LSTM辅助车载GNSS/INS组合导航算法及性能分析

针对车载GNSS/惯性导航系统(inertial navigation system,INS)组合导航系统在GNSS信号失锁时定位精度下降甚至发散的问题，提出了一种长短期记忆(long short-term memory,LSTM)神经网络辅助组合导航的算法来提高定位精度，实现可靠连续稳定的定位.通过移动集成平台进行实验，结果表明：当GNSS信号失锁30 s时，LSTM辅助组合导航系统在东(east,E)、北(north,N)方向的位置误差最大值分别降低了77.45%、17.39%，均方根误差(root mean square error,RMSE)分别降低了79.53%、42.36%；当GNSS信号失锁100 s时，LSTM辅助GNSS/INS在E、N、天顶(up,U)三个方向上的位置误差最大值分别降低了60.07%、98.30%、84.65%,RMSE分别降低了61.96%、97.98%、84.65%. LSTM辅助较大地提升了车载GNSS/INS组合导航系统的导航性能.     

因子图框架下里程计辅助GNSS/INS组合导航算法

在复杂观测环境下,GNSS/INS组合导航系统的GNSS信号易受干扰从而导致INS独立导航精度迅速下降。针对上述问题,本文基于因子图的里程计辅助GNSS/INS组合导航算法,利用里程计观测信息结合非完整性约束构建航向速度约束方程,同时采用能多次线性化计算和多次迭代的因子图优化方法进行参数估计。实际车载试验解算结果表明,在GNSS信号良好时,基于因子图方法比滤波方法具有更快的收敛时间,收敛速度提高了近10倍;在GNSS信号发生中断时,添加里程计辅助后组合导航系统在东向和北向分别提升了83%和89%。与传统的滤波融合手段相比,本文采用因子图优化后在东向和北向的定位精度分别有63%、70%的改善。     

虚拟卫星法在 GNSS / INS组合导航中的应用

在 GNSS / INS车载组合导航系统中,GNSS信号易受遮挡或干扰而失锁,造成组合导航精度有所降低.针对这种情况,将虚拟卫星法应用于 GNSS / INS组合导航系统中.通过增加虚拟卫星,构造虚拟观测量,将实测观测量、虚拟观测量用于组合导航 Kalman滤波器解算.试验结果表明,此方法能够有效地提高系统的可观测性和导航精度.     

顾及ISB/IFB的多GNSS RTK/INS紧组合导航方法EI北大核心CSCD

为解决不同GNSS间信号差异引起的多GNSS RTK/INS紧组合导航应用中卫星系统间模糊度固定失败的问题,本文提出顾及ISB/IFB的多GNSS RTK/INS紧组合导航方法,以进一步发挥多GNSS在复杂环境下的互补性和灵活性。本文推导了顾及ISB/IFB的多GNSS RTK/INS紧组合导航观测方程,给出了综合利用抗差估计方法和粒子群优化的ISB/IFB参数估计方法。试验结果表明,顾及ISB/IFB参数可以在一定程度上提高卫星系统间模糊度固定成功率;结合抗差估计方法提高卡尔曼状态估计浮点解精度,可显著提高多GNSS RTK/INS紧组合导航系统在复杂环境下的系统间模糊度固定成功率与导航精度。     

GNSS/INS组合车辆协同精密定位方法

自动驾驶和智能交通要求载体的高精度定位,更要求载体之间的高精度协同控制。当前依靠增加传感器来提升载体定位精度的研究思路依然无法有效解决卫星信号长时间失锁的复杂情况。本文提出了基于GNSS/INS组合的载体协同高精度定位方法,通过建立载体之间的相对位置关系来实现载体间观测值的共享,从而提升载体的定位精度和可信度。试验结果表明,GNSS/INS组合的协同定位模式相比于单独定位模式能显著改善载体恶劣环境下的定位精度。     

城市环境下多系统实时PPP/MEMS INS紧组合模型构建与性能分析

以GNSS和INS为代表的传感器提供的高精度实时位置是自动驾驶、智能交通等领域的重要基础。为提升GNSS和MEMS INS在城市环境下的实时定位性能,本文利用IGS播发的实时精密轨道和钟差改正数,构建了多系统实时PPP/MEMS INS紧组合模型,分析和评估了多系统实时PPP与PPP/MEMS INS紧组合的性能,并与事后精密产品获得的结果进行对比。试验结果表明,在GNSS短时中断期间,多系统PPP/MEMS INS紧组合可以实现连续可靠定位;水平和高程分量的定位精度分别可达0.374和0.339 m,但与事后精密产品相比仍有差距,点位定位精度相差约为0.15 m。PPP/INS紧组合的测速及定姿精度主要取决于INS,测速精度约为1 cm/s,与使用IGS事后产品得到的结果相比,无明显差异;航向角的可观测性较弱,静止期间航向角误差明显增加。     

INS/GNSS/ODO嵌入式系统的容错技术研究

车载低成本嵌入式组合导航系统的可靠性容易受到多种传感器故障和环境的影响,基于全球卫星导航系统(GNSS)状态的惯性导航系统(INS)/GNSS/里程计(ODO)抗差组合导航算法,提出了一种两级故障检测处理方法. 其中,第一级检测使用了基于解析冗余的残差卡方检验法,第二级检测使用了改进的双状态传播卡方检验算法. 利用自主研制的GN310低成本嵌入式系统采集路测数据. 结果表明:相对于传统算法,水平定位精度提升了39.7%;另外在半实物仿真下,水平定位误差保持在3 m以内,表明该容错方法能够有效地处理ODO、INS故障和GNSS软硬故障.      

INS辅助的实时动态GNSS单频周跳探测

采用全球卫星导航系统（Global Navigation Satellite System，GNSS）模糊度固定解可提高GNSS/惯性导航系统（inertial navigation system，INS）组合导航定位精度，而在复杂环境下，单频GNSS难以实现完善的实时动态周跳探测，影响GNSS模糊度保持。研究了星间单差与站星双差的INS辅助GNSS单频周跳探测检验量，重点分析检验量的误差特性。分析得出检验量误差主要与INS增量误差有关，受接收机至待检星与参考星之间星地矢量夹角的影响。提出了选取两颗参考星并优选探测检验量的方法，降低方位角因素的影响，提高周跳探测性能。周跳探测的阈值在滑动窗口内估计，对INS误差被GNSS误差淹没的部分进行抑制，充分反映INS误差影响，阈值估计具有较强的自适应性。     

基于预积分的IMU/ODO外参估计

里程计通常被用于辅助车载GNSS/INS组合导航系统,以解决当遇到高楼、密林、隧道等信号干扰和遮蔽严重情景时导致精度下降的问题,而里程计辅助需要获取准确的里程计杆臂和安装角。鉴于此,本文提出了一种基于预积分的IMU/ODO外参估计算法,使用由里程计观测和GNSS/INS组合导航解算得到的一段时间内的里程增量差异构建代价函数,通过非线性优化器进行标定参数求解。仿真与实际测试均表明了本文标定方法的有效性,里程计观测在经过标定外参补偿后,可为车载GNSS/INS组合导航系统提供厘米级的精度辅助。     

基于软件接收机的GNSS/INS深组合导航算法研究

深组合导航系统将导航参数估计与GNSS卫星信号跟踪融合在一起,将相关器的输出I/Q信息作为GNSS/INS组合导航kalman滤波器的观测量,提高系统的导航精度、抗干扰性和动态性能。利用GNSS软件接收机方便处理基带信号的优势进行深组合导航算法研究,推导了深组合kalman滤波器的观测方程。仿真结果表明:在高动态条件下,深组合导航系统的导航精度明显优于紧组合导航系统的导航精度,位置误差稳定在2m范围内,速度误差稳定在0.04m/s内。     

附加约束条件对GNSS/INS组合导航结果的影响分析

针对车载全球导航卫星系统/惯性导航系统（global navigation satellite system/inertial navigation system,GNSS/INS）组合导航中卫星信号中断,惯性导航系统单独导航误差积累较大的问题,提出了附加载体运动条件约束的卡尔曼（Kalman）滤波解算方法。通过利用载体固有的运动约束,包括近似高程约束、近似速度约束和近似姿态约束,减少载体自由度和模型参数;通过引入新的观测类型,增加观测冗余,可以加强Kalman滤波解,提高在GNSS信号中断时组合导航系统的定位精度,实现无缝导航。     

CNS+GNSS+INS船载高精度实时定位定姿算法改进研究

天文导航（CNS）、卫星导航（GNSS）和惯性导航（INS）3种系统组合可提供高精度的定位定姿结果。实际工程中因INS长时间误差累积，以及系统硬件传输存在不可忽略的时间延迟，导致INS提供给CNS的预报粗姿态误差较大，恶劣海况下难以保障快速搜星，造成天文导航可靠性下降、姿态测量精度较低的问题。为此，本文提出了一种CNS+GNSS+INS高精度信息融合实时定位定姿框架，引入了等角速度外推措施，有效地解决了惯导信息延迟问题。通过高精度转台模拟恶劣海况下载体大角速度摇摆，验证了本文提出的改进算法的有效性。试验结果表明，该算法架构简单，性能可靠，显著提高了恶劣环境下星敏感器的快速、准确搜星能力，保障了三组合姿态测量的精度和可用性。     

抗差估计在RTK／INS紧组合中的应用研究

针对动态环境下GNSS／INS导航定位结果常受粗差影响的问题,提出了一种基于抗差卡尔曼滤波的GPS／BDS双系统RTK／INS紧组合导航定位算法,根据方差膨胀模型,建立抗差卡尔曼算法,得到GNSS／INS紧组合抗差解,并通过两个不同区域的实测车载实验进行了算法验证. 实验结果表明:本方法相较于传统方法，在N、E、D三个方向的导航精度分别提高1.4～4.6 cm,0.7～9 cm,1.5～2 cm,模糊度固定成功率提高10.3％～25.6％,导航精度及可靠性得到显著提高,对动态环境下车载或自动驾驶等应用具有一定的理论参考和实用价值.      

Using Allan variance to improve stochastic modeling for accurate GNSS/INS integrated navigation

MEMS-based integrated system of a global navigation satellite system (GNSS) and an inertial navigation system (INS) has been widely used in various navigation applications. However, such integration encounters some major limitations. On the one hand, the noisy MEMS-based INS undermines the accuracy with time during the frequently occurring GNSS outages caused by signal blockage or attenuation in certain situations such as urban canyon, tunnels, and high trees. On the other hand, the model mismatch between actual GNSS error and the assumed one would also degrade the obtained accuracy even with continuous GNSS aiding. To improve the overall performance for GNSS/MEMS-INS, better error models can be obtained using Allan variance (AV) analysis technique for modeling inertial sensor errors instead of the commonly recommended auto-regressive processes, and on the other hand, the measurement update in Kalman filter is improved using innovation filtering and AV calculation. The performance of each method and the combined algorithm is evaluated by a field test with either differential GNSS (DGNSS) or single-point positioning (SPP) as external aid. In addition to the considerable navigation enhancement brought by each method, the experimental results show the combined algorithm accomplishes overall accuracy improvements by about 18% (position), 8% (velocity), and 38% (attitude) for integration with DGNSS, and by about 15% (position), 75% (velocity), and 77% (attitude) for that with SPP, compared with corresponding traditional counterparts.     

Improved decentralized multi-sensor navigation system for airborne applications

The integration of Global Navigation Satellite System (GNSS) and Inertial Navigation System (INS) technologies is a very useful navigation option for high-accuracy positioning in many applications. However, its performance is still limited by GNSS satellite availability and satellite geometry. To address such limitations, a non-GNSS-based positioning technology known as “Locata” is used to augment a standard GNSS/INS system. The conventional methods for multi-sensor integration can be classified as being either in the form of centralized Kalman filtering (CKF), or decentralized Kalman filtering. However, these two filtering architectures are not always ideal for real-world applications. To satisfy both accuracy and reliability requirements, these three integration algorithms—CKF, federated Kalman filtering (FKF) and an improved decentralized filtering, known as global optimal filtering (GOF)—are investigated. In principle, the GOF is derived from more information resources than the CKF and FKF algorithms. These three algorithms are implemented in a GPS/Locata/INS integrated navigation system and evaluated using data obtained from a flight test. The experimental results show that the position, velocity and attitude solution derived from the GOF-based system indicate improvements of 30, 18.4 and 20.8% over the CKF- and FKF-based systems, respectively.     

基于抗差EKF的GNSS/INS紧组合算法研究

提出了GNSS/INS紧组合导航的抗差EKF算法,采用21状态GNSS/INS紧组合状态方程,根据多余观测分量及预测残差统计构造抗差等价增益矩阵,建立抗差EKF算法,通过迭代给出GNSS/INS组合导航的抗差解,并开发GNSS/INS紧组合导航模拟平台,通过对观测值加入单粗差、多粗差及缓慢增长三类误差,测试本文算法对不同粗差的抑制能力。分析表明,抗差EKF可以将三类粗差抑制在相应观测值的残差中,达到削弱其对状态参数估计的影响。本文算例证明,抗差EKF算法可将导航解的误差精度从dm级提高为cm级甚至mm级,导航精度及可靠性得到明显提高。     

视觉辅助下的室内惯导位姿修正

惯性导航系统可以短期内提供连续的高精度信息，但是误差会随时间增大，不能长期独立工作。而在大型仓库、地下停车场等室内卫星信号薄弱的场景中，传统的惯导+卫星组合方法也不再适用。针对该问题，本文提出了一种视觉与惯导组合定位的方法。本文研究的惯导+视觉组合的定位方法中，采用基于合作目标的单目视觉定位方法对惯导误差进行修正。对于惯导误差的修正方法，本文利用视觉定位的位姿信息建立量测方程，进行卡尔曼滤波，并选取合适的试验设备，通过实际试验对比验证了该算法对惯导系统误差的修正具有良好的效果。     

Modeling and verifying the impact of time delay on INS-aided GNSS PLLs

The timing error between global navigation satellite system (GNSS) and inertial navigation system (INS) processes limits the integration performance in GNSS/INS integrated systems. In a deeply coupled system, this timing error affects not only the integrated navigation solution, but also the GNSS signal tracking. We propose a time-domain model of INS-aided second-order phase-locked loops (PLLs) in consideration of the INS aiding delay, and analyze the effect of INS aiding delay on the tracking errors in details. In addition, an integrated hardware deeply coupled system platform was developed to verify the impact of time delay on INS-aided PLLs. Simulation and field vehicles testing results demonstrate that the tracking error of the INS-aided PLL caused by aiding delay increases with the lengthening of the delay time, the compression of the bandwidth, and the increase in the acceleration. Testing results verify the proposed model.     

GNSS+INS组合定位在矿山无人驾驶卡车的应用

面向矿山无人驾驶卡车场景,针对GNSS定位不连续且容易被干扰、INS存在累计误差的缺点,本文提出了一种基于GNSS+INS组合的导航算法,该算法融合了两种算法的优点,提高了定位的精度和可靠性。分别将RTK算法和组合导航算法结果与开源软件RTKLIB和NovAtel板载输出结果对比。试验结果表明,本文算法在精度上与NovAtel板载输出结果基本持平,明显优于RTKLIB软件。本文算法平面和高程误差均值及STD均优于5 cm,姿态误差均值和STD优于1°,可以满足矿用无人驾驶卡车的定位精度需求。