自适应联邦滤波器在GPS-INS-Odometer组合导航的应用

针对多传感器观测信息较多、计算效率较低、对动力学模型误差稳键性不佳的问题,提出了一种自适应联邦滤波器并应用于GPS-INS-Odometer组合导航。首先介绍GPS-INS-Odometer组合导航的动力学模型和观测模型,比较分析了信息分配因子和自适应因子的共同特性,论证了联邦滤波器和自适应滤波器的等价性及其等价成立条件,提出了自适应联邦滤波器的信息分配因子构造方法。最后利用实测数据验证了算法的有效性。结果表明,相比于基于GPS和Odometer(里程计)初始方差构造信息分配因子的联邦滤波器,本文提出的自适应联邦滤波器兼容了联邦滤波器高效计算效率,且具有较好的抵抗动力学模型误差效果,能够有效削弱多传感器动力学模型误差对于导航解算的影响,对直接可测参数和间接可测参数的精度提高均起到了积极的作用。     

抛物线拟合的高斯投影长度比计算方法

针对传统的高斯投影长度比计算公式存在的次数高、参数多、计算过程复杂等不足,该文提出利用抛物线拟合法计算高斯投影长度比。首先,对高斯投影规律进行全面分析,得出高斯投影长度比与距离中央子午线横坐标值的变化成抛物线关系。然后,以点在高斯平面直角坐标系中距离中央子午线的横坐标值为参数计算高斯投影长度比。实验结果表明,采用该文方法计算高斯投影长度比运算简便、精度高,与传统公式计算的长度比差值在整个高斯投影带均达百万分之一量级,对完善高斯投影长度变形规律的研究以及实际计算均具有一定的参考价值。     

地图匹配辅助的KF-PF室内定位算法模型

针对使用智能手机进行行人航迹推算（pedestrain dead reckoning,PDR）时航向角漂移,定位精度不高,误差累积的问题,提出了一种地图匹配辅助的卡尔曼滤波-粒子滤波（Kalman filter-particle filter,KF-PF）多重滤波算法对PDR算法进行优化。在传统PDR算法的基础上,使用KF融合陀螺仪数据和地图信息解算航向角,然后采用基于地图匹配的粒子滤波算法对轨迹结果进行处理。实验结果表明,该方法消除了航向角误差过大对定位结果的影响,在提高室内定位的灵活性的同时增强了定位的稳定性和精度,并通过地图匹配减少了传统粒子滤波采样点数,降低了运算量,使其在手机平台上实时运行成为可能。     

GNSS广播星历精度评定与对比

以gbm精密星历和钟差作为参考真值，对GPS、BDS、Galileo以及GLONASS四大系统2017-02-01~02-28的广播星历、钟差以及卫星空间测距误差（SISRE）的精度进行对比分析。结果表明，GPS轨道径向、切向、法向的精度为1 m、0.4 m、0.8 m左右，钟差约为2 ns，卫星信号测距误差（SISRE）约0.4 m；BDS不同类型卫星表现出很大差异；Galileo卫星的径向、切向、法向的精度为0.3 m、0.3 m、0.2 m，钟差约3 ns，SISRE约1 m；GLONASS卫星的径向、切向、法向精度为0.4 m、1.0 m、0.4 m，钟差约7 ns，SISRE约2 m。     

精密单点定位不等精度观测值的RKF研究

推导了精密单点定位含有粗差观测数据的M-LS滤波原理,对等价权阵采用三段降权函数实现抗差。从新息和残差的协方差关系出发,利用对粗差敏感的残差标准差作为抗差因子。通过迭代减弱卫星间载波残差及其抗差因子的相关性。针对载波和伪距观测值不等观测精度和不相关性,采用双抗差因子实现静态抗差卡尔曼滤波（robust Kalman filtering,RKF）。采用标准卡尔曼滤波、基于新息RKF、基于残差的增益矩阵双抗差因子RKF、基于残差的等价权阵双抗差因子RKF等4种模型,分别对一组实测数据解算分析。结果表明,基于新息RKF对精度较高的载波粗差不敏感;基于残差的增益矩阵RKF对载波较小的粗差抗差效果较差,且发生粗差历元时刻的状态参数与真值偏差较大;而基于残差构造的等价权阵双抗差因子RKF可以非常精确和高效地实现抗差,单个卫星粗差对测站位置参数影响小于1 mm。     

基于中位数法的抗差总体最小二乘估计

针对现有总体最小二乘抗差算法存在的缺陷,应用中位数法确定模型参数的初值,提出了对模型的观测向量与系数矩阵中的观测元素进行分类定权的思想,避免了中误差估计偏差与随机模型误差对等价权函数抗差性的影响。基于中位数法建立总体最小二乘抗差迭代算法,并结合算例对算法进行验证。结果表明,在相同观测样本条件下,本文提出的算法拟合的精度高于传统算法拟合的精度。     

基于协方差函数的点坐标拟合推估算法

应用空间转换模型实现坐标系统的转换。根据转换区域内已知公共点在转换后的残差,用Reilly函数建立协方差函数。在协方差函数的基础上,拟合点坐标随机性部分的残差值。算例表明,应用协方差函数对点坐标进行拟合推估,点坐标值更趋近真值。     

����Э������ĵ���������ƹ��㷨

?????????????????????????????????????????????????????????в???Reilly????????Э??????????Э???????????????????????????????в?????????????????Э??????????????????????????????????????????