陀螺随机漂移高精度建模的可用性

陀螺随机漂移高精度建模的可用性

陀螺随机漂移建模的经典方法有时间序列、功率普和Allan方差法，非主流的还有神经网络、遗传和SVM等比较扯淡的方法。
   不可否认，仔细的建模和参数辨识，对研究和改进陀螺设计、提高陀螺研制精度是十分必要的。但从后端导航应用角度来看，并不是模型建立的阶次越高或越准确，使用效果就一定会越好。
   通常陀螺随机漂移建模都是在静态下采集数据建立的，而实际应用时是存在动态的，由于或多或少存在动态漂移误差，陀螺漂移特性必然会发生改变，这时陀螺刻度系数误差还可能会等效成静态下未能建模的漂移误差。静态下建立的模型即使再准确完美，在动态下的使用效果都会大打折扣，所以还不如少花些力气建的粗糙些，没必要吹毛求疵。建模要求越准一般阶次也就要求越高，有文章竟然将MEMS陀螺漂移建成4阶Markov模型，如此用在Kalman滤波中，仅陀螺漂移就 多了3x4=12个状态。还有文章使用Allan方差分析，试图将几种噪声都等效为微分状态方程的形式，这作为单纯理论方法研究是可以的，但如果要在实际 组合导航中应用，还是感觉其效果很难会有明显的改善。一般情况下，失准角（特别是方位）的可观测性较弱，陀螺常值漂移的可观测性就很弱了，其微分微分再微分的可观测性就更弱了。高维陀螺漂移模型一般被认为是不可观测的。
   往往将陀螺漂移建成随机常值+白噪声（或1阶Markov）就足够了，通过调整噪声的大小，说文雅一点就是使用虚拟噪声技术，也完全能够达到使用高阶模型的精度效果。而且建模阶数少了，计算量还小，滤波器发散的风险也小些。
   有用和实用才是硬道理。
   更多讨论见《惯性仪器测试与数据分析》6.3.3、8.3.3节。