一、捷联导航算法的研究与实现（论文文献综述）
杨文博[1]（2021）在《应用惯性传感器的机载SAR传递对准技术研究》文中提出随着现代战争的发展,对敌地空目标的远距离侦测、监视与打击能力,已成为一个国家军事实力的地位象征。机载SAR能适应各种复杂气象条件,可以全天时地对地物目标进行监测,这些独特的优势使其在军事领域得到了广泛应用。运动补偿作为实现高分辨率机载SAR成像的关键技术,决定了战机对地空目标能否完成有效的监视与打击。基于惯性传感器的机载SAR运动补偿技术可在复杂电磁环境下提供天线相位中心短期和长期的姿态与位置信息,但前提是需要解决惯性传感器的系统误差以及天线相位中心处机体结构变形所带来的惯性传感器测量误差问题,因此本文重点研究应用惯性传感器的机载SAR传递对准技术。论文的主要研究工作分为以下几个部分:1.在介绍了惯性导航的基本工作原理基础上,对传统传递对准方法中的姿态匹配、速度匹配与“速度+位置”匹配方法进行理论分析,并在四种不同挠曲变形下,对“速度+位置”匹配所能达到的子惯导姿态精度做了仿真分析,仿真结果表明传统传递对准在处理挠曲变形方面具有很强的局限性且传递对准后的子惯导位置精度无法满足机载SAR运动补偿的需求。2.提出利用相对惯性导航算法来解决天线相位中心处机体挠曲变形无法进行精确建模、子惯导姿态与位置精度不能满足机载SAR运动补偿需求的问题。在阐述相对惯性导航算法的基本原理的基础上,对主、子惯导相对运动关系以及解算方法进行了详细的推导;对相对惯性导航算法在子惯导不加器件误差、初始相对姿态角误差的情况下进行了仿真分析,仿真结果表明利用相对惯性导航算法能对载机SAR天线相位中心处的挠曲变形进行实时跟踪,可获得子惯导处高精度的实时姿态、位置信息,但在子惯导存在器件误差、初始相对姿态角误差时,相对惯性导航算法解算得到的子惯导导航参数精度无法满足机载SAR运动补偿需求,也显示出该算法的局限性。3.给出了相对惯性导航传递对准误差方程的推导过程,建立了系统的状态空间模型,针对子惯导存在器件误差、初始相对姿态的误差问题,提出利用相对惯性导航传递对准方法解决此类误差问题,仿真结果表明利用相对惯性导航传递对准方法得到的子惯导姿态、位置精度可满足机载SAR运动补偿的需求。针对载机直接平飞机动导致相对惯性导航传递对准得到的子惯导姿态误差较大的问题,提出了一种载机平飞解决方案,仿真结果表明采用该方案可获得精度较高的子惯导姿态信息。通过设置三组不同初始相对姿态误差角,来对相对惯性导航传递对准的适用性做了仿真分析。将相对惯性导航传递对准与“速度+位置”传递对准进行了比较,仿真结果表明“速度+位置”传递对准的对准时间较短,但其对准精度较低。本文基于惯性传感器的机载SAR传递对准技术方面的研究工作在提高APC处子惯导精度方面具有重要的理论意义和应用前景。
景立博[2]（2021）在《捷联惯导系统自对准技术研究》文中指出
陆爽秋[3]（2021）在《基于GNSS伪量测与运动状态估计的组合导航算法研究》文中研究指明近年来,随着智慧交通的飞速发展,复杂城市环境下高精度定位的需求日趋旺盛。由惯性导航系统和全球卫星导航系统构成的INS/GNSS组合导航系统能够提供连续高精度的定位导航信息,弥补单一导航系统的不足。然而在实际的复杂城市环境中,GNSS信号极易受到高楼、林荫、隧道等遮挡,传统的组合导航系统会退化为纯惯性导航推算。由于受到微机械电子系统惯性测量单元量测噪声的影响,纯惯导系统的定位精度会随误差累积而发散。因此在GNSS故障时,提高INS/GNSS组合导航系统的定位性能极具挑战性。本文着重于研究GNSS伪位置预测算法与车体自适应零速检测算法,并引入了具有共享“降噪”过程的异构多任务学习框架。具体研究工作如下:首先为了桥接GNSS中断,设计了一种改进的GNSS伪位置预测算法,它使用深度时域卷积神经网络直接找出INS数据与GNSS位置增量之间的相关性,提供了稳定、准确的虚拟GNSS位置来辅助独立的惯导系统,提高了训练效率。实验结果表明,对比LSTM和ALSTM-FCN算法,基于TCN网络改进的GNSS伪位置预测算法定位结果明显优于上述两种算法。其次,现有的大多数基于人工智能的方法并未考虑GNSS中断时复杂的停车事件,因此在车辆停车时间较长或频率较高的复杂场景下表现出较差的鲁棒性。本研究利用一维深度卷积神经网络准确地检测车辆静止模式,以进一步校正惯导系统的速度和航向。针对分类任务中遇到的正负样本与难易样本分布不均衡的问题,本文给出了优化方案。实验表明,本文设计的基于CNN网络的零速检测算法在多段GNSS信号长时间缺失且车体静止的复杂路段下,分类准确率明显优于传统的基于方差阈值的零速检测算法。最后,考虑到GNSS伪位置预测任务与车体零速检测任务之间的相关性,本研究设计了一种具有共享“降噪”过程的异构多任务学习框架,并行训练上述两个异构任务。确保了整个级联的神经网络能够联合学习到GNSS伪位置和零速更新信息,进一步提升组合导航系统在GNSS信号阻塞环境下的定位性能。本文在大量的路测数据集上对所提出的多任务学习模型进行了性能的分析与验证。在120 s GNSS信号缺失且车辆长时间静止的复杂场景下,MTL融合算法的均方根位置误差为3.794m,明显优于单一 GNSS伪位置预测器辅助的INS算法。实验结果还表明,本文所提出的MTL融合算法对车辆零速检测的准确率超过99.0%。
窦凌飞[4]（2021）在《基于多传感器融合的无人机群作战协同导航算法研究》文中研究指明高精度的导航信息是实现无人机群各功能的前提,而无人机群导航系统内单一的导航传感器都存在着一定的缺陷,不能满足无人机群导航的需求。为了提高无人机群的整体导航精度,满足无人机群作战功能的需要,本文对主从式的无人机群作战协同导航系统与无人机群作战时对敌方无人机目标的跟踪进行了研究。本文的主要研究内容包括:首先,研究了本文所用导航方法的解算算法并建立了数学模型。对捷联惯性导航系统（SINS）、北斗卫星导航系统（BDS）的解算算法、空中目标视觉定位算法以及雷达定位算法进行了研究,推导了误差方程,建立了相应的数学模型并对其进行了仿真,为主从式无人机群协同导航以及无人机群作战时的目标跟踪提供基础。其次,对无人机群的协同导航算法进行了研究。通过北斗/惯性组合导航系统实现对无人机群内长机惯性导航的校正,根据惯导误差模型设计了组合导航滤波器。然后针对无人机群内僚机导航精度较低的问题,提出了一种利用长机与僚机之间相对导航信息的协同导航方法。通过僚机搭载的激光测距、测角传感器与多普勒测速传感器得到与长机之间的相对导航信息,将其引入到滤波器的观测方程中,以此校正僚机惯性导航的导航误差,仿真结果表明该方法可以有效实现无人机群的协同导航。最后,针对无人机群协同作战对敌方无人机群进行跟踪时,各目标运动状态不同导致跟踪精度较低的问题,提出了一种基于视觉/雷达的无人机群交互式多模型多目标跟踪算法。根据常见的目标运动模型,设计了一种将运动目标的像素坐标信息引入到观测方程中的视觉/雷达信息融合滤波器,以此提高目标跟踪的精度。然后根据此滤波器提出了一种基于视觉/雷达的交互式多模型多目标跟踪算法,将交互式多模型算法（IMM）与航迹关联算法应用到对敌方无人机群的跟踪中。仿真结果表明当敌方无人机群内不同目标发生机动时,该算法也可以实现对目标的跟踪。
何静[5]（2021）在《多源融合导航系统仿真平台设计与实现》文中研究说明随着导航定位技术在当前社会生活中的广泛应用,人们对导航定位系统的实时性和精确性提出了更高的要求。多源融合导航系统凭借数据来源的多样性和提供服务的精确性等特点,受到了越来越多研究者的关注。在实际应用中,多源融合导航系统不仅能够将多源异构的信息数据进行融合处理,提高系统冗余度及系统性能,还能综合不同信息源数据的优劣势,保障信息的完整性。然而,当前的多源融合导航系统往往面临信息源冲突和信息融合冗余等问题,导致最终定位、导航、授时服务的质量存在较大提升空间。基于上述原因,在深入研究多源融合导航系统相关技术的基础上,本文设计并实现了多源融合导航系统的仿真平台。本文的主要研究内容如下:（1）设计了多源融合导航系统仿真平台的体系架构。在分析目前融合导航技术存在问题的基础上,剖析仿真平台需求,完成了多源融合导航仿真平台的整体功能设计并对各子模块的详细功能进行分析。（2）对常用的导航定位系统进行了分析,研究了多源融合技术及融合导航算法并扩充融合算法库。在对多种导航系统的相关原理和误差来源分析的基础上,建立了相应的数学模型和误差模型;同时,研究了INS/GNSS、INS/CNS、INS/GNSS/视觉导航三种常用的融合导航算法,扩充了融合算法库中的常见内置算法。（3）改进了两种基于神经网络的融合算法。为了解决GNSS信号失锁导致的单一惯性导航系统定位误差较大的问题,本文改进了一种基于神经网络的INS/GNSS融合导航算法;同时,基于IMM及RNN改进了INS/GNSS/视觉载体信息的融合定位方法。并对两种融合导航算法进行了仿真、对比及分析,验证方法的可行性及有效性。（4）实现了一个可配置、可重构和可复现的多源融合导航系统仿真平台,并对仿真平台进行了功能测试和性能测试。仿真分析和实例验证的结果都表明了相较于当前的导航系统平台,本文提出的多源融合导航系统仿真平台在模块间耦合性、可扩展性及容错性等方面均得到了较大改善。
崔荣照[6]（2021）在《北斗/MEMS-SINS松组合可持续导航算法研究与实现》文中进行了进一步梳理随着组合导航技术的快速发展,基于卫星/惯性松组合导航系统因其便于工程实现而被广泛采用。但当卫星信号失锁时,卫星/惯性松组合导航系统将转为纯惯性导航系统,导致精度急剧下降。针对该问题,本文对北斗/MEMS-SINS松组合可持续导航算法及其嵌入式实现方法展开研究。首先,研究捷联式惯性导航系统解算原理和北斗/MEMS-SINS松组合导航系统的基本原理,设计了基于定位定向北斗导航接收机的的北斗/MEMS-SINS松组合导航方案,介绍了松组合导航系统的状态方程和量测方程。对课题组已有的航姿测量硬件系统进行改进,增加双天线北斗卫星导航接收机,构成以STM32H743和TMS320C6748为处理核心的北斗/MEMS-SINS松组合导航硬件系统。第二,鉴于中心差分卡尔曼滤波（Central Difference Kalman Filter,CDKF）精度高、速度快的优点,对CDKF进行改进,提出一种基于新息重构和鲁棒M估计的鲁棒自适应CDKF（Robust Adaptation CDKF,RACDKF）算法,该算法采用新息重构方法解决量测信息短时异常的问题,采用鲁棒M估计方法实时估计量测噪声,以适应滤波过程中量测噪声统计特性突变的情况,提高算法的估计精度和鲁棒性。在此基础上,设计了北斗卫星导航信号正常时的北斗/MEMS-SINS松组合数据融合方法。第三,针对北斗卫星导航信号失锁时北斗/MEMS-SINS松组合导航系统精度急剧下降的问题,提出一种长短期记忆网络（Long Short-Term Memory,LSTM）辅助RACDKF的北斗/MEMS-SINS松组合可持续导航方法。该方法在北斗卫星导航信号正常时,采用RACDKF估计的位置误差、速度误差和航向角误差校正SINS解算结果,训练生成预测位置误差、速度误差和航向角误差的LSTM网络;在北斗卫星导航信号失锁时,采用LSTM网络预测的位置误差、速度误差和航向角误差校正SINS解算结果。实验结果表明,该方法能够提高北斗卫星导航信号失锁时北斗/MEMS-SINS松组合导航的精度和稳定性。第四,将北斗/MEMS-SINS松组合可持续导航方法嵌入到硬件系统中。设计了STM32H743和TMS320C6748的数据通信逻辑,编写了STM32H743程序和TMS320C6748程序,并通过跑车实验验证系统性能。实验结果表明,当卫星信号失锁时,北斗/MEMS-SINS松组合可持续导航系统能够持续输出有效的导航信息,速度误差不超过0.42m/s,纬度误差为3.35082e-05°（3.68m）,经度误差为1.0695e-05°（1.17m）,航向角误差不超过2.4°,俯仰角角误差不超过2.3°,横滚角误差不超过2°。本文的研究结果为北斗/MEMS-SINS松组合导航可持续方法的设计提供了借鉴思路,同时对促进北斗导航技术的发展具有重大意义。
姜畔[7]（2020）在《高动态环境下捷联惯导系统不可交换性误差补偿算法研究》文中研究表明影响捷联惯性导航系统精度的主要因素有:惯性仪器自身精度、导航算法解算精度以及导航系统工作环境等。由于高精度惯性传感器精度进一步提升非常困难且价格十分昂贵,通常认为导航算法的解算误差应小于惯性传感器引入误差的5%。随着原子陀螺工程化进程日益加快、半球谐振陀螺及摆式积分陀螺加速度计等超高精度惯性传感器的战略级应用对传统导航算法提出了更为严苛的要求。与此同时,高精度光纤捷联惯性导航系统、激光捷联惯性导航系统已经在高动态环境下开始广泛应用,这就使得传统导航算法在高动态环境下精度差的问题凸显出来。传统导航算法如何进行高动态环境下的优化成为了亟需解决的问题。本课题“高动态环境下捷联惯导系统不可交换性误差补偿算法研究”,围绕以下问题展开研究:为什么传统姿态及速度不可交换性误差补偿算法在高动态环境下会存在精度损失,达不到声称的理论精度并且会出现高子样补偿算法精度低于低子样算法的情况?如何才能对姿态及速度不可交换性误差补偿算法进行优化设计,从而提高导航解算精度并使其在高动态环境下具有同样的性能?姿态不可交换性误差补偿算法与速度补偿算法间有着怎样的内在联系,为什么二者推导得到的补偿系数会完全相同,是否存在着一种通用的方法可以将姿态补偿算法直接转换为对应的速度补偿算法?针对上述问题,本论文主要研究内容如下:首先,针对姿态更新算法在高动态环境下存在精度损失这一问题,提出了一种在高动态环境下具有更高精度的姿态不可交换性误差补偿算法。基于等效旋转矢量毕卡级数三阶项以及四阶项开展了姿态不可交换性误差补偿算法的理论推导,用角增量信息构建了更为精确的等效旋转矢量模型,减小了高动态环境下毕卡级数高阶项引入的姿态不可交换性误差。理论分析表明,本文提出的姿态不可交换性误差补偿算法精度相对于传统补偿算法提高了两阶,并且每一个姿态解算周期的计算量仅为540次乘法,完全可以在实际的导航计算机中实现。为了更进一步的评估该补偿算法的性能,本文还开展了纯圆锥以及高动态环境下的仿真实验。仿真实验结果表明两种运动环境下本文提出的姿态不可交换性误差补偿算法精度均优于传统的姿态补偿算法,证明了该算法的有效性。其次,针对速度更新算法在高动态环境下精度差甚至高子样算法精度低于低子样算法这一问题,本文提出了一种在高动态环境下具有更高精度的速度不可交换性误差补偿算法。首次基于速度平移矢量毕卡级数高阶项对速度不可交换性误差补偿算法进行优化设计,利用角增量以及速度增量信息构建了更为精确的速度平移矢量模型,在多项式角/线运动环境下基于时间泰勒级数展开详细推导出了三、四子样速度不可交换性误差补偿算法。理论分析表明在高动态环境下本文所提出的速度不可交换性误差补偿算法精度比目前公开的精度最高的扩展形式速度补偿算法精度提高了两阶。虽然速度误差补偿算法的理论推导过程过于复杂,但是其每个解算周期的计算量只为1368次乘法,完全可以在实际导航计算机中应用。此外,纯划摇运动环境下以及高动态环境下的仿真实验结果表明,本文提出的速度补偿算法在两种运动环境下的速度误差均小于传统补偿算法,证明了该算法的有效性和优越性。然后,本文提出了一种姿态/速度不可交换性误差补偿通用转换方法,该方法可以通过转换模型将姿态补偿算法准确无误的转换为相应的速度补偿算法。本文首先从等效旋转矢量以及速度平移矢量微分方程入手,推导并给出了姿态以及速度不可交换性误差补偿算法通式,对比发现算法补偿系数以及表达形式完全相同,论证了速度补偿算法和姿态补偿算法间的一般等价性,建立了姿态/速度补偿算法转换的通用模型。以等效旋转矢量以及速度平移矢量微分方程各阶毕卡级数分量为例进行转换从理论上证明了该转换方法的有效性。最后以现有的姿态不可交换性误差补偿算法为例,通过该转换方法进行补偿算法转换,转换结果与对应文献中通过推导得到的速度不可交换性误差补偿算法完全相同,从而进一步证明了本文提出的转换方法的有效性。最后,为了验证本文提出的高动态环境下捷联惯性导航系统不可交换性误差补偿算法实际性能,利用实验室自研光纤捷联惯性导航系统,分别进行了基于高精度三轴转台的纯圆锥运动环境下姿态不可交换性误差补偿验证实验、基于振动台的宽频谱线振动环境下的速度不可交换性误差补偿验证实验以及实弹环境下的导航算法精度验证实验。实验结果表明本文提出的不可交换性误差补偿算法在高动态环境下具有更高的精度,证明了本文所提算法的有效性及可行性。
吴帅[8]（2020）在《基于多点运动特征和惯性导航的行人定位系统研究》文中指出行人导航近年来一直是研究的热点,依靠GPS、信号基站等外界信号源的行人定位方式,可以满足行人的基本定位需求。但对于森林、矿井等信号差的环境,基于惯性传感器的导航方式成为定位的首选。经典的行人捷联惯性导航与行人航迹推算不能满足多步态复杂的行人运动,在此基础上,本文设计研究了一种在行人下肢多个部位安装惯性传感器的基于多点运动特性和惯性导航的行人定位系统。该系统体积小,便于安装,可以在不同步态下对行人进行定位导航,不需要借助外界定位信号源。本文根据足部的运动特点,设计了基于足部零速检测的行人惯性导航系统,通过修正算法去除系统的位置与速度误差;根据腰部的运动特点,设计了基于计步算法的行人航迹推算系统,并对航向角进行滤波处理,减小迈步方向误差。此外,本文针对行人下肢多点运动特性,进行了多传感器三维步长解算的研究。通过互补滤波解算得到小腿与大腿的姿态,并根据行人的下肢长度,解算得到每一步行人的矢量步长,从而实现三维平面的定位。本文还区分了行人的行走与跑步状态,并根据行人所处的状态,决策不同的行人导航方式,并且可以跟随行人运动不同而进行切换,完成行人不同步态交互的定位。本文设计实现了可以安装在行人下肢各部位的硬件电路系统与显示行人位置信息的手机端、电脑端软件系统。硬件系统分别安装在行人脚面、小腿、大腿和腰部位置,使用Wi Fi通讯实现硬件之间、软硬件之间数据的无线传输。硬件电路解算得到的行人定位信息,通过Wi Fi发送到手机或者电脑端,通过地图界面清晰地显示行人所在位置与运动状态,系统功能稳定。设计相关试验对算法及系统进行整体性的测试与分析。试验结果表明本文所提出的腿部姿态解算三维步长的方法能够较为准确的解算行人的步长信息,步长计算的准确度达到96%以上;所设计实现的多惯性传感器系统可以在行走、跑步状态下实现较为准确的行人定位,行人行走状态下的定位精度达到95%以上,跑步状态下精度达到92%以上。可以在不同运动状态下满足行人基本的定位需求。
王树森[9]（2020）在《基于ARM的低成本MEMS-SINS/GPS组合导航系统设计与实现》文中提出SINS/GPS组合导航能够发挥捷联惯性导航系统（Strapdown Interial Navigation System,SINS）与全球定位系统（Global Positioning System,GPS）各自的优点,取长补短,得到精度高、可靠性好的导航信息,在军事和民用领域有着至关重要的应用,是目前组合导航技术的一个热门研究方向,本文对基于ARM的低成本MEMS-SINS/GPS组合导航系统进行了分析研究。首先,建立了SINS/GPS组合导航系统的数学模型。介绍了组合导航系统常用的坐标系及相关转换关系;介绍了全球定位系统的组成、定位原理和误差分析;描述了捷联惯导系统的基本原理,捷联惯导系统的基本方程,包括力学编排和姿态、速度、位置更新算法,以及捷联惯导初始对准;分析了SINS/GPS组合导航的三种组合模式。其次,完成了SINS/GPS组合导航滤波器的设计,研究了卡尔曼滤波算法的基本原理,对组合导航系统的状态量、量测量以及校正方式进行了分析与选取,对捷联惯导系统的误差进行了分析,建立了SINS/GPS位置、速度松组合的状态方程和量测方程。然后,完成了基于ARM的低成本MEMS-SINS/GPS组合导航系统的总体方案设计和硬件实现,详细介绍了GPS功能模块、SINS功能模块与ARM系统处理器,搭建了SINS/GPS组合导航系统硬件系统。最后,完成了SINS/GPS组合导航系统的软件设计并进行了测试实验和结果分析。基于嵌入式Linux操作系统,利用Qt Creator进行了组合导航算法的软件编写。进行了组合导航与纯捷联惯导的导航对比试验,验证了组合导航解决捷联惯导误差积累问题的有效性。然后利用自己搭建的组合导航系统与高精度基准组合导航系统进行导航对比试验,验证了自主开发组合导航系统的导航精度。
钟启林[10]（2020）在《基于非线性滤波的组合导航方法研究》文中指出室内外环境日益复杂,人们对于导航的需求日益增加,尤其是商场、图书馆、地铁站等大型公共场所,常需要快速的获得用户所在的位置。WIFI、红外线、UWB等基于无线射频信号的室内定位方式无法在停电及其他一些情况下使用,室外定位主要采用成熟的GPS,但是GPS信号存在遮挡等问题。捷联惯性导航（SINS）只需要根据惯性测量单元（IMU）的测量数据就可实现独立自主导航,因此经常将GPS与SINS进行组合实现室内外的行人连续导航。实现高精度、实时性好GPS/SINS组合导航需要有良好的滤波算法,因此本文主要对非线性滤波方法展开研究。首先,对常用的导航坐标系及其变换、GPS导航原理、INS原理、GPS/INS组合导航模型进行分析;对贝叶斯非线性滤波框架下的EKF、UKF、PF进行原理分析与仿真对比。其次,针对IMU存在有色噪声影响而使得导航定位精度低,根据IMU噪声特点进行建模并对扩展卡尔曼滤波模型进行改进,将改进的算法在组合导航中进行验证。最后,对箱粒子滤波（BPF）进行原理分析,PF与BPF进行对比仿真分析,发现BPF 比 PF精度和实时性都要好,特别是实时性;建立GPS/INS松组合模型,将箱粒子滤波和粒子分别作为组合滤波器进行滤波,使用自主设计的GPS/IMU/磁力计信息采集系统进行数据采集,实验结果表明定位精度和实时性箱粒子滤波均有优势。
二、捷联导航算法的研究与实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、捷联导航算法的研究与实现（论文提纲范文）
（1）应用惯性传感器的机载SAR传递对准技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与结构安排 |
| 2 惯性导航系统基本工作原理 |
| 2.1 惯性导航系统参数及常用坐标系 |
| 2.1.1 常用导航参数 |
| 2.1.2 各坐标系之间的转换关系 |
| 2.2 机载SAR对惯性传感器导航参数的精度要求 |
| 2.3 惯性导航系统比力方程 |
| 2.4 惯性导航系统误差方程 |
| 2.4.1 惯性器件误差模型 |
| 2.4.2 惯导系统误差方程 |
| 2.5 本章小结 |
| 3 基于传递对准的机载SAR导航信息获取研究 |
| 3.1 引言 |
| 3.2 传递对准技术基本原理 |
| 3.3 飞行轨迹生成器 |
| 3.3.1 轨迹仿真算法 |
| 3.3.2 仿真分析 |
| 3.4 机体结构变形模型 |
| 3.4.1 机体振动变形 |
| 3.4.2 机体挠曲变形 |
| 3.4.3 仿真分析 |
| 3.5 卡尔曼滤波 |
| 3.6 传递对准匹配方法 |
| 3.6.1 姿态匹配 |
| 3.6.2 速度匹配 |
| 3.6.3 位置匹配 |
| 3.6.4 速度+位置匹配 |
| 3.7 仿真分析 |
| 3.7.1 仿真条件 |
| 3.7.2 结果分析 |
| 3.8 本章小结 |
| 4 基于相对惯性导航算法的机载SAR导航参数精度仿真 |
| 4.1 引言 |
| 4.2 主、子惯导相对运动解算 |
| 4.2.1 主、子惯导相对运动关系 |
| 4.2.2 相对惯性导航算法微分方程 |
| 4.3 基于相对惯性导航算法的机载SAR导航信息获取方案 |
| 4.3.1 仿真条件设定 |
| 4.3.2 仿真分析 |
| 4.4 相对惯性导航算法性能的影响分析 |
| 4.4.1 惯性传器件误差对算法性能的影响 |
| 4.4.2 初始相对姿态误差角对算法性能的影响 |
| 4.5 本章小结 |
| 5.基于相对惯性导航传递对准的机载SAR导航精度提高策略 |
| 5.1 引言 |
| 5.2 相对惯性导航传递对准状态空间模型 |
| 5.2.1 相对惯性导航状态方程 |
| 5.2.2 相对惯性导航量测方程 |
| 5.3 基于相对惯性导航算法的传递对准方案 |
| 5.3.1 仿真条件设定 |
| 5.3.2 仿真分析 |
| 5.4 载机平飞解决方案 |
| 5.4.1 可观测性分析 |
| 5.4.2 仿真分析 |
| 5.5 初始姿态对相对惯性导航传递对准的影响 |
| 5.5.1 仿真条件设定 |
| 5.5.2 仿真分析 |
| 5.6 两种传递对准方法对比 |
| 5.7 本章小节 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（3）基于GNSS伪量测与运动状态估计的组合导航算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本论文主要研究工作 |
| 1.4 论文组织结构 |
| 第二章 相关技术介绍 |
| 2.1 惯性导航系统简介 |
| 2.1.1 惯性导航基本原理 |
| 2.1.2 惯性导航常用坐标系及相互转化 |
| 2.1.3 捷联惯性导航解算方法推导 |
| 2.2 基于Kalman滤波最优估计的SINS/GNSS松耦合算法建模 |
| 2.2.1 Kalman滤波算法概述 |
| 2.2.2 惯性导航误差方程推导 |
| 2.2.3 MEMS IMU组合导航系统状态方程推导 |
| 2.2.4 MEMS IMU组合导航系统量测方程推导 |
| 2.3 神经网络基础概念简介 |
| 2.4 多任务学习原理简介 |
| 2.5 本章小结 |
| 第三章 基于深度时域卷积神经网络改进的GNSS伪位置预测算法研究 |
| 3.1 时间序列预测问题分析与建模 |
| 3.2 TCN网络基本原理介绍 |
| 3.3 算法改进思路 |
| 3.3.1 输入特征选择与分析 |
| 3.3.2 TCN网络选择与分析 |
| 3.4 算法框架与原理 |
| 3.5 本章小结 |
| 第四章 基于深度卷积神经网络的车体零速检测算法研究 |
| 4.1 CNN网络选择与基本原理介绍 |
| 4.2 车体“零速”运动状态建模 |
| 4.3 基于深度CNN网络的车体零速检测算法 |
| 4.3.1 算法框架与原理 |
| 4.3.2 样本不均衡问题分析及优化方法 |
| 4.4 本章小结 |
| 第五章 共享“降噪”过程的多任务学习框架设计 |
| 5.1 共享“降噪”过程的多任务学习框架总述 |
| 5.2 基于卷积自动编码器的数据预过滤方法研究 |
| 5.2.1 CAE网络选择与基本原理介绍 |
| 5.2.2 基于CAE网络的数据预过滤算法 |
| 5.3 异构多任务融合算法与INS组合方式 |
| 5.4 本章小结 |
| 第六章 实验及结果分析 |
| 6.1 实验平台及实验场景描述 |
| 6.1.1 数据获取与硬件配置 |
| 6.1.2 实验数据及场景描述 |
| 6.1.3 MTL网络全局代价函数与超参设置 |
| 6.2 实验后处理软件工具开发概述 |
| 6.3 单一 GNSS伪位置预测算法性能分析 |
| 6.3.1 TCN网络参数分析与选择 |
| 6.3.2 多段无停车复杂路段下不同神经网络预测性能比较 |
| 6.4 零速检测算法实验结果对比 |
| 6.4.1 CNN+GHM优化算法分类性能验证 |
| 6.4.2 多种零速检测算法实验结果比较 |
| 6.5 MTL融合算法定位精度分析 |
| 6.5.1 多段无停车复杂路段下MTL融合算法定位性能验证 |
| 6.5.2 多段含静止复杂路段下MTL融合算法定位性能验证 |
| 6.5.3 多任务学习权重参数选择与网络有效性分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（4）基于多传感器融合的无人机群作战协同导航算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 相关技术研究现状 |
| 1.2.1 协同导航研究现状 |
| 1.2.2 目标跟踪研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 相关导航方法的数学模型与算法 |
| 2.1 捷联惯性导航数学模型与算法 |
| 2.2 北斗卫星导航定位数学模型与算法 |
| 2.3 空中目标视觉定位数学模型与算法 |
| 2.4 雷达定位数学模型与算法 |
| 2.5 本章小结 |
| 第三章 无人机群协同导航算法研究 |
| 3.1 长机北斗/捷联惯导组合导航算法 |
| 3.1.1 组合导航状态方程 |
| 3.1.2 组合导航量测方程 |
| 3.1.3 组合导航滤波算法 |
| 3.1.4 组合导航仿真验证 |
| 3.2 僚机协同导航 |
| 3.2.1 协同导航状态方程 |
| 3.2.2 协同导航量测方程 |
| 3.2.3 协同导航仿真验证 |
| 3.3 本章小结 |
| 第四章 基于视觉/雷达交互式多模型多目标跟踪算法研究 |
| 4.1 常见的目标运动模型 |
| 4.2 基于视觉/雷达的目标跟踪算法 |
| 4.2.1 基于视觉/雷达的目标跟踪算法原理 |
| 4.2.2 基于视觉/雷达的目标跟踪算法模型 |
| 4.2.3 仿真验证 |
| 4.3 基于视觉/雷达的交互式多模型多目标跟踪算法 |
| 4.3.1 交互式多模型多目标跟踪算法原理 |
| 4.3.2 航迹关联算法 |
| 4.3.3 交互式多模型算法 |
| 4.3.4 仿真验证 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录及研究成果 |
（5）多源融合导航系统仿真平台设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 融合导航现状 |
| 1.2.2 导航系统平台现状 |
| 1.3 本文的研究内容及章节安排 |
| 第二章 多源融合导航系统仿真平台的设计 |
| 2.1 系统总体分析 |
| 2.1.1 仿真平台功能分析 |
| 2.1.2 仿真平台的性能分析 |
| 2.2 多源融合导航系统仿真平台的构架 |
| 2.3 多源融合导航系统的设计 |
| 2.3.1 平台模式及操作流程 |
| 2.3.2 仿真平台设计 |
| 2.4 本章小结 |
| 第三章 多源融合算法库的相关技术与算法 |
| 3.1 多源融合模型的相关技术 |
| 3.1.1 数据预处理 |
| 3.1.2 初始对准 |
| 3.1.3 多源融合算法解算技术 |
| 3.2 多源融合导航算法库设计及算法 |
| 3.2.1 捷联惯性导航算法 |
| 3.2.2 INS/GNSS松耦合算法 |
| 3.2.3 INS/CNS融合导航 |
| 3.2.4 INS/GNSS/视觉融合导航 |
| 3.3 本章小结 |
| 第四章 基于神经网络的多源融合导航算法 |
| 4.1 神经网络模型介绍 |
| 4.1.1 循环神经网络 |
| 4.1.2 长短期记忆网络 |
| 4.2 基于LSTM的 INS/GNSS融合算法 |
| 4.2.1 算法结构及公式 |
| 4.2.2 算法仿真设计及结果分析 |
| 4.3 基于RNN的 GPS/INS/相机融合算法 |
| 4.3.1 交互式多模型-无迹卡尔曼滤波 |
| 4.3.2 INS/GNSS/视觉融合方法结构 |
| 4.4 本章小结 |
| 第五章 多源融合导航系统仿真平台实现及验证 |
| 5.1 多源融合导航仿真平台介绍及设计实现 |
| 5.1.1 内部结构设计 |
| 5.1.2 多源融合导航系统仿真平台主页面 |
| 5.1.3 导航数据载入模块 |
| 5.1.4 轨迹模拟发生器 |
| 5.1.5 多源融合导航算法库 |
| 5.1.6 算法解算结果显示 |
| 5.2 多源融合导航系统仿真平台验证 |
| 5.2.1 仿真平台测试方案 |
| 5.2.2 仿真平台功能测试 |
| 5.2.3 多源融合导航系统仿真平台性能测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
（6）北斗/MEMS-SINS松组合可持续导航算法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外相关技术的发展与研究现状 |
| 1.2.1 GNSS/SINS组合导航技术发展现状 |
| 1.2.2 滤波估计算法的研究现状 |
| 1.2.3 基于机器学习的预测算法的研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 北斗/MEMS-SINS松组合导航相关原理及实验系统改进 |
| 2.1 捷联惯性导航系统的基本原理 |
| 2.1.1 系统的组成原理 |
| 2.1.2 初始对准 |
| 2.1.3 姿态解算 |
| 2.1.4 速度和位置解算 |
| 2.2 北斗/MEMS-SINS松组合导航方案设计 |
| 2.3 北斗/MEMS-SINS松组合导航系统的数学模型 |
| 2.4 北斗/MEMS-SINS松组合实验系统的改进 |
| 2.4.1 已有实验系统简介 |
| 2.4.2 改进设计 |
| 2.4.3 北斗卫星导航接收机功能测试 |
| 2.5 本章小结 |
| 第三章 基于改进CDKF的北斗/MEMS-SINS松组合数据融合算法的设计 |
| 3.1 中心差分卡尔曼滤波算法的基本原理 |
| 3.1.1 中心差分变换 |
| 3.1.2 中心差分卡尔曼滤波算法步骤 |
| 3.2 中心差分卡尔曼滤波算法的改进 |
| 3.2.1 新息重构算法 |
| 3.2.2 基于鲁棒M估计的噪声估计算法 |
| 3.2.3 基于新息重构和鲁棒M估计的鲁棒自适应CDKF算法 |
| 3.3 实验及结果分析 |
| 3.3.1 KF与 CDKF的对比实验 |
| 3.3.2 CDKF与改进CDKF对比实验 |
| 3.4 本章小结 |
| 第四章 北斗/MEMS-SINS松组合可持续导航方法的设计 |
| 4.1 北斗/MEMS-SINS松组合可持续导航方法设计 |
| 4.2 循环神经网络和LSTM网络的基本原理 |
| 4.2.1 循环神经网络基本原理 |
| 4.2.2 LSTM网络的基本原理 |
| 4.3 LSTM网络的设计 |
| 4.3.1 数据预处理 |
| 4.3.2 训练算法和网络参数的选取 |
| 4.4 实验及结果分析 |
| 4.5 本章小结 |
| 第五章 北斗/MEMS-SINS松组合可持续导航算法的嵌入式实现 |
| 5.1 软件总体设计 |
| 5.2 STM32H743 程序设计 |
| 5.2.1 主程序设计 |
| 5.2.2 北斗数据解析子程序设计 |
| 5.2.3 UART2 中断服务子程序设计 |
| 5.2.4 UART3 中断服务子程序设计 |
| 5.3 TMS320C6748 程序设计 |
| 5.3.1 主程序设计 |
| 5.3.2 UART1 中断服务子程序设计 |
| 5.4 实验及结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间取得的成果 |
（7）高动态环境下捷联惯导系统不可交换性误差补偿算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 捷联惯性导航系统研究现状 |
| 1.2.1 惯性传感器及其导航系统研究现状 |
| 1.2.2 姿态不可交换性误差补偿算法研究现状 |
| 1.2.3 速度不可交换性误差补偿算法研究现状 |
| 1.3 本研究领域存在的重要科学问题 |
| 1.4 论文的主要研究内容 |
| 第2章 高动态环境下姿态不可交换性误差补偿算法 |
| 2.1 引言 |
| 2.2 等效旋转矢量微分方程 |
| 2.3 传统姿态不可交换性误差补偿算法及误差分析 |
| 2.3.1 传统姿态不可交换性误差补偿算法 |
| 2.3.2 传统补偿算法精度评估方法及其局限性 |
| 2.4 高动态环境下姿态不可交换性误差补偿算法设计 |
| 2.4.1 基于毕卡级数三阶项的姿态不可交换性误差补偿算法 |
| 2.4.2 基于毕卡级数四阶项的姿态不可交换性误差补偿算法 |
| 2.5 姿态不可交换性误差补偿算法性能分析 |
| 2.5.1 姿态不可交换性误差补偿算法精度分析 |
| 2.5.2 姿态不可交换性误差补偿算法计算量分析 |
| 2.6 仿真实验验证 |
| 2.6.1 纯圆锥运动环境下仿真实验 |
| 2.6.2 高动态环境下仿真实验 |
| 2.7 本章小结 |
| 第3章 高动态环境下速度不可交换性误差补偿算法 |
| 3.1 引言 |
| 3.2 速度平移矢量微分方程 |
| 3.3 传统速度不可交换性误差补偿算法及误差分析 |
| 3.3.1 传统速度不可交换性误差补偿算法 |
| 3.3.2 传统速度不可交换性误差补偿算法误差分析 |
| 3.4 高动态环境下速度不可交换性误差补偿算法设计 |
| 3.4.1 基于毕卡级数三阶项的速度不可交换性误差补偿算法 |
| 3.4.2 基于毕卡级数四阶项的速度不可交换性误差补偿算法 |
| 3.5 速度不可交换性误差补偿算法性能分析 |
| 3.5.1 速度不可交换性误差补偿算法精度分析 |
| 3.5.2 速度不可交换性误差补偿算法计算量分析 |
| 3.6 仿真实验验证 |
| 3.6.1 纯划摇运动状态下仿真实验 |
| 3.6.2 高动态环境下仿真实验 |
| 3.7 本章小结 |
| 第4章 姿态及速度不可交换性误差补偿算法一般等价性研究 |
| 4.1 引言 |
| 4.2 姿态及速度不可交换性误差补偿算法通式 |
| 4.3 不可交换性误差补偿算法的转换方法 |
| 4.4 转换方法有效性验证 |
| 4.4.1 Savage的不可交换性误差补偿算法 |
| 4.4.2 Ignagni的不可交换性误差补偿算法 |
| 4.4.3 Miller和SONG的不可交换性误差补偿算法 |
| 4.4.4 WANG的不可交换性误差补偿算法 |
| 4.5 本章小结 |
| 第5章 姿态及速度不可交换性误差补偿算法验证实验 |
| 5.1 引言 |
| 5.2 圆锥运动环境下姿态不可交换性误差补偿算法验证实验 |
| 5.2.1 圆锥运动环境下补偿算法验证实验方案 |
| 5.2.2 实验结果及精度分析 |
| 5.3 宽频谱线振动环境下速度不可交换性误差补偿算法验证实验 |
| 5.3.1 宽频谱线振动环境下补偿算法验证实验方案 |
| 5.3.2 实验结果及精度分析 |
| 5.4 实弹环境下不可交换性误差补偿算法验证实验 |
| 5.4.1 实弹环境下实验方案 |
| 5.4.2 实验结果及精度分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（8）基于多点运动特征和惯性导航的行人定位系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 行人定位技术的国内外研究现状 |
| 1.3 基于MEMS惯性器件的行人定位系统 |
| 1.3.1 行人航迹推算系统 |
| 1.3.2 捷联惯性导航系统 |
| 1.3.3 组合导航系统 |
| 1.4 多传感器行人导航的国内外研究现状 |
| 1.5 课题主要研究内容和章节结构 |
| 2 行人导航系统的基本理论 |
| 2.1 常用坐标系与坐标转换 |
| 2.1.1 常用坐标系与姿态角 |
| 2.1.2 坐标变换与初始对准 |
| 2.1.3 磁强计辅助的初始航向定位 |
| 2.2 姿态更新 |
| 2.3 基于零速检测算法的行人惯性导航算法 |
| 2.3.1 零速检测 |
| 2.3.2 零速误差修正 |
| 2.4 基于计步算法的行人航迹推算系统设计 |
| 2.4.1 计步算法 |
| 2.4.2 步长模型 |
| 2.4.3 基于卡尔曼滤波器融合的航向角计算 |
| 2.5 本章小结 |
| 3 多MEMS组合导航 |
| 3.1 组合导航 |
| 3.2 基于多MEMS惯性传感器的行人导航算法 |
| 3.2.1 多惯性传感器行人模型设计 |
| 3.2.2 行人腿部互补滤波姿态融合 |
| 3.2.3 行走状态下多惯性传感器融合定位设计 |
| 3.2.4 跑步状态下多惯性传感器融合定位设计 |
| 3.2.5 行人运动多传感器定位导航 |
| 3.3 GPS组合导航 |
| 3.3.1 组合导航系统设计 |
| 3.4 本章小结 |
| 4 多MEMS惯性传感器行人定位系统设计与实现 |
| 4.1 系统硬件设计与实现 |
| 4.1.1 硬件系统设计说明 |
| 4.1.2 硬件系统设计程序说明 |
| 4.2 基于Android平台的软件系统的设计与实现 |
| 4.3 Windows系统电脑端程序设计 |
| 4.4 本章小结 |
| 5 行人定位系统的试验与结果分析 |
| 5.1 多传感器行人步长试验 |
| 5.2 行人直线行走/跑步测试试验 |
| 5.3 整体系统行人复杂轨迹行走测试试验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
（9）基于ARM的低成本MEMS-SINS/GPS组合导航系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 课题意义及背景 |
| 1.2 国内外研究现状 |
| 1.2.1 卫星导航的发展现状 |
| 1.2.2 惯性导航的发展现状 |
| 1.2.3 SINS/GPS组合导航技术的发展现状 |
| 1.3 研究目的及意义 |
| 1.4 课题来源及研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 研究内容 |
| 1.4.3 论文组织架构 |
| 2.SINS/GPS组合导航的原理及数学模型 |
| 2.1 组合导航系统使用的坐标系及相关转换关系 |
| 2.1.1 组合导航系统常用的坐标系 |
| 2.1.2 各个坐标系的转换关系 |
| 2.2 卫星导航系统 |
| 2.2.1 GPS的组成概况 |
| 2.2.2 GPS定位系统的定位原理 |
| 2.2.3 GPS系统误差分析 |
| 2.3 捷联惯性导航系统 |
| 2.3.1 基本原理 |
| 2.3.2 捷联惯导系统基本方程 |
| 2.3.3 捷联惯导系统初始对准 |
| 2.4 SINS/GPS组合导航系统组合模式 |
| 2.5 小结 |
| 3.SINS/GPS组合导航滤波器设计 |
| 3.1 卡尔曼滤波原理 |
| 3.2 SINS/GPS组合导系统状态量和量测量的选取 |
| 3.3 SINS/GPS组合导系统校正方式的选取 |
| 3.4 捷联惯导系统误差分析 |
| 3.5 SINS/GPS组合导航系统的状态方程 |
| 3.6 SINS/GPS组合导航系统的量测方程 |
| 3.7 小结 |
| 4.基于ARM的 SINS/GPS组合导航系统总体方案设计及硬件实现 |
| 4.1 基于ARM的 SINS/GPS组合导航系统总体方案 |
| 4.2 基于ARM的 SINS/GPS组合导航系统硬件总体设计 |
| 4.3 器件介绍及硬件系统搭建 |
| 4.3.1 GPS接收机 |
| 4.3.2 惯性传感器功能模块 |
| 4.3.3 ARM处理器模块 |
| 4.3.4 电源模块 |
| 4.3.5 硬件系统实物图 |
| 4.4 小结 |
| 5.基于ARM的 SINS/GPS组合导航系统软件设计与试验结果分析 |
| 5.1 基于ARM的 SINS/GPS组合导航系统软件总体设计 |
| 5.2 嵌入式Linux系统 |
| 5.2.1 交叉编译原理 |
| 5.2.2 BootLoader |
| 5.2.3 Linux内核裁剪与编译 |
| 5.3 SINS/GPS组合导航用户软件设计 |
| 5.3.1 SINS解算子程序的设计 |
| 5.3.2 卡尔曼滤波KF子程序的设计 |
| 5.3.3 基于Qt5.7的串口数据采集程序实现 |
| 5.4 SINS/GPS组合导航系统性能试验与结果分析 |
| 5.5 小结 |
| 6.总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（10）基于非线性滤波的组合导航方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 组合导航的研究现状 |
| 1.3 论文的主要内容与结构编排 |
| 第2章 组合导航的基本原理 |
| 2.1 常用坐标系及其变换 |
| 2.1.1 常用导航坐标系 |
| 2.1.2 坐标系的变换 |
| 2.2 GPS导航原理 |
| 2.2.1 GPS导航定位的原理 |
| 2.2.2 GPS导航的主要误差来源 |
| 2.3 捷联惯性导航 |
| 2.3.1 捷联惯性导航的原理 |
| 2.3.2 捷联惯导的误差分析 |
| 2.3.3 捷联惯导的初始对准 |
| 2.4 GPS/INS组合导航系统 |
| 2.5 本章小结 |
| 第3章 非线性滤波方法研究 |
| 3.1 贝叶斯滤波 |
| 3.2 扩展卡尔曼滤波 |
| 3.2.1 算法原理 |
| 3.2.2 算法流程 |
| 3.3 无迹卡尔曼滤波 |
| 3.3.1 算法原理 |
| 3.3.2 算法流程 |
| 3.4 粒子滤波 |
| 3.4.1 蒙特卡罗采样 |
| 3.4.2 序贯重要性采样重要性 |
| 3.4.3 重采样 |
| 3.4.4 粒子滤波算法通用流程 |
| 3.5 各滤波算法的仿真对比 |
| 3.6 本章小结 |
| 第4章 改进扩展卡尔曼滤波的组合导航算法 |
| 4.1 有色噪声扩展卡尔曼滤波模型 |
| 4.1.1 有色噪声及其模型的建立 |
| 4.1.2 有色噪声扩展卡尔曼滤波算法 |
| 4.2 组合导航系统的设计 |
| 4.2.1 系统框架 |
| 4.2.2 步态检测 |
| 4.2.3 组合导航算法 |
| 4.2.4 有色噪声扩展卡尔曼滤波的应用 |
| 4.3 实验验证 |
| 4.4 本章小结 |
| 第5章 箱粒子滤波在组合导航中的应用 |
| 5.1 箱粒子滤波 |
| 5.1.1 区间分析 |
| 5.1.2 箱粒子滤波算法 |
| 5.1.3 箱粒子与粒子的仿真对比 |
| 5.2 箱粒子滤波下的GPS/INS模型的建立 |
| 5.2.1 GPS/INS松组合模型的建立 |
| 5.2.2 伯努利箱粒子滤波行人组合导航 |
| 5.2.3 箱粒子滤波参数的设计 |
| 5.2.4 计算步骤 |
| 5.3 实验验证 |
| 5.3.1 信息采集系统的设计 |
| 5.3.2 实验方案 |
| 5.3.3 实验结果及其分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 下一步研究方向 |
| 致谢 |
| 参考文献 |
四、捷联导航算法的研究与实现（论文参考文献）
- [1]应用惯性传感器的机载SAR传递对准技术研究[D]. 杨文博. 西安理工大学, 2021(01)
- [2]捷联惯导系统自对准技术研究[D]. 景立博. 哈尔滨工程大学, 2021
- [3]基于GNSS伪量测与运动状态估计的组合导航算法研究[D]. 陆爽秋. 北京邮电大学, 2021(01)
- [4]基于多传感器融合的无人机群作战协同导航算法研究[D]. 窦凌飞. 青岛科技大学, 2021(01)
- [5]多源融合导航系统仿真平台设计与实现[D]. 何静. 电子科技大学, 2021(01)
- [6]北斗/MEMS-SINS松组合可持续导航算法研究与实现[D]. 崔荣照. 内蒙古工业大学, 2021(01)
- [7]高动态环境下捷联惯导系统不可交换性误差补偿算法研究[D]. 姜畔. 哈尔滨工业大学, 2020
- [8]基于多点运动特征和惯性导航的行人定位系统研究[D]. 吴帅. 北京林业大学, 2020(02)
- [9]基于ARM的低成本MEMS-SINS/GPS组合导航系统设计与实现[D]. 王树森. 中北大学, 2020(11)
- [10]基于非线性滤波的组合导航方法研究[D]. 钟启林. 南昌大学, 2020(01)