论文推荐| 郝雨时：噪声协方差自适应控制下的双天线GNSS/INS初始对准方法

《测绘学报》

构建与学术的桥梁 拉近与权威的距离

噪声协方差自适应控制下的双天线GNSS/INS初始对准方法

, 隋心 , 王长强

辽宁工程技术大学, 辽宁 阜新 123000

收稿日期：2017-06-25；修回日期：2017-12-10

基金项目：国家重点研发计划（2016YFC0803102）；辽宁省高等学校创新团队项目（LT2015013）；国家重点实验室高校合作项目（KX162600035）

第一作者简介：郝雨时(1990—)，男，博士生，研究方向为高精度室内外无缝定位。E-mail: kinghaoys@163.com

通信作者：徐爱功, E-mail: xu_ag@126.com

摘要：为降低系统模型误差及观测模型误差的影响，结合噪声协方差自适应控制机制，对双天线GNSS/INS初始对准方法进行改进。利用噪声协方差自适应控制下的扩展卡尔曼滤波进行数据处理，包括系统噪声协方差控制及观测噪声协方差控制。试验结果表明，系统噪声协方差自适应控制机制可提高系统稳定性，降低滤波稳态值；观测噪声协方差自适应控制机制可降低观测噪声的影响，提高对准绝对精度。采用后处理的方式，利用基线长度偏差最小的基线结果辅助姿态解算，绝对精度进一步提高，对准绝对精度主要受观测值影响。利用本文方法，横滚角、俯仰角对准绝对精度可达0.02°，航向角对准绝对精度可达0.04°。

关键词：双天线GNSS/INS初始对准 系统噪声自适应控制 观测噪声自适应控制 基线向量偏差 姿态误差

Two-antenna GNSS Aided-INS Alignment Using Adaptive Control of Filter Noise Covariance

, SUI Xin , WANG Changqiang

Abstract: This paper developed a theory of INS fine alignment in order to restrain the divergence of yaw angle, two antennas GNSS aided-INS integrated alignment algorithm was utilized.An attitude error measurement equation was conducted based on the relationship between baseline vectors calculated by two sensors and attitude error.The algorithm was executed by EKF using adaptive control of filter noise covariance.The experimental results showed that stability of the integrated system was improved under the system noise covariance adaptive control mechanism; The measurement noise covariance adaptive control mechanism can reduce the influence of measurement noise and improve the alignment absolute accuracy; Further improvement was achieved under the condition of minim bias of baseline length.The accuracy of roll and pitch was 0.02°, the accuracy of yaw was 0.04°.

Key words: two-antenna GNSS-SINS alignment adaptive control of system noise adaptive control of measurement noise difference of baseline vector attitude error

初始对准是捷联惯性导航系统(strapdown inertial navigation system，SINS)导航的重要环节，其对准精度直接影响后续导航精度。随着多源传感器组合导航技术的发展，GNSS(global navigation satellite system)/INS(inertial navigation system)组合导航及对准问题成为研究热点之一。GNSS可提供高精度位置和速度信息，但对准过程中单天线不提供姿态信息，姿态误差补偿能力受限。为此相关学者进行了探讨[1-4]，其中大部分双天线GNSS/INS初始对准方法均利用GNSS侧向结果辅助INS初始对准，忽略了GNSS观测噪声的影响。若两天线基线长度较短(如1 m)，基线平面精度2 cm，直接利用GNSS测向结果，最大可引入1.15°的航向角误差，不满足高精度测姿要求。因此，应从姿态误差模型角度出发，利用相关数据融合算法，不完全依赖GNSS测向结果辅助INS初始对准。

扩展卡尔曼滤波(extended Kalman filter，EKF)广泛应用于GNSS/INS组合导航数据处理，但大部分实际应用中，精确的数学模型、参数及噪声统计信息无法获取，仅采用EKF无法获取最优滤波解[5]。关于噪声特性未知情况下的Kalman滤波有Sage滤波[6-8]、基于方差分量估计的自适应滤波[9]、抗差自矫正Kalman滤波[10]等。关于控制异常误差影响的研究有抗差Kalman滤波[11]、自适应Kalman滤波和抗差自适应Kalman滤波[12-16]等。文献[8-11]提出将自适应滤波理论应用到GNSS/INS组合导航系统数据处理中，从不同角度对Kalman滤波进行了改进，取得了明显效果。关于异常控制方面的方法可以提高模型稳定性，并不意味着能完全提高姿态参数的绝对精度，绝对精度主要受观测值精度影响，需要相关观测噪声优化方法，以弱化低质量观测值对参数解算的影响。

针对上述问题，本文从系统噪声优化及观测噪声优化两方面对双天线GNSS/INS初始对准方法进行改进：优化系统噪声协方差，提升模型稳定性；优化GNSS观测噪声协方差，避免参数解算受较大观测噪声影响；通过分析天线间基线向量长度偏差，以偏差最小的基线向量解为观测值，进一步提高对准绝对精度，验证观测噪声优化的必要性。

本文首先说明双天线GNSS/INS组合导航初始对准模型，接着基于EKF说明系统噪声协方差自适应控制及观测噪声协方差自适应控制，然后利用试验，比较不同噪声自适应控制机制对对准模型稳定性及精度的影响。最后，总结本文所采用的基于噪声协方差自适应控制下双天线GNSS/INS初始对准方法优势。

1 双天线GNSS/INS初始对准

初始对准过程在静止基座上完成，并采用卡尔曼滤波实现最优初始对准和标定[5]。本文所讨论的双天线GNSS/INS初始对准模型结构如图 1所示。本节介绍双天线GNSS/INS初始对准模型，包括系统模型及观测模型。

图 1 双天线GNSS/INS初始对准模型结构Fig. 1 The block diagram of the two antennas GNSS/SINS integrated alignment system

图选项

1.1 系统模型

双天线GNSS/INS初始对准系统模型如图 1所示，初始对准速度、姿态系统误差模型采用载体速度相关参数置零后的惯性导航水平通道误差模型[17]。IMU(inertial measurement unit)陀螺零偏不符合高斯白噪声特性，建模为一阶高斯-马尔可夫过程[17]。

式中，状态参数δx中包含速度改正数、漂移误差角ψ及硬件零偏误差ε；F为系统矩阵[17]；w为系统噪声。

1.2 观测模型

1.2.1 速度误差观测方程

静基座对准条件下，速度误差观测方程为

式中，ζv为速度观测噪声，由于真实速度的期望为0，则观测值Δv即为INS计算的速度。

1.2.2 姿态误差观测方程

IMU与GNSS1、GNSS2位置关系如图 2所示，三者在载体坐标系下保持位置关系不变，l1、l2为天线杆臂，l12=l2-l1。

图 2 载体坐标系下IMU及双天线结构Fig. 2 Structure of two-antenna GNSS-SINS in body frame

图选项

综上，双天线GNSS/INS初始对准观测模型为

2 噪声协方差自适应控制下的卡尔曼滤波

Kalman滤波广泛应用于航空航天及目标跟踪等领域，是一种线性最小方差估计方法。相对于INS，GNSS自主性及抗差性较差，在实际应用中易受环境因素影响，如多路径、GNSS中断等。此时Kalman滤波解算精度依赖于系统模型的精度[19]。然而系统模型结构、状态参数及噪声统计信息存在未知部分，需优化Kalman滤波相关参数(如系统噪声协方差矩阵Q、观测噪声协方差矩阵R及误差协方差矩阵P)，以实现导航参数最优化解算。

P反映Kalman滤波初始状态误差水平，其影响局限在初始收敛过程中，对全局影响小，不作为参数优化重点，Q、R为参数优化的重点。Q表达状态参数的噪声强度，无法直接变换，采用衰退矩阵Γ控制P预测，并提出Γ获取方法；R反映观测值精度，需基于观测值质量对R进行调节。本节基于EKF说明噪声协方差预测优化方法。

2.1 EKF

EKF模型包含系统方程及观测方程两部分

EKF算法流程包括系统更新及测量更新。系统更新包括状态预测和误差协方差预测，如下

式中，Φ为状态转移矩阵； 为k时刻系统状态向量及误差协方差的预测。测量更新包括计算卡尔曼增益Kk、k时刻状态向量 及误差协方差Pk，如式(7)所示

式中，I为单位矩阵。

2.2 系统噪声协方差优化

因无法直接控制Q[20]，可利用衰退因子fade放大协方差预测值，降低参数解算受系统模型误差的影响程度[21]。一步预测的协方差预测表达式为

速度、姿态及陀螺零偏为不同观测值，不应该采用同一衰退因子进行控制。则选择衰退矩阵Γ取代λ，即

式中

陀螺零偏为间接观测值，则fadeεx、fadeεy等于1[21]。令

式中，N为相关窗口[22]；vk和i0表达式如下

则λV、λε中对角线元素可利用式(13)计算，即

若fade′>1, 说明系统模型不稳定；反之，系统模型稳定，Pk|k-1接近真实系统噪声特性[23]。

2.3 观测噪声协方差优化

Kalman滤波的噪声参数优化即寻求收敛速度与滤波稳定性之间的平衡，关键问题在于Kk的计算。若Pk|k-1/Rk偏小，Kk随之减小，状态参数回归真值的过程变慢；反之，Kk增大，状态参数解算更依赖观测值，扩大了观测噪声的影响，易导致滤波不稳定或产生估计偏差，观测噪声会通过系统模型对状态估计产生正反馈而导致滤波发散，状态参数远离真值[24]。在理想的Kalman滤波器中，对噪声模型进行调整并给出一致的估计误差与不确定度也能得到状态参数稳定估计[25]，考虑带宽限制下观测噪声时间相关性及同步误差，适当放大Rk是有必要的，一般要给比相应的标准差2到3倍的状态不确定度。令Rk表达形式如下

假定平面速度V~N(0, 0.012)，ζp2由基线序贯求解过程中获取。本文设计一种GNSS数据质量模拟器，如图 3所示。

图 3 GNSS数据质量模拟器Fig. 3 Quality indicator of GNSS data

图选项

α的作用在于根据定位质量、PDOP值以及基线长度偏差调节Rk，在观测值精度较差时降低观测噪声的影响。κ、η用于量化观测数据质量，可取0.1~0.5，以保证Rk在适当的范围内调节。取值越大，对准模型的抗差性越强，但也会降低高精度观测值对姿态误差的补偿能力；取值越小，参数解算更依赖观测值精度，易放大观测噪声的影响。有关系统、观测噪声自适应机制对解算稳定性及精度的影响将在试验部分进行阐述。

3 试验分析3.1 试验方案

为证明本文理论的可行性，设计4个方案，对比其速度、姿态参数协方差分布，利用国内成熟组合导航数据处理商用软件处理更高精度POS(position and orientation system)设备采集数据的对准结果，作为参考真值对比绝对精度，反映不同试验方案初始对准性能，参考POS设备对准结如表 1。

表 1 真实对准结果Tab. 1 True results of alignment

表选项

(1) 方案1：基于EKF的双天线GNSS/INS初始对准。

(2) 方案2：基于系统噪声协方差自适应控制的双天线GNSS/INS初始对准。

(3) 方案3：基于系统、观测噪声协方差自适应控制下的双天线GNSS/INS初始对准。

(4) 方案4：基于方案3，加入天线间距约束条件下的双天线GNSS/INS初始对准。

4种方案均采用两精度等级POS设备进行数据采集，IMU采样率均为200 Hz，GNSS采样率均为1 Hz，采样时间均为488 s，双天线间杆臂长度为0.70 m。为探究天线间基线矢量对姿态解算的辅助能力，采样环境开阔，可获取高精度天线间基线解。测试POS以及参考高精度POS相关技术指标如表 2，其技术指标表明对应系统导航参数解算的稳定性，不代表绝对精度。

表 2 相关技术指标Tab. 2 Related technical indicators

表选项

3.2 数据质量分析

根据图 4，速度、姿态衰退因子二者均存在大于1的情况，表明Pk|k-1偏离真实的协方差预测值。为降低系统模型误差的影响，利用Γ放大Pk|k-1，以降低系统噪声对状态参数解算的影响。PDOP存在大于3的情况，认为此时卫星星座不利于位置解算，应适当放大观测噪声。

图 4 衰退因子分布及PDOPFig. 4 Distribution of fade factors and PDOP

图选项

图 5为卫星定位质量，1代表固定解，0代表浮点解，对准过程中人为加入了时间为15 s、10 s、20 s及10 s的GNSS仿真中断，目的在于制造GNSS浮点解。

图 5 定位质量Fig. 5 Positioning quality

图选项

图 6为基线长度偏差分布，一定程度上反映了对准模型中观测值的精度。基线解算后期存在较大的基线偏差，最大偏差可达0.021 cm。

图 6 基线长度偏差分布Fig. 6 Bias of baseline length distribution

图选项

对准过程中，出现系统预测异常及观测值精度较差时，利用Γ、α调节系统噪声与观测噪声对状态参数解算的干预程度，可降低以上模型误差对状态参数的影响。

3.3 试验结果分析

4种方案的对准误差如表 3，滤波精度见图 7。4种方案平面度滤波精度无明显差异，为0.008 1 m/s；横滚角及俯仰角无明显差异，为0.006°；4种方案的航向角滤波精度分别为0.047°、0.022°、0.022°、0.020°。根据试验结果，可以得到如下结论：

图 7 4种方案协方差分布Fig. 7 Covariance distribution of four plans

图选项

表 3 4种方案对准误差Tab. 3 Alignment errors of four plans

表选项

(1) 相对于标准EKF，系统噪声协方差优化方法可提升对准滤波稳定性，降低收敛后稳态值，但未能提高所有姿态参数绝对精度，推测其原因为观测噪声模型不够精确。

(2) 加入观测噪声协方差优化机制，姿态角收敛速度稍微变慢，但滤波精度未受到影响。同时兼顾系统及观测噪声模型优化不仅维持了滤波稳定性，且能提高对准绝对精度，说明参数解算绝对精度同时受系统噪声统计信息及观测噪声统计信息影响，验证了结论(1)的推测。

(3) 基于方案3、方案4采用后处理的方式，利用基线长度偏差最小的基线结果辅助INS初始对准，对准绝对精度均有提升，航向角精度提升明显，可以认为对准后期，低质量GNSS基线结果影响了对准精度。说明参数解算绝对精度不仅受噪声统计信息影响，同时依赖于观测值精度。

4 结束语

本文讨论了一种基于噪声协方差自适应控制下的双天线GNSS/INS初始对准方法，该方法可降低系统模型误差及GNSS定向粗差等观测模型误差的影响，提升对准精度。试验结果表明，相对于标准EKF，系统噪声协方差自适应控制机制可提高系统的稳健性，提高对准的滤波精度，但受观测噪声影响，绝对精度没有明显提高；加入观测噪声自适应控制机制后，可以降低观测噪声对参数解算的影响，提高对准绝对精度；加入基线长度约束，对准绝对精度进一步提高，说明对准绝对精度受观测值精度影响较大，观测噪声模型优化及观测值质量控制是参数解算的关键。综上，利用本文方法，可提高GNSS/INS初始对准系统稳定性及对准绝对精度。

【引文格式】郝雨时, 徐爱功, 隋心, 等. 噪声协方差自适应控制下的双天线GNSS/INS初始对准方法[J]. 测绘学报，2018，47(4)：473-479. DOI: 10.11947/j.AGCS.2018.20170316

重磅！中国测绘地理信息学会五个重要通知

2017中国土地矿产海洋资源统计公报发布

“2017年度中国遥感领域十大事件”揭晓

同行评议的“丑陋面”！

涨知识！全球有多少CORS站？

2018年泰晤士世界大学200强榜单，中国入榜12所，快来看看都有谁？

杨元喜院士: 北斗三号试验系统性能分析【附PPT】

数学能力是中兴与华为的唯一区别

关于在学术论文署名中常见问题或错误的诚信提醒

新时代之光 | 武大六院士当选“荆楚楷模”

足球大亨许家印1000亿杀入信息产业，重点布局商业航天、智能交通、AI

宁津生院士：测绘界的十几位院士正在研究这个问题

震撼！中国北斗导航系统为何令欧美恨之入骨？

世界一流学科发布，哈佛再占15个，中国高校9个学科世界第一

发表中文论文就很low？再谈“中文期刊”与“文化自信”

李德仁院士：老师教我做人做学问

8个地球的科学冷知识颠覆你的世界观！

关于稿件“时间”安排那些事儿~

世界上最有趣最冷门的地图，刷新你的世界观！

黄昕：当你动笔，成败已定——来自IEEE评审专家的体会与思考

院士论坛| 高俊：图到用时方恨少, 重绘河山待后生——《测绘学报》60年纪念与前瞻

权威 | 专业 | 学术 | 前沿

微信投稿邮箱 | song_qi_fan@163.com

微信公众号中搜索「测绘学报」，关注我们，长按上图二维码，关注学术前沿动态。

欢迎加入《测绘学报》作者QQ群： 297834524

进群请备注：姓名+单位+稿件编号