復(fù)雜城市環(huán)境下的全球?qū)Ш叫l(wèi)星系統(tǒng)/捷聯(lián)慣性導(dǎo)航系統(tǒng)組合導(dǎo)航算法

劉小匯 王怡晨 文 超 李宗楠

(國防科技大學(xué)電子科學(xué)學(xué)院導(dǎo)航與時(shí)空技術(shù)工程研究中心 長沙 410073)

1 引言

全球衛(wèi)星導(dǎo)航系統(tǒng) (Global Navigation Satellite System, GNSS) 以其全天時(shí)、全球覆蓋、高精度的定位性能，成為當(dāng)今主流的導(dǎo)航手段，然而GNSS落地信號(hào)功率低(約–160 dBw)且易受各種干擾，導(dǎo)致其可用性差，特別是城市復(fù)雜環(huán)境下，存在多徑干擾、衛(wèi)星信號(hào)受遮擋或衛(wèi)星不可視等情況，導(dǎo)致GNSS定位誤差急劇增大。捷聯(lián)慣性導(dǎo)航系統(tǒng)(Strapdown Inertial Navigation System, SINS) 以其短時(shí)精度高和全自主工作的特點(diǎn)，不受外界信號(hào)影響，恰好彌補(bǔ)了GNSS的缺點(diǎn)。將上述兩種導(dǎo)航設(shè)備組合在一起的GNSS/SINS組合導(dǎo)航系統(tǒng)，取二者之優(yōu)點(diǎn)，已成為組合導(dǎo)航技術(shù)發(fā)展的主流[1–3]。

在SINS性能固定的情況下，影響GNSS/SINS組合導(dǎo)航系統(tǒng)性能的主要因素就是GNSS信號(hào)測(cè)量精度和穩(wěn)定性，在GNSS衛(wèi)星不可視或信號(hào)頻繁短暫失鎖時(shí)，由于組合導(dǎo)航系統(tǒng)的濾波模型無法實(shí)時(shí)感知而使用了測(cè)量性能變差的信號(hào)，導(dǎo)致組合濾波效果變差或結(jié)果不可用。解決此類問題有兩種思路，一種是增加其他輔助傳感器，如使用3D激光雷達(dá)作為GNSS定位的輔助手段，提高系統(tǒng)定位精度[4]；使用全向魚眼相機(jī)，實(shí)時(shí)獲取在城市峽谷中的四周環(huán)境景象，并與此時(shí)衛(wèi)星的位置匹配計(jì)算，剔除不可視衛(wèi)星，得到更好的濾波性能[5]；使用3D地圖輔助GNSS解決定位環(huán)境信號(hào)起伏或受遮擋下組合導(dǎo)航系統(tǒng)定位的問題[6,7]；使用超寬帶 (Ultra Wide Band, UWB) 輔助GNSS，實(shí)現(xiàn)在可見衛(wèi)星數(shù)少于4顆時(shí)仍可得到較高的定位精度[8,9]等，以上通過增加傳感器的方法，在解決問題的同時(shí)無疑也增加了系統(tǒng)成本和計(jì)算復(fù)雜度。另一種思路是使用改進(jìn)的信號(hào)處理方法，如采用聯(lián)邦卡爾曼濾波、動(dòng)靜態(tài)濾波、基于神經(jīng)網(wǎng)絡(luò)的濾波方法等，使得濾波模型能與實(shí)際情況匹配。其中，聯(lián)邦卡爾曼濾波由于各個(gè)局部濾波器使用了相似或相同的狀態(tài)方程，主濾波器與局部濾波器的傳感器輸出量相互不獨(dú)立，融合結(jié)果不具有最優(yōu)性[10,11]，而動(dòng)靜態(tài)濾波[12,13]等方法由于實(shí)現(xiàn)復(fù)雜，特別是神經(jīng)網(wǎng)絡(luò)還需要大量訓(xùn)練數(shù)據(jù)樣本[14]，也增加了系統(tǒng)實(shí)現(xiàn)的復(fù)雜度和難度。

因子圖的概念是在2001年由文獻(xiàn)[15]提出，它是概率圖模型的一種表示方式，是用來表示全局函數(shù)和局部函數(shù)關(guān)系的模型圖，被廣泛應(yīng)用于人工智能、信號(hào)處理、數(shù)字通信等領(lǐng)域，能對(duì)各種復(fù)雜概率問題進(jìn)行求解[16,17]。基于因子圖建模的主要目的是將復(fù)雜的概率問題進(jìn)行因式化分解，即將復(fù)雜的全局函數(shù)分解為多個(gè)局部函數(shù)相乘的形式，當(dāng)已知局部函數(shù)之間的相關(guān)性時(shí)，只需要分析每個(gè)局部函數(shù)就可以得到全局復(fù)雜概率問題的解[18]。因子圖能夠解決組合導(dǎo)航系統(tǒng)對(duì)多種導(dǎo)航源測(cè)量值的異步傳輸、即插即用、多速率數(shù)據(jù)的融合問題，同時(shí)也能解決狀態(tài)方程或觀測(cè)方程非線性的問題，具有良好的擴(kuò)展性和靈活性。

為解決GNSS信號(hào)受多徑干擾、遮擋或拒止時(shí)，組合導(dǎo)航系統(tǒng)性能下降的問題，本文基于因子圖模型，提出一種GNSS/SINS緊組合系統(tǒng)導(dǎo)航方法，組合系統(tǒng)架構(gòu)如圖1所示，首先，利用GNSS接收機(jī)內(nèi)部的相干積分結(jié)果構(gòu)造信號(hào)誤差鑒別函數(shù)，能實(shí)時(shí)估計(jì)GNSS信號(hào)受多徑干擾、短暫失鎖、拒止情況下的測(cè)量性能，以此構(gòu)造聯(lián)合權(quán)值矩陣，實(shí)時(shí)修正GNSS偽距、偽距率測(cè)量值的協(xié)方差矩陣；其次，在GNSS信號(hào)拒止時(shí)，利用載體運(yùn)動(dòng)約束條件構(gòu)建零速修正因子，對(duì)系統(tǒng)狀態(tài)進(jìn)行修正，保證了GNSS/SINS的定位結(jié)果不迅速發(fā)散。數(shù)據(jù)仿真和跑車實(shí)驗(yàn)表明，本文方法能有效解決GNSS/SINS組合導(dǎo)航系統(tǒng)在城市峽谷等復(fù)雜環(huán)境下的連續(xù)可靠導(dǎo)航定位的問題，特別適用于車輛在城市行駛中頻繁啟停的場(chǎng)景。

圖1 系統(tǒng)整體框架圖

2 GNSS/SINS因子圖模型

在GNSS/SINS組合導(dǎo)航系統(tǒng)中，定義任意一個(gè)時(shí)刻ti的系統(tǒng)狀態(tài)量為xi，測(cè)量值為zi。設(shè)Xk={x1,x2,...,xk}表示截至當(dāng)前時(shí)刻tk系統(tǒng)所有的狀態(tài)量，Zk={z1,z2,...,zk}表示截至當(dāng)前時(shí)刻tk系統(tǒng)所有的測(cè)量值。GNSS/SINS組合的目標(biāo)就是求聯(lián)合概率分布函數(shù)p(Xk|Zk)的最大后驗(yàn)概率估計(jì)，利用因子圖算法，狀態(tài)量Xk的最大后驗(yàn)概率可以歸結(jié)為最大化所有因子節(jié)點(diǎn)乘積

2.1 GNSS因子節(jié)點(diǎn)

假設(shè)GNSS接收到的信號(hào)包括1路直達(dá)信號(hào)和M路多徑反射信號(hào)，則信號(hào)經(jīng)過接收機(jī)基帶信號(hào)處理下變頻后得到式(3)

其中，A為直達(dá)信號(hào)的幅度，D(t),c(t)分別為直達(dá)信號(hào)的數(shù)據(jù)符號(hào)位和偽碼，τ0,fd,θ0分別為直達(dá)信號(hào)的傳輸延遲、多普勒頻率和載波相位，αm,τm,θm分別為第m路多徑信號(hào)的幅度衰減系數(shù)、相對(duì)直達(dá)信號(hào)的偽碼延時(shí)、相對(duì)直達(dá)信號(hào)的載波相位變化，n(t)為噪聲項(xiàng)。

上述信號(hào)與本地復(fù)制的偽碼和載波估計(jì)信號(hào)進(jìn)行Tc時(shí)間長度的相關(guān)積分(假設(shè)積分過程D(t)=1)，忽略積分后的噪聲項(xiàng)，結(jié)果為

其中，ε=τ0-τ? 為本地偽碼延遲估計(jì)誤差，θe=θ0-θ?為載波相位估計(jì)誤差，Rs(ε)為直達(dá)信號(hào)的自相關(guān)函數(shù)，為表述簡潔，式(4)假設(shè)已準(zhǔn)確估計(jì)直達(dá)信號(hào)載波頻率且已使用直達(dá)信號(hào)的幅度A進(jìn)行了歸一化。

以標(biāo)量跟蹤接收機(jī)為例，通常使用碼延遲鎖定環(huán)路(Delay Lock Loop, DLL)對(duì)接收信號(hào)的偽碼相位進(jìn)行跟蹤，并利用鑒相器輸出結(jié)果來估計(jì)偽碼相位誤差。以相關(guān)器間隔為d的相干早遲碼鑒相器D(ε)為例

其中， Re(x)表示對(duì)x取實(shí)部操作。當(dāng)DLL進(jìn)入穩(wěn)定跟蹤階段后，鑒相器輸出結(jié)果D(ε)≈0。對(duì)于沒有多徑干擾的信號(hào)，自相關(guān)函數(shù)關(guān)于0點(diǎn)左右對(duì)稱，鑒相器輸出為0表明此時(shí)誤差ε為0，可實(shí)現(xiàn)偽碼正確跟蹤；當(dāng)存在多徑干擾時(shí)，自相關(guān)函數(shù)將不具有關(guān)于0點(diǎn)左右對(duì)稱特性，鑒相器輸出結(jié)果為0點(diǎn)就不再對(duì)應(yīng)正確的偽碼相位值，由此將導(dǎo)致偽距測(cè)量值的誤差增大。另外，當(dāng)信號(hào)進(jìn)入穩(wěn)定跟蹤階段，鎖相環(huán)路能準(zhǔn)確估計(jì)出偽碼和載波相位時(shí)，如式(4)所示的相干積分結(jié)果中，信號(hào)能量將集中在實(shí)部，虛部接近于0。

根據(jù)以上的分析，可構(gòu)造信號(hào)誤差鑒別函數(shù)

其中， Im(x) 表示對(duì)x取虛部操作，aE和aL分別為偽碼跟蹤環(huán)路中超前支路斜率和滯后支路斜率，其表達(dá)式分別為

當(dāng)信號(hào)中沒有多徑干擾且環(huán)路實(shí)現(xiàn)偽碼相位穩(wěn)定跟蹤時(shí)，超前支路和滯后支路斜率大小相等，方向相反；同時(shí)，環(huán)路在實(shí)現(xiàn)信號(hào)的載波相位穩(wěn)定跟蹤時(shí)，相干積分值的實(shí)部遠(yuǎn)大于虛部，因此w將趨于0附近。相反，若信號(hào)中存在多徑干擾或環(huán)路沒有實(shí)現(xiàn)偽碼穩(wěn)定跟蹤，DLL中的超前和滯后支路斜率將不具備對(duì)稱規(guī)律；同時(shí)，環(huán)路在沒有實(shí)現(xiàn)載波相位穩(wěn)定跟蹤時(shí)，相干積分結(jié)果中信號(hào)能量也不集中在實(shí)部，因此w將不趨于0。當(dāng)多徑干擾影響越嚴(yán)重，信號(hào)偽碼和載波跟蹤誤差越大時(shí)w也越大。

2.2 SINS因子節(jié)點(diǎn)

2.3 零速檢測(cè)與校正

大多數(shù)GNSS/SINS組合導(dǎo)航系統(tǒng)中的SINS均為低精度的微機(jī)電系統(tǒng)(Micro Electro Mechanical Systems, MEMS)傳感器，在GNSS良好可視情況下，利用GNSS測(cè)量值就可實(shí)時(shí)準(zhǔn)確校正SINS，使之始終工作于較高定位精度上，但是當(dāng)GNSS信號(hào)拒止時(shí)，無法實(shí)現(xiàn)對(duì)SINS的精確校正，此時(shí)SINS定位、測(cè)速結(jié)果將迅速發(fā)散。

零速檢測(cè)是利用載體處于靜止?fàn)顟B(tài)時(shí)，IMU輸出的比力大小已知且為重力加速度，以及不考慮地球自轉(zhuǎn)時(shí)IMU輸出的角速度為零等條件，進(jìn)行載體運(yùn)動(dòng)狀態(tài)的探測(cè)。當(dāng)檢測(cè)到載體靜止時(shí)，利用SINS的姿態(tài)變化和加速度輸出值作為誤差觀測(cè)量，以此對(duì)其他各項(xiàng)誤差進(jìn)行校正以減小累積誤差。

將零速檢測(cè)理解為一個(gè)2元信號(hào)的統(tǒng)計(jì)檢測(cè)問題，定義

當(dāng) H0為真時(shí)，判斷載體處于靜止?fàn)顟B(tài)的概率

在GNSS信號(hào)拒止時(shí)，利用車輛速度為0的約束條件可以限制SINS誤差的積累。由于車輛運(yùn)動(dòng)狀態(tài)不變，在因子圖中不增加新的變量節(jié)點(diǎn)，可極大地降低因子圖中計(jì)算和存儲(chǔ)的復(fù)雜度。當(dāng)IMU檢測(cè)到0速時(shí)，車體坐標(biāo)系(簡稱M系)下3個(gè)方向的速度為0，即vm=0。忽略INS安裝角的偏差，認(rèn)為INS的B系與車體的M系重合。車輛靜止時(shí)由于IMU測(cè)量誤差，使得測(cè)量時(shí)刻ti由IMU測(cè)量值實(shí)際計(jì)算得到的載體速度vie不為0，B系及E系下的速度矢量存在關(guān)系為

其中，p˙i為接收機(jī)與衛(wèi)星之間的幾何距離變化率，衛(wèi)星的鐘差變化率可由星歷計(jì)算得到，在測(cè)量方程中省略，可歸結(jié)到偽距率測(cè)量值中，ξi為偽距率測(cè)量殘差。ερ˙,i為包括對(duì)流層電離層等在內(nèi)的傳播誤差隨時(shí)間的變化率，在短時(shí)間內(nèi)可以忽略。當(dāng)用戶靜止時(shí)，接收機(jī)與衛(wèi)星之間的幾何距離變化率p˙i其實(shí)就是衛(wèi)星的速度在衛(wèi)星與接收機(jī)徑向方向的大小。可得GNSS對(duì)應(yīng)的測(cè)量方程為

以上就得到零速更新時(shí)SINS與GNSS對(duì)應(yīng)因子節(jié)點(diǎn)的表達(dá)式。當(dāng)檢測(cè)到載體處于靜止?fàn)顟B(tài)時(shí)，使用上述方法對(duì)系統(tǒng)狀態(tài)進(jìn)行約束，無需增加新的因子節(jié)點(diǎn)，因子圖的大小維持不變。

如圖2所示為經(jīng)典因子圖方法與本文方法在圖結(jié)構(gòu)上的比較，圖2(a)為經(jīng)典因子圖方法，圖2(b)為本文所提方法。對(duì)應(yīng)因子圖從左至右劃分為運(yùn)動(dòng)區(qū)間、零速區(qū)間、運(yùn)動(dòng)區(qū)間，相比圖2(a)，圖2(b)在零速區(qū)間中只進(jìn)行狀態(tài)約束，沒有增加新的因子節(jié)點(diǎn)。

圖2 經(jīng)典因子圖方法與本文方法結(jié)構(gòu)對(duì)比

3 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)分為仿真實(shí)驗(yàn)和實(shí)際跑車實(shí)驗(yàn)，仿真實(shí)驗(yàn)主要驗(yàn)證GNSS信號(hào)在遮擋、多徑干擾、拒止、可見衛(wèi)星不足等情況下的系統(tǒng)定位性能；實(shí)際跑車實(shí)驗(yàn)主要驗(yàn)證在車輛頻繁啟停的實(shí)際道路運(yùn)行時(shí)系統(tǒng)定位性能和系統(tǒng)內(nèi)存消耗情況。本文基于喬治亞理工學(xué)院開源的C++庫GTSAM進(jìn)行導(dǎo)航解算，使用iSAM2算法進(jìn)行計(jì)算，iSAM2利用貝葉斯樹表示最大后驗(yàn)概率密度，在保留稀疏性的基礎(chǔ)上計(jì)算效率更高，其涉及的關(guān)鍵步驟包括變量順序使用、解更新、非線性觀測(cè)值處理等。

3.1 仿真實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)采用信號(hào)模擬器生成GNSS基帶導(dǎo)航信號(hào)，經(jīng)過GNSS軟件接收機(jī)解算最終得到偽距和偽距率測(cè)量值及其權(quán)值矩陣。GNSS測(cè)量值輸出速率為1 Hz, IMU測(cè)量值輸出速率為100 Hz, GNSS與IMU具體的仿真參數(shù)如表1所示。

表1 仿真?zhèn)鞲衅鲄?shù)設(shè)置

仿真的數(shù)據(jù)為一個(gè)車輛勻速運(yùn)動(dòng)的軌跡，坐標(biāo)系統(tǒng)采用E系，車輛首先從坐標(biāo)原點(diǎn)出發(fā)向西運(yùn)動(dòng)，運(yùn)動(dòng)持續(xù)時(shí)間為600 s，整個(gè)軌跡共進(jìn)行了4次45°和1次90°轉(zhuǎn)彎，可見衛(wèi)星數(shù)量為8顆，車輛軌跡和衛(wèi)星星空?qǐng)D分別如圖3(a)和圖3(b)所示。

圖3 仿真軌跡和星空?qǐng)D

為模擬復(fù)雜城市環(huán)境下多星受樹蔭遮擋、多徑干擾以及建筑物遮擋等情況，80～95 s時(shí)段，將高仰角的4顆可見衛(wèi)星(C7, C8, C11, C16)對(duì)應(yīng)的基帶導(dǎo)航信號(hào)噪聲分量增加3～5 dB不等，模擬受樹蔭遮擋情況，使接收機(jī)對(duì)這些衛(wèi)星信號(hào)鎖定效果變差；200～235 s時(shí)段，在低仰角的4顆衛(wèi)星(C1, C2,C6, C12)基帶信號(hào)中加入2～3路多徑干擾信號(hào)，模擬衛(wèi)星信號(hào)受多徑干擾情況；在400～450 s時(shí)間段，將方位角300°～330°范圍內(nèi)的5顆衛(wèi)星(C1, C2,C6, C11, C12)設(shè)為不可見，模擬被高層建筑遮擋造成可見衛(wèi)星不足4顆的場(chǎng)景，具體場(chǎng)景設(shè)置如表2所示。實(shí)驗(yàn)結(jié)果如圖4所示，其中分別比較了卡爾曼濾波、經(jīng)典因子圖、本文方法共3種方法定位結(jié)果，首先，經(jīng)典因子圖方法由于使用了所有歷史觀測(cè)數(shù)據(jù)，定位誤差比卡爾曼更小；另外，當(dāng)GNSS數(shù)據(jù)出現(xiàn)異常時(shí)，本文方法由于能自適應(yīng)地調(diào)節(jié)測(cè)量噪聲協(xié)方差矩陣，而經(jīng)典因子圖使用了固定的測(cè)量噪聲協(xié)方差矩陣，因此本文方法在各方向上的定位結(jié)果皆優(yōu)于卡爾曼濾波算法與經(jīng)典因子圖方法。圖5為3種方法速度誤差實(shí)驗(yàn)結(jié)果，與經(jīng)典因子圖方法和卡爾曼濾波相比，本文方法速度估計(jì)誤差更小。3種方法的定位誤差和測(cè)速誤差如表3所示，由表3可見，在上述實(shí)驗(yàn)場(chǎng)景中，本文方法在定位誤差方面比卡爾曼濾波和經(jīng)典因子圖方法分別提高了75.24%和63.50%，在測(cè)速方面，本文方法較上述兩種方法也提高了71.70%和42.26%。

表2 仿真場(chǎng)景參數(shù)設(shè)置

表3 3種方法的定位與測(cè)速性能對(duì)比(速度(m/s)/位置(m))

圖4 本文方法與經(jīng)典方法在定位誤差的結(jié)果對(duì)比圖

圖5 本文方法與經(jīng)典方法在測(cè)速誤差的結(jié)果對(duì)比圖

3.2 實(shí)際跑車實(shí)驗(yàn)

實(shí)驗(yàn)硬件平臺(tái)中，GNSS/SINS組合導(dǎo)航設(shè)備使用華測(cè)CGI-410高精度MEMS組合導(dǎo)航接收機(jī)，采集CGI-410輸出的原始GNSS和IMU測(cè)量數(shù)據(jù)用于后處理解算。同時(shí)采用NovAtel ProPak6+SPAN OEM6緊組合導(dǎo)航系統(tǒng)作為系統(tǒng)測(cè)量基準(zhǔn)，CGI-410和NovAtel ProPak6共用一個(gè)接收天線，組合導(dǎo)航系統(tǒng)內(nèi)部已進(jìn)行初始化及桿臂校正，具體如圖6所示，表4是上述使用導(dǎo)航設(shè)備的部分性能參數(shù)。跑車實(shí)驗(yàn)中車輛行駛在城市道路上，期間經(jīng)過林蔭道、高架橋底和城市峽谷道路。采集行駛時(shí)間為718 s的數(shù)據(jù)。由于模擬常規(guī)汽車等待紅綠燈與禮讓行人的情況，實(shí)驗(yàn)期間車輛存在多個(gè)零速時(shí)間段。

表4 部分系統(tǒng)參數(shù)

圖6 實(shí)驗(yàn)車輛和傳感器搭建圖

本文采用廣義似然比檢測(cè)方法作為檢測(cè)器對(duì)目標(biāo)車輛在過程中進(jìn)行零速檢測(cè)，檢測(cè)結(jié)果如圖7所示，檢測(cè)結(jié)果曲線在圖中取“0”代表檢測(cè)到零速，取“1”表達(dá)車輛處于運(yùn)動(dòng)狀態(tài)。由于存在環(huán)境高頻噪聲以及靜止時(shí)汽車震動(dòng)噪聲，因此在檢測(cè)器前加入低通濾波器以提高檢測(cè)率，實(shí)驗(yàn)結(jié)果表明檢測(cè)率達(dá)到93%時(shí)，誤檢率為0.7%。圖8為本文方法與經(jīng)典因子圖在跑車實(shí)驗(yàn)中的定位性能對(duì)比，圖9為本文方法與傳統(tǒng)方法3維測(cè)試誤差對(duì)比。由圖9可見，在零速時(shí)間段內(nèi)，當(dāng)GNSS信號(hào)誤差增大或大多數(shù)衛(wèi)星信號(hào)不可見時(shí)，本文方法使用零速校正對(duì)系統(tǒng)狀態(tài)進(jìn)行約束，能有效降低由GNSS信號(hào)不可見時(shí)帶來的組合導(dǎo)航性能迅速下降問題。

圖7 零速檢測(cè)結(jié)果

圖8 本文方法與傳統(tǒng)方法3維定位誤差

圖9 本文方法與傳統(tǒng)方法3維測(cè)速誤差

實(shí)驗(yàn)中計(jì)算平臺(tái)使用的處理器為Intel Core i7-13620H，主頻為2.6 GHz，具有10核心/16線程。在因子圖計(jì)算資源消耗方面，由于本方法在車輛零速期間只對(duì)狀態(tài)進(jìn)行修正而不增加因子節(jié)點(diǎn)，在存儲(chǔ)的節(jié)點(diǎn)數(shù)和因子圖邊緣化等優(yōu)化計(jì)算時(shí)間方面具有一定優(yōu)勢(shì)，圖10是本文方法與經(jīng)典因子圖方法在車輛行駛過程中組合導(dǎo)航計(jì)算所存儲(chǔ)的節(jié)點(diǎn)數(shù)和優(yōu)化時(shí)間的對(duì)比圖，整個(gè)實(shí)驗(yàn)路程行駛時(shí)間為718 s，其中車輛一共停止了5段，停止時(shí)間一共為200 s，從圖10可以看出，在剛開始的時(shí)間段內(nèi)，由于啟停的次數(shù)有限，本文方法的節(jié)點(diǎn)數(shù)與經(jīng)典因子圖的基本一致，隨著時(shí)間推移，啟停次數(shù)增多后，本文方法相比于經(jīng)典因子圖優(yōu)勢(shì)越來越明顯，在實(shí)驗(yàn)時(shí)間內(nèi)，主節(jié)點(diǎn)數(shù)量從經(jīng)典方法的718個(gè)降至518個(gè)，降低27.86%，優(yōu)化所用總時(shí)長由43.89 s降至29.83 s，降低32.04%。其中，總時(shí)長是指在整個(gè)車輛行駛時(shí)間內(nèi)所有定位點(diǎn)因子圖算法的計(jì)算時(shí)間總和。節(jié)點(diǎn)數(shù)量與測(cè)量值是成對(duì)存在的，因此，節(jié)點(diǎn)數(shù)量的降低將帶來存儲(chǔ)量上的有效降低。當(dāng)然，隨著車輛停止的次數(shù)和時(shí)間增多，其節(jié)點(diǎn)數(shù)下降將更明顯。另外，增量平滑的求解過程中涉及圖維護(hù)，相比經(jīng)典因子圖，本文方法由于存儲(chǔ)節(jié)點(diǎn)數(shù)的減少，當(dāng)圖具備一定規(guī)模后，在維護(hù)消耗時(shí)間方面具備一定優(yōu)勢(shì)。

4 結(jié)論

本文研究了復(fù)雜城市環(huán)境下GNSS/SINS組合導(dǎo)航方法，利用因子圖對(duì)組合系統(tǒng)的狀態(tài)量進(jìn)行全局估計(jì)，從提高GNSS測(cè)量模型準(zhǔn)確度和提高GNSS不可視情況下的組合導(dǎo)航系統(tǒng)定位性能兩方面入手，分別對(duì)GNSS的信號(hào)測(cè)量誤差進(jìn)行建模，誤差模型能準(zhǔn)確反映信號(hào)受多徑干擾和鎖定。工作內(nèi)容如下：

(1)利用GNSS接收機(jī)中的相干積分結(jié)果構(gòu)造信號(hào)誤差鑒別函數(shù)，實(shí)時(shí)估計(jì)信號(hào)在多徑干擾、短暫失鎖、拒止情況下的測(cè)量誤差。本文方法相比經(jīng)典因子圖方法，可提高組合導(dǎo)航系統(tǒng)的定位精度63.50%和測(cè)速精度42.26 %；

(2)在GNSS信號(hào)拒止時(shí)，利用載體運(yùn)動(dòng)約束條件構(gòu)建零速修正因子，對(duì)組合導(dǎo)航系統(tǒng)狀態(tài)量進(jìn)行修正，能有效提高組合導(dǎo)航系統(tǒng)的定位性能；同時(shí)隨著載體零速情況的增加，本文方法存儲(chǔ)的因子節(jié)點(diǎn)數(shù)量和優(yōu)化時(shí)間，相比經(jīng)典因子圖均有大幅的下降。

實(shí)驗(yàn)表明，本文方法具備良好的導(dǎo)航性能、較低的存儲(chǔ)量和較高的計(jì)算效率，在工程實(shí)踐中具有較高的應(yīng)用價(jià)值。