MDF-CKF与RF融合算法：GPS/INS在断航时的精准导航解决方案

本文探讨的主题是"GPS/INS系统在GPS停运期间的混合算法", 其核心内容聚焦于解决全球定位系统在失去卫星信号时的导航问题。作者提出了一个创新的双模型策略，结合了多衰减因子库曼卡尔曼滤波器（MDF-CKF）和随机森林（RF）技术。MDF-CKF在此方案中起到了关键作用，它作为一种改进的滤波器，旨在抑制滤波过程中的发散现象，增强系统的鲁棒性。与传统的单模型方法相比，MDF-CKF显著提升了位置估计的精度，实验数据显示，相较于传统算法，MDF-CKF在位置估计方面的最大提升达到了83.6%。 此外，文中强调了随机森林模型的优越性。在GPS信号中断时，RF被用来构建一个对偶模型，其用于预测速度和位置误差，相比于基于径向基函数（RBF）的传统神经网络模型，RF的误差补偿精度更高。这种方法不仅依赖于IMU和INS的数据，还通过对这些数据的训练来实时补偿系统的误差，确保导航的连续性和准确性。 整个解决方案分为两个阶段：第一阶段，GPS信号可用时，利用MDF-CKF进行GPS/INS信息融合；第二阶段，当GPS信号丢失时，RF模型接手预测和补偿任务，确保系统在GPS停运期间仍能提供相对准确的位置和速度信息。这种双模型策略有效地抑制了系统在GPS失联时的发散，证明了其在误差建模和补偿方面的优势，明显优于单一模型的性能。 研究结果表明，该混合算法在GPS/INS系统面临故障时，不仅提高了导航的可靠性，而且通过集成智能学习技术，如MDF-CKF和RF，展示了在复杂环境下的适应性和实用性。这项工作得到了中国国家自然科学基金、山西省青年科学基金等多个项目的资助，反映了其在集成导航技术领域的研究价值和实际应用前景。