基于平滑與神經(jīng)網(wǎng)絡(luò)的GNSS-SINS組合導(dǎo)航離線處理技術(shù)研究.pdf

1、近些年來，低成本低精度慣性導(dǎo)航系統(tǒng)（比如MEMS）在消費(fèi)電子和工業(yè)領(lǐng)域都引起了廣泛的關(guān)注，全球衛(wèi)星導(dǎo)航定位系統(tǒng)（GNSS）與慣性導(dǎo)航系統(tǒng)（INS）的組合一直被認(rèn)為是能夠有效克服單一導(dǎo)航方式局限性的理想搭檔，特別是慣性導(dǎo)航系統(tǒng)的誤差伴隨著時(shí)間而積累，而GNSS卻能夠在開闊晴朗的環(huán)境中提供相對一致的導(dǎo)航精度。但是，當(dāng)運(yùn)載體在城市里密集的高樓大廈中穿梭，或是在密集的樹林植被、峽谷地區(qū)行駛時(shí)，GNSS信號的采集將受到很大影響甚至中斷，進(jìn)而導(dǎo)致整

2、個(gè)組合導(dǎo)航系統(tǒng)的導(dǎo)航精度嚴(yán)重下降甚至完全無法導(dǎo)航。因此，研究有衛(wèi)星信號中斷的組合導(dǎo)航系統(tǒng)數(shù)據(jù)融合算法，提高衛(wèi)星信號中斷期間導(dǎo)航精度，具有重要意義。
　　目前，組合導(dǎo)航系統(tǒng)可以通過兩大類方法來提高其導(dǎo)航精度：一類是通過硬件部分的改善，即提高單一導(dǎo)航系統(tǒng)的硬件精度，但是這將會大大提高組合導(dǎo)航系統(tǒng)的成本；另一類則是通過信息融合手段進(jìn)一步改善導(dǎo)航的精度。本文介紹了三種典型的組合導(dǎo)航系統(tǒng)常用數(shù)據(jù)融合算法：適用于線性系統(tǒng)的卡爾曼濾波(Kalm

3、an Filter,KF)、適用于非線性系統(tǒng)的基于采樣的無跡卡爾曼濾波(Unscented Kalman Filter,UKF)、適用于事后處理的RTSS(Rauch-Tung-Striebel smoother)最優(yōu)反向平滑(Optimal Backward Smoothing Algorithms,OBS)。通過仿真分析了上述算法的性能，指出了不足之處。針對提高衛(wèi)星信號中斷期間導(dǎo)航精度的問題，采用RTSS和人工神經(jīng)網(wǎng)絡(luò)(Artifi

4、cial Neural Networks,ANNs)相結(jié)合的方法設(shè)計(jì)了有衛(wèi)星信號中斷的GNSS/SINS組合導(dǎo)航離線數(shù)據(jù)融合算法。
　　首先，對GNSS/SINS組合導(dǎo)航系統(tǒng)相關(guān)的基礎(chǔ)理論進(jìn)行了介紹，包括SINS的導(dǎo)航參數(shù)更新計(jì)算以及誤差方程的構(gòu)建等，并且搭建了慣導(dǎo)系統(tǒng)的仿真平臺，為下文的數(shù)據(jù)融合算法提供驗(yàn)證環(huán)境。
　　其次，使用KF和UKF對組合導(dǎo)航系統(tǒng)進(jìn)行數(shù)據(jù)融合，并通過仿真比較了上述算法，發(fā)現(xiàn)盡管 UKF較前者精度略優(yōu)

5、，但是仍然無法解決衛(wèi)星信號中斷時(shí)導(dǎo)航參數(shù)誤差隨時(shí)間積累的問題。針對離線處理，研究了RTSS對衛(wèi)星信號中斷期間導(dǎo)航性能的改善。
　　再次，由于不了解衛(wèi)星信號中斷期間GNSS/SINS組合導(dǎo)航系統(tǒng)的誤差行為，RTSS對衛(wèi)星信號中斷期間的導(dǎo)航性能改善依然有限，尤其在衛(wèi)星信號中斷的中間時(shí)刻，導(dǎo)航誤差達(dá)到最大值，與使用KF/UKF的效果相差不大。因此，本文提出用ANNs對衛(wèi)星信號中斷期間 GNSS/SINS組合導(dǎo)航系統(tǒng)的誤差行為進(jìn)行建模。針