基于NCMFAF的MIMU/GPS融合导航：动态环境下精度提升

在现代导航系统中，微机电系统（MEMS）惯性测量单元（IMU）与全球定位系统（GPS）的集成（MIMU/GPS）因其小巧的尺寸和低成本而受到青睐，能够提供相对精确的参数估计。然而，由于实际系统存在的非线性动态行为、不确定性和噪声特性随时间或环境变化，传统的卡尔曼滤波方法并不能充分满足导航精度需求。 理论上，卡尔曼滤波器依赖于精确的系统模型和过程/测量噪声的统计特性，但在现实应用中，这些条件往往难以满足。为了克服这些问题，研究者们转向更深入地分析测量噪声的统计特性，而非单纯依赖滤波算法的优化。其中，萨奇-胡萨自适应滤波算法（Sage-Husa）作为一种改进方法，通过迭代计算来估计系统噪声方差，试图提高滤波性能。 本研究提出了一种基于正常云模型（Normal Cloud Model, NCM）的模糊自适应滤波（Fuzzy Adaptive Filtering, NCMFAF）方法。这种创新方法的核心在于，它能够动态调整滤波器对测量噪声方差的估计，使其更能适应实际环境中噪声统计特性的变化。正常云模型模块作为自适应控制器，与经典卡尔曼滤波器相结合，不仅考虑了系统的线性化状态方程和测量方程，还关注了更复杂的统计特性分析，尤其是在处理动态环境中的噪声时。 通过数值模拟，研究结果显示，NCMFAF成功地应对了测量噪声的统计特性在时间和环境中的实时变化，显著提高了速度和位置估计的精度。相比于传统的自适应滤波算法，NCMFAF在保持收敛性的同时，展现出更强的鲁棒性和适应性，这对于在复杂环境下的导航任务至关重要。 总结来说，本文主要贡献在于开发了一种结合正常云模型的模糊自适应滤波技术，用于优化MIMU/GPS信息融合，以提升导航参数估计的准确性和滤波器在动态环境下的性能。这种创新方法不仅考虑了系统模型的局限，而且深入挖掘了测量噪声的统计特性，为实际导航应用提供了更高效和可靠的解决方案。