不确定融合提升车载GPS/INS导航精度：新算法实证

本文主要探讨了一种针对实际车载GPS/INS组合导航系统中不确定噪声问题的新型滤波算法。在现代车辆导航系统中，集成全球定位系统（GPS）和惯性导航系统（INS）能够提供高精度的位置和姿态信息。然而，由于GPS信号易受多路径效应、遮挡和接收机噪声等因素影响，而INS则受到机械振动和传感器漂移的影响，这些都可能导致测量噪声的不确定性。 作者针对这些挑战，提出了基于不确定融合估计的GPS/INS组合导航滤波方法。首先，他们构建了导航系统的状态方程和观测方程，这是滤波算法的核心组成部分，用于描述系统的动态行为和测量数据之间的关系。状态方程考虑了系统的运动模型，如车辆的加速度和角速度，而观测方程则反映了GPS和INS的输入数据如何转化为对车辆位置和速度的估计。 在融合估计阶段，算法利用多信源技术整合不同传感器的数据，包括GPS和INS，同时考虑到它们各自的不确定性和误差特性。这种方法不仅提高了数据的可用性，还通过不确定融合估计得到了多传感器的等效测量值，这些值是滤波过程中更为精确的参考。同时，通过计算和分析误差方差阵，滤波器能够适应不同的噪声分布情况，提高滤波性能。 在滤波处理阶段，作者应用扩展卡尔曼滤波（Extended Kalman Filter, EKF），这是一种常见的处理非线性系统和不确定性的数值方法。EKF通过线性化非线性模型并结合协方差矩阵更新，能够在处理GPS/INS混合数据时提供更精确的位置估计。 实测数据展示了在不确定噪声环境下，这种基于不确定融合的GPS/INS组合导航滤波算法相较于独立白噪声假设下的融合方法，其结果具有更高的精度和鲁棒性。这证明了该算法的有效性和实用性，对于实际车载导航系统的稳健运行和导航性能提升具有重要意义。 本文的研究成果为车载导航系统设计提供了重要的理论支持，特别是在处理复杂环境中的不确定性噪声方面。通过采用多信源不确定融合估计和扩展卡尔曼滤波技术，车辆的位置和姿态估计能力得到了显著增强，这对于自动驾驶、无人机导航等领域有着广泛的应用前景。