϕ − ω EΦ N + ω N Φ E + δωUp ,
R (1)
 δωE   δω x 
  n 
 δω N  = −Cb δω y  ,
δωUp   δω z 
 
 δa E   δa x 
  n 
 δa N  = Cb δa y  ,
δaUp   δa z 
 
.
δ εi = −βεi δεi + σεi 2βεi wεi ,
61
Известия ТулГУ. Технические науки. 2018. Вып. 5

где δVE , δV N – ошибки восточной и северной проекций путевой скорости;


Φ E , Φ N и ΦUp – углы «невыставки» БИНС; aE , a N – ускорения ЛА
вдоль восточного и северного направлений; ω E , ω N , ωUp – проекции аб-
солютной угловой скорости трехгранника MENUp на его же оси;
[δωx , ] [ ]
δω y , δω z T , δa x , δa y , δa z T – векторы собственных погреш-
ностей ДУС и акселерометров соответственно. Собственная погрешность
каждого чувствительного элемента (ЧЭ) представлена в виде экспоненци-
ально-коррелированной величины εi с дисперсией σε2i , интервалом корре-
1
ляции и порождающими «белыми» шумами wεi единичной интенсив-
β εi
ности, где ε = δa, δω , i = x , y , z .
Формирующий фильтр для системы (1) запишем в виде
X k = Φk X k −1 + GWk

[
X = ( X1 )T , ( X 2 )T ]T ,
[
X1 = δVE , δVN , Φ E , Φ N , ΦUp T , ] (2)

[
X 2 = δa x , δa y , δa z , δω x , δω y , δω z T , ]
где Φk – дискретная матрица модели, G – дискретная матрица вектора
Wk входных шумов, с ковариационной матрицей интенсивности Q .
В качестве компонент вектора измерений удобно взять ошибки
БИНС по скорости:
Z = [δVE , δVN ]T + V = HX + V , (3)
где V – вектор измерительных шумов с ковариационной матрицей R ; H –
матрица измерений.
Для получения оценки X̂ вектора X будем использовать алгоритм
фильтра Калмана:
ˆ k = Φk X
X ˆ k −1 + K k (Zk − HΦk X
ˆ k −1 ) ,

K k = Pk/k −1H T [HPk/k −1H T + R]−1 ,


(4)
Pk/k −1 = Φk Pk −1ΦkT + G k QG kT ,
Pk = (I − K k H)Pk/k −1 ,
где K k – коэффициент усиления; Pk/k −1 , Pk – априорная и апостериорная
ковариационные матрицы ошибок оценивания вектора X соответственно.
Далее будем считать, что редуцированный фильтр ориентирован
только на оценивание подвектора X1 . Исключение подвектора X2 объяс-
няется недостатком априорной информации о параметрах экспоненциаль-
62
Приборы навигации
но-коррелированных процессов и начальных значений соответствующих
компонент ковариационной матрицы ошибок оценивания. Рассмотрим
причины, по которым упрощение модели дает положительный эффект.
Обоснование редуцирования. Основными требованиями, предъ-
являемыми к выставке БИНС, являются точность и продолжительность,
поэтому время переходного процесса оценивания вектора X должно быть
как можно более малым. С другой стороны, фильтр Калмана имеет после-
довательный характер сходимости – чем дальше компонента отстоит в
системе уравнений (1) от непосредственно измеряемых компонент, тем
длительнее переходной процесс ее оценивания [7]. Более того, ошибки
оценивания компонент вектора X , переходной процесс оценивания кото-
рых еще не завершился, отрицательно влияют на уже «сошедшиеся» ком-
поненты, как это показано в [5].
Из вида модели (1) ясно, что оценивание угла Φ Up возможно толь-
ко при наличии ускорений объекта. В связи с этим существуют методы [4],
в которых для ускорения переходного процесса оценивания предполагает-
ся выполнение специального маневра, что в некоторых случаях может соз-
давать неудобства для экипажа. В дальнейшем будем рассматривать эф-
фективность оценивания угла Φ Up в условиях, когда специальные манев-
ры не выполняются.
Рассмотрим различные схемы редуцированных фильтров Калмана.
Фильтр Калмана – Шмидта. Пусть формирующий фильтр для сис-
темы (1) имеет вид
 X1  Φ U   X1 
 2 =  0 Ψ  2  + GWk , (5)
 X  k    X  k −1
где Φ , U , Ψ – соответствующие модели (1) дискретные матрицы динами-
ки; G – дискретная матрица порождающих входных шумов Wk , имеющих
единичную интенсивность. Оценку X̂1 вектора X1 будем искать в соот-
ветствии со следующим алгоритмом:
ˆ 1k = Φ Xˆ1 ˆ1
X k k −1 + K k (Z k − HΦ k X k −1 ) ,
(6)
K k = Pk/k −1H T [HPk/k −1H T + R]−1 .
Логично, что при вычислении ковариационной матрицы Pk/k −1
ошибок оценивания вектора X1 необходимо учесть исключенный из алго-
ритма оценивания вектор X2 . Для этого составим следующее уравнение:
 Pk/k −1 Ck/k −1  Φ U   Pk −1 Ck −1  ΦT U T 
CT =   T   T
+
 k/k −1 Dk/k −1   0 Ψ  k Ck −1 Dk −1  k −1  0 Ψ 
k
 0 0  0 0  0 0 
+     T ,
 0 G  k 0 Q  k 0 G  k
63
Известия ТулГУ. Технические науки. 2018. Вып. 5

где Ck/k −1 – априорная ковариационная матрица, учитывающая взаимную


корреляцию ошибок оценивания векторов X1 и X2 ; Dk/k −1 – априорная
ковариационная матрица ошибок оценивания вектора X2 ; Q – дискретная
матрица интенсивности входного шума. Таким образом, алгоритм (2) до-
полняется следующими уравнениями:
Pk/k −1 = Φk Pk −1ΦkT + Φk Ck −1UkT + Uk CkTΦkT + Uk Dk −1UkT ,
Ck/k −1 = Φk Ck −1ΨkT + Uk Dk −1ΨkT ,
Dk/k −1 = Ψ k Pk −1Ψ kT + G k QG kT , (7)
Pk = (I − K k H)Pk/k −1 ,
Ck = (I − K k H)Ck/k −1 ,
Dk = Dk/k −1 .
Вышеизложенный алгоритм известен как фильтр Калмана – Шмид-
та [6]. Влияние компонент вектора состояния, которые были исключены из
алгоритма фильтрации, учитывается дополнительными слагаемыми в
уравнении для ковариационной матрицы ошибок оценивания.
Фильтр Калмана с адаптивным выбором ковариационной мат-
рицы входного шума. Интуитивным видится подход, при котором компо-
ненты, исключенные из модели, заменяются входными шумами. Для про-
стоты будем считать эти шумы «белыми». Получим следующую модель:
.
δ V E = − gΦ N + a N ΦUp + w1 ,
.
δ V N = gΦ E − a EΦUp + w2 ,
. δV
Φ E = − N + ωUpΦ N − ω N ΦUp + w3 , (8)
R
. δV
Φ N = E − ωUpΦ E + ω EΦUp + w4 ,
R
. δV
Φ Up = E tgϕ − ω EΦ N + ω N Φ E + w5 ,
R
где wi ,i = 1...5 – белые шумы. Покажем, что задачу синтеза качественного
фильтра можно свести к задаче нахождения надлежащей ковариационной
матрицы интенсивностей входных шумов. Для этого рассмотрим, чем оп-
~
ределяется ошибка оценивания Xk вектора Xk на текущей итерации:
~ )
Xk = X k − X k .
Поскольку
) ) )
Xk = Φk Xk −1 + K k (Z k − HΦk Xk −1 ) ,
а Xk = Φk Xk −1 + GWk , получим
64
Приборы навигации
~ ~
Xk = (I − K k H)Φ k X k −1 + (I − K k H)GWk − K k Vk .
Запишем это уравнение с учетом всех предшествующих итераций:
~ k ~
Xk = { ∏ (I − K k +1− i H)Φ k +1− i }X 0 +
i =1
k −1 j
+  [{ ∏ (I − K k +1− i H)Φ k +1− i }(I − K k − jH)GWk − j−1 ] −
j = 0 i =1
k −1 j
−  [{ ∏ (I − K k +1− i H)Φ k +1− i }K k − jVk − j ] . (9)
j = 0 i =1
k
Как показано в [5], норма матрицы ∏ (I − K k +1− i H)Φk +1− i умень-
i =1
шается с течением времени до некоторого установившегося значения, что
объясняется устойчивым характером оценок фильтра Калмана. В связи с
этим первым слагаемым можно пренебречь в установившемся режиме.
Второе слагаемое уравнения (8) обусловлено влиянием на оценку вектора
Xk входных шумов, третье – влиянием измерительных шумов. Обозначим
~ ~
второе и третье слагаемые через Xk (W) и Xk (V) соответственно. Тогда
ковариационная матрица ошибок оценивания в установившемся режиме
имеет вид
Pk = Pk (W) + Pk (V) ,
~ ~ ~ ~
где Pk (W) = M[Xk (W)XkT (W)] , Pk (V) = M[Xk (V)XkT (V)] .
Принимая во внимание вид уравнения (8), для ковариационных
матриц Pk (W) и Pk (V) получим

Pk (W) = (I − K k H)Φk Pk −1 (W)ΦkT (I − K k H)T + (I − K k H)GQGT (I − K k H),T


Pk (V) = (I − K k H)Φk Pk −1 (V)ΦkT (I − K k H)T + K k RK kT .
Чтобы повысить точность оценивания, нужно минимизировать след
ковариационной матрицы Pk . Это эквивалентно выбору такого коэффици-
ента усиления, который бы обеспечил минимальные значения следов кова-
риационных матриц Pk (W) и Pk (V) . Коэффициент, удовлетворяющий
минимальности следа матрицы Pk (W) , должен удовлетворять условию

d (tr (Pk (W)))


= 0.
dt
Решение этого уравнения дает следующий результат:
K 1k = Pk/k −1 (W)HT [HPk/k −1 (W)HT ]−1 , (10)
65
Известия ТулГУ. Технические науки. 2018. Вып. 5

где Pk/k −1 (W) = Фk Pk −1 (W)ФkT + GQG T .


Аналогично для второй ковариационной матрицы получим
d (tr (Pk (V)))
= 0,
dt
K k2 = Pk/k −1 (V)HT [HPk/k −1 (V)H T + R]−1 ,
(11)

где Pk/k −1 (V) = Фk Pk −1 (V)ФkT .


Условие (9) эквивалентно случаю, когда отсутствуют измеритель-
ные шумы, тогда как условие (10) – случаю, когда отсутствуют входные
шумы. При фиксированных ковариационных матрицах R и Q коэффици-
ент усиления в первом случае соответствует своему максимальному значе-
нию, а во втором – минимальному. Обычно норма матрицы R фиксирова-
на и определяется свойствами сигнала измерений. Тогда нахождение ком-
промиссного значения коэффициента сводится к выбору надлежащего зна-
чения Q , что и требовалось доказать. Наилучшим значением Q будем
считать такое, при котором след ковариационной матрицы Pk минимален.
Фильтр с гарантированным качеством оценивания. Рассмотрим
известный в литературе [11] подход к построению субоптимального
фильтра Калмана. Пусть полная модель представлена в виде (4). Форми-
рующий фильтр для редуцированной модели запишем как
X1 = Φ X1 + U W* + GW , (12)
k k k −1 k k k
где Wk* – «белые» шумы. Такая постановка задачи отличается от рассмот-
ренной выше тем, что «белые» шумы, призванные заменить исключенные
из модели компоненты, «взвешиваются» матрицей Uk .
Следующим отличием является принцип выбора ковариационной
матрицы интенсивностей Q* «белых» шумов Wk* . В случае, когда
исключенные компоненты соответствовали экспоненциально-
коррелированным процессам, интенсивность выбиралась по следующему
соотношению [11]:
Q* = diag{2σ 2 τ} , (13)
εi
1
где интервал корреляции τ = и дисперсия σε2i соответствуют экспо-
βεi
ненциально-коррелированным процессам εi , ε = δa, δω , i = x , y , z .
Соотношение (13), как показано в [11], удовлетворяет условию, ко-
гда норма ковариационной матрицы ошибок оценивания редуцированного
фильтра оказывается больше, чем при использовании полной модели сис-
темы. В этом случае можно гарантировать, что дисперсии ошибок оцени-
вания, по крайней мере, не больше значений диагональных элементов ко-
вариационной матрицы ошибок оценивания.
66
Приборы навигации
Метод выставки БИНС на подвижном основании. Все рассмот-
ренные модели подразумевают малость углов Φ E , Φ N и Φ Up . Выставка
БИНС обычно начинается с задания произвольного значения Cnb , а именно
Cnb (0) = I , где I – единичная матрица. В этом случае углы «невыставки»
определяются только начальными углами ориентации объекта, которые в
общем случае могут быть произвольными по величине. В большей степени
это касается угла Φ Up , характеризующего «невыставку» по курсу.
Если перед взлетом была возможность проведения выставки гиро-
компассированием, то возникает задача уточнения углового положения
расчетного трехгранника Mx1 y1 z1 в полете путем оценки и компенсации
малых углов Φ E , Φ N и Φ Up . Если же выставка началась после взлета ЛА,
причем без какой-либо информации о текущих углах ориентации, то мож-
но предложить следующую методику. Сначала осуществляется инициали-
зация матрицы Cnb с помощью путевого угла, доступного от СНС. По-
скольку путевой угол отличается от истинного курса на угол сноса, поэто-
му угол Φ Up будет равен углу сноса на момент инициализации. Обычно
угол сноса можно считать малым (кроме специальных режимов полета) и,
если выставка проводится с малыми значениями углов тангажа и крена,
использование линейной модели будет оправдано.
Как уже было сказано выше, возможность оценивания угла Φ Up за-
висит от наличия ускорений объекта. Во всех рассмотренных выше фильт-
рах измерениями являются ошибки БИНС по скорости относительно СНС.
Всякий приемник СНС обладает конечной полосой пропускания. Это вы-
ражается в запаздывании навигационного решения приемника СНС по от-
ношению к БИНС. Величина запаздывания зависит как от приемника, так
и от характера маневрирования объекта. Запаздывание сигнала по скорости
приведет к тому, что разница скоростей будет содержать составляющую,
определяемую величиной запаздывания и ускорением объекта. Эта состав-
ляющая не учитывается в модели (1), поэтому будет приводить к ошибкам
оценивания углов «невыставки». С точки зрения наблюдаемости угла Φ Up
интерес представляет приращение ошибки по скорости за интервал манев-
ра, а не текущее значение этой ошибки в маневре. Поэтому чтобы избе-
жать ошибок оценивания, следует переводить фильтр Калмана в режим
прогноза в промежутках маневрирования объекта путем обнуления коэф-
фициента усиления K k .
Результаты испытаний. Проанализируем результаты оценивания
угла Φ Up с помощью различных фильтров Калмана, рассмотренных выше.
Рассмотрим настройки, общие для всех схем. Ковариационная матрица из-
мерительных шумов задана в виде
67
Известия ТулГУ. Технические науки. 2018. Вып. 5

R = diag{r 2} ,
где r = 0 ,1 м / с .
Во всех редуцированных фильтрах принято следующее начальное
значение ковариационной матрицы ошибок оценивания:
P(0) = diag{σi2} ,
где σi2 – дисперсия, характеризующая неопределенность начального зна-
чения соответствующей компоненты вектора состояния. Во всех схемах
начальное значение вектора состояния нулевое. Числовые значения дис-
персий для P(0) также одинаковы для всех схем. Параметры экспоненци-
ально-коррелированных процессов представлены в таблице.

Параметры экспоненциально-коррелированных процессов

Параметр ДУС Акселерометр


СКО 0,05 град/ч 0,15 мg
Время корреляции 1 час 10 минут

Рассмотрим качество оценок, получаемых с помощью различных


схем, на примере угла Φ Up невыставки по курсу. Сравнение исходного
фильтра (2) – (4) и фильтра Калмана – Шмидта представлено на рис. 1. За-
метно, что фильтр большей размерности имеет большее перерегулирова-
ние и большую чувствительность к движению объекта, что затрудняет вы-
деление установившегося значения, которое необходимо для компенсации
угла невыставки. Похожий характер поведения оценки позволяет получить
фильтр Калмана – Шмидта и фильтр с гарантированным качеством оцени-
вания (рис. 2). Аналогичная картина имеет место в случае адаптивного
фильтра (рис. 3). Таким образом, рассмотренные редуцированные фильтры
не существенно отличаются друг от друга с точки зрения качества пере-
ходного процесса и установившегося значения оценки.
Проверим состоятельность оценок, полученных адаптивным фильт-
ром. В качестве критерия выберем ошибки δVE , δVN (рис. 4, 5). Сравне-
нию подлежат 2 случая. В первом осуществлялась только «грубая» вы-
ставка методом гирокомпассирования до старта объекта. Во втором допол-
нительно осуществлялась «точная» выставка в полете на основании оце-
нок, полученных с помощью адаптивного фильтра Калмана. Использова-
ние полученных оценок позволило существенно уменьшить размах ошиб-
ки по скорости (рис. 5). Более того, «точная» выставка позволила компен-
сировать нестационарную составляющую ошибки (рис. 4), проявляющую-
ся в виде «ступенек» и возникающую вследствие угла Φ Up при смене зна-
ка проекции VN .
68
Приборы навигации

Рис. 1. Сравнение исходного фильтра Калмана и фильтра


Калмана – Шмидта 5-го порядка. Оценка угла Φ Up

Рис. 2. Сравнение фильтра Калмана – Шмидта 5-го порядка и фильтра


с гарантированным качеством оценивания. Оценка угла Φ Up
69
Известия ТулГУ. Технические науки. 2018. Вып. 5

Рис. 3. Сравнение фильтра Калмана – Шмидта 5-го порядка и фильтра


с адаптивной настройкой. Оценка угла Φ Up

Рис. 4. Влияние «точной» выставки на ошибку по скорости.


Восточная проекция путевой скорости
70
Приборы навигации

Рис. 5. Влияние «точной» выставки на ошибку по скорости.


Северная проекция путевой скорости

На рис. 6 демонстрируется положительное влияние адаптации к из-


мерительным шумам на оценку, полученную с помощью адаптивного
фильтра.

Рис. 6. Влияние адаптации к нестабильным измерительным шумам


на оценку угла Φ Up с помощью адаптивного фильтра
71
Известия ТулГУ. Технические науки. 2018. Вып. 5
Выводы. Рассмотрены различные схемы построения редуцирован-
ных фильтров Калмана. С точки зрения качества переходного процесса и
установившегося значения рассмотренные схемы схожи. Преимущество
адаптивного фильтра состоит в том, что требуется гораздо меньше априор-
ной информации для его настройки.
Особое внимание при использовании фильтра Калмана в задаче вы-
ставки БИНС на подвижном основании следует уделять инициализации
начальных углов ориентации (с тем, чтобы модель можно было бы считать
линейной). Это можно сделать либо с помощью предварительной «грубой»
выставки до старта объекта, либо с помощью СНС уже после старта. Если
в качестве измерений используется ошибка БИНС по скорости относи-
тельно СНС, важную роль играет адаптация к нестабильным измеритель-
ным шумам, вызванным задержкой сигнала СНС.
Список литературы
1. Бесекерский В.А., Попов Е.П. Теория систем автоматического
управления. 4-е изд., перераб. и доп. СПб.: Профессия, 2007. 747 с.
2. Инерциальные системы управления под ред. Д.М. Питтмана: Во-
енное изд-во Министерства обороны СССР, 1964. 453 с.
3. Терешков В.М. Методика полунатурных испытаний корректи-
руемых бесплатформенных инерциальных навигационных систем: дис. …
канд. техн. наук. М., 2011. 133 с.
4. Titterton D.H., Weston J.L. Strapdown Inertial Navigation Technolo-
nd
gy. 2 ed. American Institute of Aeronautics and Astronautics Inc., 2009.
5. Salychev O.S. Applied Inertial Navigation: Problems and Solutions.
M.: Bauman MSTU Press, 2004. 302 p.
6. Salychev O.S. MEMS-based Inertial Navigation: Expectations and
Reality. M.: Bauman MSTU Press, 2012. 14 p.
7. Salychev O.S. Verified approaches to inertial navigation. M.: Bauman
MSTU Press, 2017. 26 p.
8. Емельянцев Г.И., Степанов А.П. Интегрированные инерциально-
спутниковые системы ориентации и навигации / под общ. ред. В.Г. Пеше-
хонова. СПб.: Концерн «ЦНИИ «Электроприбор», 2016. 393 с.
9. Андреев В.Д. Теория инерциальной навигации. Автономные сис-
темы. М.: Наука, 1966. 580 с.
10. Степанов О.А. Основы теории оценивания с приложениями к
задачам обработки навигационной информации. Ч. 1. Введение в теорию
оценивания. СПб.: ГНЦ РФ АО «Концерн «ЦНИИ «Электроприбор», 2017.
496 с.
11. Степанов О.А. Основы теории оценивания с приложениями к
задачам обработки навигационной информации. Ч. 2. Введение в теорию
фильтрации. СПб.: ГНЦ РФ АО «Концерн «ЦНИИ «Электроприбор», 2017.
428 с.
72
Приборы навигации
12. Челпанов И.Б., Несенюк Л.П., Брагинский М.В. Расчет характе-
ристик навигационных приборов. Л.: Судостроение, 1978. 264 с.
13. Broxmeyer C. Inertial Navigation Systems. New York: McGraw-
Hill, 1964. 272 p.
14. О расширении возможностей интеграции инерциальных и спут-
никовых навигационных систем для авиационных приложений / О.А. Зо-
рина [и др.] // Гироскопия и навигация. 2017. № 2 (97). С. 18 – 34.
15. Бесплатформенные инерциальные навигационные системы на
основе волоконно-оптических гироскопов / Ю.Н. Коркишко [и др.] // Гиро-
скопия и навигация. 2014. № 1 (84). С. 14 – 25.
Мкртчян Валерий Игоревич, асп., bel_val17@mail.ru, Россия, Москва, Москов-
ский государственный технический университет им. Н.Э. Баумана,

Пазычев Дмитрий Борисович, гл., конструктор, d.pazychev@teknol.ru, Россия,


Москва, ООО «ТеКнол»

ADAPTING SUB-OPTIMAL KALMAN FILTER IN THE PROBLEM OF THE SINS


ALIGNMENT

V.I. Mkrtchyan, D.B. Pazychev

In this paper, several known schemes for constructing sub-optimal Kalman filters are
considered and an alternative scheme is proposed, the state of which is confirmed by the tests.
In addition, application issues related to the SINS alignment on a moving base using the sa-
tellite navigation system and the Kalman filter are considered, namely ensuring the linear na-
ture of the error model, adapting to unstable measurement noise caused by a delay in the na-
vigation decision of the satellite navigation system.
Key words: BINS, Kalman filter, alignment, INS/GNSS.

Mkrtchyan Valery Igorevich, postgraduate, bel_val17@mail.ru, Russia, Moscow,


Moscow Bauman State Technical University,

Pazychev Dmitry Borisovich, chief designer, d.pazychev@teknol.ru, Russia, Moscow,


“TeKnol” Ltd

73

Вам также может понравиться