一種慣性導航平臺和北斗衛星的高精度超緊耦合導航方法
【技術領域】
[0001] 本發明涉及一種慣性導航平臺和北斗衛星的高精度超緊耦合導航方法，適用于各 類搭載捷聯慣性導航平臺的運載體的高精度導航。 技術背景
[0002] 當今導航領域的兩大基礎導航方式是慣性導航系統（INS)和以GPS、BDS等為代表 的星基定位系統。同時，這兩種導航系統自身又存在較強的互補性，一直都是近年來組合導 航研究的熱點；慣性導航具有強自主性、不受環境影響、短期內導航精度高等優點；衛星導 航具有定位精度高，時間穩定性較好的特點。兩者的工作特性恰好在性能上互補，衛星導航 可以加快慣性導航的初始對準時間，改善精度的時間漂移性；而慣性導航可以在衛星導航 失鎖的時候進行獨立的導航，繼續提供定位信息。當前的典型組合方式有松耦合、緊耦合和 超緊耦合三種方式，其中以超緊耦合對于導航性能的提升最為顯著。松耦合組合方式下，慣 導和衛星獨立工作，并將兩者導航數據進行處理用于反饋慣導進行修正；緊耦合組合方式 下，衛星提供的用于對慣導慣性測量單元（MU)進行校正的是信息是偽距、載波相位等用 于定位解算的原始信息；超緊耦合方式相對于緊耦合還要完成將INS的量測信息反饋給接 收機或者直接利用MU量測信息輔助衛星的碼跟蹤環和載波跟蹤環，提高了接收機的跟蹤 鎖定能力。
[0003] 但是，在整體方向上，超緊耦合多數只局限于基于GPS和SINS相結合的研究；而由 于GPS的信號控制并非我國所掌握，極容易出現導航信號限制甚至喪失導航能力的情況； 因而將組合導航應用于我國自主研制的北斗系列導航衛星已成為當前的一大主要研究方 向，也是本專利的主要研究方面。
[0004] 組合導航的相關研究，現已有諸多成果。周啟帆設計了一種基于冗余測量的自適 應卡爾曼濾波算法，并成功應用于GPS/SINS的組合導航，取得了較為顯著的性能提升，但 只應用于了兩系統獨立工作的松耦合系統中；張靜嫻提出了一種基于神經網絡的分布式卡 爾曼濾波算法，但只用于松耦合，同時也只能對SINS進行位置和速度的校正，具有較強的 局限性；于潔、孫熙、宋高順等都針對超緊耦合進行了不同方向的研究，但最終均存在非線 性計算量巨大或者時間相關性強的性能問題。
[0005] 超緊耦合對于組合導航而言，是一種新概念導航方式，具有較高的實用意義和性 能參數，但同樣的，其系統復雜度也是最高的。因此，如何在保證超緊耦合的工作效能的基 礎上，簡化計算，提高系統魯棒性和普適性，就成為當前研究的主要方向和重點難點所在。
【發明內容】
[0006] 本發明的技術解決問題是：為了避免在超緊耦合實現過程中的非線性計算量巨 大、接收機信號時間相關性以及系統測量誤差等存在性能限制的問題，提出了一種基于慣 性導航平臺和北斗衛星的高精度超緊耦合導航方法。該方法不僅實現了超緊耦合的雙向調 節功能，同時降低了環路跟蹤誤差與更新時間的相關性，通過冗余測量修正了 SINS/BDS的 測量系統誤差，并采用神經網絡實現系統對于BDS接收機性能的調整，為搭載捷聯慣導的 運載體導航提供了一種全新的技術途徑。
[0007] 本發明的技術解決方案是：根據運動物體狀態方程及測量方程建立隨機線性定常 離散系統模型；利用對系統的冗余測量值的差分序列進行統計分析，實現基于冗余測量的 卡爾曼濾波算法，準確的估計了系統量測噪聲并自適應調節捷聯慣導（SINS)和北斗衛星 (BDS)噪聲方差R ;根據超緊耦合傳統結構，引入神經網絡預測模塊，用于輔助失鎖狀態下 的北斗衛星載波跟蹤環和碼跟蹤環；在北斗衛星接收機中添加時滯濾波模塊，顯著改善了 超緊耦合系統中的環路跟蹤誤差與更新時間的相關性。具體包括以下步驟：
[0008] (1)根據運動物體狀態方程及測量方程建立隨機線性定常離散系統模型：
[0009] 首先構造 SINS和BDS對應的狀態方程，BDS/SINS的狀態分量的轉移過程滿足如 下等式：
[0012] 于是，歸結上兩式為：
[0013] Xk= Φ k,klXk !+TkjklWkI
[0014] 而后進行測量方程的分析，BDS/SINS的觀測值變化規律滿足如下等式：
[0015] Zk,SINS - H k> siNs\, SINS+\, SINS
[0016] Zk, BDS - H kj BDs\, bds+\, BDS
[0017] 于是，同樣歸結上面兩式為：
[0018] Zk=HkXk+Vk
[0019] 則最終得到組合導航系統的狀態方程和測量方程，以此表征系統的狀態變化和觀 測值變化規律，作為系統模型的構建規律：
[0021] 狀態方程式中，Xd SINS/BDS系統的η維狀態變量；Φ k, k為系統的η X η維狀 態轉移矩陣；Γ k,k η X ρ維系統過程噪聲輸入矩陣;W k i為ρ維系統隨機過程噪聲序列；
[0022] 測量方程式中，Zk為測量系統的m維觀測序列，即測量值；HkSm X η維觀測矩陣； VkSm維系統隨機觀測噪聲序列；
[0023] 上面兩式中Xk包含的狀態分量有：
[0025] 其中，下標E、N、U分別代表東、北、天三個方向；下標X、y、ζ分別代表待導航機體 的右、前和上軸向；Φ為慣導平臺誤差角；δ vE等表示速度誤差；δ L、δ λ和δ h分別表示 三個方向的位置誤差；ε bx等表示陀螺漂移；Vx等表示加速度計漂移；
[0026] 在自適應卡爾曼濾波的關鍵步驟就是針對測量噪聲的準確估計，即需要對Vk的性 質和參數進行準確的分析。
[0027] (2)基于冗余測量的卡爾曼濾波算法，實現噪聲方差的自適應估計與調節：
[0028] 在系統量測噪聲未知的條件下，通過針對系統冗余值的一階二階差分分析，獲得 統計特性，進而自適應調節方差；
[0029] 首先，兩個測量系統的差分序列表達式為：
[0031] 于是可以得到系統的二階差分序列：
[0032] Δ Ζ「Δ Z2 「00331 誦忖計筧二階差分序列的自相關可得：
[0035] 其中V1 (k)和V2GO為不同測量系統下的觀測噪聲；
[0036] 由于V1 (k)和V2GO均為零均值白噪聲且不具有時間相關性：
[0038] 于是，二階差分序列自相關可以簡化為：
[0040] 即表達為下式：
[0041] E [ ( Δ Z1- Δ Z2) ( Δ Z1- Δ Z2)T] = 2 (RfR2)
[0042] 計算兩個一階差分序列自相關：
[0045] 由于V1GO和^〇〇均為零均值白噪聲，上兩式化簡并相減得到：
[0049] 將對應的SINS/BDS系統差分序列代入上式：
[0051] 其中：
[0052] A Zsb - Δ Z SINS_ Δ Zbds
[0053] 式中，Δ ZsinsS SINS的測量系統的一階差分序列；Δ Z BDS為BDS測量系統的；Δ Z BDS為SINS和BDS的二階差分序列；
[0054] 在實際工程中采用劃窗方式保證計算結果的實時性，上式中，k表示當前測量時 亥|J，M為劃窗長度；實際選取k-M:k范圍內的信息作為參考值，以此保證自適應的實時效 應