《表2 姿态误差()：基于四元数衍生无迹卡尔曼滤波的二段式多旋翼无人机姿态估计算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于四元数衍生无迹卡尔曼滤波的二段式多旋翼无人机姿态估计算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证本文所提算法在计算精度和解算时间方面的有效性，本文利用二段式EKF算法（two-step EKF，TEKF）和二段式UKF算法（two-step UKF，TUKF）与本文所提算法进行仿真实验对比，仿真结果见图3和表2–3.为了验证本文所提算法的抗干扰性能，使用仅包含加速度计数据的DUKF校正的算法（accelerationDUKF，A–DUKF）以及传统的将加速度数据和磁力计数据的六维量测向量一起处理的DUKF算法（normalDUKF，N–DUKF）与本文所提算法进行仿真实验对比，仿真结果见图4（a）–（b）；室内外环境中经常会存在各种物体造成的电磁场干扰，如高压电塔，各种电器等，这些干扰多为0.1 Gs级别[20]，为了验证本文所提算法在环境出现磁场异常时的分离相互干扰的能力，人为的在三轴磁力计40～80 s的数据上均加入一个约为0.1 Gs的常值偏移以模拟环境中出现的磁异常，使用传统的将加速度数据和磁力计数据的六维量测向量一起处理的DUKF算法（N–DUKF）与本文所提算法进行仿真实验对比，仿真结果见图4（c）–（e）；在执行一般任务时，多旋翼无人机加速比较缓慢，为了验证本文所提算法在存在载体加速度时的分离相互干扰的能力，人为的在三轴加速度计40～80 s的数据上均加入一个约为0.05 g的常值偏移以模拟存在的外部加速度干扰，使用传统的将加速度数据和磁力计数据的六维量测向量一起处理的DUKF算法（N–DUKF）与本文所提算法进行仿真实验对比，仿真结果见图4（f）–（h）.