加权多星观测的紧密耦合INS/CNS组合导航算法

"本文提出了一种新的紧密耦合的惯性导航系统（INS）/天基导航系统（CNS）组合导航算法，该算法利用加权多星观测数据，特别针对超音速巡航车辆的自主导航问题。在多星同步观测中，经典的INS/CNS集成导航通常忽视了星光观测误差随时间和不同星星之间的差异。本文的新算法通过建立一个创新的紧密耦合模型，实现了INS测量与原始CNS观测的直接融合，并设计了星体子集遍历策略来评估每个观测值的误差水平。此外，还研究了一种自适应滤波器，可根据评估出的误差等级将多星观测与INS数据融合。实验证明，提出的新型算法在提高导航精度和鲁棒性方面表现出显著优势，尤其是在星光观测误差较大的情况下。" 在超音速巡航车辆的自主导航中，集成INS和CNS是关键的技术手段。传统的INS/CNS组合导航方法可能无法充分考虑到观测数据的实时变化和多样性。文章指出，多星观测时，星光观测误差不仅随着时间变化，而且不同星星之间的误差水平也会有差异。为解决这一问题，文章提出了一种带有加权的多星观测紧密耦合算法。 首先，新算法构建了一个创新的紧密耦合模型，这不同于传统方法。该模型允许直接将INS的测量数据与未经处理的CNS观测数据进行融合，从而提高了数据处理的效率和准确性。 其次，文章设计了星体子集遍历策略。这一策略用于评估每颗星星观测数据的误差水平，以便更好地理解观测数据的质量。通过对每个观测值的误差进行量化，可以更精确地判断其对整体导航结果的影响。 再者，文中研究了一种自适应滤波器。该滤波器能够根据评估出的误差等级动态调整融合权重，确保在星光观测误差较大时，依然能保持导航系统的稳定性和精度。 实验结果证明，这种新的组合导航算法在应对星光观测误差和提高导航性能方面有显著优势。它增强了系统的鲁棒性，特别是在环境条件恶劣或星光观测质量波动的情况下，能够提供更可靠的导航解决方案。这项工作对于推进超音速巡航车辆的自主导航技术的发展具有重要意义。