● 摘要
目前，捷联式惯性导航（Strap-down Inertial Navigation，SINS）与全球定位系统（Global Positioning System，GPS）的组合导航方式是最常使用的导航方法。研究导航系统的目的主要是提高导航精度和稳定性。扩展卡尔曼滤波(Extend Kalman Filter, EKF)是当前研究组合导航系统的主要手段。然而，EKF需要组合导航系统的精确模型以及系统噪声的充分先验知识。这在工程中往往难以满足。由于智能滤波和鲁棒滤波分别具有很强的自调节、自学习能力和抗干扰能力，本文采用智能滤波和鲁棒滤波研究了它们在SINS/GPS组合导航领域的应用。主要包括：组合导航系统模型精确但噪声阵先验知识不足时的模糊自适应卡尔曼滤波算法研究，组合导航系统模型精确且噪声阵先验知识充分时的神经网络辅助卡尔曼滤波算法研究，组合导航系统模型不精确时的 滤波算法研究。首先，介绍了当前各种导航手段和方法，论述了捷联惯性导航系统(SINS)的导航原理，依据SINS的导航工作过程，完成了SINS的解算程序。并将传感器数据与SINS解算程序结合起来，建立了SINS的仿真模型，进行了仿真计算。其次，依照分布式卡尔曼滤波方法，考虑到各种组合导航方式的优缺点，建立了SINS与GPS的位置、速度松组合的组合导航仿真模型，用VC++编写了SINS/GPS组合导航系统软件，并以此作为智能滤波研究的基础。再次，分析了SINS的误差模型，建立了SINS/GPS的组合导航误差模型，并基于扩展式卡尔曼滤波的方法建立了SINS/GPS组合导航系统的误差仿真模型，通过仿真可以验证在噪声阵先验知识充分且系统模型建模误差不大时扩展式卡尔曼滤波算法能很好的完成组合导航解算，与单独SINS导航相比明显的提高了导航精度。再次，考虑噪声阵先验知识不充分的情况。提出使用模糊自适应卡尔曼滤波的方法，利用可观测的信息——新息的变化，调节组合导航系统计算用噪声阵，从而提高导航精度。仿真结果表明，模糊控制器能较好的调节系统计算用噪声阵跟踪实际噪声变化，与扩展式卡尔曼滤波算法相比提高了导航精度。当噪声阵先验知识充分时，针对扩展式卡尔曼滤波需要线性化系统误差方程而损失了精度，提出使用离线神经网络训练，生成一个基于系统误差非线性模型的神经网络补偿扩展式卡尔曼滤波的误差。仿真结果表明，神经网络辅助卡尔曼滤波的精度是三种方法中最高的。最后，从建模误差较大的角度出发，提出使用 滤波来提高SINS/GPS组合导航系统的稳定性，建立了针对此导航系统的 滤波仿真模型。仿真结果表明 滤波在扩展式卡尔曼滤波不能正常工作的情况下，仍能维持系统的稳定，但是它的精度是最低的。