GPS间歇期双优化：CKF-MLP与RBF-CKF在MEMS-INS中的应用

本文探讨了一种针对微机电系统（MEMS）惯性导航系统（INS）与全球定位系统（GPS）集成导航系统在GPS信号中断期间的双重优化方法。研究的核心是利用库尔曼卡尔曼滤波器（CKF）与神经网络技术，特别是多层感知器（MLP）和径向基函数（RBF）的结合。CKF-MLP被设计用于提高滤波器的泛化能力，相较于扩展卡尔曼滤波器（EKF）-MLP和无味卡尔曼滤波器（UKF）-MLP，它在长时间GPS信号缺失的情况下仍能提供高精度的位置信息，显示出了强大的鲁棒性和准确性。 RBF-CKF则通过增强误差估计精度，优于其他神经网络辅助的CKF方法，如AdaBoost-CKF和随机森林（RF）-CKF。在GPS信号可用时，RBF-CKF能够利用RBF与滤波器参数的关系，更精确地估计MLP的权重和内部结构，从而实现动态适应。这种结合使得滤波器在GPS信号中断期间能够有效地预测和补偿位置和速度误差，提高了整体导航系统的稳健性。 为了验证这些理论，研究人员进行了现场测试，收集了大量的实际数据。实验结果显示，采用CKF-MLP策略，即使在GPS信号严重受限或中断时，也能显著降低东部位置和速度的均方根误差（RMSE），显示出其在无缝导航中的优越性能。这项研究不仅提升了基于MEMS-INS/GPS系统的导航精度，也为处理类似问题的其他导航系统提供了有价值的参考和改进策略。整个研究过程体现了创新的算法设计和实际应用的紧密结合，对提高导航系统的可靠性和实用性具有重要意义。