本发明涉及机载多传感器数据融合方法，主要设计基于改进卡尔曼滤波的倾斜跑道高度多源多层融合方法。
背景技术：
1、无人机着陆轨迹通常设计于标准的水平着陆平台，且需要考虑气动特性、跑道环境、着陆指标等参数；相比之下，关于倾斜平台的着陆轨迹设计的研究较少。面向未知坡度倾斜跑道着陆，受跑道地形变化影响，无人机更容易因落点航迹角/下沉率不匹配而产生触地过冲或低空拉漂的问题，所以进行着陆轨迹设计前需充分考虑倾斜跑道坡度、长度等因素，即需要获取高精度的跑道地形及倾斜坡度信息。
2、由于本发明中设定无人机无偏飞行，因此可忽略横侧向运动，故跑道地形的构建可以化简为垂直面的跑道地形高程信息，这对于高度信息测量准确性提出了较高的要求。常用的机载gps覆盖域广、定位精度高，但抗干扰能力弱；此外，采用gps只能获取无人机飞行测量高度，无法测量倾斜跑道地形高程。由此可见，针对本发明面向的未知倾斜跑道着陆获取场景，仅利用单一高度传感器测量会导致结果精度差且受到扰动影响大，因此必须采用多源高度信息融合的方法获取跑道地形高程，以此克服单一传感器的局限性，提高地形融合精度和效率。
3、在多源高度信息融合过程，选择合适的融合算法是提高融合效果的关键，经典信息融合算法主要有加权平均法、卡尔曼滤波法和贝叶斯估计等。其中，卡尔曼滤波算法通过递归地预测和校正系统状态，以最小化测量噪声对状态估计的影响，实现对噪声数据的优化处理，是多传感器信息融合的经典方法之一。但由于系统的数学模型和噪声的统计模型不准确性带来计算误差，且随着滤波次数的增加而累积，增益矩阵的计算值与理论之间的偏差越来越大，滤波器存在着发散的可能性。因此，针对未知倾斜跑道垂直平面地形高程信息的获取，需要设计一种合适的多源高度信息融合算法，提高了噪声估计的准确性和稳定性，抑制卡尔曼滤波器的发散，从而获取更准确的未知坡度倾斜跑道地形高程及坡度信息。
技术实现思路
1、为解决现有技术中的问题，本发明提供了一种基于改进卡尔曼滤波的倾斜跑道高度多源多层融合方法，构建机载高度传感器观测模型，并设计多源多层的数据融合算法，采用小波降噪的方法对原始数据进行预处理；采基于递推加权最小二乘法、kalman滤波算法对跑道地形高程进行两次融合；通过线性回归的方法拟合得到未知跑道的倾斜坡度。通过多源多层的倾斜跑道地形融合，抑制kalman滤波器发散，从而获取更准确的未知坡度倾斜跑道地形高程及坡度信息。
2、为实现上述目的，本发明所提供的技术方案为：
3、基于改进卡尔曼滤波的倾斜跑道高度多源多层融合方法，该方法包括：
4、步骤1、分析通用的机载高度传感器间冗余互补关系，选择合适的高度传感器，并构建传感器观测模型；
5、步骤2、基于某型固定翼无人机模型，在安全高度定高飞行的场景下，采集传感器测量数据；
6、步骤3、采用小波降噪的方法对三种传感器的原始测量数据进行预处理，降低噪声水平，减小由于噪声对数据带来的毛刺等影响；
7、步骤4、以传感器降噪数据为观测值，采用递推加权最小二乘法进行跑道地形第一次融合，采用卡尔曼滤波算法进行第二次融合，获取高精度的倾斜跑道地形高程信息；
8、步骤5、基于融合获得的地形高程信息，采用线性回归方法构造其关于前向距离的一阶函数，并获取倾斜跑道坡度。
9、进一步的，在步骤1中，机载多源测高传感器选型包括气压高度计、gps、无线电高度表等。gps覆盖域广、精度高，但数据更新率低、抗干扰能力弱；气压高度表测量数据连续且分辨率高，但在大气压力变化大的情况下，精度可能下降；无线电高度表测量数据精度高、更新率高，但在未知海拔高度下无法实现定高。利用这三种传感器在时间/空间上的冗余互补关系，通过数据融合的方法可克服单一传感器测量的不确定性和局限性，获取高精度的目标信息。构建三种高度传感器观测模型：
10、
11、其中：h1、h2、h3分别为gps、气压高度计、无线电高度表观测值；h1、h2、h3′分别为三种传感器真实值，其中，h1和h2为无人机海拔高度，h3′为无人机相对高度；v1、v2、v3为三种传感器观测噪声。根据各传感器测量原理，h2、h3′可写为：
12、
13、其中：r为气体常数，r＝287.05287j/(k·kg)，t为气体热力学温度，g为重力加速度，g＝9.8m/s2，p为待测点大气压力，p0为平均海平面标准大气压力p0＝1013.25pa。
14、h3＝(ct+l)/2
15、其中：t传播延迟时间，l为发射机与接收机之间距离，c为无线电波在空气中的传播速度，取c＝3×108m/s。
16、进一步的，在步骤3中，基于小波降噪算法对三种传感器原始测量数据进行降噪处理本文采用小波降噪算法对三种传感器测量数据进行降噪处理。以长度为n的gps观测信号为例，对含噪信号进行小波分解，得到细节的小波系数w0；然后，选择合适的阈值及阈值方法对小波系数进行阈值处理得到ηλ，λ为阈值形式；最后，对小波系数作逆变换得到并重构信号：
17、
18、其中：v1＝σz，σ为独立同分布的高斯白噪声，z～n(0,1)，n为信号长度；即为降噪处理后的gps高度数据。采用相同处理方法，获得气压高度计降噪高度无线电高度表降噪高度
19、进一步的，在步骤4中，首先采用递推加权最小二乘法的进行跑道地形第一次融合，获取降噪处理后的跑道地形高程信息，然后采用卡尔曼滤波算法的进行跑道地形第二次融合，进一步提高跑道地形高程信息准确度。
20、步骤4.1，采用递推加权最小二乘估计从量测值中提取被估计量信息来修正上一步估计，以此迭代更新状态估计和协方差估计，灵活地调整权重以适应系统状态。
21、选取计算k时刻矩阵给出递推加权最小二乘估计增益矩阵计算、加权残差计算、参数估计更新、误差协方差矩阵更新公式：
22、
23、其中：kk、ek、pk、vk分别为k时刻递推加权最小二乘法的增益矩阵、加权残差、参数估计、误差协方差矩阵、噪声协方差矩阵；pk-1分别为k-1时刻的参数估计以及误差协方差矩阵，其中，为海拔高度。
24、由于递推加权最小二乘法融合所得的为无人机定高飞行海拔高度，将其与无线电高度表经降噪处理后的较为精确的无人机相对高度作差，即可获得采样区间内未知坡度跑道的地形高程信息集散数据集：
25、
26、步骤4.2，采用卡尔曼滤波算法进行第二次融合，状态变量选取为倾斜跑道地形，观测变量选取为传感器降噪处理后的传感器高度信息，基于最小误差原则进行递推，提高倾斜跑道地形估计精度。选取观测变量z＝h′，观测方程zk＝hkxk，hk＝1，从而按顺序给出卡尔曼滤波状态预测、协方差预测、增益计算、状态更新、协方差更新公式：
27、
28、其中：xk/k-1、pk/k-1、kk、xk/k、pk/k分别为k时刻的状态预测值、协方差预测值、卡尔曼增益、状态估计值、协方差估计值；xk-1/k-1和pk-1/k-1分别为k-1时刻的状态估计值和协方差估计值；φk、qk、rk、zk分别k时刻状态转移矩阵、过程噪声的协方差矩阵，测量噪声的协方差矩阵和测量值，由于k-1时刻的高度估计值即为k时刻的高度预估值，故状态转移矩阵取标量φk＝1。
29、至此，获得第二次融合跑道地形高程离散数据集h″＝x。
30、进一步的，在步骤5中，基于最小二乘法曲线拟合原理，利用第二次融合地形高程离散数据集，构造地形高程关于前向距离的一阶函数，并获得倾斜跑道地形坡度θ：
31、y＝kx+b
32、θ＝arctan(k)*180/π
33、其中：拟合直线的斜率为k，截距为b，且
34、有益效果：本发明提供的基于改进卡尔曼滤波的倾斜跑道高度多源多层融合方法利用gps、气压高度计计无线电高度表三种高度信息之间的冗余互补关系，设计了多源多层的高度信息融合方法，利用小波降噪在噪声信号处理方面高效性对原始数据进行预处理，利用递推加权最小二乘法在权重调整方面的灵活性获取高精度的海拔高度信息，有效改善滤波器存在发散的缺陷，获取高精度的未知坡度倾斜跑道的垂直平面地形高程和坡度信息。