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。     

GNSS/INS组合导航系统定位精度分析

GNSS/INS组合导航系统近年来得到了快速发展,应用领域越来越广泛。组合导航的定位精度是一个重要的研究方向,本文将应用于航空遥感领域的高精度GNSS/INS组合导航系统放置在地面平台上,采集试验数据,通过与NRTK定位结果比较,对组合导航系统定位精度进行分析,得出GNSS/INS组合导航系统的定位精度可达到厘米级的试验结论。     

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.     

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。     

基于几何模型的惯性辅助PPP周跳修复与快速重新收敛

在复杂观测环境下,GNSS信号容易发生周跳和失锁现象,导致精密单点定位技术（PPP）模糊度重新初始化,影响定位精度及可靠性。本文基于PPP／SINS紧组合,提出了利用短时间内惯导递推的高精度位置信息辅助PPP周跳修复的几何模型。该模型采用原始观测值建立历元间差分方程,将周跳作为参数进行估计,而惯导提供的高精度位置作为带权的虚拟观测值参与平差解算,在固定周跳整数值后修复相位观测值,从而保持高精度的连续定位。以车载和机载两组数据分析了该方法的有效性,结果表明,引入惯性辅助能够显著加快PPP定位的重新收敛,实现周跳的准确修复。      

基于GNSS/INS/NHC理论模型的轨道平顺性检测方法研究

全球卫星导航系统(Global Navigation Satellite Systems, GNSS)的定位精度、可靠性和稳定性受用户环境影响明显。为此,本文利用惯性导航系统(Inertial Navigation System, INS)的短期高精度定位特性和自主导航的优点,与GNSS进行数据融合,来弥补GNSS的缺点,并进一步基于Rauch-Tung-Striebel(RTS)滤波和非完整性约束(Non-Holonomic Constraint, NHC)模型,构建RTS滤波的GNSS/INS/NHC组合模型。通过处理和分析兰新高铁采集的GNSS/INS数据,结果表明,该方法的位置重复测量精度优于5 mm,水平姿态角重复测量精度优于0.005°,航向姿态角重复测量精度优于0.01°,该方法能有效检测出铁轨中存在的不平顺性问题。     

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.     

基于高精度三轴转台的GNSS/INS组合导航姿态性能自动化测试评估方法研究CSCD

目前全球卫星导航系统/惯性导航系统(GNSS/INS)组合系统性能测试评估技术存在评价方式单一,数据自动化处理程度不高等问题.针对系统的姿态性能,研究了GNSS/INS组合导航姿态性能动态测试评估新方法,并研发了相应的自动化控制测试评估软件.该方法基于高精度三轴动态基准仿真转台进行,首先通过多转位、多姿态运动场景的任务进行测试,采集转台三轴运动姿态数据与组合导航系统输出数据,然后利用Thompson奇异值剔除法对实测数据进行处理,最后结合转台实测数据进行不确定度分析从而完成测试评估工作.针对微机电系统(MEMS)组合导航产品开展了两组测试,实测结果表明:该方法可以较好地抑制组合导航系统中出现的奇异值点,同时转台的不确定度值均在0.2″以内,验证了该测试评估方法的高可行性与可靠性.     

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。     

双目视觉辅助GNSS在恶劣环境下导航定位

视觉里程计能够在复杂环境下提供短时间的高精度导航定位,全球卫星导航系统（GNSS）具有全天候、全球性和误差不随时间积累的特性,但是在恶劣环境多路径效应下,GNSS定位精度会变差甚至不可用. 为了研究在复杂环境下视觉里程计辅助GNSS导航定位技术,首先介绍了视觉里程计的导航定位原理;然后在卡尔曼滤波器中将GNSS定位结果和视觉里程计定位结果进行了松组合处理;并利用视觉里程计定位结果和预测的视觉里程计误差实现了GNSS在恶劣环境下的导航定位. 基于KITTI数据集的模拟验证结果表明,设计的组合方案能够在恶劣环境下持续提供可靠的导航定位.