SINS/GPS组合导航：序贯自适应滤波算法的应用与优势

"基于序贯自适应滤波的SINS/GPS组合导航方法，采用Sage-Husa自适应滤波算法，解决 Kalman滤波在SINS/GPS组合导航中的发散问题，提高导航精度。" SINS/GPS组合导航技术是现代导航系统中的重要组成部分，它结合了 Strapdown Inertial Navigation System (SINS) 的连续自主导航能力和 Global Positioning System (GPS) 的全球定位能力，提供高精度的位置、速度和姿态信息。然而，这种组合导航系统面临的一个主要挑战是 Kalman 滤波器在处理系统模型不准确和观测噪声非平稳时可能会发散。 传统的 Kalman 滤波器依赖于精确的系统模型和噪声统计信息，但在实际应用中，由于系统元件的不稳定性和GPS量测的不确定性，这些假设往往难以满足。这会导致滤波性能下降，进而影响导航定位的精度和可靠性。 为了解决这一问题，本文提出了基于序贯结构的 Sage-Husa 自适应滤波算法。Sage-Husa 自适应滤波是由A.P.Sage和G.W.Husa在1969年提出的，它允许滤波器根据量测输出动态地估计系统的噪声参数。这种方法增强了滤波器的自适应性，能够适应系统噪声和观测噪声的变化，从而抑制异常量测对导航解算的影响，防止滤波器发散。 尽管Sage-Husa自适应滤波在某些情况下表现优秀，但它对初始条件的选择非常敏感，且当噪声方差矩阵为负定时，滤波器可能发散。因此，为了克服这些局限，研究人员尝试了多种其他自适应滤波技术，如模糊自适应卡尔曼滤波、神经网络辅助的自适应滤波以及衰减记忆卡尔曼滤波等。这些方法各有优缺点，例如模糊滤波需要根据环境噪声特性调整隶属度函数，神经网络辅助的滤波需要大量的训练数据，而衰减记忆滤波则通过渐消因子来限制滤波器的记忆长度。 本文所提出的序贯结构的Sage-Husa自适应滤波算法，特别适用于SINS/GPS组合导航系统，通过实时估计系统和观测噪声参数，可以有效地提高导航解算的稳定性和精度。通过仿真对比，该算法展现出了良好的自适应性和稳定性，对于提高SINS/GPS组合导航系统的整体性能具有重要意义。