简介：传统惯性/卫星紧组合导航系统采用载波相位平滑伪距可以有效提高伪距观测量精度，但平滑伪距后观测量噪声不符合白噪声特性而导致卡尔曼滤波器容易发散；同时由于周跳的存在会更加严重影响滤波器的稳定性。针对上述问题，分析了平滑伪距噪声特性并建立了噪声模型，在此基础上设计了鲁棒自适应滤波算法对观测噪声进行实时估计和补偿，结合抗差估计理论进行滤波以减小观测量噪声水平和模型不确定对滤波器带来的影响。理论分析和仿真结果表明，在复杂环境下，基于载波相位平滑伪距的鲁棒自适应紧组合导航系统定位精度提高了一倍以上。

简介：针对舰机惯导传递对准过程中舰船机动受限、系统可观测性差等特点,提出了基于状态参数可观测度分析的自适应滤波方法.通过系统状态参数可观测性分析,量化各状态分量可观测程度,进而根据可观测度大小分组构造自适应调节因子,并采用滤波增益衰减法对观测度低的分量通道进行有效处理,以此来提高传递对准滤波算法的适应性和滤波估计精度.舰船模拟轨迹下仿真结果表明,基于状态参数可观测度分析的自适应滤波方法和常规方法相比,具有较高的精度和较快的收敛速度,对准精度由3′提高到2′,滤波估计收敛时间由15min缩短至8min.

简介：为了加快全球定位系统（GPS）的捕获速度，提高系统的捕获灵敏度，对GPS系统捕获策略进行了深入地研究。在对其捕获的基本原理和传统的最大值捕获系统进行分析的基础上，提出了一种新颖的GPS多峰值捕获策略。该策略通过多峰值选择减少了系统搜索单元数目，通过增加进入唐检测器的峰值个数来提高捕获灵敏度。利用蒙特卡洛方法进行了仿真分析，仿真结果表明：该新颖策略的捕获时间更短，同时捕获灵敏度比传统的最大值捕获系统要高2.8dB。总体来说，该新颖策略算法更适用于对GPS弱信号的捕获，也可应用于其他卫星导航系统。

简介：温度是IMU及其他导航器件等精密仪器中需要监测的重要参数,传统的温度监测一般使用热电偶或者数字温度传感器（如DS18B20）等,监测程序复杂,功耗高,因此使用精密仪器中广泛采用的FPGA芯片独立完成高集成度、低功耗温度监测具有重要意义.在FPGA中通过搭建环形振荡器产生了自激振荡信号,该信号周期与FPGA芯片温度具有正相关性,通过对振荡信号周期的检测完成了对温度的监测,设计了一种以FPGA芯片同时作为敏感头和处理模块的温度传感器.通过对XilinxVirtex-2系列FPGA芯片进行实验,得到该传感器在-40℃～＋60℃的范围内具有优于0.1℃的分辨率,优于0.5℃的检测精度,满足一般温度监测需要.实验表明该传感器具有功耗低、集成度高、可靠性好等优点.

简介：传递对准是机载主惯导对子惯导进行初始化的过程,机翼变形对快速传递对准滤波精度有显著影响.讨论了传递对准中机翼变形的不同估计方法,通过分析建模过程比较了各种方法的特点及其适用范围.然后建立快速传递对准仿真环境,用“速度加姿态”匹配方式进行仿真,比较了不同方法所能达到的精度.最终从对准精度、快速性、模型依赖度、计算量等方面,对各种传递对准中机翼弹性变形的处理方法进行了比较总结,结果表明,将弹性变形当作有色噪声且使用卡尔曼滤波量测扩增法进行传递对准滤波器设计时,在估计精度和计算量方面达到最好折衷.所得结论为快速传递对准弹性变形的处理提供了工程应用参考.

简介：惯导固有原因使得载体长时间航行累积大量误差.可通过重力梯度量测与惯导组合导航方法来修正导航误差.先对重力梯度仪与惯导组合导航原理进行阐述,提出重力梯度仪辅助INS(GAINS)的系统框架图,对导航用重力梯度图和重力梯度仪进行分析,设定组合量测方程.然后根据状态空间方程的特点,提出使用边缘Cubature粒子滤波(CPF)进行融合估值.通过理论方法证明其对方差的减小,同时给出算法流程.相同条件下与已有APO-PF算法仿真进行经纬度RMSE结果对比,表明该算法估值精度更高;并用CEP对导航误差研究,得到在性能较低的惯导条件下、在梯度仪1E2和10E2噪声下4h的CEP数值分别为0.044nmile和0.072nmile的结果.最后对状态方程简化,定性分析出其余状态量的估值效果.

简介：提出了一种适用于制导炮弹上低精度MEMSIMU/GPS组合系统的飞行中初始对准算法.通过引入辅助的载体惯性系和导航惯性系,将所求姿态四元数分解为三部分：第一部分描述载体系相对于载体惯性系的姿态,由MEMS陀螺仪输出积分求解;第二部分描述导航系相对于导航惯性系的姿态,利用GPS位置输出解析求解;第三部分描述两辅助惯性系的相对姿态,采用Re-quest算法完成解算.详细讨论了算法误差、有效性条件,并对Re-quest算法进行了优化和简化.蒙特卡洛仿真结果表明,在弹体加速度以指数规律变化条件下,对准算法可以在10s时间内达到水平误差小于0.2°（1σ）、航向误差小于0.4°（1σ）的精度,完全满足制导炮弹组合系统初始对准的精度要求.

简介：针对系统误差的不确定性可能会引起滤波精度降低或发散的问题，提出一种新的基于模型预测滤波的前向神经网络算法。首先，采用模型预测滤波估计网络在正向传递过程中的模型误差，并对其进行修正，以弥补模型误差对隐含层权值更新的影响；然后，利用模型预测滤波为神经网络提供精确的训练样本，学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统，并与扩展卡尔曼滤波进行比较，仿真结果表明，提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05m/s,+0.05m/s]和[-5m,+5m]以内，滤波性能明显优于扩展卡尔曼滤波算法，表明该算法能提高组合导航定位的解算精度。