动态导航函数模型自适应补偿理论及应用

结题报告

项目介绍

AI项目解读

基本信息

批准号：
41804036
项目类别：
青年科学基金项目
资助金额：
24.0万
负责人：
杨诚
依托单位：
中国地质大学（北京）
学科分类：
D0402.卫星大地测量学
结题年份：
2021
批准年份：
2018
项目状态：
已结题
起止时间：
2019-01-01 至2021-12-31

项目参与者：
张深玉；张猛；郑艳丽；张同同；陈天东；
关键词：
自适应估计函数模型抗差估计卫星导航融合导航

项目摘要

The adaptive integration of Inertial Measurement Units (IMUs) and Global Navigation Satellite System (GNSS) is popular yet challenging research topic, with the key issue of adaptively tuning the prior information based on the system differences to obtain the accurate estimated state vector. Nevertheless, in terms of the model error, the current tuning method fails to consider its effects on the state vector estimation, causing the compromised model prediction accuracy and difficulties to maintain the system accuracy without GNSS measurements. This project therefore focuses on constructing the adaptive compensation theory of function model for integrated navigation system based on robust adaptive estimation or robust Unscented Kalman Filter (UKF) estimation. The theory is based on the residual sequences, (1) applying spectral analysis to the residual sequence and predicting the model error online; (2) using the Artificial Neural Network (ANN) to study the residual sequences and predict the model error based on the trained data online. From the application perspective, the proposed theory can not only adaptively tune the model error online, but also maintain the prediction accuracy of the model in case of loss of GNSS signal.

GNSS和IMU组合的自适应融合导航是近年来的研究热点，其核心是基于系统的不符值对先验信息进行自适应调节，目的是获得精度较高的估计状态向量。然而，目前的方式是基于固定的函数模型，用随机模型调节法顾及函数模型本身的误差，并不对函数模型本身进行改造或重建，往往导致模型预报的状态向量精度较低。本项目拟在抗差自适应估计准则或者抗差UKF准则下，基于状态残差序列，建立动态导航函数模型自适应补偿模型。（1）使用谱分析建模，识别模型误差的系统性变化、周期变化，并构建函数模型误差补偿模型；（2）尝试使用人工神经网络学习法对残差序列进行学习，并预报函数模型误差。应用上，该模型可以在线学习并自适应地预报函数模型的误差，当缺少观测数据的时候，该技术途径可望延长函数模型的精度，减弱IMU观测误差的累积影响。

结项摘要

GNSS与IMU组合的多源组合导航系统，往往使用卡尔曼滤波对不同的噪声信息进行融合。由于动力学模型和观测信息的不确定性，导致组合系统的定位精度下降。因此，本课题通过构建非线性抗差估计阶的准则，推导了基于无迹卡尔曼滤波的M-M滤波算法，实现了动力学模型误差的识别与补偿，并且抑制了观测粗差对状态参数估计的影响。进一步，基于频谱分析，构建模型误差补偿函数，实现GNSS缺失情况下的模型误差预报和补偿，提高了在无观测情况下的组合导航系统定位精度。在城市复杂环境下，利用无监督学习，对非视距误差和多径误差的进行了识别分类，提高了GNSS观测精度。主要工作和相关结论如下：.（1）基于相关推论构建的非线性卡尔曼滤波的通解，进一步构建了非线性抗差估计解的准则，该算法可在复杂环境下智能地识别异常观测误差与动力学模型扰动，并自动地施加相应的误差影响抑制因子。该算法为未来的泛在和智能导航定位提供了一种稳健估计准则。该算法适合于多传感器弹性集成和组合导航。.（2）基于误差时间序列的构建的补偿函数，可以为动力学模型的动态误差建模提供先验信息，并进一步实现系统误差向量的预报，提高了动态导航解的靠性。.（3）在城市复杂环境下，利用无监督学习，可有效识别GNSS的视觉信号、多路径信号和非视距信号，提高组合导航系统的观测精度。.（4）北斗全球系统播发的区域PPP-B2b信号能够在服务区域内实现厘米级静态精密定位，其定位精度优于IGS提供的实时精密定位服务。然而，在服务区域边界地区，由于受到PPP-B2b可用性的影响，边界区域的动态精密定位能达到分米级，稍逊于IGS提供的实时精密定位服务。