论文部分内容阅读
基于惯性导航系统(INS)和卫星导航系统(GNSS)的组合导航系统通过互补能够提高系统的导航能力，改善单一导航系统的弱点，是当前导航研究领域的主要方向。在组合导航的研究问题中，信息融合问题一直以来都是组合导航研究的重点和难点。尽管由于卡尔曼滤波的提出，为惯性导航系统和卫星组合导航系统的结合提供了理论上的支持，但是实际情况中并不存在理想的线性系统，因此学者们提出了很多改进的滤波算法来提高组合导航系统的精度。如扩展卡尔曼滤波(Extened Kalman Filter)，无迹卡尔曼滤波(Unscented Kalman Filter)，H滤波，粒子滤波(Parter Filter)，以及神经网络相结合的滤波算法，并对各种滤波算法进行了不同程度的改进。本文主要围绕GPS/SINS组合导航系统及其滤波方法进行了研究。(1)本文首先对GPS导航系统和惯性导航系统的原理进行了简单介绍，然后分析了两个系统的误差并建立了它们的误差模型，在GPS和INS误差分析的基础上建立了GPS/SINS松耦合组合导航系统以及GPS/SINS紧耦合组合导航系统的状态模型和量测模型。(2)其次对组合导航系统中经典的滤波算法进行了详细的介绍和分析，其中无迹卡尔曼滤波(Unscented Kalman Filter)算法和粒子滤波(Parter Filter)算法都不需要将非线性系统线性化就可以进行滤波，但是无迹卡尔曼滤波(Unscented Kalman Filter)依赖于高斯分布；尽管粒子滤波(Parter Filter)完用于非线性、非高斯情况，但受到粒子退化、粒子贫化以及计算量高等缺点的影响。已经提出的改进的粒子滤波主算法要有，改进粒子滤波重要性函数的滤波算法，引入重采样的滤波算法以及智能化的滤波算法等。(3)本文提出了采用无迹的RTS固定区间平滑算法来改善粒子滤波的重要密度函数从而提高组合导航信息融合算法的滤波精度，并且引入Rao-Blackwell定理来解决维数较高的组合导航系统运算量较大的问题。最后使用MATLAB7.1对GPS/SINS紧耦合组合导航系统进行了仿真分析，结果表明本文提出的滤波方法与无迹卡尔曼滤波相比对导航精度有明显的改善。