里程计辅助车载GNSS/INS组合导航性能分析

车载GNSS/INS组合导航中，GNSS信号易受外界干扰而失锁，导致INS独立导航误差迅速累积。为提高车载松组合导航系统的精度和完整性，使用里程计观测信息结合非完整性约束辅助车载组合导航。考虑里程计刻度系数误差和IMU安装角影响，推导出里程计的输出模型，给出基于卡尔曼滤波的里程计辅助GNSS/INS松组合的数学模型。设计GNSS信号中断的数据实验，结果表明，里程计能有效抑制组合导航系统误差发散，在GNSS中断60 s或10 min的情况下，位置精度提高超过90%。     

安卓智能手机GNSS数据筛选方案研究

通过设置两种不同的遮挡环境,对测地型接收机和智能手机静态采集的测量数据进行对比分析。结果表明,智能手机可接收部分非直射卫星信号,受多路径效应干扰明显。根据非直射卫星信号的数据特征设计智能手机原始GNSS数据筛选方案,静态定位实验结果表明,应用数据筛选方案能够显著提升智能手机在复杂环境下的定位精度。智能手机SPP定位算法和RTK定位算法平面方向的定位精度可提升20%~40%,高程方向的定位精度可提升30%~60%。     

BDS/INS深组合导航性能分析

通过对BDS/INS深组合导航进行较为全面的性能分析（重点针对INS辅助BDS捕获、跟踪环路机理及性能评判准则）发现,在INS辅助下可以显著提高BDS信号捕获灵敏度、缩短平均捕获时间,并可以维持环路的锁定跟踪状态以提高导航精度。同时,考虑GNSS接收机受到超强干扰或卫星信号受到持续遮挡等特殊条件,给出BDS/INS深组合的结构设计,并基于软件接收机对深组合导航系统性能进行仿真分析。该仿真结果对工程应用具有参考价值。     

基于非监督分类和图优化的GNSS多路径误差削弱方法

基于城市环境下采集的多系统GNSS数据研究非监督分类算法和图优化(factor graph optimization, FGO)算法对多路径误差的抑制能力。伪距单点定位(single point positioning, SPP)结果表明,基于K-means⁺⁺的非监督分类算法进行多路径信号分离时,在N、E、U方向的定位精度分别为3.61 m、2.90 m、8.14 m,较传统算法分别提升53.18%、55.18%、44.96%。图优化方法利用伪距和多普勒约束因子进行最优估计,在N、E、U方向的定位精度分别为0.94 m、1.34 m、2.78 m,精度分别提升82.1%、78.5%、82.0%。图优化算法对城市环境下GNSS定位的多路径误差抑制具有显著效果,可用于GNSS精密定位预处理阶段的异常卫星剔除和精确坐标初值获取,提高城市环境下GNSS定位性能。     

基于动态阈值的移动终端GNSS定位阴影匹配算法

阴影匹配算法可在城市峡谷中较好地提高移动终端GNSS定位精度,但是传统阴影匹配算法中用于判断卫星可见性的信噪比阈值为固定单一阈值,无法保证所有卫星可见性的判断正确,从而影响定位精度。针对以上情况提出基于动态阈值的阴影匹配算法,使每颗卫星的判断阈值随卫星几何可见性和信噪比可见性相互校正而改变。通过对手机GNSS原始定位结果及卡尔曼滤波后的定位结果进行两种阴影匹配算法计算及对比分析,结果表明,动态阈值法相对于单一阈值法平均点位误差在标准单点定位时可降低约15.1%,在卡尔曼滤波后可降低22.4%,定位精度均得到提升。     

基于非监督分类和图优化的GNSS多路径误差削弱方法北大核心CSCD

基于城市环境下采集的多系统GNSS数据研究非监督分类算法和图优化(factor graph optimization,FGO)算法对多路径误差的抑制能力。伪距单点定位(single point positioning,SPP)结果表明,基于K-means++的非监督分类算法进行多路径信号分离时,在N、E、U方向的定位精度分别为3.61 m、2.90 m、8.14 m,较传统算法分别提升53.18%、55.18%、44.96%。图优化方法利用伪距和多普勒约束因子进行最优估计,在N、E、U方向的定位精度分别为0.94 m、1.34 m、2.78 m,精度分别提升82.1%、78.5%、82.0%。图优化算法对城市环境下GNSS定位的多路径误差抑制具有显著效果,可用于GNSS精密定位预处理阶段的异常卫星剔除和精确坐标初值获取,提高城市环境下GNSS定位性能。     

Kalman滤波在GPS/BDS组合伪距差分定位中的应用

随着各国卫星导航系统的蓬勃发展,单一的GPS系统时代正逐步转变为多系统并存且兼容的全球性卫星导航系统(GNSS)时代。相比于单一卫星导航系统,多系统组合将显著增加可视卫星数目、改善卫星空间几何结构,多系统组合导航定位将是必然的发展趋势。滤波算法是减小GNSS定位随机误差的重要方法,利用非线性滤波方法可消除多种随机误差,从而提高导航定位精度。该文实现了基于Kalman滤波的GPS/BDS组合的伪距差分定位,并将其与最小二乘方法进行比较。实验结果表明:基于Kalman滤波的GPS/BDS伪距差分的定位精度能达到分米级,在差分定位解算过程中,多卫星系统伪距差分精度明显优于单卫星系统伪距差分精度,Kalman滤波解算的精度明显优于最小二乘解算的精度。     

极地地区多模GNSS精密单点定位精度分析

基于多模全球导航卫星系统（GNSS）与精密单点定位(PPP)技术,分析极地多模GNSS精密单点定位策略。通过一天一站解和一天多站解,对11种不同导航卫星系统组合下的精密单点定位结果进行实验分析。结果表明：1）各组合中BDS和Galileo组合的定位结果最差,与平均值相比定位精度的差值范围在0.4~1.3 cm之间;2）极地地区各组合N方向收敛时间的平均值为7~11 min,定位精度的平均值优于1.3 cm,明显优于E方向和U方向;3）相同环境下三系统组合较双系统组合在E、N、U方向的收敛时间分别缩短10.3%、14.1%、7.3%,在定位精度上分别提升9.6%、4.6%、11.7%;四系统组合较三系统组合在E、N、U方向的收敛时间分别缩短6.8%、－2.1%、2.0%,在定位精度上分别提升4.9%、－7.1%、5.3%。研究结果表明,三系统组合的定位性能较双系统组合提升明显,四系统组合较三系统组合定位性能改善不明显。     

零速修正在GNSS/INS紧组合导航中的应用研究

为研究零速修正在GNSS/INS紧组合导航中的应用,提出综合利用GNSS/INS紧组合解算速度、IMU原始数据和多普勒观测数据的零速判断准则以及零速状态下的紧组合数学模型,并通过车载测试进行验证。结果表明,该零速判断准则对载体静止状态的判断与实际情况吻合良好,零速修正能够有效抑制载体静止状态下的IMU传感器误差积累,尤其是在卫星观测质量不好时。相对于不使用零速修正,在较短静止时间内,采用零速修正算法可以使卫星信号正常时的载体位置、速度精度分别改善27%、35%;卫星信号中断30~120 s时,载体位置和速度精度分别改善16%~75%和87%~97%;但卫星信号正常与中断时,姿态改善效果都不明显。     

一种SINS/CNS/GNSS组合导航滤波算法

捷联惯性导航系统/天文导航系统/全球导航卫星系统（SINS/CNS/GNSS）构成的组合导航系统可有效提高飞行器的定位精度,而导弹等飞行器常用发射时刻的发射点惯性坐标系作为测量载体飞行的基准。为此,首先在发射惯性坐标系下推导并建立一种简洁的SINS/CNS/GNSS组合导航数学模型,该模型将SINS积分预报姿态四元数误差作为待估量,可避免姿态误差角与数学平台失准角之间的转换;然后分析定位误差导致的引力误差量级并合理简化,推导符合实际的精确测量噪声模型;最后利用扩展卡尔曼滤波器（EKF）实现SINS/CNS/GNSS三种信息的有效融合。算法仿真结果表明该方法的有效性,有利于工程实现。     

顾及时变非高斯噪声的高斯和滤波及其导航应用

高斯和滤波可利用高斯混合模型精化非高斯噪声随机模型来提高估计精度,但导航测量环境的动态性和复杂性使非高斯噪声具有时变性特征,若GMM不随之调整会导致滤波解算失真。针对该问题,本文提出一种基于位移参数自适应估计的高斯和滤波算法。首先分析GMM位移参数对非高斯噪声拟合精度的影响,然后利用位移参数自适应技术修正GMM,进而改善高斯和滤波性能。实验结果表明,当GNSS/SINS量测模型存在时变非高斯噪声时,本文算法的滤波结果较传统高斯和滤波算法的波动小,抗干扰能力强,在实际应用中可进一步改善估计精度和稳定性。     

一种顾及有色噪声的四星座GNSS动态导航滤波算法

经典Kalman滤波要求噪声是高斯白噪声，而动态GNSS定位的观测误差和状态预测误差往往是有色噪声。本文提出一种简便的有色噪声函数模型拟合滤波算法，采用前面历元的观测残差和状态残差建立有色噪声模型，削弱有色噪声对动态导航解算的影响。采用四星座GNSS接收机观测数据进行动态导航实验，结果表明，顾及有色噪声的动态导航滤波算法比未顾及有色噪声的经典Kalman滤波算法定位精度更高，三维位置精度提升9%以上。     

基于序贯UKF的GNSS/CNS/SINS组合导航最优融合算法

组合导航系统在动态环境下具有强非线性,为提高GNSS/CNS/SINS组合导航系统的导航精度,提出一种基于序贯UKF的多传感器最优融合算法。首先,建立GNSS/CNS/SINS组合导航系统的非线性状态方程及2个子滤波器的线性量测方程;然后,对标准UKF的量测更新过程进行简化,简化UKF算法具有与标准UKF算法相同的滤波精度,且具有计算量低的特性;最后,将序贯滤波算法与简化UKF算法结合,提出多传感器组合导航系统的序贯UKF最优融合算法。仿真结果表明,本文序贯UKF算法不仅可提高系统解算的实时性,并且相对于集中线性卡尔曼滤波算法及经典集中线性UKF算法具有较高的滤波精度。     

����ӦUKF��GNSS/INS����ϵ����е�Ӧ���о�

????IAE???????????????????????????ζ????????????????????GNSS/INS??????????????21??????????????????????????????????????в?????????????AUKF???????????????????????????????????????????????????????????????????????????????????????????Ч???δ????????????????????λ?????????49.38%??     

����ʱƵ����������GNSS/INS��ϵ��������˲�ģ��

??????????????????Kalman??????????????????????????Kalman?????????????????????????????????????????????????????????????GNSS/INS?????????????????????????????????????????????????????????????????????????????????????????Kalman??????????????