大数据-算法-捷联惯导算法及车载组合导航系统研究.pdf

《大数据-算法-捷联惯导算法及车载组合导航系统研究》这篇论文主要探讨了车载捷联惯导系统（ Strapdown Inertial Navigation System，SINS）中的关键技术和算法，以及如何结合其他导航系统实现更精确的定位。以下是对文中核心内容的详细解读： 1. **捷联惯导算法基础**： - 捷联惯导系统的传感器，如陀螺仪和加速度计，直接安装在车辆上，与平台式惯导系统不同，这引入了特殊的软硬件问题。 - 论文详述了基于增量形式的传感器数据输出的SINS基本理论，包括四元数和旋转向量的概念，以及锥形误差、划桨误差和滚动误差的补偿方法。 2. **数字算法设计**： - 在选择东-北-上坐标系作为导航坐标，并假设姿态、速度和位置的更新周期相同时，论文详细推导了SINS的数字算法。仿真结果显示，这些算法能够有效地补偿锥形误差和划桨误差。 3. **车载组合导航系统**： - 研究了车载集成导航系统，提出了基于SINS的SINS/里程计（OD）/全球定位系统（GPS）集成导航系统结构。 - 建立了卡尔曼滤波器的状态方程和观测方程，通过反馈校准方法，仿真结果表明该集成系统可以显著降低导航误差。 4. **创新点**： - 在SINS姿态算法中，论文很好地补偿了导航坐标系的旋转效应，使得滚动误差可以直接应用于位置矩阵更新算法，便于实际编程应用。 - 基于轨迹生成，SINS的数字算法得到了进一步优化，提高了导航精度和实时性。 这篇论文对大数据环境下的算法研究具有重要意义，特别是在处理大量传感器数据和提高导航精度方面。通过深入研究SINS算法并与其他导航技术集成，为车载导航系统的性能提升提供了理论支持和实践指导。此外，对于理解惯性导航系统的复杂性，以及如何通过算法优化来克服其固有误差，也提供了宝贵的知识。