本发明涉及一种多系统融合导航定位技术,尤其涉及一种顾及载波系统间偏差的gps/glonass紧组合定位方法,属于gnss(globalnavigationsatellitesystem)定位与导航技术领域。
背景技术:
随着现有gnss(全球导航卫星系统)的现代化,更多的卫星可用于精确定位。卫星系统间的组合使用可以显着提高gnss的定位精度和可靠性,特别是在受遮挡严重的环境下。对于厘米级的实时动态rtk定位,主要使用两种模型:一种是各系统选择各自参考星的松组合模型,即系统内差分模型;另一种是不同系统选择共同参考星的紧组合模型,即系统间差分模型。如果可以正确处理差分系统间偏差,系统间差分模型有利于增加大量的冗余观测信息,因此有助于在卫星信号容易被阻挡的严重观测环境下进行定位。
近几年来,已经广泛研究了cdma(码分多址)系统,例如gps,bds,galileo和qzss之间的紧组合模型。但对于采用fdma(频分多址)的glonass通常采用系统内松组合模型,这不利于更好地发挥多gnss融合定位的优势。
技术实现要素:
本发明所要解决的技术问题是:
为了发挥多gnss融合定位的优势,提供一种顾及载波系统间偏差的gps/glonass紧组合定位方法。
本发明为解决上述技术问题采用以下技术方案:
本发明提出一种顾及载波系统间偏差的gps/glonass紧组合定位方法,包括以下步骤:
步骤1、将gps和glonass系统内的接收机钟差、硬件延迟和单差模糊度三类参数重参化,构建站间单差整周模糊度可解模型;
步骤2、以gps为基准系统,构建载波系统间偏差可估模型,并对所述载波系统间偏差参数的时变特性进行统计分析;
步骤3、基于步骤2所述模型及分析结果,采用随机游走过程,对系统间偏差进行时域建模,得到gps和glonass紧组合模型,并进行多历元连续定位。
如前所述的一种顾及载波系统间偏差的gps/glonass紧组合定位方法,进一步地:所述步骤1中,将gps和glonass系统内的接收机钟差、硬件延迟和单差模糊度三类参数重参化,构建站间单差整周模糊度可解模型包括以下步骤:
步骤1.1、构建gps和glonass系统内的站间单差观测模型:
假设共观测到m颗gps卫星和n颗glonass卫星,对于短基线,忽略大气延迟的影响后,站间单差观测模型表示为:
式(1)与式(2)分别是gps站间单差载波观测方程和伪距观测方程,式(3)与式(4)分别是glonass站间单差载波观测方程和伪距观测方程。式中,
步骤1.2、根据步骤1.1所构建站间单差观测模型,将接收机钟差、硬件延迟和单差模糊度三类参数重参化并进行参数去相关,可得站间单差整周模糊度可解模型如下:
对于gps而言,站间单差观测模型中的δdt,δδj,g,
其中:
式(5)与式(6)即gps系统内站间单差重参化后得到的满秩观测方程,式中,
而对于glonass,由于fdma系统中的每颗卫星具有不同的波长,不同频率间存在频间码偏差,故glonass重参化的观测方程如下:
式(9)与式(10)即glonass系统内站间单差重参化后得到的观测方程,式中,
将式(9)改写为如下形式:
从式(11)可以看出,由于参考星的整周模糊度未知,故式(11)仍是一个秩亏方程;为此选择第二颗参考卫星,重新进行参数化得观测方程如下:
其中:
由此可得其他卫星的观测方程如下:
其中:
式(16)中,当|k1-k2|=1时,
由此可得glonass载波相位的满秩观测方程如下:
如前所述的一种顾及载波系统间偏差的gps/glonass紧组合定位方法,进一步地:所述步骤2中,以gps为基准系统,构建了载波系统间偏差可估模型,并对其时变特性进行统计分析,具体包括:
在步骤2得到gps和glonass系统内的载波相位满秩观测方程后,以gps系统为基准系统,只估计gps的接收机钟差,令
其中,载波系统间偏差参数为:
如前所述的一种顾及载波系统间偏差的gps/glonass紧组合定位方法,进一步地:步骤3所述随机游走过程的谱密度为0.05×0.05cycle2/h。
如前所述的一种顾及载波系统间偏差的gps/glonass紧组合定位方法,进一步地:所述步骤3中,采用随机游走过程对系统间偏差进行时域建模,得到gps和glonass紧组合定位滤波模型,包括以下步骤:
步骤3.1、采用随机游走过程对系统间偏差进行时域建模;
步骤3.2、构建gps和glonass紧组合定位滤波模型,进行多历元连续定位。
如前所述的一种顾及载波系统间偏差的gps/glonass紧组合定位方法,进一步地:所述步骤3.1具体地有:
对于系统间偏差δδgr,采用谱密度较小的随机游走模型进行时域建模,公式如下:
式中,k表示历元,w表示过程噪声,
如前所述的一种顾及载波系统间偏差的gps/glonass紧组合定位方法,进一步地:步骤3.2所述多历元连续定位的步骤包括:
步骤3.2.1、状态预测
利用前一时刻的估值或滤波的初始值xk-1得到后一时刻的预测状态向量xk,k-1:
xk,k-1=φk,k-1xk-1(22)
同时,根据误差传播定律可得预测状态向量xk,k-1的方差协方差矩阵qk,k-1:
步骤3.2.2、计算滤波增益
根据预测的方差信息和当前历元的观测模型,计算滤波的增益矩阵kk:
步骤3.2.3、估值更新
利用滤波增益矩阵kk结合当前时刻的观测向量lk,对滤波估值xk,k进行更新
xk,k=xk,k-1+kk(lk-akxk,k-1)(25)
同时对方差协方差矩阵qk,k进行更新
qk.k=(i-kkak)qk,k-1(26)
下一时刻重复执行上述三个步骤,实现对定位结果的持续解算,得到多历元连续定位结果。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明采用gps和glonass进行载波差分紧组合定位,克服了现有研究中仅在cdma系统内能够进行载波差分紧组合定位的缺点;
(2)本发明可以减少待估参数,有利于在遮挡环境下增强观测模型稳定性,提高定位精度与可靠性。
附图说明
图1是本方法流程图。
图2是用于分析gps和glonass载波系统间偏差的零基线和短基线示意图。
图3是不同情况下的gps-glonass载波系统间偏差时间序列图。
图4是gps+glonass松组合、gps+glonass紧组合在模拟遮挡环境(8颗可视卫星)下n、e、u方向3天定位偏差对比图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
图1所示为本发明的方法流程图。如图1所示,本发明提供了一种顾及载波系统间偏差的gps/glonass紧组合定位方法,包括以下步骤:
步骤1、将gps和glonass系统内的接收机钟差、硬件延迟和单差模糊度三类参数重参化,构建站间单差整周模糊度可解模型;
步骤2、以gps为基准系统,构建载波系统间偏差可估模型,并对所述载波系统间偏差参数的时变特性进行统计分析;
步骤3、基于步骤2所述模型及分析结果,采用随机游走过程,对系统间偏差进行时域建模,得到gps和glonass紧组合模型,并进行多历元连续定位。
所述步骤1中,将gps和glonass系统内的接收机钟差、硬件延迟和单差模糊度三类参数重参化,构建站间单差整周模糊度可解模型包括以下步骤:
步骤2.1、构建gps和glonass系统内的站间单差观测模型:
假设共观测到m颗gps卫星和n颗glonass卫星,对于短基线,可忽略大气延迟的影响,站间单差观测模型可以表示为:
式(1)与式(2)分别是gps站间单差载波观测方程和伪距观测方程,式(3)与式(4)分别是glonass站间单差载波观测方程和伪距观测方程。式中,
步骤2.2、根据步骤2.1所构建站间单差观测模型,将接收机钟差、硬件延迟和单差模糊度三类参数重参化并进行参数去相关,可得站间单差整周模糊度可解模型如下:
对于gps而言,由于站间单差观测模型中的δdt,δδj,g,
其中:
式(5)与式(6)即gps系统内站间单差重参化后得到的满秩观测方程,式中,
而对于glonass,由于fdma系统中的每颗卫星具有不同的波长,不同频率间存在频间码偏差,故glonass重参化的观测方程如下:
式(9)与式(10)即glonass系统内站间单差重参化后得到的观测方程,式中,
将式(9)改写为如下形式:
从式(11)可以看出,由于参考星的整周模糊度未知,故式(11)仍是一个秩亏方程。为此选择第二颗参考卫星,重新进行参数化可得观测方程如下:
其中:
由此可得其他卫星的观测方程如下:
其中:
式(16)中,当|k1-k2|=1时,
由此可得glonass载波相位的满秩观测方程如下:
所述步骤2中,以gps为基准系统,构建了载波系统间偏差可估模型,并对其时变特性进行了统计分析,包括以下步骤:
在步骤2得到gps和glonass系统内的载波相位满秩观测方程后,以gps系统为基准系统,只估计gps的接收机钟差,那么
其中:
所述步骤3中,采用随机游走过程对系统间偏差进行时域建模,构建gps和glonass紧组合定位滤波模型,具体地:
对于可估的系统间偏差δδgr,采用谱密度较小的随机游走模型进行时域建模,以吸收其可能存在的缓慢变化,公式如下:
式中,k表示历元,w表示过程噪声,
如图2所示,载波系统间偏差参数随时间稳定,可以在多历元连续定位中利用其稳定性得到更多的冗余观测值。多历元连续定位包括以下步骤:
基于系统间偏差的时域建模模型,采用kalman滤波建立gps和glonass紧组合定位滤波模型,即式(20)和式(21)所示的状态方程和观测方程:
xk=φk,k-1xk-1+wk(20)
lk=akxk+vk
式中,xk和xk-1分别表示tk和tk-1时刻的状态向量;φk,k-1表示tk-1时刻至tk时刻系统状态的状态转移矩阵;wk表示系统动态噪声向量;lk表示tk时刻的观测向量;ak为观测方程的系数矩阵;vk为观测噪声向量。在gnss数据处理中,一般假定系统噪声wk与观测噪声vk互不相关,且具有零均值和高斯白噪声的特性,即
式中,qwk和rk分别为系统噪声的方差阵和测量噪声的方差阵。
卡尔曼滤波进行参数估计主要包括时间更新和观测值更新两部分,其具体的计算步骤为:
(1)状态预测
利用前一时刻的估值或滤波的初始值xk-1得到后一时刻的预测状态向量xk,k-1:
xk,k-1=φk,k-1xk-1(22)
同时,根据误差传播定律可得预测状态向量xk,k-1的方差协方差矩阵qk,k-1:
(2)计算滤波增益
根据预测的方差信息和当前历元的观测模型,计算滤波的增益矩阵kk:
(3)估值更新
利用滤波增益矩阵kk结合当前时刻的观测向量lk,对滤波估值xk,k进行更新
xk,k=xk,k-1+kk(lk-akxk,k-1)(25)
同时对方差协方差矩阵进行更新
qk.k=(i-kkak)qk,k-1(26)
在下一时刻,重复执行上述三个步骤,从而实现对定位结果的持续解算,得到多历元连续定位结果。
表1
表1是所用零基线和短基线信息。采用如图2和表1所示的澳大利亚科廷大学多系统gnss零基线和短基线进行实验分析,按照上述步骤2可计算得到gps-glonass载波系统间偏差单历元估值序列,如图3所示,可以看出,忽略观测噪声的影响,无论对于相同接收机类型还是不同接收机类型,载波系统间偏差随时间变化都是较为稳定的,三天范围内相比均值的振幅均在0.1周以内,标准差优于0.01周。图4给出了在可视卫星数量为8颗时,采用常规松组合模型和本发明紧组合模型时的定位结果对比,可以看出采用紧组合模型能显著提高定位精度,在n、e、u三个方向上分别提高13.5%、15.0%和46.2%。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。