大数据驱动的非线性滤波算法在导航系统中的研究与应用

本篇论文深入探讨了大数据、算法和非线性滤波方法在导航系统中的具体应用，以国防科学技术大学研究生院的学位论文形式呈现。研究集中在以下几个核心知识点上： 1. **惯性导航与GPS组合导航**： - 研究了惯性导航系统（如SINS）的误差建模，强调了初始对准过程对于导航精度的重要性。 - 惯性/全球定位系统（Inertial/GPS）组合导航技术是论文的重点，旨在减少单一惯性导航的误差并提高定位准确性。 2. **滤波理论在导航中的作用**： - 深入分析了滤波理论的发展历程，特别是卡尔曼滤波（Kalman Filter,KF）在初始对准和组合导航中的应用。 - 文章特别提到了扩展卡尔曼滤波（Extended Kalman Filter, EKF），它是处理非线性系统的一种重要方法。 3. **非线性滤波方法：UKF（Unscented Kalman Filter）**： - UKF的详细介绍，包括 Unscented Transform (UT) 和其在UKF算法中的关键角色。 - 讨论了多元分布代表点在UKF中的应用，以及一种新的UT代表点设计和改进的UKF算法。 - 对于混合系统的特殊情况下，提出了Subspace UKF (SUKF) 方法。 4. **SINS（ strapdown Inertial Navigation System）误差模型**： - 姿态误差的定义及其与速度误差的关系被详细阐述，涉及多种误差形式如角误差、等效倾角、加性四元数误差和乘性四元数误差。 - 不同坐标系下的误差转换关系也被讨论，强调了误差模型在实际导航系统中的实用性。 5. **UKF在SINS初始对准中的应用**： - 提供了SINS静基座对准模型，包括线性模型的构建，展示了如何利用UKF进行精确而有效的初始对准。 这篇论文通过结合大数据的处理能力和非线性滤波技术，优化了惯性导航系统，尤其是针对初始对准和组合导航场景，提供了创新的算法解决方案，对于提升导航系统的稳定性和精度具有重要意义。