王诒国 潘孝星

(海口市土地测绘院, 海南 海口 570100)

0 引言

随着科学技术的发展和经济社会需求的不断提高,导航定位技术发展到现在,已经广泛应用于工程建设、军事、科学研究等各个领域[1]。常用的导航系统有全球卫星导航系统(Global Navigation Satellite System,GNSS)、惯性导航系统(Inertial Navigation System,INS)、地磁导航系统等,各个导航系统有自己的优劣势。GNSS可以全天候进行实时导航定位,定位精度高,但是在信号传播过程中容易受到外界环境的影响,数据更新频率相对较低[2]。INS是完全自主的导航定位系统,数据更新频率高,可以获取较多的定位参数,但是导航定位误差随着时间不断积累[3]。我们可以将GNSS和INS两种组合导航方式结合起来,优势互补,从而获得高精度、高可靠性的导航定位信息。

卡尔曼滤波(Kalman Filter,KF)是常用的GNSS/INS数据融合方法,从1960年卡尔曼提出至今已经相对完善[4]。KF要求在数据处理之前动力学模型、系统噪声和量测噪声精确已知,在实际应用中我们很难构建一个标准的动态模型。若观测向量存在异常值时,状态滤波的解算结果就非常不可靠[5-7]。所以提出了利用贝叶斯估计原理建立状态参数的抗差卡尔曼滤波(Robust Kalman Filter,RKF)。但RKF解算过程相对复杂,势必会增加计算机荷载[8]。根据上述问题,本文提出了一种利用预测残差建立马氏距离,利用统计学规律进行假设检验探测粗差,当模型异常时利用牛顿迭代法建立调节因子进行调节,否则使用标准KF。通过实测数据验证所提方法有效,可以在实际应用中做出参考。

1 卡尔曼滤波模型

1.1 标准卡尔曼滤波

KF本质上是递推估计,利用观测噪声和量测噪声的统计特性,将系统观测量作为输入量,将系统状态作为输出量,根据量测更新和时间更新估计出所需信号[9-11]。……