基于维数约简的GNSS/SINS深组合导航系统的制作方法

本发明涉及导航领域的gnss/sins深组合导航系统，具体是一种基于维数约简的gnss/sins深组合导航系统。

背景技术：

全球导航卫星系统(globalnavigationsatellitesystem,gnss)和惯性系统(ins/sins)的组合是最常见的组合导航方式之一。因为gnss和sins都有着自身的优缺点，而这些优缺点具有优势互补的特点。比如，sins具有不依赖外界信息，完全独立自主地提供多种较高精度的导航参数(位置、速度、姿态)的优点，具有抗电子福射干扰、大机动飞行、隐蔽性好的特点，然而它的导航参数误差随时间积累，不适合长时间的独立导航。gnss作为能全球、全天候实时导航的系统，定位和测速精度都较高，且误差与时间无关，但是卫星信号受到屏蔽和遮挡，或者是载体在作高动态运动时，gnss接收机不易捕获和跟踪卫星信号，接收机就无法定位，另外，gnss接收机的信号输出频率有时也不能满足对导航信号更新频率的要求，因此，在对可靠性要求较高的场合gnss导航也受到限制。

gnss/sins系统具有全天候(全时间的优点，但易受电磁干扰，高动态下可能出现丢星失锁情况。gnss/sins导航系统能够自主运行，不依赖外部信息，也不向外部发射信息，但导航精度随时间降低。gnss/sins组合导航系统充分利用了sins短期精度高、抗干扰能力强和gnss长期精度高的优点，取长补短，获得比单独使用任何一种导航设备都优良的性能。

gnss/sins组合导航按照组合结构的不同可分为松组合、紧组合、超紧组合和深组合四种模式。松组合和紧组合分别将gnss子系统输出的位置、速度信息和伪距、伪距率信息同sins子系统的输出进行信息融合，利用卡尔曼最优估计算法产生各导航参数的误差修正量，周期性地校正sins，达到提高sins精度的目的。超紧组合是在紧组合的基础上使用惯性辅助技术，通过惯性信息估计载体多普勒频率，并利用估计结果反馈控制跟踪环路，卫星与惯导相互辅助，性能都得到了提升。

深组合与超紧组合的不同之处在于超紧组合以传统的标量跟踪为基础而深组合以矢量跟踪为基础。深组合将gnss跟踪信息作为观测量，通过卡尔曼滤波器将所有通道信息耦合在一起，相较于标量跟踪中各卫星通道的独立处理，矢量跟踪加强了卫星数据之间的融合，同时深组合中采用卡尔曼滤波器代替传统的环路滤波器，提高了跟踪精度。

集中式的深组合导航滤波器需要估计的状态变量维数巨大，如integratedguidancesystem公司开发的igs-2xx惯性/gps深组合系统采用了49维的状态模型进行集中滤波，draper实验室的方案中采用了一个42维的集中滤波器，这导致其计算负担过重。

技术实现要素：

本发明的目的在于提供一种基于维数约简的gnss/sins深组合导航系统。利用维数约简、高动态场景降噪、信息融合预测、滤波更新周期选取等关键导航技术，引入机器学习方法对系统信号处理算法进行优化与扩展，提升深组合导航技术在新型应用场景下的现代化定位、导航及授时的服务水平。

实现本发明目的的技术解决方案为：一种基于维数约简的gnss/sins深组合导航系统，包括gnss信息采集输入端、n个通道、n个维数约简模块、组合导航滤波器和sins惯性导航系统；n个通道对应n个维数约简模块，通道包括相关器和码/载波nco；

gnss信息采集输入端将采集的信息通过通道中的相关器转变为基带i/q信息，每个基带i/q信息输入维数约简模块进行维数约简和特征变换，处理后的基带i/q信息输入到组合导航滤波器中，同时星历和惯性导航系统的输出信息输入到组合导航滤波器，得到导航信息的码/载波跟踪误差估计；组合导航滤波器输出码/载波跟踪误差估计反馈给通道中的码/载波nco控制器，每个码/载波nco控制器将码/载波跟踪误差估计传输到对应通道中的相关器，相关器输出导航信息的基带i/q信息，每个基带i/q信息输入维数约简模块进行维数约简和特征变换，处理后的基带i/q信息输入到组合导航滤波器中进行滤波，最后经由惯性导航系统输出。

本发明与现有技术相比，其显著优点为：(1)本发明提出用维数约简的方法来改善集中式深组合导航滤波器的计算性能。在深组合导航信息滤波过程中进行数据维数约简，可以压缩数据以降低滤波器计算量和存储量，去除噪声的影响，从数据中提取特征以便进行分类，将数据投影到低维可视空间，以便于分析数据的分布及相关性。(2)本发明提高了gnss接收机的动态特性和抗干扰性，提高其在资源受限环境下跟踪卫星的能力。同时改善sins惯性传感器的校准、惯导系统的空中对准、惯导系统高度通道的稳定等水平，有效地提高惯导系统的性能和精度；形成一种以数据维数约简理论为基础的新型定位、导航和授时(pnt)应用服务体系，为用户提供任何时候、任何地方、全时段全空间的无缝服务。

附图说明

图1是按照本发明实现装置描述的一个基于维数约简的集中式相干深组合导航模式工作原理图。

图2是基于维数约简的级联式相干深组合导航模式工作原理图。

图3是基于维数约简的vdf结构非相干深组合导航模式工作原理图。

图4是mhal示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

1、设计和搭建深组合导航快速融合系统架构

深组合中，所有通道的导航信息输入到同一个组合导航滤波器，反馈数字控制振荡器(nco，numericallycontrolledoscillator)修正信息，对nco形成控制，完成跟踪过程。按照i、q支路信号是否被组合导航滤波器直接利用，gnss/sins深组合导航可以分为两大类：相干深组合和非相干深组合。相干深组合按照是否分级滤波又可分为集中式相干深组合与级联式相干深组合；非相干深组合按照应用矢量跟踪环的结构可分为vdf非相干深组合与vdcap非相干深组合。本发明将系统分析维数约简方法应用于集中式相干深组合导航系统。

深组合导航系统是直接融合gnss接收机的基带i/q信息与惯性信息，而集中式深组合导航系统是对gnss/sins深组合概念最为直观的描述。其工作方式是直接将相关器的输出作为组合导航滤波器的观测量，对组合导航滤波器修正后的导航参数进行变换反馈控制码/载波nco。引入维数约简及特征变化的相干集中式深组合导航模式工作原理如图1所示。

2、滤波时，利用维数约简降低gnss/sins深组合导航系统计算量

深组合导航滤波器需要估计的状态变量维数巨大，本发明根据gnss/sins深组合信息融合的机理，为组合滤波器构建多维滑动窗口数据流相关性分析模型，然后提出一种基于低阶近似的维数约简方法，降低系统计算量。

1)gnss/sins系统的状态方程

sins的误差状态方程:

式中:变量依次表示三个方向上的位置误差、速度误差、平台失准角、陀螺随机漂移、陀螺一阶马尔科夫过程和加速度计零偏。

gnss的误差状态通常取两个与时间有关的量：一个是时钟误差引起的等效距离率误差δtu，另一个是时钟误差频率引起的等效距离率误差δtru。

gnss的误差状态方程:

式中：xg(t):＝[δtuδtru]^t，wg(t)＝[wtuwtru]^t，

合并sins和gnss的误差状态方程，得到系统的状态方程：

即：

2)深组合导航伪距差量测方程及系统量测方程

选取sins和gnss的伪距差和伪距率差作为组合导航系统的观测量。

设sins在地固系中的位置为(xiyizi)，第j颗卫星在地固系中的位置为(xsjysjzsj)，那么sins到卫星的伪距ρij为:

设sins位置的坐标真值为(xyz)，则上式在(xyz)处泰勒展开且舍去二阶以上的高阶项：

令：

显然有：

则：ρij＝rj+ejxδx+ejyδy+ejzδz

gnss接收机相对于第j颗卫星测得的伪距为：ρgj＝rj+δtu+vρj

所以，伪距差量测方程为：δρj＝ρij-ρgj＝ejxδx+ejyδy+ejzδz-δtu-vρj

即：zρ(t)＝hρ(t)x(t)+vρ(t)

假设有m颗有效卫星参与gnss的解算，那么式中

zρ(t)＝[δρ1δρ2…δρm]^t

sins与第j颗卫星间的伪距变化率为：

因为：

所以：

式中：

由gnss接收机测得的与第j颗卫星间的伪距变化率为：

所以伪距率差的量测方程为：

即：

同样假设m颗有效卫星参与gnss的解算，那么式中：

从而得到系统的量测方程为：

3)状态方程和量测方程的离散化

将状态方程式和量测方程式离散化可得：

xk＝φk,k-1xk-1+γk-1wk-1

zk＝hkxk+vk

式中:t为迭代周期，实际计算时，取有限项即可。

状态方程和量测方程中的系统噪声和量测噪声具有如下性质：

e{w(t)}＝0，e{v(t)}＝0，

e{w(t)w^t(τ)}＝q(t)δ(t-τ)，e{v(t)v^t(τ)}＝r(t)δ(t-τ)

e{wk}＝0，e{vk}＝0

qk,rk和q(t),r(t)的关系可近似为：

4)利用维数约简对组合滤波器多维滑动窗口数据流进行相关性分析

为了提高高维gnss/sins观测量计算的效率，本发明提出一种基于近似技术的快速维数约简算法，其核心思想是使用增量计算模式和具有精度保证的低阶近似技术提高相关性分析的效率，解决高维观测量信息的快速分析问题。

在turnstile模式的基础上，定义适合于多维数据流分析的滑动数据流窗口模式。多维数据流…ai…可定义为多维信号x到实数集上的一个映射：x[1..,n]→r^p，每个ai是对x[j]更新的值。ai＝(j,δi)其含义为xi[j]＝xi-1[j]+δi，δi可能为正也可能为负，表示在时刻t的p维更新向量，其中每个分量δi,t(i＝1,2,..,p)表示一个属性的更新值。向量δi只能读取一次，按照索引(时间戳)i增加的顺序流入。定义包含组合滤波器最近n项矢量元素的序列at-n+1,…,at为多维滑动窗口数据流模式。

在某一时刻组合滤波器多维滑动窗口数据流模式对应于一个矩阵。为了实现实时的融合预测分析，需要使用少量属性维形成的简单矩阵代替原来的高维矩阵。矩阵的低阶近似是有效的高维数据约简技术，其含义是：给定矩阵am×n找到一个秩至多为k的矩阵d*，使即使尽可能小。低阶近似的另一种描述是，如果将a的行视为rn中的点，问题是发现一个k维线性子空间，能够使这些点之间的平方距离和最小。这是寻找低阶近似的问题：为矩阵cp×p找到一个秩至多为k的矩阵w*，使下式以高概率成立：

矩阵c的特征值表示相关性的强度，如果一个特征值比其他的特征值大许多，那么其对应的特征向量就代表在前k个最大相关向量张成子空间中更强的线性相关。为了便于讨论典型相关性分析的近似精度，我们首先量化特征值的强度如下：

定义1.(ε间隔特征值)设矩阵c的秩为r，特征值为ρ1,ρ2,...,ρr，不失一般性，设|ρ1|≥|ρ2|≥...≥|ρr|，特征值集合的ε间隔值是使不等式成立的所有ε(ε≥0)中最小的,对于这样的ε我们说这种特征值是ε间隔的。

注意这样的ε总是存在的，其大小代表了特征向量在线性组合中所占的重要程度。如果ε很小，特征值在量上很接近，那么所有的特征向量都很重要，如果ε很大，则在线性组合中沿着最大特征值的特征向量方向的线性组合最重要。为了实现对矩阵c的低阶近似，我们引入适合于i/q基带及ins观测量矩阵的采样方法：

定义2.(不等概采样).设z1,z2,…,zn是一组概率按这组概率对总体中n个单元进行放回采样，每次抽中第i个单元的概率为zi，独立地进行n次这样的采样，称这种采样方法为不等概采样。如果某个单元的大小或规模的测度为ci，则pi可以取

如果将数据流矩阵中的行(或列)作为采样单元，则可以实现矩阵不等概行(或列)采样。根据矩阵论，采用froenius范数和2-范数作为矩阵和行(或列)的重要程度的测度，取第i行(或列)的概率为(α为任意的实数且0<α<1)，根据{zi}的缩放拾取列的数目，概率{zi}保证以更大的可能取到更为重要的行(或列)，缩放因子α可以认为是对过于沉重行(或列)的修正。johnson-lindenstrauss引理是对高维矩阵进行维数约简的有效技术，能够在确定的精度内保证约简的质量.

引理1.(jl引理)在空间rⁿ中给定包含n个向量的集v，如果存在矩阵s∈r^s×n，其中每个元素sij取自于高斯分布，并能够适当地缩放，那么对任何向量x∈v，不等式||x||2≤||sx||2≤(1+ε)||x||2可以以高概率o(1/n)成立。

jl引理表明如果利用矩阵对一个n维向量进行变换，根据高斯分布选取矩阵的元素，则可以以高概率在s维的结果空间中保持向量间的相对距离。我们基于jl引理和不等概采样方法在euclidean空间中对矩阵c降维：先对c实施行采样，然后对c实施列采样，根据jl引理确定采样行(或列)的数目，并结合随机高斯概率和每一行(或列)的测度选取行(或列)。采样的概率由下面引理确定：

引理2.设pi为对矩阵c实施不等概行采样形成矩阵d时每一行选中的概率,p′j为继续对d进行不等概列采样时的每一列选中的概率,当时,如果p′j满足不等式则p′j与pi符合相同的不等概采样测度。

可以证明上述维数约简方法可以在保证精度的情况下显著降低组合滤波器多维矢量相关性分析的计算代价。

3、选取gnss/sins组合导航滤波更新周期

结合深组合导航误差传递与滤波修正的过程信息，分析gnss/sins组合导航滤波器量测更新与时间更新以及更新周期对解算的影响，根据实测数据解算实验，采用不同的滤波更新周期解算并对结果进行分析，得出滤波更新周期的实际影响，据此提出滤波更新周期选取的指标与策略，以满足不同领域应用的不同精度、不同稳定性gnss/sins组合导航系统解算精度与运算效率的要求。

以联邦滤波作为组合导航系统基础融合估计算法，归纳总结联邦滤波中系统方程的不同建立方法，并按照工程需要建立ins/esgm/gps/lnc/tan/dvl组合导航系统的系统方程，通过基于奇异值分解的可观测性分析方法预测系统方程的合理性和验证组合系统的优越性。

针对联邦滤波信息分配原则研究中相互矛盾的现状，通过归纳、对比，以信息分配系数与系统性能的关系为研究对象，根据联邦滤波理论分析得出关于信息分配原则的三个结论，为联邦滤波设计提供理论依据；针对现有联邦滤波自适应改进的信息源从滤波处理本身信息出发的不足，提出基于时间序列分析的自适应联邦滤波算法，利用导航传感器的历史数据，通过时间序列分析得出信息平滑程度，以此调整信息分配系数。

4、设计软件定义的gnss/sins深组合导航原型系统

为进一步提高gnss/sins深组合系统关键技术的可实现程度，可由软件定义的逻辑可重构的开放式gnss/sins深组合导航原型来验证项目所提出的算法，采用模块化、现场可更换设计思想，实现软件定义的gnss/sins深组合导航信息融合，使得不同类型深组合模式功能从硬件的配置中消失，以多种共享的资源模块实现各种功能，不再明确划分传统的各个分系统的界线。

这些功能的获取完全通过加载不同的软件实现，gnss/sins深组合导航原型系统从传统的纵向功能划分过渡到横向功能分区的概念。功能分区是整个系统中功能特性相近、任务关联密切的部分，在同一功能区中可以实现资源共享，容易互为余度而实现动态的重构及容错。

实现开放式系统结构的关键是要制订和贯彻各种标准接口，使不同的产品研制和生产单位都遵循相同的标准和规范。因此，射频传感器系统必须制订开放的、技术先进的接口标准和规范。

开放式系统结构不仅涉及硬件，也涉及软件。软件体系结构为gnss/sins深组合导航滤波器提供一种标准的、通用的、开放的、可互操作的软件平台，实现应用程序的可移植性和可复用性。

1)软件动态重组方案

对软件的重构涉及到软件的加载、卸载、软件的更新、软件的恢复等问题，对这个问题，软件通信体系结构(softwarecommunicationarchitecture,简称sca)规范是一个较好的解决方案。它是联合战术无线电系统(jointtacticalradiosystem,jtrs)计划中的研究成果。sca是一个顶层设计规范，它并没有直接明确规定各个系统构件的具体实现方法，而是作为所有通信装备设计开发的标准化指导框架。作为一个开放式的设计框架，sca让通信系统的设计者们知道了什么样软件和硬件要素能够在sca兼容的系统中协调运作。sca通过采用强制定义一系列接口、运作规则及其系统需求的方法，来促进系统的可移植性、互操作性和组件的可交换性，实现软件重用和框架结构可扩展的目标。

多模式终端是基于通用处理器和信号处理子系统的复杂系统。目前通过采用嵌入式实时中间件和嵌入式实时操作系统，已基本实现通用处理器平台上层波形应用软件的硬件无关性。信号处理子系统主要采用dsp、fpga等可编程逻辑器件实现，由于目前缺乏在这些器件上直接运行的操作系统和实时中间件环境，难以为运行在这些器件上的信号处理波形组件提供跨平台、硬件无关的“软总线”。目前通常的做法是在黑边处理器为信号处理功能模块设计适配器，而功能模块的内部实现仍然沿用传统的数字信号处理模块开发方法，上层信号处理算法软件与底层硬件平台之间仍然存在着耦合紧密、软件可移植性较差的问题。

为了提高信号处理波形软件的可移植性，采用硬件抽象层(hardwareabstractionlayer，hal)技术屏蔽底层硬件的具体实现差异，硬件抽象层通过采用硬件抽象层连接组件(hal-ccomponent，hc)及其连接机制(hal-c)，为信号处理波形软件提供屏蔽底层硬件访问细节的统一调用接口(api)。

每个模块中的软件包括信号处理软件和辅助软件，信号处理软件是指和硬件结合紧密，完成所有信号处理功能的软件，而辅助软件是指应信号处理软件需求而存在的一类软件，如控制软件等。从内容上分，软件也可分为执行代码和数据。

采用数字信号处理技术后，模块的功能及参数应描述成不同的信号处理软件。一个功能模块(或者称为功能组件)不再与一个硬件模块捆绑在一起。

为了使深组合导航原型系统的软件处理与特定硬件平台分离，硬件模块必须采用统一的接口──硬件抽象层接口(mhal)，实现互连、互通问题。硬件抽象层接口(mhal)为gpp、dsp和fpga等计算单元(ce)提供通信服务，使得ce之间通过标准的消息格式进行通信，如图4所示。

2)多源数据的融合方法

统一数据表示：大规模数据对象的多态性表现在多类型、异构和无统一模式。因此，拟基于元数据和进程代数理论设计统一的数据模型，表示各种传感数据以及对其加工行为，同时还可描述数据对象之间复杂的逻辑关系。以统一数据模型为基础，将各种异构数据映射和转换到统一的数据框架中，对于来自于异构数据源的描述同一个对象的各种数据，从消除结构冲突与语义冲突两方面进行统一映射。

数据融合策略：针对深组合导航感知信息的不确定性，主要从不确定信息的表达、不确定信息融合、不确定信息的使用三个角度开展研究，实现信息整合以实现位置、导航、时钟信息的有效利用。利用概率论、机器学习、模式识别等理论，建立gnss/sins深组合导航系统的数学模型，分析对系统进行线性化的方法，分析模型的可观性和可测性。建立感知信息的表示模型、数据源/交互对象集合优化选择策略、多模态异构信息的融合计算模型，对多点网元感知信息高效综合，利用广义d-s证据理论进行数据融合。

为了提高信息整合的精确性，必须对多种来源信息进行融合，融合是基于异质网元的信息交互，针对多个异构网元存在相关信息，从环境获取信息不完全性、冗余性出发，采用多阶段、多层次的融合策略；针对环境感知时序性，基于序列分析和贝叶斯网络融合的方法利用不同信息源的特征表达集合，在不同层次上对信息集合进行有机的融合，提高信息整合性能。