一种卫星接收机自适应ckf算法实现ins辅助gnss导航定位方法
阅读说明：本技术 一种卫星接收机自适应ckf算法实现ins辅助gnss导航定位方法 (Method for realizing INS (inertial navigation system) assisted GNSS (global navigation satellite system) navigation and positioning by satellite receiver self-adaptive CKF (CKF) algorithm ) 是由 王天保 林城誉 车洪峰 王大维 于 2021-08-26 设计创作，主要内容包括：本发明公开了一种卫星接收机自适应CKF算法实现INS辅助GNSS导航定位方法,具体包括以下步骤:S1、INS辅助GNSS导航系统结构：a.状态方程,b.测量方程；S2、自适应CKF算法：a.CKF算法,b.自适应CKF算法；S3、采用假设检验的方法来判断过程噪声的不确定度,本发明涉及卫星接收机技术领域。该卫星接收机自适应CKF算法实现INS辅助GNSS导航定位方法,通过为了提升其在高动态和存在复杂干扰的环境中的导航定位精度和稳定性,本发明将使用INS/GNSS超紧组合结构,利用卫星接收机基带的I路和Q路观测数据,以及INS提供的位置、速度、姿态信息进行深度数据融合,修正基带跟踪误差,提升观测质量,使用一种非线性自适应CKF算法(ACKF),处理观测方程的非线性问题。(The invention discloses a method for realizing INS assisted GNSS navigation positioning by a satellite receiver self-adaptive CKF algorithm, which specifically comprises the following steps of S1, INS assisted GNSS navigation system structure: a. equation of state, b. measurement equation; s2, self-adaptive CKF algorithm: a, CKF algorithm, b, adaptive CKF algorithm; s3, adopting a hypothesis test method to judge the uncertainty of the process noise, and the invention relates to the technical field of satellite receivers. In order to improve the navigation positioning precision and stability of the satellite receiver in a high-dynamic environment with complex interference, the method uses an INS/GNSS ultra-tight combined structure, performs depth data fusion by using the I-path observation data and the Q-path observation data of a satellite receiver baseband and the position, speed and attitude information provided by the INS, corrects the baseband tracking error, improves the observation quality, and uses a nonlinear adaptive CKF Algorithm (ACKF) to process the nonlinear problem of an observation equation.)
技术领域
本发明涉及卫星接收机技术领域，具体为一种卫星接收机自适应CKF算法实现INS辅助GNSS导航定位方法。
背景技术
卫星电视接收机是指接收卫星电视信号的设备，通常指卫星电视接收站的室内单元，由第2下变频器、频道选择、中频带通滤波器、主中放、中频解调、基带处理电路等部分组成，工作过程：将500兆赫带宽、24个频道的第1中频信号送入第2下变频器选择频道，其输出的第2中频信号被送到中频带通滤波器、中频放大器和解调器，解出基带信号，再经图像处理和伴音解调，分别输出视频和伴音信号，送至监视器的视频和声音接口，重现图像和声音；或者由卫星电视接收机内装的VHF或UHF的电视调制器的RF端输出，直接送到家用彩色电视接收机的天线插口，供人们收看卫星电视节目，INS惯性导航系统是一种利用惯性传感器提供的三维角速度和三维加速度信息进行定位解算的导航定位系统，惯性器件是一种被动式器件，其工作不受外界干扰，可以实时输出自身的角速度和加速度信息，INS和卫星导航系统进行组合不仅可以弥补各自系统的缺点，而且可以得到更为精确稳定的导航定位结果。
卫星接收机接收卫星信号，不依赖其他外界传感器信息独立进行导航定位，然而，在动态情况下或者周围存在干扰的环境中，由于多普勒偏差或者环境干扰较大，接收机很可能失锁，INS/GNSS的组合方式可以分为松组合、紧组合、超紧组合三种，传统的松组合和紧组合方法利用GNSS系统的定位信息或者伪距和多普勒观测量信息进行数据融合，可以提升整体系统的导航定位精度和稳定度,但由于没有使用卫星接收机基带跟踪原始观测量信息，在动态或者复杂干扰情况下，INS不能辅助卫星接收机基带进行稳定跟踪，传统KF算法作为一种线性估计方法经常用在传感器数据融合中，然而，在INS/GNSS超紧组合系统中，观测方程是非线性的，在高动态和复杂电磁干扰环境中，线性方法将会产生较大的估计偏差。
发明内容
针对现有技术的不足，本发明提供了一种卫星接收机自适应CKF算法实现INS辅助GNSS导航定位方法，解决了由于多普勒偏差或者环境干扰较大，接收机很可能失锁，INS不能辅助卫星接收机基带进行稳定跟踪，线性方法将会产生较大的估计偏差的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种卫星接收机自适应CKF算法实现INS辅助GNSS导航定位方法，具体包括以下步骤：
S1、INS辅助GNSS导航系统结构：
a.状态方程：INS/GNSS超紧组合系统的状态为 系统的状态方程为xk+1＝Φkxk+wk(式2)；
b.测量方程：卫星接收机接收到的卫星信号为y(t)＝A·CA(t)·D(t)cos(2πft+θ)+n0(式3)，卫星信号相关运算之后可以表示为 为载波环的跟踪频率误差，为码跟踪环路的相位误差，T为预积分时间，ηI、ηQ为噪声，Ru和vu分别代表接收机的观测位置和速度，和分别代表估计的接收机的位置和速度，和I和Q路观测方程可写为
令I(Pe0,Ve0)＝IINS(式10)、Q(Pe0,Ve0)＝QINS(式11)，则 记z＝{δI,δQ}i(式14)，下标'i'表示跟踪的通道数，系统的观测方程可以表示为zk＝hk(xk)+vk(式15)，其中，h(·)描述观测方程的非线性函数，zk和vk分别为量测向量和量测噪声；
S2、自适应CKF算法：式(2)和(15)描述的非线性系统如 所示，
a.CKF算法:CKF算法主要步骤如下：Step1:初始化：初始化和P0；Step2:时间更新：由于状态方程是线性的,和Pk/k-1可以 Step3:cubature points计算：通过Cholesky分解，Pk/k-1可以表示为计算cubature points则Zi,k/k-1＝h(Xi,k/k-1)(i＝1,2,...,2nx)(式22)，Step4:量测更新： 和
b.自适应CKF算法：假设(式16)描述的系统中存在不确定的过程统计噪声，那么在预测协方差矩阵中，可以使用一个随时间变化的自适应因子，来减弱先验信息对当前状态估计的影响，令其中，λk为根据残差计算的自适应衰减因子，为其中，H(k)为观测矩阵(式30)残差的协方差矩阵可以表示为当以下条件满足时，改变卡尔曼增益矩阵其中，tr[·]为相关矩阵的迹，如果Qk中存在很大偏差,估计的观测向量与观测量zk相比会产生突变，真实的滤波估计误差将会超过理论误差，因此，必须使用一个自适应因子λk来匹配过程噪声λk，记使用(式28)代替Pk，将(式29)带入(式35)得：因自适应因子可以计算为
S3、采用假设检验的方法来判断过程噪声的不确定度：两种假设如下：γ0,过程噪声统计准确；γ1,过程噪声统计有不确定度，过程噪声的不确定度可以用以下函数检验：由于因此，当假设γ1正确，βk值将远大于阈值。
优选的，所述S1中，中dx,dy和dz为位置误差，和为速度误差,φx,φy和φz为姿态角误差,ax,ay和az为加速度计偏差,gx,gy和gz为陀螺仪偏差,cb和cd为卫星接收机的时钟偏差和时钟偏移。
优选的，所述S1中，xk+1＝Φkxk+wk中Φk状态转移矩阵,xk和wk为状态向量和过程噪声。
优选的，所述S2中，中，为wk和vk的协方差矩阵。
优选的，所述S2中，中，nx为状态的维数,[1]为点集，[1]i为点集[1]的第i个点。
优选的，所述S3中，中，统计函数服从m维的χ2分布，其中m为残差矢量的维数。
有益效果
本发明提供了一种卫星接收机自适应CKF算法实现INS辅助GNSS导航定位方法。与现有技术相比具备以下有益效果：该卫星接收机自适应CKF算法实现INS辅助GNSS导航定位方法，具体包括以下步骤:S1、INS辅助GNSS导航系统结构：a.状态方程，b.测量方程；S2、自适应CKF算法：a.CKF算法，b.自适应CKF算法；S3、采用假设检验的方法来判断过程噪声的不确定度，通过为了提升其在高动态和存在复杂干扰的环境中的导航定位精度和稳定性，本发明将使用INS/GNSS超紧组合结构，利用卫星接收机基带的I路和Q路观测数据，以及INS提供的位置、速度、姿态信息进行深度数据融合，修正基带跟踪误差，提升观测质量，同时，使用一种非线性自适应CKF算法(ACKF)，处理观测方程的非线性问题，并且使用假设检验的方法检测过程噪声的不确定度，利用自适应因子调整先验权重，处理在滤波过程中的不确定性扰动，提升模型的抗差性和鲁棒性，从而从算法层面提升系统的稳定性。
附图说明
图1为本发明INS辅助GNSS导航定位系统框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种卫星接收机自适应CKF算法实现INS辅助GNSS导航定位方法，具体包括以下步骤：
S1、INS辅助GNSS导航系统结构：
a.状态方程：INS/GNSS超紧组合系统的状态为 系统的状态方程为xk+1＝Φkxk+wk(式2)，卫星接收机中INS辅助方式采用INS/GNSS超紧组合结构，利用卫星接收机基带的I路和Q路观测数据，以及INS提供的位置、速度、姿态信息进行深度数据融合，修正基带跟踪误差，提升观测质量；
b.测量方程：卫星接收机接收到的卫星信号为y(t)＝A·CA(t)·D(t)cos(2πft+θ)+n0(式3)，卫星信号相关运算之后可以表示为 为载波环的跟踪频率误差，为码跟踪环路的相位误差，T为预积分时间，ηI、ηQ为噪声，Ru和vu分别代表接收机的观测位置和速度，和分别代表估计的接收机的位置和速度，和I和Q路观测方程可写为
令I(Pe0,Ve0)＝IINS(式10)、Q(Pe0,Ve0)＝QINS(式11)，则 记z＝{δI,δQ}i(式14)，下标'i'表示跟踪的通道数，系统的观测方程可以表示为zk＝hk(xk)+vk(式15)，其中，h(·)描述观测方程的非线性函数，zk和vk分别为量测向量和量测噪声；
卫星接收机使用INS辅助GNSS进行定位解算，提升其在高动态和复杂干扰环境中的定位性能，
S2、自适应CKF算法：式(2)和(15)描述的非线性系统如 所示，卫星接收机中INS辅助方式采用INS/GNSS超紧组合结构，其融合滤波方法使用自适应CKF算法，此方法不仅可以处理观测方程的非线性问题，并且可以处理在滤波过程中的存在的不确定性扰动，提升模型的抗差性和鲁棒性，从而从算法层面提升系统的稳定性，
a.CKF算法:CKF算法主要步骤如下：Step1:初始化：初始化和P0；Step2:时间更新：由于状态方程是线性的,和Pk/k-1可以 Step3:cubature points计算：通过Cholesky分解，Pk/k-1可以表示为计算cubature points则Zi,k/k-1＝h(Xi,k/k-1)(i＝1,2,...,2nx)(式22)，Step4:量测更新： 和
b.自适应CKF算法：假设(式16)描述的系统中存在不确定的过程统计噪声，那么在预测协方差矩阵中，可以使用一个随时间变化的自适应因子，来减弱先验信息对当前状态估计的影响，令其中，λk为根据残差计算的自适应衰减因子，为其中，H(k)为观测矩阵(式30)残差的协方差矩阵可以表示为当以下条件满足时，改变卡尔曼增益矩阵其中，tr[·]为相关矩阵的迹，如果Qk中存在很大偏差,估计的观测向量与观测量zk相比会产生突变，真实的滤波估计误差将会超过理论误差，因此，必须使用一个自适应因子λk来匹配过程噪声λk，记使用(式28)代替Pk，将(式29)带入(式35)得：因自适应因子可以计算为
S3、采用假设检验的方法来判断过程噪声的不确定度：两种假设如下：γ0,过程噪声统计准确；γ1,过程噪声统计有不确定度，过程噪声的不确定度可以用以下函数检验：由于因此，当假设γ1正确，βk值将远大于阈值。
本发明中，S1中，中dx,dy和dz为位置误差，和为速度误差,φx,φy和φz为姿态角误差,ax,ay和az为加速度计偏差,gx,gy和gz为陀螺仪偏差,cb和cd为卫星接收机的时钟偏差和时钟偏移。
本发明中，S1中，xk+1＝Φkxk+wk中Φk状态转移矩阵,xk和wk为状态向量和过程噪声。
本发明中，S2中，中，为wk和vk的协方差矩阵。
本发明中，S2中，中，nx为状态的维数,[1]为点集，[1]i为点集[1]的第i个点。
本发明中，S3中，中，统计函数服从m维的χ2分布，其中m为残差矢量的维数。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。