车载GNSS/SINS/里程计分布式弹性融合导航方法

为提升复杂环境下低成本车载导航系统的容错性能,本文研究了基于次优增益融合(SGF)算法的GNSS/SINS/里程计分布式弹性融合方法。该方法首先根据阿克曼转向几何建立了四轮里程计测速补偿模型,提升了惯性测量单元(IMU)安装中心处的前向和侧向测速精度;然后设计了基于卡方检验统计量的故障检测与分类准则,充分利用了可获取的观测信息;最后构建了随机模型和信息分配因子(ISF)弹性优化模型,分别从传感器层和决策层减少了异常观测的影响,实现了车载多源信息的弹性融合。通过实际跑车数据对GNSS/SINS/里程计分布式弹性融合方法进行测试验证。试验结果表明,本文方法能有效减少子系统故障对全局状态估计的影响,提升复杂环境下系统的容错性能。此外,与经典的联邦卡尔曼滤波(FKF)算法相比,SGF算法全局融合精度损失有限,计算效率却显著提升,有利于多源信息弹性融合的实际工程应用。

GNSS/SINS定位稳健 SE 2(3)-EKF方法

GNSS/SINS组合导航中因姿态失准角等误差较大会引起状态误差坐标定义不一致和线性化误差较大问题,导致传统滤波和定位性能有所降低,尤其在面临较复杂的GNSS观测环境时更为显著。本文通过将姿态、速度及位置状态构造为特殊SE 2(3)-EKF群元素,考虑陀螺及加速度计零偏误差,形成群-矢量混合误差模型,在此基础上设计了一种基于量测左不变的GNSS/SINS抗差滤波方法(RLIEKF),通过市区环境下存在大失准角误差和GNSS异常的车载组合导航试验,验证本文方法的优越性。试验结果表明:相对于传统EKF方法,RLIEKF方法由于在时间更新及GNSS量测更新中顾及了姿态角误差,在不同大失准角情况下仍具有较快的收敛速度,无须复杂且长时间的姿态对准步骤,较好地弥补了GNSS信号短时间缺失无法定位问题,可显著提升滤波新息精度,具备更好的抗差性能,对于复杂观测环境表现更为稳健,且计算效率相当,具备较好的工程实用价值。

GNSS/SINS深组合导航系统研究现状及展望

介绍了基于矢量跟踪的GNSS/SINS深组合导航系统的概念,根据信息融合的不同将深组合导航系统分为集中式深组合和级联式深组合,给出具体的深组合模型并进行对比分析,综述了GNSS/SINS深组合导航系统的国内外研究现状,展望了深组合导航系统的未来发展方向。

循环神经网络辅助GNSS/SINS组合导航方法及性能分析

针对GNSS信号中断时组合导航系统误差迅速发散的问题,提出了使用循环神经网络(RNN)来辅助组合导航系统的方法,RNN可以分别基于当前和过去的位置以及速度样本进行训练,使神经网络更好地处理系统中的时序信号,从而能够更加精确地预测SINS的位置和速度误差。采用无人机飞行试验数据验证了该算法在卫星信号中断时导航精度平均提升了77%,并且满足导航所需的实时性要求,与传统的径向基神经网络辅助的组合导航系统相比,其位置和速度的均方根误差平均降低了39%。

车载低成本GNSS/SINS紧组合导航系统设计

针对GNSS/INS松组合导航系统在可见星数少于4颗的情况下无法正常工作的问题,设计了基于ARM的车载低成本GNSS/SINS紧组合导航系统。以AM3354为电路核心处理器,集成了惯性IMU MPU-9150和卫星接收模块NV08C-CSM。通过I2C和UART接口完成数据采集,送入导航解算后经由SD卡和UART实现数据的保存与上传。系统算法采用离散扩展卡尔曼滤波进行紧组合的数据融合,在没有足够的卫星来计算独立GNSS参数时,也能够将卫星信号输入组合系统并辅助SINS。为验证系统可行性进行了实测跑车实验。结果表明,所设计的紧组合导航系统精度满足车载应用,较松组合算法表现出了更高的精度和稳定性。

GNSS/SINS组合导航在地地导弹中的工程应用

介绍了基于Kalman滤波的GNSS/SINS组合导航技术在地地导弹中的应用,在发射点惯性坐标系中建立了便于工程应用的数学模型,针对某型号进行了位置速度仿真,并和目前在工程实际中应用的加权平均组合方法进行了比较。仿真结果表明,Kalman滤波技术可以应用于地地导弹工程实际中。

GNSS可用星数对GNSS/SINS紧组合系统性能影响分析

定量分析了GNSS可用星数对GNSS/SINS紧组合导航系统性能的影响,建立了一种紧组合系统可观测性分析模型,推导了紧组合系统的可观测性矩阵,并针对不同GNSS可用星数的情况给出了GNSS/SINS紧组合导航系统的可观测性理论分析结果以及各状态量的可观测度和导航解算性能。仿真结果表明:当有4颗及以上可用星时,由于GNSS/SINS紧组合导航系统完全可观,因此可获得高精度的导航信息;而当可用星数短时衰减为3颗时,且短时间内时钟误差较为稳定,则短期内GNSS/SINS紧组合导航系统仍可提供较高精度的导航信息;当仅有1颗或2颗可用星时,由于量测信息严重不足,导致组合系统状态量的可观测度大幅下降,使得组合系统的导航精度明显降低。

GNSS/SINS超紧组合导航系统中的快速重定位技术

在高动态、弱信号等工作环境下,载体在飞行过程中可能面临GNSS信号失锁等情况,从而使超紧组合导航系统无法正常工作。为改善组合导航系统性能,本文在一般的惯性信息辅助捕获算法基础上,设计了一种基于IMU辅助的多通道快速捕获算法,同时针对信号捕获后组合导航系统基带信号处理时间过长的问题,在多通道辅助捕获的基础上增加了惯性信息辅助快速帧同步,从而实现信号失锁后的快速重定位。最后通过半实物仿真试验对算法的有效性进行验证,结果表明基于IMU辅助的多通道捕获及快速帧同步算法对重定位时间有较大改善。

基于可变因子的变分贝叶斯SINS海上动态对准

针对传统变分贝叶斯自适应滤波中,基于经验选取常值遗忘因子,不能自适应时变量测噪声的问题,提出一种基于可变因子的变分贝叶斯自适应滤波,并应用于船载捷联惯性导航系统(strapdown inertial navigation system,SINS)动态对准。首先利用变分贝叶斯方法近似噪声的后验分布,估计时变量测噪声和状态向量后验分布。其次通过噪声方差时变强度构造可变因子,实现自适应调整变分贝叶斯参数。最后给出了基于可变因子的GNSS/SINS海上动基座对准流程及算法。船载实测数据表明,所提算法在时变方差下,较卡尔曼滤波和传统贝叶斯滤波方位角误差收敛到0.5°范围内所需时间分别缩短了52%和44%;横滚角和方位角均方根误差分别降低57%、46%和13%、9%;东向和北向速度均方根误差分别降低56%、68%和51%、22%。

基于速率检测的GNSS/INS快速完好性监测方法

卫星导航系统存在许多类型的故障模型,其中最难检测的是慢变斜坡故障(SGE)。针对卫星导航/捷联惯导(GNSS/SINS)组合导航系统中存在的慢变斜坡故障,本文给出了一种新的算法——速率检测算法。该算法是基于对传统检测量增长速率的检测,通过在自主完好性外推法(AIME)的基础上增加一个卡尔曼滤波器,检测滤波器观测量速率变化来实现故障检测。仿真实验表明,本文的速率检测算法比AIME算法具有更好的检测效果,幅值越小的斜坡故障节省的时间越多。

改进灰色神经网络导航在无人机巡线中的应用

为了消除无人机导航系统的误差,本文设计了改进灰色神经网络GNSS/SINS无人机电力巡线导航系统,基于Kalman算法对GNSS和SINS这2种导航数据进行融合。在GNSS信号缺失的情况下,改进灰色神经网络来预测缺失部分的数据,再结合SINS的数据对无人机的位置进行精准预测。算法设计完成后,运用MATLAB软件模拟验证系统算法的功能。结果显示,其位置预测数据精度良好,证明该系统能够提升无人机的导航效果。

机载SAR运动补偿传感器研究

提出一种不依赖于机载主惯导的运动传感器方案———基于GNSS/SINS的组合运动信息系统。即在SAR成像期间输出以纯惯性为主的信息以保证较高的相对定位精度 ,供SAR成像补偿 ;同时 ,GNSS/SINS的组合保证了长时间的绝对定位精度。介绍了这种运动传感器的原理、数学模型、工作流程控制。实验结果表明 ,基于GNSS/SINS的运动传感器具有很高的精度 ,完全满足了SAR成像的精度要求 。

运动约束辅助的基于SVD-CKF的组合导航方法

针对强机动车载环境下GNSS/SINS组合导航系统非线性增强以及随着迭代次数增加,舍入误差累积,协方差阵不再非负定,导致滤波精度下降甚至滤波发散,提出了运动约束辅助的基于SVD-CKF的组合导航方法。在传统运动约束的基础上,引入了向心加速度约束,抑制了载体的前向速度误差发散,避免了载体拐弯时发生侧滑导致的定位精度下降。为了验证算法的有效性进行了车载实验,结果表明相较于经典SVD-CKF算法,基于运动约束辅助的SVD-CKF算法的经度、纬度误差在3个弯道处平均减小了10.54%和44.64%,东向、北向速度误差平均减小了50.87%和62.61%。该算法不仅提高了车载环境下的定位精度,也提高了组合导航系统的稳定性和鲁棒性。

顾及时变非高斯噪声的高斯和滤波及其导航应用

高斯和滤波可利用高斯混合模型精化非高斯噪声随机模型来提高估计精度,但导航测量环境的动态性和复杂性使非高斯噪声具有时变性特征,若GMM不随之调整会导致滤波解算失真。针对该问题,本文提出一种基于位移参数自适应估计的高斯和滤波算法。首先分析GMM位移参数对非高斯噪声拟合精度的影响,然后利用位移参数自适应技术修正GMM,进而改善高斯和滤波性能。实验结果表明,当GNSS/SINS量测模型存在时变非高斯噪声时,本文算法的滤波结果较传统高斯和滤波算法的波动小,抗干扰能力强,在实际应用中可进一步改善估计精度和稳定性。