阅读说明：本技术 一种多卫星分布式导航滤波计算方法 (A kind of more satellite distributed Navigation calculation methods ) 是由 李文玲 刘杨 于 2019-07-24 设计创作，主要内容包括：本发明公开了一种多卫星分布式导航滤波计算方法,通过将卡尔曼滤波-交互式多模型算法和协方差交叉法进行组合,得到一种精度较高的组合式递推滤波计算方法,并通过将该递推滤波计算方法得到的上一时刻的最终状态估计结果作为下一时刻滤波递推的全状态补偿反馈,可以大大提高导航滤波计算方法的估计精度。(The invention discloses a kind of more satellite distributed Navigation calculation methods, by the way that Kalman filtering-interacting multiple model algorithm and covariance interior extrapolation method are combined, obtain a kind of higher combined type Recursive Filtering calculation method of precision, and the end-state estimated result of the last moment by obtaining the Recursive Filtering calculation method can greatly improve the estimated accuracy of Navigation calculation method as the total-state compensating feedback of subsequent time filtering recursion.)

一种多卫星分布式导航滤波计算方法

技术领域

本发明涉及地球观测与导航技术领域，尤其涉及一种多卫星分布式导航滤波计算方法。

背景技术

卫星导航技术凭借全球覆盖、全天候工作等十分具有实际应用价值和应用潜力的特点，广泛应用于各个领域。

为了实现精确可靠的卫星导航，其导航滤波算法是核心要点。一般通过卫星导航实现对地面目标物体的定位，需要接收至少四个卫星的数据，对目标物体的位置进行实时解算。

在日常生活中，城市建设飞速发展，导致城市交通路况极为复杂，对复杂路况下的目标物体进行导航是生活中的迫切需要，也对导航系统的导航精度提出了更高的要求。

发明内容

有鉴于此，本发明提供了一种多卫星分布式导航滤波计算方法，用以提高现有导航滤波算法的精度。

因此，本发明提供了一种多卫星分布式导航滤波计算方法，包括如下步骤：

S1：确定待导航物体的初始状态，建立所述待导航物体的多种运动模型；

S2：收集当前时刻M颗卫星对所述待导航物体的定位信息，随机选取每N 颗卫星收集的定位信息作为一组测量数据；其中，M为不小于4的整数，N为小于M且不小于3的整数；

S3：采用卡尔曼滤波-交互式多模型算法，选取多组测量数据，并利用上一时刻的最终状态估计结果作为全状态反馈进行计算，得到当前时刻的多组状态估计结果；

S4：利用协方差交叉法将得到的多组状态估计结果进行融合，得到当前时刻的最终状态估计结果；

返回步骤S2，进行下一时刻的状态估计。

在一种可能的实现方式中，在本发明提供的上述多卫星分布式导航滤波计算方法中，步骤S3，采用卡尔曼滤波-交互式多模型算法，选取多组测量数据，并利用上一时刻的最终状态估计结果作为全状态反馈进行计算，得到当前时刻的多组状态估计结果，具体包括如下步骤：

S31：计算上一时刻各所述运动模型对应的滤波器的输出在当前时刻各所述滤波器的输入中所占的比例，用于加权融合；

S32：通过融合上一时刻各所述滤波器的输出，形成混合估计，作为当前时刻各所述滤波器的输入；

S33：利用卡尔曼滤波器对每个运动模型进行滤波；

S34：计算每个运动模型对应的滤波器输出结果的出现概率，作为最终的融合权重；

S35：将各所述滤波器的输出结果进行加权融合。

在一种可能的实现方式中，在本发明提供的上述多卫星分布式导航滤波计算方法中，步骤S33，利用卡尔曼滤波器对每个运动模型进行滤波，具体包括：

利用卡尔曼滤波器进行滤波如下：

其中，表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计，表示k-1时刻第i个运动模型的状态转移矩阵，表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计误差协方差矩阵，表示k-1时刻第 j组滤波器中第i个运动模型的混合状态估计误差协方差矩阵，表示k-1时刻第i个运动模型的噪声分布矩阵，表示k-1时刻第i个运动模型的噪声协方差矩阵，表示k时刻第j组滤波器中第i个运动模型的测量预测残差，z_j,k表示k时刻第j组滤波器的测量，表示k时刻第j组滤波器中第i个测量矩阵，表示k时刻第j组滤波器中第i个测量残差协方差矩阵，表示k时刻第j组滤波器中第i个测量噪声协方差矩阵，表示k时刻第j组滤波器中第i个测量的似然函数，表示k时刻第j组滤波器中第i个滤波增益矩阵，表示k时刻第j组滤波器中第i个全状态反馈矩阵，λ表示调节参数，表示k时刻第j 组滤波器中第i个运动模型的状态估计，表示k时刻的所有滤波器估计结果融合之后的最终估计，表示k时刻第j组滤波器中第i个运动模型的状态估计误差协方差矩阵。

本发明提供的上述多卫星分布式导航滤波计算方法，通过将卡尔曼滤波- 交互式多模型算法和协方差交叉法进行组合，得到一种精度较高的组合式递推滤波计算方法，并通过将该递推滤波计算方法得到的上一时刻的最终状态估计结果作为下一时刻滤波递推的全状态补偿反馈，可以大大提高导航滤波计算方法的估计精度。

附图说明

图1为本发明实施例提供的多卫星分布式导航滤波计算方法的流程图之一；

图2为本发明实施例提供的多卫星分布式导航滤波计算方法的流程图之二。

具体实施方式

下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本申请。

本发明实施例提供的一种多卫星分布式导航滤波计算方法，如图1所示，包括如下步骤：

S1：确定待导航物体的初始状态，建立待导航物体的多种运动模型；

S2：收集当前时刻M颗卫星对待导航物体的定位信息，随机选取每N颗卫星收集的定位信息作为一组测量数据；其中，M为不小于4的整数，N为小于M且不小于3的整数；

S3：采用卡尔曼滤波-交互式多模型算法，选取多组测量数据，并利用上一时刻的最终状态估计结果作为全状态反馈进行计算，得到当前时刻的多组状态估计结果；

S4：利用协方差交叉法将得到的多组状态估计结果进行融合，得到当前时刻的最终状态估计结果；

返回步骤S2，进行下一时刻的状态估计。

本发明实施例提供的上述多卫星分布式导航滤波计算方法，通过将卡尔曼滤波-交互式多模型算法和协方差交叉法进行组合，得到一种精度较高的组合式递推滤波计算方法，并通过将该递推滤波计算方法得到的上一时刻的最终状态估计结果作为下一时刻滤波递推的全状态补偿反馈，可以大大提高导航滤波计算方法的估计精度。

需要说明的是，在执行本发明实施例提供的上述多卫星分布式导航滤波计算方法中的步骤S3，采用卡尔曼滤波-交互式多模型算法，选取多组测量数据，并利用上一时刻的最终状态估计结果作为全状态反馈进行计算，得到当前时刻的多组状态估计结果时，如果当前时刻为第一时刻，不存在上一时刻的最终状态估计结果，在计算第一时刻的多组状态估计结果时，直接采用卡尔曼滤波- 交互式多模型算法，选取多组测量数据进行计算，得到第一时刻的多组状态估计结果。

在具体实施时，在执行本发明实施例提供的上述多卫星分布式导航滤波计算方法中的步骤S2，收集当前时刻M颗卫星对待导航物体的定位信息，随机选取每N颗卫星收集的定位信息作为一组测量数据时，例如，可以收集当前时刻五颗卫星对待导航物体的定位信息，随机选取每四颗卫星收集的定位信息作为一组测量数据，这样，总共得到五组测量数据。

在具体实施时，在执行本发明实施例提供的上述多卫星分布式导航滤波计算方法中的步骤S3，采用卡尔曼滤波-交互式多模型算法，选取多组测量数据，并利用上一时刻的最终状态估计结果作为全状态反馈进行计算，得到当前时刻的多组状态估计结果时，如图2所示，具体可以包括如下步骤：

S31：计算上一时刻各运动模型对应的滤波器的输出在当前时刻各滤波器的输入中所占的比例，用于加权融合；

具体地，利用如下公式(1)进行计算：

其中，表示k-1时刻第j组滤波器中第i个运动模型与第s个运动模型的混合概率，π_is表示从运动模型i切换到运动模型s的转移概率，表示第j组滤波器中第i个运动模型在k-1时刻的运动模型概率；

S32：通过融合上一时刻各滤波器的输出，形成混合估计，作为当前时刻各滤波器的输入；

具体地，利用如下公式(2)进行融合：

其中，表示k-1时刻第j组滤波器中第s个运动模型的混合状态估计，表示k-1时刻第j组滤波器中第i个运动模型的状态估计，表示 k-1时刻第j组滤波器中第s个运动模型的混合状态估计误差协方差矩阵，表示k-1时刻第j组滤波器中第i个运动模型的状态估计误差协方差矩阵；

S33：利用卡尔曼滤波器对每个运动模型进行滤波；

具体地，利用卡尔曼滤波器进行滤波如下：

其中，表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计，表示k-1时刻第i个运动模型的状态转移矩阵，表示k-1时刻第j组滤波器中第i个运动模型的状态预测估计误差协方差矩阵，表示k-1时刻第 j组滤波器中第i个运动模型的混合状态估计误差协方差矩阵，表示k-1时刻第i个运动模型的噪声分布矩阵，表示k-1时刻第i个运动模型的噪声协方差矩阵，表示k时刻第j组滤波器中第i个运动模型的测量预测残差，z_j,k表示k时刻第j组滤波器的测量，表示k时刻第j组滤波器中第i个测量矩阵，表示k时刻第j组滤波器中第i个测量残差协方差矩阵，表示k时刻第j组滤波器中第i个测量噪声协方差矩阵，表示k时刻第j组滤波器中第i个测量的似然函数，表示k时刻第j组滤波器中第i个滤波增益矩阵，表示k时刻第j组滤波器中第i个全状态反馈矩阵，λ表示调节参数，表示k时刻第j 组滤波器中第i个运动模型的状态估计，表示k时刻的所有滤波器估计结果融合之后的最终估计，表示k时刻第j组滤波器中第i个运动模型的状态估计误差协方差矩阵；

S34：计算每个运动模型对应的滤波器输出结果的出现概率，作为最终的融合权重；

具体地，可以利用如下公式(4)进行计算：

其中，表示第j组滤波器中第i个运动模型在k时刻的运动模型概率，π_ij表示表示从运动模型i切换到运动模型j的转移概率，表示第j组滤波器中第i个运动模型在k-1时刻的运动模型概率，c表示归一化常数；

S35：将各滤波器的输出结果进行加权融合；

具体地，可以利用如下公式(5)进行加权融合：

其中，表示k时刻第j组滤波器的状态估计，表示k时刻第j组滤波器中第i个运动模型的状态估计，P_j,k|k表示k时刻第j组滤波器的状态估计误差协方差矩阵。

在具体实施时，在执行本发明实施例提供的上述多卫星分布式导航滤波计算方法中的步骤S4，利用协方差交叉法将得到的多组状态估计结果进行融合，得到当前时刻的最终状态估计结果时，具体可以利用如下公式(6)进行融合：

其中，P_k|k表示k时刻的所有滤波器估计结果融合之后的最终估计误差协方差矩阵，ω₁表示第1组滤波器的权重，P_1,k|k表示k时刻的第1组滤波器的状态估计误差协方差矩阵，ω₂表示第2组滤波器的权重，P_2,k|k表示k时刻的第2组滤波器的状态估计误差协方差矩阵，ω_n表示第n组滤波器的权重，P_n,k|k表示k时刻的第n组滤波器的状态估计误差协方差矩阵，表示k时刻的第1组滤波器的状态估计，表示k时刻的第2组滤波器的状态估计，表示k时刻的第n组滤波器的状态估计。

需要说明的是，本发明实施例提供的上述多卫星分布式导航滤波计算方法，可用于对地面移动的物体进行导航，例如，地面车辆、地面行人等，或者，也可用于对天空移动的物体进行导航，例如，飞机等。

本发明实施例提供的上述多卫星分布式导航滤波计算方法，通过将卡尔曼滤波-交互式多模型算法和协方差交叉法进行组合，得到一种精度较高的组合式递推滤波计算方法，并通过将该递推滤波计算方法得到的上一时刻的最终状态估计结果作为下一时刻滤波递推的全状态补偿反馈，可以大大提高导航滤波计算方法的估计精度。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。