陆文昌，费龑栋，陈 龙，汪若尘

(江苏大学汽车与交通工程学院，江苏镇江212013)

车辆组合导航中Global Positioning System/Dead Reckoning(GPS/DR)是较常用的组合导航方法。GPS/DR组合导航定位滤波算法多采用扩展卡尔曼滤波(EKF)或改进EFK实现［1-2］。EKF方法忽略了泰勒展开式的高次项，当误差较大，泰勒展开式高次项不可忽略时，滤波精度会降低，不稳定甚至发散。Julier和Uhlmann提出的无迹卡尔曼滤波Unscented Kalman filter(UKF)算法［3-4］，UKF 算法基于 UT 变化，利用非线性模型，避免引入线性化误差，从而提高了滤波精度，并且省去计算Jacobi矩阵的过程，更加容易实现。

但UKF算法是基于精确的数学模型和过程噪声和观测噪声已知为基础的，当噪声统计特性将发生变化，UKF算法的精度和稳定性将会降低。针对此问题，S.Ranji，等［5］提出了利用神经网络理论跟踪噪声统计特性;石勇，等［6］提出了一种改进的Sage-Husa滤波;周卫东，等［7］提出了 PSO-UKF 组合滤波，都取得了一定的成效。

笔者利用一种改进的开窗估计算法，对噪声进行实时跟踪，而后利用在线估计得到的噪声协方差矩阵进行UKF滤波，从而得到状态估计值与预测值，并与UKF方法进行对比。

1 GPS/DR组合导航系统建模

1.1 系统状态方程

在陆地上车辆的运动可以近似认为是在二维平面内的运动，且可分解为东西方向的运动和南北方向的运动。采用“当前”统计模型［8-9］，系统状态向量 X=［xeveaexnvnanε ψ］T，其中：xe，ve，ae表示载体东向位置分量、速度分量、加速度分量;xn，vn，an表示载体北向位置分量、速度分量、加速度分量;ε为陀螺仪的漂移误差;ψ为里程仪标定系数。

系统的状态方程为：

设采样周期……