基于序贯自适应滤波的SINSGPS组合导航方法.docx

基于序贯自适应滤波的SINSGPS组合导航方法
基于序贯自适应滤波的SINSGPS组合导航方法
摘要：本文提出了一种基于序贯自适应滤波的SINSGPS组合导航方法。该方法利用地面天线接收到的全球定位系统（GPS）信号和导航传感器（惯性导航系统，SINS）的测量值，通过序贯自适应滤波算法进行信息融合和状态估计，从而提高了导航精度和可靠性。实验结果表明，该方法在各种复杂环境下均能有效地实现导航任务。
1.引言
在现代导航系统中，全球定位系统（GPS）是一种最常用的定位技术。然而，由于GPS信号在城市峡谷、密集建筑物等情况下可能受到干扰或阻塞，单独使用GPS技术无法满足高精度和可靠性要求。为了克服这一问题，研究人员提出了一种将GPS与惯性导航系统（SINS）相结合的组合导航方法。
2.相关工作
组合导航方法主要分为两类：基于滤波的方法和基于优化的方法。前者通过卡尔曼滤波器等技术对GPS和SINS测量值进行融合，实现状态估计和导航任务。后者则基于优化算法，如粒子滤波和遗传算法，通过优化目标函数得到最优的导航解。
3.方法概述
本文采用的方法基于序贯自适应滤波算法（SAF）。该算法通过不断更新状态估计和协方差矩阵来减小导航误差，并且具有适应性和鲁棒性。具体而言，本文将GPS和SINS的测量值作为滤波输入，然后利用SAF算法对这些测量值进行信息融合，得到最优的状态估计。
4.算法细节
4.1系统模型
在SAF算法中，导航系统的状态可以表示为一个向量x，包括位置、速度和姿态等信息。系统模型可以表示为如下的线性状态方程：
x(k+1)=F(k)x(k)+G(k)u(k)+w(k)
其中，F(k)是状态转移矩阵，u(k)是控制向量，w(k)是系统噪声。
4.2观测模型
GPS和SINS测量值可以表示为如下的线性观测方程：
z(k)=H(k)x(k)+v(k)
其中，H(k)是观测矩阵，v(k)是观测噪声。
4.3SAF算法
SAF算法包括两个主要步骤：预测和更新。在预测步骤中，通过状态转移矩阵F(k)和控制向量u(k)对状态进行预测。然后，通过协方差预测得到预测误差的协方差矩阵。
在更新步骤中，通过观测模型计算卡尔曼增益，然后利用增益对状态进行修正。最后，通过协方差矩阵更新得到更新后的协方差矩阵。
5.实验结果
为了验证所提出方法的有效性，本文设计了一系列实验。实验结果表明，该方法在各种复杂环境下均能实现高精度和可靠性的导航任务。与传统的GPS导航方法相比，所提出的方法具有更低的误差和更好的鲁棒性。
6.结论
本文提出了一种基于序贯自适应滤波的SINSGPS组合导航方法。该方法通过利用GPS和SINS测量值，通过SAF算法进行信息融合和状态估计，提高了导航精度和可靠性。实验结果表明，该方法在各种复杂环境下均能有效地实现导航任务。未来工作可进一步研究如何优化算法参数以提高导航性能。