基于传感器融合与改进离散观测器的陆空载具实时高精度横滚-俯仰估计技术研究

本文提出了一种融合传感器数据与改进离散广义比例积分(GPI)观测器的创新算法，用于陆空载具的实时高精度横滚-俯仰姿态估计。通过联邦卡尔曼滤波(FKF)架构集成主动抗扰(ADR)特性，结合贝叶斯优化(BO)参数调谐策略，该算法在复杂环境中显著优于传统方法，为轨迹生成器、目标跟踪器等硬实时系统提供了可靠输入信号。

　　

【研究亮点】

本研究开发了一种用于硬实时应用的船载高精度横滚-俯仰估计算法，创新性地结合了基于梯形法则的离散GPI观测器与具有主动抗扰特性的联邦卡尔曼滤波架构。

【离散GPI观测器(DGPIO)】

在前期视觉追踪研究中采用的欧拉积分法被精度更高的梯形法则取代，通过交互多模型(IMM)和主动抗扰技术实现了亚毫米级状态估计。

【特征融合：FKF-IDGPIO算法】

联邦滤波结构中引入改进型DGPIO阵列，利用单位延迟处理非高斯加性噪声，该混合策略使主滤波器在强干扰环境下仍保持稳定输出。

【贝叶斯优化自动调参】

采用基于高斯过程的贝叶斯优化(BO)快速调谐观测器增益，相比传统极点配置法，在高速运动等复杂场景下将估计误差降低62%。

【1D-CNN LSTM神经网络对比】

参照Asgharpoor团队方案构建双通道卷积神经网络(1D-CNN)，分别处理横滚/俯仰数据，实验表明本研究的FKF-IDGPIO在延迟指标上优于该深度学习模型37%。

【原型系统验证】

基于MPU6050传感器阵列与MTi-G-710高精度参考模块搭建的便携架构，在包含静态/动态、低噪/强干扰的多场景测试中均实现<0.1°的实时估计精度。

【结论】

梯形积分法的应用使离散观测器频域响应提升2个数量级，而联邦架构下的抗扰特性使算法在船舶甲板等振动环境中仍保持鲁棒性，为自动驾驶系统提供了可靠的姿态基准。