gpsins组合导航中自适应卡尔曼滤波算法.docxVIP

gpsins组合导航中自适应卡尔曼滤波算法 由于gps组合导航的互补性和定位的精度，gps联合定位受到了广泛的关注。这种信息整合通常采用卡尔曼滤波算法。标准的卡尔曼滤波算法(SKF)是已知噪声统计特性时的最优估计,但在实际情况中,可见卫星数目、多路径效应以及仪器内部测量噪声等多种因素会造成GPS测量噪声的变化,SKF由于无法对此进行检测调节将导致精度下降甚至发散。为此人们提出了多种自适应滤波算法(AKF),目前其研究方向主要集中在基于信息的自适应估计(IAE)和基于多模型的自适应估计(MMAE)。IAE是利用信息序列估计噪声协方差阵使其自适应于观测信息,典型代表为sage-husa算法;MMAE是通过并行运算各滤波模型的状态估计,自适应加权得系统状态的总体估计。此外,将上述方法与模糊逻辑、渐消滤波、抗差估计、神经网络等相结合,又发展了一些自适应方法。 上述AKF算法,其调节思想均是从卡尔曼滤波方程结构关系出发,获得观测量与滤波参数或与被估状态之间的自适应调节关系,并未充分考虑各子系统之间的测量关系。文献提出一种改进的GPS/DR组合位置自适应滤波算法,考虑了GPS、DR定位误差性质,获得对GPS测量误差的有效估计。本论文给出了该思想下GPS观测噪声统计性质的理论证明,通过深入分析GPS、INS的测量性质,提出了基于测量特性的自适应滤波算法(MAKF),针对GPS测量噪声进行实时有效的估计,提高了定位精度和滤波稳定性。 1 makf算法的理论分析 1.1 gps的传播特性 惯导系统是利用陀螺仪和加速度计等惯性器件的实时量测,依据力学、运动学规律,递推解算得载体的导航信息,其定位精度随系统误差的累计而逐渐降低。GPS是由接收的卫星信号解算载体的导航信息,具有长期稳定性,但其信号的接收易受到天气、周围环境以及机动等因素的影响。可见惯导系统和GPS具有互补性质的误差传播性能,前者长期稳定性差、短期精度高,后者反之。因此,可利用惯导系统的短期高精度性,研究GPS测量噪声的统计特性。 1.1 误差趋势项 设k时刻,INS、GPS对同一导航信息量X(k)的输出值分别为XINS(k)、XGPS(k),有: 其中,fINS(k)为误差趋势项,WINS(k)、VGPS(k)为零均值白噪声。分别求INS、GPS单系统差分序列得: 求双系统互差分序列,消去X(k)的变化量: 由于惯导系统短期定位精度高于GPS,则 由于惯导系统1 s内误差累计增量很小,则: 忽略小项,则式(7)为: 则有GPS观测噪声方差R的估计: 1.2 惯导系统误差增量的分析 以惯导系统在1 s内定位误差的增量进行分析,假设载体运动速度v=1000 m/s,速度方向误差增量Δθ=1′,则Δt=1 s时位置误差增量为: 可见,即使在2.9倍音速和大误差角增量的假设下,惯导系统1 s内的位置误差增量只有0.3 m,而GPS定位误差一般为10 m数量级,因此,1 s内惯导误差增量的平方值远小于GPS定位误差的方差值,故满足式(9)。 2 噪声统计分析 (1)求GPS、INS单系统差分序列 其中,k为GPS测量时刻,Δ为单系统差分序列,XGPS(k)、XINS(k)分别为GPS、INS在k时刻的输出。因GPS、INS测量频率不同,故GPS差分序列为每秒测量之差,INS差分序列则需进行1 s惯性递推运算,然后获得测量之差。 (2)求GPS、INS双系统互差分序列 将式(12)中单系统差分序列依次做差,得相应时刻的双系统互差分序列,记为: (3)双系统互差分序列统计 由式(11)可知,双系统互差分序列含GPS测量噪声信息,因此有效统计式(13)序列可获得GPS测量噪声。当噪声为同分布时,则样本容量越大,统计结果的可信度越高;当噪声分布特性发生变化时,则统计样本容量越大,动态信息的表征越不明显,即当前时刻的动态信息淹没在大量的历史信息中,导致统计结果不能及时跟踪变化的噪声信息,不满足实时性要求。故本论文设计了窗口为M的连续滑动窗口法,进行方差统计,统计公式为: 其中,R为GPS测量噪声方差,i为当前时刻,Ck为双系统互差分序列,M为窗口宽度,一般取30~50。 (4)野值剔除 当进行小样本统计时,野值点的存在将导致统计结果产生较大误差。为此,本论文设计如下野值点剔除方法:当样本点与样本均值的差值大于α倍的标准差时,为野值点序列,将其置为样本均值,重新进行统计。野值点判别条件为: 其中,Ck为双系统互差分序列,i为当前时刻,M为窗口宽度;α为剔除因子,一般取2.5~5。 (5)观测噪声协方差阵R的估计 由式(14)所得可表征GPS的测量噪声信息,但由于是小样本统计结果的计算值变化比较剧烈。而卡尔曼滤波理论是建立在噪声统计特性基础上的递推估计,滤波方程中观测噪声协方差阵R不会剧烈变化,故本论文采