刘丁柯， 胡晓丽， 古天龙， 宾辰忠

(1.桂林电子科技大学 广西可信软件重点实验室，广西 桂林 541004；2.桂林电子科技大学 教学实践部，广西 桂林 541004)

随着辅助驾驶等车联网应用的快速发展，对车辆实时状态数据的获取和定位精度提出了越来越高的要求。单一的GPS/BD定位技术在城市高楼林立的地方很容易产生多径效应，或者在受到信号干扰的情况下导致卫星定位失锁。为此，融合多源信息的GPS/INS组合导航技术逐步成为主流[1]，这种系统可以在GPS信号受干扰或中断期间，对INS误差进行估计和补偿，从而获得可靠、准确的导航解决方案，解决了独立使用GPS导航定位的局限性。

基于贝叶斯的组合导航技术有卡尔曼滤波(KF)[2]、扩展卡尔曼滤波(EKF)[3]和粒子滤波(PF)[4]等。其中，KF在高斯白噪声、理想的动力学模型、非线性误差线性化等方面存在不足。为了使KF适用于非线性系统，提出了EKF对非线性系统进行线性化，但线性化过程费时、复杂，容易导致滤波发散。PF采用一组随机粒子表示后验分布，克服了EKF中线性化模型的缺陷，但是这种表示法需要大量粒子，计算成本很高。

近年来，多层感知器(MLP)[5]、径向基函数(RBF)[6]、自适应神经模糊推理系统(ANFIS)[7]等机器学习的方法取得了较好进展。这些方法能够有效处理非线性的输入输出关系，其基本思想是在GPS可用时学习GPS和INS数据的输入输出关系，在GPS失锁时利用训练后的模型估计GPS中断时的导航参数，这样能够保证车辆定位连续性。但是在低成本的INS中，内部的惯性测量单元(IMU)存在漂移和转向误差，使建模的输入输出关系非常复杂，这导致了神经网络泛化能力的下降。……