随着汽车的逐渐普及,车载导航的使用也越来越多,全球定位系统(Global Position System, GPS)以其全天候、全球性以及实时性的导航优势在人们日常导航中起到了不可替代的作用,但是GPS信号在受到遮蔽情况下导航精度可能降低,甚至无法实现导航。对于惯性导航系统(Inertial Navigation System, INS)而言,其信号抗干扰能力好、数据输出率高、自主完善性高且能够提供载体的加速度和姿态等导航信息,但是其导航误差会随着时间的推移而逐渐增加。INS和GPS间具有良好的互补性,如果采用适当的融合技术,使导航信息结合,就能使得两个系统取长补短。卡尔曼滤波及其改进是一种常用的INS误差消除算法,但是此类方法适用于线性误差的情形,对于非线性误差的情形效果并不是很好。为了解决这一问题,一些基于人工智能的方法被提出,例如多层感知神经网络、径向基函数神经网络等。虽然此类方法可以预测非线性误差,但是复杂的算法容易增加输入输出间的非线性复杂度,从而造成过度拟合影响预测的准确性。本文提出一种基于回归森林的组合导航算法,避免了其中的过度拟合,也降低了计算的复杂度。前装车载导航在北美、欧洲和日本的预装率很高,但是其在国内的预装率却很低。随着各种智能终端的兴起,更多的人倾向于使用手机、PDA等智能终端作为日常出行的导航工具。当使用智能终端导航时,只能使用GPS功能来导航,导航效果并不理想,虽然多数终端配备了陀螺仪等惯导器件,但是由于手机等终端常处于一种不固定的状态,惯导设备无法正常工作,起不到补充作用。本文给出了一种解决方案,在考虑成本和易用性的情况下,为汽车配备一个车载导航模块,主要由GPS和惯导模块组成,通过蓝牙将导航数据发送到智能终端实现导航。在此硬件平台上实现了回归森林算法,系统采用非耦合的组合方式,当有GPS信号存在时,使用GPS数据实现导航,同时使用此数据和INS采集到的数据来训练算法,当GPS信号失效时,用INS采集到的惯导数据作为回归森林的输入,预测下一时刻系统的状态,实现导航。最后通过仿真我们验证了此算法对车辆速度和经纬度的位置误差都有很好的控制。通过跑车测试验证了算法在实际运行过程中也有很好的表现,并且与相同组合状态下的卡尔曼滤波相比,导航误差也较小,从均方根误差(RMSE)来看,回归森林算法在精度上提高了约41.89%。