基于不确定度理论改进的FKF 组合导航算法

魏德轩，曹 乐，韩学法

（上海工程技术大学 电子电气工程学院，上海 201620）

0 引言

随着无人机、无人车的发展，低成本组合导航系统的应用需求越来越多，对组合导航算法的精度、鲁棒性有了更高的要求。全球卫星导航系统（global navigation satellite system, GNSS）与捷联惯性导航系统（strapdown inertial navigation system,SINS）两种导航系统优势互补、成本低，在军用和民用领域有着广泛应用，是组合导航技术的热门研究方向。

目前针对GNSS/SINS 组合导航算法有基于人工智能领域的神经网络算法[1-2]和基于贝叶斯原理的传统信息融合算法。基于神经网络的组合导航算法，需要利用大量数据进行训练，效果受训练集数据影响较大。传统信息融合算法不需要大量数据进行训练，实时性好，其中卡尔曼滤波（Kalman filtering, KF）算法由于计算量小，对计算性能要求低，其应用更为广泛。在经典卡尔曼滤波组合导航算法中，综合利用了历史所有GNSS 的观测值，对SINS 进行校正，当滤波模型准确时，滤波的增益计算回路会逐渐收敛，新的观测值对状态估计的修正作用逐渐减小。因此，为了使状态估计能较好地适应观测值的变化，文献[3]开发了在线自适应遗忘因子滤波算法；文献[4]为了降低计算量，利用新息协方差计算渐消因子，提高了实时性；文献[5]为了提高滤波算法的精度和鲁棒性，设计了渐消记忆指数加权的新息协方差估计方法，并引入了多重渐消因子以实现对预测误差协方差阵的调节；渐消卡尔曼滤波（fading Kalman filter, FKF）效果较为依赖GNSS 观测值，然而GNSS 在城市高楼区、林荫道等场所易受干扰，噪声统计特性复杂[6]。……