一种惯性导航平台和北斗卫星的高精度超紧耦合导航方法
【技术领域】
[0001] 本发明涉及一种惯性导航平台和北斗卫星的高精度超紧耦合导航方法，适用于各 类搭载捷联惯性导航平台的运载体的高精度导航。 技术背景
[0002] 当今导航领域的两大基础导航方式是惯性导航系统（INS)和以GPS、BDS等为代表 的星基定位系统。同时，这两种导航系统自身又存在较强的互补性，一直都是近年来组合导 航研究的热点；惯性导航具有强自主性、不受环境影响、短期内导航精度高等优点；卫星导 航具有定位精度高，时间稳定性较好的特点。两者的工作特性恰好在性能上互补，卫星导航 可以加快惯性导航的初始对准时间，改善精度的时间漂移性；而惯性导航可以在卫星导航 失锁的时候进行独立的导航，继续提供定位信息。当前的典型组合方式有松耦合、紧耦合和 超紧耦合三种方式，其中以超紧耦合对于导航性能的提升最为显著。松耦合组合方式下，惯 导和卫星独立工作，并将两者导航数据进行处理用于反馈惯导进行修正；紧耦合组合方式 下，卫星提供的用于对惯导惯性测量单元（MU)进行校正的是信息是伪距、载波相位等用 于定位解算的原始信息；超紧耦合方式相对于紧耦合还要完成将INS的量测信息反馈给接 收机或者直接利用MU量测信息辅助卫星的码跟踪环和载波跟踪环，提高了接收机的跟踪 锁定能力。
[0003] 但是，在整体方向上，超紧耦合多数只局限于基于GPS和SINS相结合的研究；而由 于GPS的信号控制并非我国所掌握，极容易出现导航信号限制甚至丧失导航能力的情况； 因而将组合导航应用于我国自主研制的北斗系列导航卫星已成为当前的一大主要研究方 向，也是本专利的主要研究方面。
[0004] 组合导航的相关研究，现已有诸多成果。周启帆设计了一种基于冗余测量的自适 应卡尔曼滤波算法，并成功应用于GPS/SINS的组合导航，取得了较为显著的性能提升，但 只应用于了两系统独立工作的松耦合系统中；张静娴提出了一种基于神经网络的分布式卡 尔曼滤波算法，但只用于松耦合，同时也只能对SINS进行位置和速度的校正，具有较强的 局限性；于洁、孙熙、宋高顺等都针对超紧耦合进行了不同方向的研究，但最终均存在非线 性计算量巨大或者时间相关性强的性能问题。
[0005] 超紧耦合对于组合导航而言，是一种新概念导航方式，具有较高的实用意义和性 能参数，但同样的，其系统复杂度也是最高的。因此，如何在保证超紧耦合的工作效能的基 础上，简化计算，提高系统鲁棒性和普适性，就成为当前研究的主要方向和重点难点所在。
【发明内容】
[0006] 本发明的技术解决问题是：为了避免在超紧耦合实现过程中的非线性计算量巨 大、接收机信号时间相关性以及系统测量误差等存在性能限制的问题，提出了一种基于惯 性导航平台和北斗卫星的高精度超紧耦合导航方法。该方法不仅实现了超紧耦合的双向调 节功能，同时降低了环路跟踪误差与更新时间的相关性，通过冗余测量修正了 SINS/BDS的 测量系统误差，并采用神经网络实现系统对于BDS接收机性能的调整，为搭载捷联惯导的 运载体导航提供了一种全新的技术途径。
[0007] 本发明的技术解决方案是：根据运动物体状态方程及测量方程建立随机线性定常 离散系统模型；利用对系统的冗余测量值的差分序列进行统计分析，实现基于冗余测量的 卡尔曼滤波算法，准确的估计了系统量测噪声并自适应调节捷联惯导（SINS)和北斗卫星 (BDS)噪声方差R ;根据超紧耦合传统结构，引入神经网络预测模块，用于辅助失锁状态下 的北斗卫星载波跟踪环和码跟踪环；在北斗卫星接收机中添加时滞滤波模块，显著改善了 超紧耦合系统中的环路跟踪误差与更新时间的相关性。具体包括以下步骤：
[0008] (1)根据运动物体状态方程及测量方程建立随机线性定常离散系统模型：
[0009] 首先构造 SINS和BDS对应的状态方程，BDS/SINS的状态分量的转移过程满足如 下等式：
[0012] 于是，归结上两式为：
[0013] Xk= Φ k,klXk !+TkjklWkI
[0014] 而后进行测量方程的分析，BDS/SINS的观测值变化规律满足如下等式：
[0015] Zk,SINS - H k> siNs\, SINS+\, SINS
[0016] Zk, BDS - H kj BDs\, bds+\, BDS
[0017] 于是，同样归结上面两式为：
[0018] Zk=HkXk+Vk
[0019] 则最终得到组合导航系统的状态方程和测量方程，以此表征系统的状态变化和观 测值变化规律，作为系统模型的构建规律：
[0021] 状态方程式中，Xd SINS/BDS系统的η维状态变量；Φ k, k为系统的η X η维状 态转移矩阵；Γ k,k η X ρ维系统过程噪声输入矩阵;W k i为ρ维系统随机过程噪声序列；
[0022] 测量方程式中，Zk为测量系统的m维观测序列，即测量值；HkSm X η维观测矩阵； VkSm维系统随机观测噪声序列；
[0023] 上面两式中Xk包含的状态分量有：
[0025] 其中，下标E、N、U分别代表东、北、天三个方向；下标X、y、ζ分别代表待导航机体 的右、前和上轴向；Φ为惯导平台误差角；δ vE等表示速度误差；δ L、δ λ和δ h分别表示 三个方向的位置误差；ε bx等表示陀螺漂移；Vx等表示加速度计漂移；
[0026] 在自适应卡尔曼滤波的关键步骤就是针对测量噪声的准确估计，即需要对Vk的性 质和参数进行准确的分析。
[0027] (2)基于冗余测量的卡尔曼滤波算法，实现噪声方差的自适应估计与调节：
[0028] 在系统量测噪声未知的条件下，通过针对系统冗余值的一阶二阶差分分析，获得 统计特性，进而自适应调节方差；
[0029] 首先，两个测量系统的差分序列表达式为：
[0031] 于是可以得到系统的二阶差分序列：
[0032] Δ Ζ「Δ Z2 「00331 诵忖计筧二阶差分序列的自相关可得：
[0035] 其中V1 (k)和V2GO为不同测量系统下的观测噪声；
[0036] 由于V1 (k)和V2GO均为零均值白噪声且不具有时间相关性：
[0038] 于是，二阶差分序列自相关可以简化为：
[0040] 即表达为下式：
[0041] E [ ( Δ Z1- Δ Z2) ( Δ Z1- Δ Z2)T] = 2 (RfR2)
[0042] 计算两个一阶差分序列自相关：
[0045] 由于V1GO和^〇〇均为零均值白噪声，上两式化简并相减得到：
[0049] 将对应的SINS/BDS系统差分序列代入上式：
[0051] 其中：
[0052] A Zsb - Δ Z SINS_ Δ Zbds
[0053] 式中，Δ ZsinsS SINS的测量系统的一阶差分序列；Δ Z BDS为BDS测量系统的；Δ Z BDS为SINS和BDS的二阶差分序列；
[0054] 在实际工程中采用划窗方式保证计算结果的实时性，上式中，k表示当前测量时 亥|J，M为划窗长度；实际选取k-M:k范围内的信息作为参考值，以此保证自适应的实时效 应