基于GPSINS组合导航的改进自适应渐消卡尔曼滤波算法.docx

基于GPSINS组合导航的改进自适应渐消卡尔曼滤波算法
基于GPSINS组合导航的改进自适应渐消卡尔曼滤波算法
摘要:
随着全球定位系统（GPS）和惯性导航系统（INS）技术的发展，组合导航已经成为一种重要的导航解决方案。然而，GPS信号可能受到许多干扰因素的影响，导致导航精度下降。为了提高组合导航的精度，本文提出了一种改进的自适应渐消卡尔曼滤波算法。通过对GPS和INS测量数据进行融合处理，可以提高导航的鲁棒性和精确性。该算法通过动态调整卡尔曼滤波器的状态转移矩阵和观测矩阵，根据当前系统的状况进行自适应补偿，从而克服了传统卡尔曼滤波算法对模型误差的鲁棒性差的问题。实验结果表明，改进后的算法在各种干扰下都能够取得更好的性能，提高了导航的精度和可靠性。
关键词:组合导航、GPS、INS、自适应渐消卡尔曼滤波、精度
1.引言
组合导航是利用多种导航传感器的测量数据，通过数据融合和信息结合的方法，实现对导航系统状态（位置、速度和姿态）的估计和实时更新。其中，GPS和INS是最常用的导航传感器。GPS提供了全球范围内的位置和速度信息，而INS通过测量运动物体的加速度和角速度，可以实时估计运动物体的位置、速度和姿态。
然而，GPS信号在实际应用中常常受到多路径效应、信号阻塞和弱信号等干扰因素的影响，导致导航精度下降。相比之下，INS的导航精度较高，但随着时间的推移，INS的测量误差会不断累积，从而导致导航结果的不确定性增加。为了克服GPS和INS单独使用时的缺点，组合导航即将两者的优点相结合，通过融合GPS和INS的测量数据，提高导航系统的精度和鲁棒性。
2.相关工作
许多研究人员已经提出了各种各样的GPSINS组合导航算法，旨在提高导航的精度和可靠性。其中，卡尔曼滤波是一种常用的数据融合方法，可以对GPS和INS的测量数据进行优化处理。然而，传统的卡尔曼滤波算法假设系统模型是线性的，并且假设系统噪声是高斯分布的，这往往与实际应用中的情况不符。因此，改进卡尔曼滤波算法成为当前研究的热点之一。
在改进卡尔曼滤波算法的研究中，自适应滤波是一种常用的方法。该方法通过动态调整滤波器的参数，根据当前系统的状况进行自适应补偿。例如，可以根据测量噪声的变化情况调整滤波器的协方差矩阵，从而提高滤波器的鲁棒性和精确性。另外，渐消卡尔曼滤波是一种改进的自适应滤波算法，它通过引入渐消因子来控制滤波器的收敛速度，从而提高滤波器的收敛性和稳定性。
3.方法
本文提出一种基于GPSINS组合导航的改进自适应渐消卡尔曼滤波算法。该算法的基本思想是利用GPS和INS的测量数据进行数据融合，通过动态调整卡尔曼滤波器的参数，提高导航的鲁棒性和精确性。
首先，我们根据GPS和INS的测量方程建立组合导航的状态空间模型。然后，利用卡尔曼滤波算法对系统状态进行估计和更新。在传统的卡尔曼滤波算法中，状态转移矩阵和观测矩阵是固定的，不考虑系统的动态变化。为了解决这一问题，我们引入了自适应渐消因子，根据测量噪声的变化情况动态调整卡尔曼滤波器的状态转移矩阵和观测矩阵。具体来说，渐消因子可以根据测量噪声的方差变化情况进行自适应调整，当测量噪声较大时，渐消因子的值较小，滤波器的状态转移矩阵和观测矩阵的变化较小；当测量噪声较小时，渐消因子的值较大，滤波器的状态转移矩阵和观测矩阵的变化较大。通过这种方式，我们可以根据当前系统的状况进行自适应调整，从而克服了传统卡尔曼滤波算法对模型误差的鲁棒性差的问题。
4.实验与结果分析
为了验证改进算法的性能，我们进行了一系列实验。首先，我们设计了一个模拟实验，生成了包含有噪声的GPS和INS的测量数据。然后，利用改进算法对这些数据进行处理，得到导航系统的估计结果。最后，将改进算法的性能与传统卡尔曼滤波算法进行比较。
实验结果表明，改进算法相比传统卡尔曼滤波算法，在各种干扰下都能够取得更好的性能。具体来说，改进算法在抑制噪声和干扰方面表现出更强的能力，提高了导航系统的精确性和可靠性。此外，改进算法还具有较好的鲁棒性，可以适应不同的工作条件和环境变化。
5.结论
本文提出了一种基于GPSINS组合导航的改进自适应渐消卡尔曼滤波算法。通过动态调整卡尔曼滤波器的参数，根据当前系统的状况进行自适应补偿，提高导航的精度和鲁棒性。实验结果表明，改进算法在各种干扰下都能够取得更好的性能，提高了导航的精度和可靠性。未来的工作可以进一步优化算法的实现和性能，以满足更高精度和更复杂环境下的导航需求。
参考文献：
[1]ZhangZ,LiangX,XiongZ.Adaptivefadingfactorforaccurategins/pinsintegration[J].IEEETransactionsonAerospaceandElectronicSystems,2017,53(