飞行控制系统多传感器信息融合技术研究

论文摘要

为了实现无人机的自主飞行并执行相关任务,飞行控制系统需具有准确获取各种飞行状态信息的能力,从而保证无人机的飞行性能。航空传感器由于受技术和使用条件的限制,测量精度有限,单一传感器难以获得高精度的各种状态信息,从而影响飞行控制的性能。为了解决这一问题,在机上安装多个传感器对同一量进行测量,获取更多的测量信息,然后对这些测量值进行综合处理,得到更加精确的值。这个对多个传感器的测量值进行综合处理从而得到更加准确的值的过程,就是多传感器信息融合技术。本文根据信息融合的理论和飞行控制系统的需求,将多传感器信息融合技术引入无人机飞行控制系统。针对无人机机载高度和姿态角传感器的特点,通过对信息融合算法的研究和分析,利用Kalman滤波方法设计和实现高度多传感器的信息融合、BP神经网络方法设计和实现姿态角多传感器的信息融合。根据设计要求,信息融合算法在飞行控制计算机里实现,用C代码实现融合算法,集成原有的飞控代码应用于飞行控制系统。高度和姿态角的融合算法都分别利用传感器仿真数据和试飞数据进行了验证,结果表明,信息融合技术的引入提高了系统信息获取的准确性,提高了飞行控制系统的性能。通过对算法执行时间的计算,Kalman滤波算法执行一次所需要的时间在10-6～10-5s数量级范围内,BP网络算法执行一次的时间在10-6s数量级。根据系统对高度和姿态角信号的实时性要求,可以得到结论,信息融合算法完全能满足系统实时性要求。另外,信息融合算法的引入不增加系统的硬件结构,保证系统的完整性和可靠性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 无人机飞行控制系统
• 1.3 信息融合技术概要
• 1.3.1 信息融合的起源和发展
• 1.3.2 信息融合的历史和现状
• 1.3.3 信息融合的应用
• 1.3.4 信息融合的优点和存在的不足
• 1.4 研究背景
• 1.5 课题的主要工作和论文结构
• 第二章 信息融合总体设计
• 2.1 设计要求
• 2.1.1 功能要求
• 2.1.2 技术指标
• 2.2 姿态角控制系统
• 2.2.1 飞机坐标系和姿态角
• 2.2.2 姿态运动方程
• 2.2.3 三轴姿态控制
• 2.3 高度控制系统
• 2.3.1 飞机飞行高度表示
• 2.3.2 高度运动方程
• 2.3.3 高度控制
• 2.4 信息融合总体设计
• 2.4.1 总体结构设计
• 2.4.2 融合算法选择
• 2.4.3 实现方法
• 2.5 本章小结
• 第三章 多传感器测量技术
• 3.1 高度多传感器测量
• 3.1.1 大气数据计算机
• 3.1.2 无线电高度表
• 3.1.3 差分GPS
• 3.1.4 其它高度传感器简介
• 3.2 姿态角多传感器测量
• 3.2.1 垂直陀螺
• 3.2.2 航姿参考系统
• 3.2.3 其它姿态角确定方法
• 3.3 本章小结
• 第四章 基于卡尔曼滤波的高度融合设计
• 4.1 卡尔曼滤波理论
• 4.1.1 Kalman 滤波与最优估计
• 4.1.2 线性离散Kalman 滤波方程
• 4.1.3 Kalman 滤波的性质和特点
• 4.2 卡尔曼加权融合算法
• 4.2.1 各传感器估计误差相互独立
• 4.2.2 各传感器估计误差相互不独立
• 4.3 基于卡尔曼滤波的高度融合设计
• 4.3.1 系统描述
• 4.3.2 Kalman 滤波器
• 4.3.3 仿真结果与分析
• 4.4 本章小结
• 第五章 基于BP 神经网络的姿态角融合设计
• 5.1 神经网络概述
• 5.1.1 人工神经网络的形成和发展
• 5.1.2 神经网络基础
• 5.2 BP 神经网络
• 5.2.1 BP 网络的原理和结构
• 5.2.2 BP 网络训练算法
• 5.2.3 训练算法改进措施
• 5.3 基于BP 网络的姿态角融合
• 5.3.1 网络结构选择
• 5.3.2 网络训练与结果分析
• 5.4 本章小结
• 第六章 测试与结果分析
• 6.1 算法实现
• 6.1.1 基于Kalman 滤波的高度融合实现
• 6.1.2 基于BP 神经网络的姿态角融合实现
• 6.2 算法实时性分析
• 6.3 验证与分析
• 6.3.1 高度信息融合验证
• 6.3.2 姿态角信息融合验证
• 6.4 本章小结
• 第七章 总结和展望
• 7.1 课题总结
• 7.2 后期工作展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文