组合导航原理-松组合+紧组合概念-Toy模板网

这篇具有很好参考价值的文章主要介绍了组合导航原理-松组合+紧组合概念。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

组合导航系统

组合导航的概念

广义

任何两种及以上导航定位手段的组合
◼交汇定位：GNSS、Loran、
◼ 推算导航：INS、里程推算
◼ 匹配定位：地形、视觉、道路、地磁/重力匹配

狭义

至少含有一种推算导航手段
◼ GNSS/INS
◼ GNSS/车载DR
◼ 早期航海、航空
◼ 生物/人类导航

什么是滤波器

1.滤波就是从混合在一起的诸多信号中提取出所需的信号
2.滤波器必须知道待处理（分离）信号的明显特征（如模型）
松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法
3.滤波器估计信号s，需要预先知道信号s和噪声n的统计特性
◼ 如果s为低频信号，而n为高频噪声，那么设计相应的低通滤波就可以过滤掉噪声n，分离出信号s
◼ 必须知道信号s的特性

互补滤波

松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法
对上述图流程进行解释：
1.现在假设有两种导航定位手段：上面的是惯导的，真实位置s，n1是它的误差，这个定位误差是逐渐累计、逐渐增长、缓慢变大的；下面的是GPS的，也是真实位置加上n2，但是精度水平稳定，不发散。
2.不直接对信号和噪声进行滤波，先把两个信息源求差，真实信号实际上就被减掉了，剩下的就是两个信号源的误差的求差，即n1-n2，然后把这个误差的差异送进去进去滤波
3.n1是低频特性,n2是高频特征；比如采用低通滤波，把惯导的误差放过，GPS的高频误差给杀掉，这样就能估出惯导的误差，就可以补偿惯导输出的误差了
4.互补滤波的精髓：不直接对信号和噪声进行滤波分离，对同一个观测信号S，有两种观测手段，且两种手段的误差特性是差异非常大的，是互补的，因此进行求差，只对两种手段的误差进行分离，把其中一种手段的误差估计出来，然后补偿掉

惯性导航中的卡尔曼滤波思想

带有辅助信息的惯性组合导航(Aided INS)中的互补滤波（卡尔曼滤波）思想
松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法

GNSS/INS组合导航分类

根据信息融合深度不同，GNSS和INS组合方式分为：松组合、紧组合和深组合

松组合

概念

基于GNSS导航结果的数据组合

特点

结构简单、性能一般、技术成熟、易实现

紧组合

概念

基于GNSS观测量的数据组合

特点

结构较复杂、质量监测、技术较成熟、较易实现

深组合

概念

基于GNSS信号的组合

特点

调整接收机结构、提高接收机性能、技术不成熟、实现难度高
松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法

GNSS/INS松组合观测方程（基础版）

松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法

GNSS/INS松组合算法

构建系统状态方程

GNSS/INS松组合常采用误差状态卡尔曼滤波（间接卡尔曼滤波）进行数据融合，以解决系统的非线性问题。根据惯导误差微分方程和传感器误差模型，将惯性传感器主要误差参数（加速度计和陀螺的零偏及比例因子误差）增广到卡尔曼滤波的系统状态中，可得卡尔曼滤波的状态向量及连续时间系统状态方程
松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法

系统动态矩阵– F阵

松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法

状态方程离散化– 状态转移矩阵

松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法

状态方程离散化– 噪声等效离散化

松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法

观测方程：GNSS位置更新

GNSS定位解算给出的是天线相位中心（或其它参考点）的位置坐标，INS机械编排给出的是IMU测量中心的导航结果，二者在物理上不重合，组合导航解算时需进行杆臂效应改正。GNSS天线相位中心与IMU测量中心之间的位置转换关系式为：
松组合紧组合深组合,惯性导航原理与算法,人工智能,线性代数,惯导,矩阵,算法