一種GNSS/SINS組合導航的改進魯棒濾波算法

孫玉梅，王學偉，任憲潔

(濰坊科技學院計算機學院，山東 濰坊 262700)

0 引言

目前,GNSS/SINS組合導航系統在航空、航天等諸多領域得到廣泛的應用,通常使用卡爾曼濾波器(KF)作為其信息融合方法,然而KF只有在線性高斯狀態空間模型及測量值服從高斯分布假設下才是最優的[1]。然而在實際情況下,測量噪聲除了不服從高斯分布外,還容易受異常值的影響,導致KF濾波精度下降甚至發散[2]。為了處理非高斯噪聲,可以使用粒子濾波,然而粒子濾波應用于組合導航系統時存在如下問題[3]:計算量大,特別是組合導航系統是高維系統;不能抵抗異常值的影響。而H∝濾波器能夠給出基于最小化最壞情形下的估計誤差,可有效解決測量噪聲中的不確定性,但也存在在測量異常值時發生濾波失效的缺陷[4]。

此外,魯棒濾波器可以有效處理非高斯分布及測量異常值的影響。其中,楊元喜院士對此開展了早期的研究,并提出了諸多模型[5-7]。以此為基礎,文獻[8-10]分別開展了基于雙漸消因子及多重漸消因子的濾波算法研究,以消除濾波過程中的異常影響。文獻[11]基于模糊控制的隸屬函數,設計了模糊強跟蹤擴展卡爾曼濾波器,以補償GNSSS信號突變時對導航精度的影響,但該算法的精度嚴重依賴隸屬度函數。文獻[12]基于新息序列構建了控制因子,并設計了一種魯棒濾波方法,以降低測量野值對濾波精度的影響。文獻[13]提出的基于三段權函數的組合導航系統抗差估計濾波方法。

1 GNSS/SINS組合導航系統模型

以松組合模式為例,建立GNSS/SINS組合導航系統的線性濾波模型[14]:

(1)

選取18維狀態向量:

(2)

測量向量Zk取為SINS和GNSS各自三維速度、三維位置之間的差值[14]。

農村商業銀行對于我國農村經濟的發展至關重要，為解決農商行發展中出現的股權結構單一、股權高度分散、激勵機制缺失等諸多問題，唯有對股權機制進行創新，提出多元化的股權結構，引入全周期監管來預防系統性操作風險，充分維護中小股東的自身權益等，才可以保障農商行在經濟新常態的發展中穩步前行。

2 改進的魯棒濾波算法

2.1 問題描述

(3)

(4)

(5)

Pk|k=(I-KkHk)Pk|k-1

(6)

(7)

(8)

(9)

式中:Zk|k-1為測量預測向量;Sk為其協方差矩陣。

(10)

若測量向量不滿足高斯分布,即測量值存在異常值或測量噪聲不滿足高斯分布(該高斯分布被其他分布所污染)時,則式(10)不再成立。此時,可以通過假設檢驗來檢測實際測量與假設模型的兼容性,具體做法如下:

取檢驗統計量為[13]:

(11)

對于顯著性水平α,選取檢測閾值,且滿足:

P(γk≥χα)=α

(12)

式中P代表一個隨機事件發生的概率。當γk<χα時,認為測量正常;否則,測量異常。

嚴格意義上來說,GNSS輸出信息的統計特性并不服從于高斯分布,此時GNSS輸出信息的實際概率分布ρactual滿足[16]:

ρactual=(1-β)·ρnominal+β·ρperturbing

(13)

式中:ρnominal為標準的高斯分布概率密度函數;β為污染分布的比值,且0≤β≤1;ρperturbing為干擾分布的概率密度函數。

當測量向量不滿足高斯分布時,傳統的方法是對測量噪聲協方差矩陣進行加權或對狀態一步預測協方差矩陣Pk|k-1進行加權,然而該加權對應的權重值有可能過大或過小,進而導致濾波誤差較大或濾波發散。

2.2 改進算法的提出

為了解決上述問題,基于牛頓迭代法提出了一種改進的帶有比例因子的魯棒卡爾曼濾波器,具體思路表述如下:

(14)

基于調整后的測量噪聲協方差矩陣,下面的方程可以得到滿足:

(15)

式(15)可轉化為求λk的非線性問題,即可通過式(16)計算式(14)中的λk:

(16)

針對式(16),利用式(17)的牛頓迭代法求解λk:

(17)

式中i為迭代次數。

由矩陣求導的原理,尤其是可逆矩陣的求導方法,不妨假設A是一個關于變量t的可逆矩陣,則:

(18)

結合式(16),把式(18)代入式(17),得:

(19)

由式(19)完成比例因子的精確計算與選取。

經過式(19)的迭代,最終得到了較精確的比例因子λk,進而克服了文獻[8-12]中存在控制因子根據經驗設定而導致的組合導航濾波精度下降問題。

綜上所述,文中提出的組合導航系統改進魯棒濾波算法的流程圖如圖1所示。

圖1 改進魯棒算法濾波流程圖Fig.1 Filter flowchart of improved robust algorithm

3 仿真結果及分析

3.1 仿真條件

為了驗證上述算法的魯棒性及可靠性,對GNSS/SINS組合導航系統進行仿真驗證。飛行初始位置為(31°N,120°E,500 m),初始速度為0 m/s,初始航向為90°,水平初始姿態角為0°;根據現有導航傳感器的實際精度,選取導航傳感器參數設置如表1所示。

表1 導航傳感器仿真參數設置Table 1 Simulation parameter setting of navigation sensors

設計了時長為3 600 s的飛行軌跡,包含直線、變速、爬坡、轉彎、俯沖等機動過程。

在仿真時,β為0.2,ρperturbing為均值為0的中心卡方分布。同時,在GNSS輸出信息的不同時刻上加入幅度不同的野值。

3.2 仿真結果及分析

基于上述仿真條件設定,采用常規卡爾曼濾波算法(KF)、傳統魯棒卡爾曼濾波算法[8-10,13](RKF)及文中所提出的改進魯棒卡爾曼濾波算法(IRKF)的濾波結果進行對比分析。

圖2～圖4給出了基于KF及IRKF的導航參數誤差對比曲線。圖5～圖7給出了基于RKF及IRKF的導航參數誤差對比曲線。通過對圖2～圖7的分析可以看出,基于IRKF的導航參數誤差更加平穩,而且對姿態角的濾波精度也較高、尤其是對航向角。

圖2 基于KF和IRKF的位置誤差曲線對比圖Fig.2 Position error curve comparison based on KF and IRKF

圖3 基于KF和IRKF的速度誤差曲線對比圖Fig.3 Velocity error curve comparison based on KF and IRKF

圖4 基于KF和IRKF的姿態誤差曲線對比圖Fig.4 Attitude error curve comparison based on KF and IRKF

圖5 基于RKF和IRKF的位置誤差曲線對比圖Fig.5 Position error curve comparison based on RKF and IRKF

圖6 基于RKF和IRKF的速度誤差曲線對比圖Fig.6 Velocity error curve comparison based on RKF and IRKF

圖7 基于RKF和IRKF的姿態誤差曲線對比圖Fig.7 Altitude error curve comparison based on RKF and IRKF

為了更直觀分析圖2～圖7的結果,表2給出了各個導航參數對應的均方根誤差(RMSE)。由表2可以看出,相對于KF,IRKF可提高位置及速度精度分別為14.1%及13.8%;相對于RKF,IRKF可提高位置及速度精度分別為8.1%及7.7%。

表2 基于KF、RKF及IRKF的各導航參數RMSETable 2 Navigation parameters RMSE based on KF,RKF and IRKF

出現上述結果的原因,可以通過基于KF、基于RKF及基于IRKF的故障檢測值曲線進行解釋,其中基于KF的故障檢測值曲線如圖8所示。

圖8 基于KF的故障檢測值曲線Fig.8 Fault detection value curve based on KF

由于測量值不滿足高斯分布、以及在導航過程的不同時刻測量值出現了不同幅度的野值,因此基于KF的故障檢測值在多個時刻超越檢測閾值,進而引起濾波精度下降。基于RKF的故障檢測值曲線與圖8類同,當檢測到故障檢測值大于檢測閾值時,RKF實時對測量噪聲方差矩陣進行調整,進而在一定程度上提高了濾波精度。但是該調整只是簡單的、粗略的、且是基于人工經驗而設置的,因此基于RKF的導航濾波精度的提升是有局限性的。

基于圖1及式(18),IRKF的濾波過程引入了迭代過程,目的在于對測量噪聲方差矩陣的調整盡量達到最優化。當IRKF檢測到故障檢測值大于檢測閾值時,其第一次迭代過程對應的故障檢測值曲線也與圖8類同,經過多次迭代且不斷優化測量噪聲協方差矩陣后,基于IRKF的故障檢測值曲線如圖9所示,所需要的迭代次數如圖10所示。

圖9 基于IRKF的故障檢測值曲線Fig.9 Fault detection value curve based on IRKF

從圖10可以看出,雖然IRKF在多數時刻不需要迭代計算,但在多個時刻需要4～6次迭代,而在少數時刻需要7～8次迭代。根據圖1所示的流程,該迭代過程的最大計算量為測量預測向量協方差矩陣Sk的計算,為此該迭代并不會引入較大的計算負擔、進而可以保證算法的實時性。

4 結論

研究結果表明,相對于已有算法,文中算法能夠更有效抑制非高斯測量噪聲及測量異常的影響,相對于KF和RKF算法,IRKF算法可提高位置精度分別為14.1%和8.1%,可提高速度精度分別為13.8%和7.7%,進而提高了組合導航系統的濾波精度,并為復雜環境下組合導航系統信息融合算法提供了有效途徑。同時,文中算法與表1中所設定的導航參數無關聯關系,當IMU參數改變時該算法也同樣適用。

由于文中是通過牛頓迭代法求解比例因子,而牛頓迭代法需要的迭代次數可能較大,下一步的研究重點是通過解釋法求得比例因子。