组合导航与融合导航.pptVIP

* 深组合是使用惯性导航信息对GNSS接收机进行辅助导航的组合方式。 主要思想：既使用滤波技术对INS的误差进行最优估计，同时使用校正后的INS速度信息对接收机的载波环、码环进行辅助跟踪，从而减小环路的等效带宽，增加GPS接收机在高动态或强干扰环境下的跟踪能力。 嵌入式组合将INS和GNSS进行一体化设计，通过共用电源、时钟等进一步减小体积、降低成本和减小非同步误差的影响。 6.3 深组合（Deeply-Coupled Integration） 6、卫星导航与惯性导航组合方式（续） * 思路 各传感器观测信息分别与动力学模型进行滤波解算，得到分滤波结果； 各分滤波器结果与主滤波器进行融合； 采用联邦滤波原理（Federated Klamn filter） 7、融合导航算法进展 7.1 联邦滤波算法 * 联邦滤波算法示意图 ··· 参考系统 局部传感器r 局部滤波器r Lr 主滤波器 ? 时间传递状态转移 融合 更新 L1 局部传感器1 局部滤波器1 局部传感器2 局部滤波器2 L2 原理 7、融合导航算法进展（续） 7.1 联邦滤波算法(续) * 联 邦 滤 波 存 在 的 问题 1.主要问题是LF/LF及LF/MF之间的相关性问题 2. 局部传感器和主传感器使用了相同状态方程 精度差 次优 可靠性差 某一传感器故障 原理成立前提？ 7、融合导航算法进展（续） 7.1 联邦滤波算法(续) * 7、融合导航算法进展（续） 联邦滤波算法不是最优算法，且稳定性无法得到保障（吴德平等，申功勋，2001）。 联邦滤波要求局部传感器采用Kalman滤波处理，且局部系统采用相同的转移矩阵和系统噪声矩阵，实际上许多导航仪内部处理模块并非采用Kalman滤波器。 联邦滤波在融合处理时往往对局部系统噪声矩阵进行统一放大，对高精度、高可靠性的传感器造成效率损失，而对低精度传感器的误差又得不到应有控制。 特点 7.1 联邦滤波算法(续) * 各局部传感器的滤波采用了相同的或相近的状态方程，导致主滤波器与各局部滤波器输出量之间以及各局部滤波器输出量之间不独立，其解不具有严格性和最优性。 如果状态方程出现扰动误差，将影响每个滤波器的性能，最终影响整体滤波效果，从而导致导航解的可靠性差。 特点（续） 7、融合导航算法进展（续） 7.1 联邦滤波算法(续) * 解决相关性问题的现有途径 忽略相关性？——动力学模型导致的相关性，本质上是动态载体扰动对所有传感器滤波结果影响的相关性，忽略这种相关性，有时会带来灾难性的导航结果。 各传感器采用不同的状态方程？——但同一动态载体一般很难建立多个独立的动力学模型。 相关数据融合滤波？——数据处理相当复杂。 改变采样间隔——又会产生同步问题。 7、融合导航算法进展（续） 7.1 联邦滤波算法(续) * 7.2 动、静态滤波算法（杨--武大学报2003） 7、融合导航算法进展（续） 思路 选择一个精度较高的传感器与动力学模型进行动态滤波解算，得到动态滤波结果； 其他传感器观测信息与动态滤波结果进行融合； 分别采用Kalman滤波原理和序贯平差原理。 * 动态滤波： ， 静态滤波： ， 静态滤波： ， 传感器2： ， 传感器3： ， 传感器 ： ， 状态向量估值 动、静滤波算法示意图 7、融合导航算法进展（续） 原理 7.2 动、静态滤波算法（续） * 特点 状态方程信息只在动态滤波阶段使用，随后的静态滤波只使用前一个传感器的滤波解作为状态预报值; 动、静态滤波很容易扩展成抗差滤波融合和自适应滤波融合; 动、静态滤波解与整体滤波解等价。 7、融合导航算法进展（续） 7.2 动、静态滤波算法（续） * 7.3 基于几何导航结果的自适应融合导航 (Yang et al. JON 2004) 若各传感器均有冗余观测信息，可直接从观测信息进行融合解算，并进行异常诊断及系统误差分析； 利用各传感器的几何导航解进行融合，不至于使某一传感器的异常信息污染其他传感器的导航结果，便于传感器的异常诊断； 直接融合观测信息一般不会重复使用动力学模型信息，因而不会造成各传感器输出量之间相关。 背景 7、融合导航算法进展（续） * 7、融合导航算法进展（续） 思路 各传感器观测信息分别进行单历元静态平差，获得几何导航解； 将综合几何导航解与动力学模型信息进行融合； 几何导航解算中可采用抗差估计； 与动力学模型信息进行融合时，引入自适应因子控制动力学模型异常的影响； 自适应因子采用几何融合导航结果与动力学模型信息的较差构造。 7.3 基于几何导航结果的自适应融合导航 (续) * 基于各传感器几何导航解的自适应融合导航 7、融合导航算法进展（续） 基本原理 7