吴 涛，戴 卿，匡秀梅，王炎川

(1.中测新图(北京)遥感技术有限责任公司 航空遥感技术自然资源部重点实验室，北京 100039；2.邢台市勘察测绘院 测绘部，河北 邢台 054000)

0 引言

微惯性导航系统(MEMS-INS)与全球卫星导航系统(GNSS)近年来在导航与位置服务领域发展迅速，将两者结合的MEMS-INS/GNSS组合导航技术，优势互补、性价比高，并发展为航空、交通、农业、测绘等领域的应用热点[1]。由于导航系统方程的非线性，且在高动态环境下工作时，导航结果会受到噪声统计特征时变性的影响，因此，需要对时变噪声情况下的非线性导航系统在信息融合算法上提出更高的要求，这是现代测绘导航数据处理研究的热门话题[2-3]。

扩展卡尔曼滤波(Extended Kalman Filter, EKF)是测绘导航数据处理领域中被广泛采用的一种非线性滤波算法，但由于算法中使用函数模型近似来逼近非线性系统，会产生泰勒高阶项截断误差，并最终引起滤波精度下降甚至发散[4]。为克服EKF局部线性化和Jacobin矩阵计算繁琐的问题，无迹卡尔曼滤波(Unscented Kalman Filter , UKF)中借鉴sigma点对概率密度函数的逼近易于非线性函数本身的思路，构造了一种基于确定性采样的滤波算法，以二阶泰勒精度进行逼近，但当系统噪声统计特征不确定时，滤波精度则会受到显著影响[5]。抗差自适应UKF算法的出现，有效提升了噪声影响下的滤波鲁棒性，但自适应因子的选取受到经验性制约[6]。于此同时，为改善UKF算法数值稳定性方面的问题，平方根无迹卡尔曼滤波(Square Root Unscented Kalman Filter，SRUKF)的提出有效避免了舍入误差影响和矩阵求逆计算[7]。……