卡尔曼滤波GNSS数据处理模型——GNSS动态载波相位测量的数据处理方法之二.docxVIP

卡尔曼滤波GNSS数据处理模型一GNSS动态载波相位测量的数据处理方法之二 刘基余;陈小明【摘要】在吸收国内夕卜学者研究成果的基础上本文提出了解算GNSS动态载波相位测量的无模糊度参数解算法，并进行了实际验算. 【期刊名称】《数字通信世界》【年（卷），期】2018（000）002【总页数】7页（P1-6,34）【关键词】卡尔曼滤波;GNSS数据处理;无模糊度参数解算法【作者】刘基余;陈小明【作者单位】武汉大学测绘学院，武汉430079;武汉大学测绘学院，武汉430079【正文语种】中文【中图分类】TN96利用卡尔漫滤波处理GNSS动态测量数据，需要首先建立滤波的动态模型（状态方程）和观测模型（观测方程）。对GNSS动态定位而言，动态模型难以用精确的数学公式来表达，实用中一般在精度损失较小的前提下对动态模型进行简化。最常用的动态模型为常速模型或常加速模型。常速模型或常加速模型的选择依赖于运动载体的运动状态以及数据采样率的高低，在高精度GNSS动态定位中数据采样率一般为1秒或更高，此时可采用常速模型。动态噪声可假定为零均值高斯噪声。在整周模糊度已知时（利用基线初始化或模糊度在航解算OTF求得），单纯利用双差载波相位观测量就可以获得极高的动态定位精度。 由于载波相位测量的整周模糊度特性，在载波相位测量出现周跳后，整周模糊度会发生改变。若不能及时修正，将严重影响动态定位的精度。在滤波设计时，需要考虑对周跳的探测与修复。另一个方面要考虑到动态接收机机动情形，在滤波设计时，更需考虑对机动加速度的补偿。中国魏明博士等（1990）和卢刚博士等（1991）分别提出了用统计检验的方法来探测周跳和机动加速度，并利用两步卡尔曼滤波来估计周跳的方法；卢刚博士等（1990）称之为GPS动态定位的统计质量控制（Statisticalquantitycontrol）。为了研究质量控制的有效性，本文提出利用可靠性理论来分析周跳探测，机动探测的能力以及周跳与机动加速度的可区分性问题，并在此基础上提出一种更为简单实用的高精度GNSS动态定位模型。 1基本滤波模型及其递推方程本文以GPS动态载波相位测量为例，选取状态向量分别为动态接收天线在WGS-84地心坐标系中的三堆位置，分别为动态接收天线的三维速度。利用卡尔曼滤波处理高精度GPS动态定位数据的滤波模型可概括为： 状态方程： 观测方程： 系统动态噪声和量测噪声的统计特性假设如下： 式（1a）中动态模型采用常速模型。状态转移矩阵ek,k-1和干扰矩阵rk-1定义如下： 式中，13为3x3维单位阵；AT为采样时间间隔。 式（lb）为采用双差载波相位观测量的观测方程。双差载波相位观测值可选为L1、L2单频载波相位或双频组合观测值，其频率为f,波长为A=C//f。该式为非线性方程。令式（lb）围绕参考估计（一般选为当前时刻的预报值Xk,K-1）线性化，可得到线性化观测方程或记为式中，丫火为双差载波相位观测向量；为相位的双差整周模糊度向量。 式中，为单差载波相位测量的方差。相应的卡尔曼滤波递推方程式为卡尔曼滤波的初值为X0/0,P0/0。 2GPS动态定位的质量控制在前述的基本滤波模型中未考虑运动载体的机动以及观测值中可能存在的粗差（周跳）。由于机动加速度和周跳可以常值为差来模拟，在出现机动或发生周跳时可在滤波状方程和观测方程中加入相应的修正量，此时滤波模型为： 式中，b,d分别表示机动加速度和双差周跳。当不存在机动加速度时，b=0;当不存在周跳时，d=0;当b,d同时为零时，模型（4a）、（4b）退化为（la）,（2b）。BK,DK分别为机动加速度、双差周跳对应的系数阵。BK定义如下： DK定义如下：对应第i个双差周跳，有若已知机动加速度b和双差周跳d，则时刻k动态接收机天线的位置、速度预报值和滤波分别为： 当存在机动加速度和（或）双差周跳，但仍采用模型式（1a）和式（3b），而利用式（3a）~（3f）进行递推计算值时，递推估值，将不是最优无偏估计而是有偏的。当观测方程是非线性方程时，有偏估计与无偏估计之间的偏差关系也是非线性的。可以证明，当忽略线性化误差时，无偏估计和有偏估计间的偏差值可用b、d的线性关系式表达。下面进行详细推导。 设有偏估计和无偏估计差值可用下列线性关系式表达比较式（7）两端系数，可得到递推关系将观测方程围绕参考估计线性化，有比较式（9）两端系数可得到式（8a）、式（10a）、式（8b）和式（10b）分别构成递推计算公式。在b、d已知时，可将无偏差参数模型式（1a）和式（2b）计算得到的有偏估计修正为最优无偏估计。b、d可由两步卡尔曼滤波的方法来确定。 关键的问题在于如何探测何时出现机动、周跳，以及机动出现在哪个方向上、周跳出现在哪个双差观测值上。机动以及周跳的探测可以通过对预报残差进行统计检验来完成