基于聯(lián)邦強(qiáng)跟蹤卡爾曼濾波的組合導(dǎo)航關(guān)鍵技術(shù)研究.pdf

1、導(dǎo)航定位技術(shù)伴隨科技發(fā)展而產(chǎn)生。傳統(tǒng)的導(dǎo)航系統(tǒng)雖然單獨(dú)使用都能實(shí)現(xiàn)定位導(dǎo)航，但是都存在著一些缺陷，如全球定位系統(tǒng)(Global Positioning System，GPS)短時間內(nèi)定位精度高，然而定位精度易受外界環(huán)境干擾;慣性導(dǎo)航系統(tǒng)(Inertial Navigation System，INS)是一種自主式導(dǎo)航系統(tǒng)，然而其定位誤差會隨著時間累積。為了充分發(fā)揮各系統(tǒng)的優(yōu)勢，取長補(bǔ)短，組合導(dǎo)航技術(shù)應(yīng)運(yùn)而生。常見的組合導(dǎo)航模型是GPS+I

2、NS，即用GPS輔助INS消除累積誤差，從而實(shí)現(xiàn)精確導(dǎo)航定位。而本文提出了一種新的三傳感器組合導(dǎo)航系統(tǒng)，同時利用多普勒計(jì)程儀(Doppler Velocity Log，DVL)的速度信息和GPS的位置信息來消除INS誤差。這種新的組合導(dǎo)航模型能夠解決GPS+INS模型在GPS接收不到信號時無法修正INS誤差的問題，同時適用的范圍更廣，精度更高。
　　另一方面，導(dǎo)航估計(jì)算法也是近些年來研究的熱點(diǎn)。傳統(tǒng)的估計(jì)算法有適用于線性模型的卡爾

3、曼濾波(Kalman Filter，KF)算法，適用于非線性模型的擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF）算法，具有魯棒性能的強(qiáng)Sage-Husa自適應(yīng)KF算法以及適用于信息融合的聯(lián)邦卡爾曼濾波(Federated Kalman Filter，F(xiàn)KF)算法等。為了更好的比較各算法的估計(jì)性能，本文首先提出了一個新的算法性能指標(biāo):殘差方差，并基于正交性原理推導(dǎo)驗(yàn)證了該指標(biāo)的可靠性。其次本文還分別推導(dǎo)了KF算法的

4、殘差方差在三種非理想條件下包括系統(tǒng)模型不準(zhǔn)確、初始值設(shè)置有誤、狀態(tài)存在突變的具體表達(dá)形式，通過推導(dǎo)比較發(fā)現(xiàn)這三種非理想情況下KF算法的估計(jì)性能都不佳。而強(qiáng)跟蹤濾波(Strong Tracking Filter，STF)算法由于引入了漸消因子，能夠保證殘差無論在哪種非理想條件下都能滿足正交性原理，即STF算法具有更強(qiáng)的估計(jì)性能，估計(jì)效果更好。最后本文建立了基于航位推算的單GPS導(dǎo)航仿真模型來驗(yàn)證這兩種算法的性能，通過仿真實(shí)驗(yàn)可以證明在非理

5、想條件下STF算法的性能優(yōu)于KF算法性能。
　　基于三傳感器組合導(dǎo)航模型的建立及算法性能的分析，本文提出了一種基于魯棒自適應(yīng)聯(lián)邦強(qiáng)跟蹤卡爾曼濾波算法(Robust Adaptive Federated Strong Tracking Kalman Filter，RAFSTKF)的GPS+INS+DVL組合系統(tǒng)來進(jìn)行高精度導(dǎo)航定位。該算法主要包括兩部分:局部濾波和主濾波器信息融合，其能充分利用GPS+INS+DVL各自的觀測信息，其

6、中兩個局部濾波器均采用STF算法，狀態(tài)變量都是INS的誤差，不同的是觀測輸入量分別是GPS與INS的位置誤差和DVL與INS的速度誤差。主濾波器首先采用無權(quán)重的最小二乘濾波來得到全局次優(yōu)估計(jì)，即主濾波器的輸入量直接融合，其次再采用基于直接融合的加權(quán)最小二乘自適應(yīng)濾波來得到全局最優(yōu)估計(jì)，即主濾波器輸入量的自適應(yīng)融合，其中各局部估計(jì)值與一步預(yù)測值的權(quán)重系數(shù)依據(jù)其與全局次優(yōu)估計(jì)的差向量的二范數(shù)來確定。最后得到的全局最優(yōu)估計(jì)反饋給INS修正其誤