SVD改进的抗差UKF算法在GPS/INS组合导航中的应用

"本文主要探讨了GPS/INS组合导航中观测异常导致的系统问题，并提出了一种基于奇异值分解（SVD）的改进抗差无迹卡尔曼滤波（UKF）算法，以提高导航解的精度和可靠性。" 在GPS/INS组合导航系统中，由于观测数据可能出现异常，这会导致系统状态先验信息矩阵失去对称正定性，从而影响滤波器的性能。传统的等价权函数抗差算法在处理这类问题时，可能会遇到病态矩阵，进一步降低滤波效果。为了解决这个问题，作者提出了一种新颖的方法，即基于SVD的改进抗差UKF算法。 该算法的核心是通过SVD技术来处理先验协方差矩阵可能存在的负定性变化。SVD是一种矩阵分解方法，能够有效地分析和处理矩阵的性质。在该算法中，当检测到矩阵病态性时，算法能够智能地选择合适的抗差策略，避免因异常观测数据而导致的滤波性能下降。 实测数据验证结果显示，采用SVD-UKF算法的导航解精度相较于传统的扩展卡尔曼滤波（EKF）算法略有提升。更关键的是，改进的抗差策略能显著降低单独、连续或混合观测异常对导航解的影响，从而显著提高了导航系统的精度和可靠性。 关键词涉及的技术点包括： 1. GPS/INS组合导航：这是一种结合全球定位系统（GPS）和惯性导航系统（INS）的导航技术，旨在通过互补两者的优点，提供更准确、可靠的定位信息。 2. 无迹卡尔曼滤波（UKF）：UKF是一种非线性滤波方法，它利用泰勒级数展开来近似非线性函数，相比EKF，通常能提供更准确的估计。 3. 改进抗差策略：这是指针对异常观测数据的处理方法，旨在提高滤波器对异常数据的鲁棒性。 4. 奇异值分解（SVD）：SVD是线性代数中的一个基本工具，用于将矩阵分解为三个矩阵的乘积，对于处理矩阵问题，如矩阵的秩、逆、奇异值等具有重要作用。 这篇论文提出了一种创新的滤波方法，通过SVD改进UKF算法，有效应对GPS/INS组合导航中的观测异常问题，提高了导航系统的稳定性和精度。这一方法对于实际的导航系统设计和优化具有重要的理论和实践意义。