SINSGPS组合导航系统新算法的研究与实现的综述报告.docx

SINSGPS组合导航系统新算法的研究与实现的综述报告
SINSGPS组合导航系统是一种高效、精确并且可靠的导航系统，被广泛应用于航空、海洋、地图绘制和自动驾驶等领域。在组合导航中，SINS（StrapdownInertialNavigationSystem）和GPS（GlobalPositioningSystem）是两个常用的导航系统。SINS基于加速度计和陀螺仪的惯性传感器，可以提供精确的位置、速度和姿态信息。GPS则是全球卫星定位系统，通过接收卫星信号来确定位置。
然而，SINS和GPS各自也存在一些局限性。SINS会因为测量误差和系统漂移等因素而产生累积误差，如果长时间不进行校准，误差将会越来越大。而GPS则容易受到建筑物和自然环境的影响，定位不准确甚至失效。因此，组合导航是为了克服两种单独导航系统的缺陷，将它们结合起来以提高精度和可靠性。
在设计组合导航系统时，最常用的算法是卡尔曼滤波器。卡尔曼滤波器是用于确定对于那些无法直接观测但可以间接观测到的系统状态进行估计的算法，它可以将一系列时间序列观测数据通过线性的数学方法推断出下一个状态。在组合导航系统中，卡尔曼滤波器被用于将SINS和GPS的数据进行融合，依照一定的权重对两者的观测结果进行加权平均以提高精度。
然而，由于卡尔曼滤波器对于线性系统的假设，在非线性的系统中可能导致估计偏差和误差的积累。因此，近年来出现了一些新的算法，以改善组合导航系统性能。其中一些新算法包括粒子滤波、扩展卡尔曼滤波（ExtendedKalmanFilter，EKF）和无迹卡尔曼滤波（UnscentedKalmanFilter，UKF）等。
粒子滤波是基于MonteCarlo方法的一种无需假设线性模型，适用于非高斯型的状态方程和观测方程的滤波问题。粒子滤波通过一系列随机样本（粒子）来表示概率分布，并通过重要性重采样（ImportanceResampling）来重新加权，以估计状态的后验概率分布。这种方法相较于卡尔曼滤波器可以更好地处理非线性的问题，但同时却耗费大量计算资源。
扩展卡尔曼滤波器和无迹卡尔曼滤波器则是最常用的非线性滤波器。在这两种滤波器中，状态方程和观测方程可以是非线性的，并且估计的协方差矩阵能够更好地反映实际情况。EKF通过泰勒级数展开来线性化非线性函数，近似估计均值和协方差矩阵，比起粒子滤波更为高效，但其也存在精度退化和异常估计的问题。相比之下，无迹卡尔曼滤波器采用无迹变换的方式来避免EKF的线性化误差，精度更高且无需设置人工参数。然而UKF仍然无法很好地处理重尾分布、多峰分布以及具有不对称性（Skewness）或弯曲性（Kurtosis）的问题。
综合来看，随着导航领域的不断发展，新的组合导航算法也不断涌现，以处理更加复杂的系统和问题，如SINS与多频GPS的组合导航和基于深度神经网络的组合导航算法等。在选用算法时，应根据具体应用场景快速准确地定位需要实现的功能，权衡滤波器的运算速度与估计精度，才能实现高效可靠的组合导航系统。