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。     

车载移动测量中定位定姿系统误差校正与补偿研究

讨论了全球导航卫星系统(global navigation satellite system,GNSS)/里程计(odometer,ODO)/惯性导航系统(inertial navigation system,INS)组合定位定姿中误差校正与ODO/INS组合导航两个方面的问题。针对里程计刻度因子和安装误差角的校正,在不改变原GNSS/INS滤波器的基础上,设计了GNSS/INS与INS/ODO两级卡尔曼滤波器级联结构,将INS导航误差与里程计刻度因子误差、安装误差角分别列入两个滤波器的系统状态中,在GNSS连续观测和固定模糊度条件下,利用里程计和惯导里程增量之差作为INS/ODO卡尔曼滤波器的外部观测,对误差进行校正。另一方面,使用校正过的里程计和安装误差角,在GNSS失锁条件下对INS进行观测和修正。跑车实验结果表明,本文算法可以有效校正里程计刻度因子和定位定姿(positioning and orientaton system,POS)安装误差角,同时大幅提高GNSS失锁条件下的定位精度,配合平滑卡尔曼滤波器,可将城市移动测量两分钟GNSS失锁条件下的定位误差控制在0.5m以内。     

露天矿区里程计辅助的GPS/INS车辆导航算法研究

由于INS误差容易快速积累,所以在GPS/INS组合导航过程中依赖于GPS信号的稳定性,露天矿区GPS信号容易发生中断或遮挡,引起INS误差的快速增长,降低导航精度。在GPS/INS组合导航的基础上,提出了露天矿区里程计辅助的组合导航算法,修正了GPS信号中断过程中导航参数误差。介绍了里程计速度和位置的解算方法和传统的GPS/INS组合导航的动力学模型及观测模型,给出了里程计辅助GPS/INS组合导航算法的结构图,描述了里程计辅助的GPS/INS组合导航算法的详细过程,通过车载验证了算法的有效性。实验结果表明:GPS信号缺失的情况下,GPS/INS组合导航的误差快速积累,导航精度较低;通过引入里程计辅助组合导航,可以及时修正GPS信号中断阶段的导航参数误差,加入的里程计辅助的GPS/INS组合导航误差在NED三个方向的最大值分别为11.336 m、8.056 m和19.782 m,比无里程计辅助的误差(在NED三个方向的最大值分别为40.324m、38.776m和79.693m)有较大提高,数据解算满足导航要求。     

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.     

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.     

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。     

结合自适应滤波和神经网络的GNSS/INS抗差组合导航算法

针对GNSS/INS松组合导航系统观测信息无冗余,而且观测信息可能存在异常的情形,结合自适应滤波算法和神经网络算法,提出了两种GNSS/INS抗差自适应组合导航解算方案,根据观测信息和动力学模型信息异常情况,给出了4种GNSS/INS抗差自适应滤波算法。利用实测数据进行了验证,结果表明,4种抗差自适应滤波算法在观测信息不足的情况下,不但能够抑制动力学模型扰动异常对导航解的影响,而且能够较好地抑制异常观测信息对导航解的影响。     

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。     

RFID辅助INS/里程计的人员定位在数字矿山中的应用

井下人员定位是实现数字矿山的重要组成部分。INS/里程计组合系统用于井下定位已经无法满足高精度的需求,且两类传感器均存在累积误差,因此,提出一种利用射频识别(RFID)辅助的INS/里程计的人员定位算法。首先介绍了INS/里程计组合定位的系统状态模型和观测值模型,给出了RFID辅助模型的观测值,为提高传感器组合稳定性,引入联邦滤波器,给出基于RFID辅助INS/里程计的人员定位系统具体流程,最后进行模拟实验,验证了算法的有效性。结果表明,通过RFID提供的高精度位置观测值能有效提高INS/里程计井下人员定位效果,联邦滤波器提高了滤波的收敛速度和精度,平面精度提高了1/3左右,确保了井下人员长时间定位的精度要求。     

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。     

基于新息χ~2检测的扩展抗差卡尔曼滤波及其应用

针对INS/GNSS松组合导航中GNSS因信号受到遮挡和干扰而产生的位置、速度观测故障问题,研究了新息χ~2检测算法,在此基础上提出了一种扩展抗差卡尔曼滤波,对容易受到遮挡和干扰的GNSS位置、速度观测量进行了抗差处理,解决了在缺少多余观测量时难以进行抗差滤波的问题,最后用实测数据对算法进行了验证。实验结果表明,基于新息χ~2检测的扩展抗差卡尔曼滤波在没有多余观测量的情况下也能够有效抑制观测粗差的影响,提高组合导航系统的稳定性和可靠性。     

改进的GNSS/SINS组合导航系统自适应滤波算法

GNSS/SINS(global navigation satellite system/strapdown inertial navigation system)组合导航系统已得到广泛的应用与研究,当处于复杂环境时,GNSS输出容易出现误差均方差突变、误差均方差缓变、硬故障和软故障4种现象,进而影响组合导航系统滤波精度及载体的导航安全。为了解决上述问题,提出了一种改进的GNSS/SINS组合导航系统自适应滤波算法。首先,利用滤波过程中的观测异常检验统计量与滤波器门限值构建观测因子,然后,将变分贝叶斯原理与抗野值滤波方法结合,设计了改进的组合导航系统自适应滤波算法。仿真实验表明,相较于传统算法,当GNSS输出误差均方差发生变化时,所提算法可将位置精度及速度精度提高11.8%及13.7%;在GNSS输出发生硬故障时,所提算法可将位置精度及速度精度提高70.8%及69.6%。实验结果表明,所提算法具有较强的自适应性,可提升复杂环境下组合导航系统的精度和连续可用性。     

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.      

GNSS／INS组合导航误差补偿与自适应滤波理论的拓展

对GNSS/INS组合导航误差补偿与自适应滤波理论进行了系统而深入的研究。针对GNSS/INS组合导航实际应用中存在的随机模型不精确、GNSS观测条件不佳、INS误差累积迅速等问题,引入Allan方差、ARMA模型、载波相位平滑伪距、伪距差分求解速度、自适应滤波、误差模型修正等算法,对其进行改进并进一步提高了导航精度和可靠性。     

GNSS/INS组合导航系统初始对准及其故障修复研究

正全球卫星导航系统可在无遮蔽环境中为用户提供高精度、低频率的导航定位服务,但在复杂环境中,GNSS信号易被遮挡或干扰。惯性导航系统经过初始化后,能够独立自主提供高频率、连续的位置、速度和姿态信息。通过二者合理结合,能够在遮蔽或半遮蔽环境中为用户提供连续且可靠的导航解。本文重点研究了GNSS/INS组合导航系统初始化及其故障修复方法,内容包括高精度惯导快速自对准技术、大失准角故障处理、磁力计辅助MEMS IMU抗差自适应姿态融合、神经网络辅助GNSS/INS组合导航系统故障识别与修复和惯导辅助BDS三频周跳探测与修复技术等,主要研究成果如下:     

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...     

神经网络辅助的GPS/INS组合导航自适应滤波算法

首先利用预报残差构造的最优自适应因子设计GPS/INS组合导航自适应滤波器。并针对BP神经网络存在的训练速度慢、容易陷入局部极小等问题,给出网络的改进算法。利用神经网络对自适应滤波器状态方程的预报值进行在线修正,给出神经网络辅助的GPS/INS组合导航自适应滤波算法。最后,利用实测数据进行验证。结果表明,改进的神经网络算法明显提高网络收敛速度;两种自适应滤波算法相对标准组合导航算法都能够可靠地反映载体运动轨迹;神经网络辅助的GPS/INS组合导航自适应滤波算法相对GPS/INS组合导航自适应滤波算法在精度和可靠性方面又有明显提高。     

一种新型GNSS/IMU方式在无人机导航中的应用

GNSS/IMU组合导航一般采取基于欧拉角的组合方式。为了加快收敛速度,通常采用非线性滤波。但非线性滤波如EKF等仍然有一定的截断误差且计算量较大。采取基于DCM的组合导航方式,建立了基于DCM的GNSS/IMU的组合导航模型,并以基于DCM的卡尔曼滤波方式进行滤波解算。组合导航姿态收敛快,且计算量小。通过采用无人机实测数据进行分析,并与基于欧拉角的Kalman滤波组合导航算法进行比较,该方法有效缩短了计算时间,且精度较高。更适合无人机等高动态载体的实时导航需求。     

城市复杂场景下GNSS定位的因子图优化方法及其抗差性能分析

北斗/全球导航卫星系统（global navigation satellite system,GNSS）在开阔环境下可以提供连续可靠的高精度导航定位服务,但是在城市复杂场景下,GNSS多路径与非视距信号严重、粗差与周跳发生频繁,导航定位能力仍然存在不足。相较于扩展卡尔曼滤波(extended Kalman filter, EKF)方法,因子图优化能够充分利用历史观测,通过窗口内历元间约束与冗余观测信息共同抑制异常数据影响。构建了基于滑动窗口因子图优化的GNSS定位模型,通过验后残差迭代分析进行粗差探测,并从最小可探测误差、粗差探测成功率、定位精度提升等方面深入分析因子图优化与EKF的抗差性能。以城市复杂场景数据进行处理验证,结果表明,因子图优化的最小可探测误差减小了11.92%～32.56%,粗差探测成功率提升了3.84%～10.47%,GNSS定位精度提升了11.29%～25.99%。总体而言,对于城市复杂场景下的GNSS导航定位应用,因子图优化具备更好的抗差性能和定位精度,有望取代现有基于单历元观测值的EKF模型。     

陆地导航中GNSS/陀螺仪组合实时测姿方法

在陆地导航系统中使用GNSS/INS组合导航会增加系统成本,多天线GNSS测姿精度受基线长度影响,且存在的模糊度固定问题。本文提出仅利用一个陀螺仪和单天线GNSS组合来进行实时测姿。先由单天线GNSS计算姿态角3参数,航向角为陆地导航的关键参数,为此将陀螺信息与GNSS导出的航向角进行融合。分析了单天线测姿在载体静止或低速运动时精度很差的原因,提出了在组合滤波中进行解决的方案。推导了GNSS和陀螺信息融合的滤波模型,将陀螺仪信息作为状态模型的控制输入,以GNSS航向为滤波观测值。实验结果表明,GNSS/陀螺仪组合计算的航向角精度和可靠性相对GNSS测姿结果均有很大提升。