CN102819029B - 一种超紧组合卫星导航接收机 - Google Patents

Abstract

本发明公开了一种超紧组合卫星导航接收机，包括射频前端，信号预处理器，基带预滤波器和导航滤波器，以及微惯导模块，伪距和伪距率计算模块以及星历解算与选星计算模块，在基带预滤波器与导航滤波器之间设置了自适应滤波器，将基带预滤波器输出作为输入，接入自适应滤波器，然后，将自适应滤波的输出作为观测量输入至导航滤波器进行数据融合，可显著提高跟踪环路稳定性和跟踪精度，从而提高GNSS定位对环境和运动状态的适应能力。进一步地，信号预处理器，基带预滤波器，自适应滤波器和导航滤波器，伪距和伪距率计算模块构成矢量跟踪环路，导航滤波器采用联邦滤波器，可以提高跟踪环路的稳定性和跟踪精度，进而提高GNSS定位可靠性和定位精度等性能。

Description

一种超紧组合卫星导航接收机

技术领域

本发明涉及卫星导航技术领域，尤其涉及一种全球导航卫星***(GNSS)与微惯导***(MEMS-IMU)超紧组合的卫星导航接收机。

背景技术

全球导航卫星***(GNSS)是一种以卫星为基础的无线电导航***，能为陆、海、空的各类载体提供全天候、不间断、高精度、实时导航定位服务。目前，应用最广的全球导航卫星***是美国的GPS，已经渗透到国民经济与日常生活的各个领域，如海上航行、城市交通管理、商业物流管理、船舶远洋导航、精密受时、大地测量、精细农业等。目前，我国也参与了将于近两年建成的Galileo***的建设，并正在自主研发全球卫星定位***Compass(北斗二代)，该***去年底已经在我国及其周边地区提供定位服务。因此，研究Compass与GPS、Galileo等***的多模组合导航技术必将成为国内未来一段时间内的研究重点。

GPS信号(扩频信号)到达地面接收机时已相当微弱，大约为-130dBmW，比接收机内部热噪声低20～30dB，特别的，在室内、城市、森林等复杂环境(本文中统称为室内环境)中，GPS接收信噪比更低，而室内环境恰是人类活动的主要环境之一。

GNSS组合接收机可以充分利用各GNSS***的卫星信号资源，因而可以提高***可用性和定位输出的连续性。IMU(微机电惯性测量组件MEMS-IMU，以下简称为IMU)为自主式定位导航***，基本不受环境的影响，且其动态性能较好。因此，将GNSS组合接收机与IMU***组合，可以解决上述问题，提高定位的精度、定位连续性及服务保障能力。

GNSS/IMU超紧组合导航理论的研究是很有必要的，是目前国内外研究的热点之一。目前，虽然国内外已经有相关文献研究GPS/IMU(惯导)超紧组合导航方式，在组合***实现方案、建模等方面已做了一定研究工作，但超紧组合研究仍存在许多问题需要深入研究并解决，尤其是基于矢量跟踪的超紧组合导航方式，其工作的可靠性等方面仍面临许多问题迫切需要解决。为了提高组合导航***性能，能够在民航、铁路交通等对可靠性要求较高领域中得到推广应用，本专利将给出一种GNSS/IMU超紧组合导航矢量跟踪接收机基带信息融合处理方案，解决上述关键科学问题。

发明内容

本发明的目的是为了克服现有GNSS接收机灵敏度低和容易受干扰而导致卫星信号失锁，因而不能给出定位结果的弊端，通过设计与微惯导的超紧组合方案、改进矢量跟踪方案、采取措施提高GNSS组合接收机跟踪精度和稳定性能，提高GNSS定位可靠性和定位精度等性能。

本发明提供了一种超紧组合导航卫星接收机，包括射频前端，信号预处理器，基带预滤波器和导航滤波器，以及微惯导模块，伪距和伪距率计算模块，星历解算与选星计算模块，其中信号预处理模块包括相关器和本地信号生成器，所述基带预滤波器与导航滤波器之间设置有自适应滤波器。

所述本地信号生成器，相关器，基带预滤波器，自适应滤波器和导航滤波器，伪距和伪距率计算模块构成矢量跟踪环路。伪距和伪距率计算模块接收微惯导力学编排模块的输出信息、导航滤波器输出的时钟误差等信息、以及星历解算与选星计算模块的GNSS星历参数，生成延迟调整信号，输入本地信号生成器，调整本地伪码和载波，本方案即可提高跟踪环路稳定性，又可提高跟踪环路精度。

所述导航滤波器为联邦滤波器，包括主滤波器和至少一个子滤波器。所述联邦滤波器的子滤波器包括纯GNSS模式下的GNSS滤波器，超紧组合模式下的GNSS/IMU组合导航滤波器和纯IMU微惯导滤波器。用联邦滤波器作为导航滤波器，引入矢量跟踪环路，将定位信息也作为矢量跟踪的输入，有利于更精确的恢复载波和伪码。

进一步地，所述超紧组合卫星导航接收机包括至少一路导航信号接收通道，每个导航信号接收通道都设置有信号预处理器和基带预滤波器，每一路基带预滤波器都通过一个自适应滤波器后接入导航滤波器。

所述的自适应滤波器的状态方程为：

$\frac{d}{\mathrm{dt}}\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ 0\\ 0\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\\ 0\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ w_a\\ 0\\ 0\\ w_{\mathrm{ion}}\end{array}\right]$

观测方程为：

$\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]+\left[\begin{array}{c}{w}_{\mathrm{\ρ}}\\ w_{\stackrel{\·}{\mathrm{\ρ}}}\\ w_{\stackrel{\·\·}{\mathrm{\ρ}}}\\ w_N\\ w_i\\ w_{\mathrm{io}}\end{array}\right]$

其中δρ为伪距残差，

为伪距率残差，

为伪距加速度残差，δN为载波相位整周残差，Δ_ion为电离层延时，为电离层延时率，w_a为伪距加速度过程噪声，w_ion为电离层噪声，w_ρ、

w_N、W_i、w_io分别为伪距、伪距率、伪距加速度、载波相位整周模糊度、电离层延时、电离层延时率的观测噪声。

进一步地，所述自适应滤波器为模糊逻辑自适应滤波器，包括模糊逻辑算法模块和卡尔曼滤波器。所述模糊逻辑算法模块接收伪距滤波新息平均值和均方差，输出为驱动噪声方差加权系数，通过实时调整所述卡尔曼滤波器的驱动噪声方差的参数值，实现自适应滤波。所述模糊逻辑算法模块包括：

隶属度仿真单元，用于确定输入的伪距滤波新息平均值和均方差的隶属度函数，以及输出的驱动噪声方差加权系数的隶属度函数；

模糊推理规则单元，用于设置模糊推理规则；

噪声方差加权单元，用于根据所述隶属度函数和模糊推理规则解模糊计算得到驱动噪声方差加权系数。

本发明模糊逻辑算法模块根据对特定导航应用***的仿真分析和实际导航数据分析，确定模糊逻辑算法模块输入/输出量的模糊划分和隶属度函数，输入/输出量的函数关系，以及模糊逻辑推理规则，计算输入的伪距滤波新息平均值和均方差的隶属度函数值，以及驱动噪声方差加权系数的隶属度函数值，并利用模糊逻辑规则计算出驱动方差加权系数。采用上述模糊逻辑算法实时调整卡尔曼滤波器驱动噪声方差加权系数，使的滤波器参数随着载体机动情况而调整，提高了滤波估计精度和滤波稳定性，因而有助于提高跟踪环路的跟踪精度和稳定性。

本发明公开的超紧组合卫星导航接收机，通过采用自适应滤波器，以及矢量跟踪环路结构下导航滤波器采用联邦滤波器等措施，提高GNSS定位的可靠性和定位精度等性能，并且，当信号受到遮挡、存在一定的环境干扰时也可稳定的给出定位结果。

附图说明

图1是本发明超紧导航卫星接收机的结构示意图；

图2是本发明自适应滤波器结构示意图；

图3是本发明自适应滤波器模糊逻辑算法模块的结构示意图；

图4是模糊逻辑算法输入量滤波新息平均值隶属度函数示意图；

图5是模糊逻辑算法输入量滤波新息均方差隶属度函数示意图；

图6是模糊逻辑算法输出量隶属度函数示意图；

图7是联邦滤波器结构示意图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

基于矢量跟踪的GNSS/IMU超紧组合卫星导航接收机如图1所示，包括依次相连的射频前端1，信号预处理器2，基带预滤波器3，自适应滤波器4和导航滤波器5，以及微惯导模块6，伪距和伪距率计算模块7，星历解算与选星计算模块8。

其中信号预处理器2包括相关器21和本地信号生成器22，相关器21累积输出的I/Q信号作为基带预滤波器3的观测输入，本地信号生成器22生成本地载波和伪码。

其中微惯导模块6包括微惯导力学编排模块61和微惯导IMU模块62，微惯导IMU62模块输出的载体加速度、角速度信息，输入到微惯刀力学编排模块61，进行解算，得到载体的位置、速度和姿态信息。微惯刀力学编排模块61输出端一方面连接伪距和伪距率计算模块7，一方面连接导航定位结果输出端，输出导航定位结果。

如图1所示，本地信号生成器22，相关器21，基带预滤波器3，自适应滤波器4和导航滤波器5，伪距和伪距率计算模块7构成矢量跟踪环路。伪距和伪距率计算模块7接收微惯导力学编排模块61的输出信息，导航滤波器5输出的接收机时钟误差以及星历解算与选星计算模块8的GNSS星历参数，生成延迟调整信号，输入到本地信号生成器22，调整本地伪码和载波。

来自卫星射频前端1的卫星信号经过相关器21后，输出同相(I)、正交相(Q)信号，进入基带预滤波器3进行预滤波，输出为伪距误差、伪距率误差和伪距加速度误差，以及电离层延迟误差，电离层延迟误差变化率信息。基带预滤波器3的作用是估计跟踪误差、并降低导航计算频率(由250～1000Hz降低到1～10Hz)和计算量。

具体地，本发明基带预滤波器3接收信号预处理器2输出的伪码相位误差和载波相位误差信号，为每个通道建立预滤波器，通过线性Kalman滤波器估计***的状态量，预滤波器状态方程为：

$\frac{d}{\mathrm{dt}}\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ 0\\ 0\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\\ 0\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ w_a\\ 0\\ 0\\ w_{\mathrm{ion}}\end{array}\right]$

其中，δρ为伪距残差，

为伪距率残差，

为伪距加速度残差，δN为载波相位整周残差，Δ_ion为电离层延时，为电离层延时率，w_a为伪距加速度过程噪声，w_ion为电离层噪声。

预滤波器的观测方程为：

$\left[\begin{array}{c}\mathrm{\Δ\ρ}\\ \mathrm{\Δ\φ}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ\ρ}+{\mathrm{\Δ}}_{\mathrm{ion}}\\ \mathrm{\δ\ρ}-{\mathrm{\Δ}}_{\mathrm{ion}}+\mathrm{\δN}\end{array}\right]$

其中，Δρ为伪距残差测量值，Δφ为载波相位残差测量值。

本发明为了提高GNSS***在高动态情况下的定位性能，不是将基带预滤波器3输出直接输入至导航滤波器5进行数据融合，而是，先进行自适应滤波，将基带预滤波器3输出作为输入，接入自适应滤波器4，然后，将自适应滤波4的输出作为观测量输入至导航滤波器5进行数据融合，自适应滤波器4对观测输入信号的剧烈变化有自适应能力，可显著提高跟踪环路稳定性，由此提高GNSS定位对环境和运动状态突变的适应能力。

具体地，每个通道的自适应滤波器4状态方程为：

$\frac{d}{\mathrm{dt}}\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ 0\\ 0\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\\ 0\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ w_a\\ 0\\ 0\\ w_{\mathrm{ion}}\end{array}\right]$

其中，δρ为伪距残差，

为伪距率残差，

为伪距加速度残差，δN为载波相位整周残差，Δ_ion为电离层延时，

为电离层延时率，w_a为伪距加速度过程噪声，w_ion为电离层噪声。

观测方程为：

$\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{\·}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{\·\·}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{\·}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]+\left[\begin{array}{c}{w}_{\mathrm{\ρ}}\\ w_{\stackrel{\·}{\mathrm{\ρ}}}\\ w_{\stackrel{\·\·}{\mathrm{\ρ}}}\\ w_N\\ w_i\\ w_{\mathrm{io}}\end{array}\right]$

其中，w_ρ、

w_N、w_i、w_io分别为伪距、伪距率、伪距加速度、载波相位整周模糊度、电离层延时、电离层延时率等参量的观测噪声。

本发明的自适应滤波器4为模糊逻辑自适应滤波器，如图2所示，包括模糊逻辑算法模块41与卡尔曼滤波器42，其中模糊逻辑算法模块41的输入为伪距滤波新息平均值的绝对值和均方差，模糊逻辑算法模块41的输出为滤波器驱动噪声方差加权系数，通过实时调整卡尔曼滤波器42驱动噪声方差的参数值，实现自适应滤波。

模糊逻辑算法模块41通过对***的大量仿真，并经总结获得输入模糊量隶属度函数、模糊逻辑推理规则，最终经过模糊逻辑算法计算出驱动噪声方差加权系数。如图3所示，模糊逻辑算法模块41包括隶属度仿真单元411，模糊推理规则单元412和噪声方差加权单元413。

隶属度仿真单元411通过仿真分析获得模糊逻辑算法输入/输出论域划分上的隶属度函数，用于确定输入的伪距滤波新息平均值和均方差的隶属度函数，以及输出的驱动噪声方差加权系数的隶属度函数。

如图4所示，具体地，无机动时，滤波新息平均值绝对值小于10米的隶属度几乎等于1，而且，接近0米处的隶属度最大，随着滤波新息平均值绝对值的增大，隶属度逐渐减小。因此，本发明将[0，10]米划分为一个区间，对应模糊集‘小’的隶属度，表示为

在0米处最大，随着滤波新息平均值绝对值的增大，模糊集‘小’的隶属度逐渐减小。

当滤波新息平均值绝对值大于60米时，说明肯定出现了大机动；当新息平均值大于10米且小于60米时，仍有可能发生大于4g的大机动；发生大于4g的大机动时，滤波新息平均值绝对值小于10米的隶属度很小。基于这一分析结论，本发明将[10～150]米划分为一个区间，作为模糊集‘大’的隶属度

的定义域，在区间[10～60]米内，随着滤波新息平均值绝对值的增大，隶属度

逐渐增大；滤波新息平均值绝对值大于60米时其隶属度

恒等于1。

小于4个g的加减速机动、圆周飞行机动、爬升/俯冲机动时的滤波新息平均值绝对值一般在区间[0～60]米取值；基于对某歼击机长航飞行时的分析可知其加/减速常可达12米/秒2左右，仿真结果表明，此时滤波新息平均值绝对值在10米附近的隶属度最大，越偏离10米隶属度越小。根据这一分析，本发明将[0～60]米划分为一个区间，对应模糊集‘中’的隶属度取值等于10米时，属于‘较小’的隶属度

最大；随着偏离10米，属于模糊集‘较小’的隶属度逐渐减小。

需要说明的是，本发明中，采用简单函数三角函数近似代替各语言变量的隶属度函数，虽然和实际存在一定的差距，但不会对运算结果产生较大影响。

同理可得模糊逻辑算法另一输入，滤波新息均方差论域上的各模糊集隶属度

如图5所示；以及模糊逻辑算法输出α隶属度

如图6所示。

模糊推理规则单元412经仿真分析，得到具有完备性的模糊推理规则。

具体地，模糊推理规则表达滤波新息平均值绝对值、均方差与滤波器驱动噪声方差加权系数在取值上的对应关系。模糊推理规则由规则前件(或称为‘条件’)和规则结论两部分组成，滤波新息平均值绝对值、均方差对应规则前件，滤波器驱动噪声方差加权系数对应规则结论部分。

模糊推理规则形式为：

IF

and

then

其中，(p₁，p₂)∈{({s，m，b}，{s，m，b})}，k∈{s，m，b}，上标s、m、b分别表示各模糊量，有关各模糊量参见图4-图6。上述规则的含义是：如果输入平均值绝对值Δρ₁属于模糊集

(

为其隶属度)、均方差Δρ₂属于模糊集

(

为其隶属度)，那么，输出(方差Q的)调整系数α属于模糊集B^(k)(

为其隶属度)。规则的条件部分为(

and)，结论部分为

该规则可简写为：(p₁，p₂)→k。

推理规则的举例说明：经仿真和分析可知，如果滤波新息平均值绝对值“较大”、均方差“偏大”，那么，当前一段时间有加速度大于2g的等效机动发生，需要增大滤波器驱动噪声均方差Q，其调整系数α取值为“小”，则可得推理规则如下：

IF

and

then

简写为：(b，b)→s

经仿真分析，得到具有完备性的9条模糊推理规则如下：

(s，s)→m    (m，s)→s    (b，s)→s  (s，m)→m    (m，m)→s    (b，m)→s

(s，b)→b    (m，b)→s    (b，b)→s                     (1)

将结论相同的模糊推理规则合并为1条规则，合并后的模糊推理规则集中共有3条，其结论部分分别为“小、中、大”。设这3条规则的前件隶属度取值分别为μ^(s)、μ^(m)、μ^(b)，根据9条模糊推理规则集，可得：

μ^(s)＝μ_(m，s)+μ_(m，m)+μ_(m，b)+μ_(b，s)+μ_(b，m)+μ_(b，b)；                    (2)

μ^(m)＝μ_(s，s)+μ_(s，m)μ^(b)＝μ_(s，b)；

其中，μ_(m，s)表示规则(m，s)→s的前件隶属度，其计算公式如下：

${\mathrm{\μ}}_{(m,s)}={\mathrm{\μ}}_{A_1}^m\left({\mathrm{\Δ\ρ}}_1\right)\×{\mathrm{\μ}}_{A_2}^s\left({\mathrm{\Δ\ρ}}_2\right)---\left(3\right)$

需要说明的是，其它规则前件的隶属度的计算参考上式，在此不再赘述。

噪声方差加权单元413用于根据隶属度函数和模糊推理规则解模糊计算得到驱动噪声方差加权系数α，计算表达式为：

$\mathrm{\α}=\frac{{\mathrm{\α}}_0\×{\mathrm{\μ}}^{\left(s\right)}+{\mathrm{\α}}_1\×{\mathrm{\μ}}^{\left(m\right)}+{\mathrm{\α}}_2\×{\mathrm{\μ}}^{\left(b\right)}}{{\mathrm{\μ}}^{\left(s\right)}+{\mathrm{\μ}}^{\left(m\right)}+{\mathrm{\μ}}^{\left(b\right)}}---\left(4\right)$

其中α₀，α₁，α₂分别为模糊逻辑算法输出隶属度在模糊集为小，中，大三种情况下隶属度最大时对应α的取值，对应到图6，分别为0.7，1和1.4，上述计算结果即为模糊逻辑算法的最终输出的滤波器驱动噪声方差加权系数α。

本发明模糊逻辑算法的一个实施例，设模糊逻辑算法的输入为(5，80)，即平均值绝对值等于5米，均方差为80米²，由式(2)计算可得：

${\mathrm{\μ}}^{\left(s\right)}={\mathrm{\μ}}_{(m,s)}+{\mathrm{\μ}}_{(m,m)}+{\mathrm{\μ}}_{(m,b)}+{\mathrm{\μ}}_{(b,s)}+{\mathrm{\μ}}_{(b,m)}+{\mathrm{\μ}}_{(b,b)}={\mathrm{\μ}}_{A_1}^m\left(5\right)\×{\mathrm{\μ}}_{A_2}^s\left(80\right)+{\mathrm{\μ}}_{A_1}^m\left(5\right)\×{\mathrm{\μ}}_{A_2}^m\left(80\right)$

$+{\mathrm{\μ}}_{A_1}^m\left(5\right)\×{\mathrm{\μ}}_{A_2}^b\left(80\right)+{\mathrm{\μ}}_{A_1}^b\left(5\right)\×{\mathrm{\μ}}_{A_2}^s\left(80\right)+{\mathrm{\μ}}_{A_1}^b\left(5\right)\×{\mathrm{\μ}}_{A_2}^m\left(80\right)+{\mathrm{\μ}}_{A_1}^b\left(5\right)\×{\mathrm{\μ}}_{A_2}^b\left(80\right)$

$=0.5\×0.79+0.5\×0.21+0.5\×0+0\×0.79+0\×0.21+0\×0=0.5$

${\mathrm{\μ}}^{\left(m\right)}={\mathrm{\μ}}_{(s,s)}+{\mathrm{\μ}}_{(s,m)}={\mathrm{\μ}}_{A_1}^s\left(5\right)\×{\mathrm{\μ}}_{A_2}^s\left(80\right)+{\mathrm{\μ}}_{A_1}^s\left(5\right)\×{\mathrm{\μ}}_{A_2}^m\left(80\right)$

$=0.5\×0.79+0.5\×0.21=0.5$

${\mathrm{\μ}}^{\left(b\right)}={\mathrm{\μ}}_{(s,b)}={\mathrm{\μ}}_{A_1}^s\left(5\right)\×{\mathrm{\μ}}_{A_2}^b\left(80\right)=0.5\×0=0$

然后，根据式(4)计算驱动噪声方差加权系数α：

$\mathrm{\α}=\frac{{\mathrm{\α}}_0\×{\mathrm{\μ}}^{\left(s\right)}+{\mathrm{\α}}_1\×{\mathrm{\μ}}^{\left(m\right)}+{\mathrm{\α}}_2\×{\mathrm{\μ}}^{\left(b\right)}}{{\mathrm{\μ}}^{\left(s\right)}+{\mathrm{\μ}}^{\left(m\right)}+{\mathrm{\μ}}^{\left(b\right)}}=\frac{0.7\×0.5+1\×0.5+1.4\×0}{0.5+0.5+0}=0.85$

本发明采用上述模糊逻辑算法实时调整卡尔曼滤波器驱动噪声方差加权系数，使的滤波器参数随着载体机动情况而调整，提高了滤波估计精度和滤波稳定性，因而有助于提高跟踪环路的跟踪精度和稳定性。

目前国内外主要采用EKF的集中式滤波对GNSS超紧组合矢量跟踪接收机的导航滤波器进行建模，本发明提出了采用联邦滤波理论设计GNSS矢量跟踪接收机的导航滤波器设计方案，提高导航滤波器容错能力和滤波精度。

本发明中导航滤波器5采用分布式的联邦滤波结构，总体设计方案如图7所示，包括联邦滤波子滤波器和联邦滤波主滤波器，各通道自适应滤波器4的输出作为联邦滤波子滤波器的观测输入，联邦主滤波器对子滤波器的状态进行信息分配。各子滤波器的状态估计输出端连接联邦主滤波器的观测量输入端，联邦主滤波器信息分配系数输出端反馈连接各子滤波器估计误差方差。

具体地，联邦滤波器是一种两级数据融合结构，子滤波器和主滤波器并行工作，如图7所示，图中微惯导***IMU的输出X_k一方面直接给联邦主滤波器，另一方面它可以输给各子滤波器作为观测值，GNSS各通道的输出Z只给相应的子滤波器，各子滤波器的局部估计

及其协方差阵P_i送入主滤波器和主滤波器的估计值一起进行融合以得到全局最优估计

此外，从图7中还可以看到，由子滤波器与主滤波器合成的全局估计值

及其相应的协方差阵P_g被放大为后再反馈到子滤波器以重置子滤波器的估计值。

主滤波器包括时间更新单元与最优融合单元，主滤波器的预报误差及其协方差P_m送入最优融合单元，同时主滤波器预报误差

的协方差P_m也可重置为全局协方差阵的倍，即为用来重置主滤波器的估计值。

其中，β_i(i＝1，2，…，N，m)称为信息分配系数，N为子滤波器的个数，采用动态最优信息分配系数的方法确定各子滤波器的信息分配系数，不同的β_i值可以获得联邦滤波器的不同结构和不同特性。在k时刻选取信息分配系数为：

${\mathrm{\β}}_{i\left(k\right)}=\frac{\mathrm{trace}\left[{\left(P_{\mathrm{ii}(k,k-1)}^{-1}\right)}^{*}\right]}{\mathrm{trace}\left[M_i{P}_{g(k,k-1)}^{-1}{M}_i^T\right]}$

其中， ${\left(P_{\mathrm{ii}(k,k-1)}^{-1}\right)}^{*}={[{\mathrm{\Φ}}_{k,k-1}{P}_{\mathrm{ii}(-1)}{\mathrm{\Φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{i(k-1)}{\mathrm{\Γ}}_{K-1}^T]}^{-1},$ M_i是子***状态X_ik与总***状态X_k之间存在的关系矩阵。Φ_k，k-1为k时刻下的状态转移矩阵，Q_i(k-1)为第i个子滤波器(k-1)时刻下的驱动噪声方差阵，P_ii(k，k-1)、P_ii(k-1)分别为第i个子滤波器(k-1)时刻下的预测误差方差矩阵和估计误差方差矩阵，Γ为驱动噪声系数矩阵。

本发明中联邦滤波有3个子滤波器：纯GNSS模式下的GNSS滤波器、超紧组合模式下的GNSS/IMU组合导航滤波器、纯IMU微惯导滤波器。

其中，纯GNSS模式下的GNSS滤波器采用Singer模型建模，GNSS/IMU组合导航滤波器和纯IMU微惯导滤波器均采用惯性导航***误差传播模型建模，这些建模技术均为已有技术，因此，详细建模过程不在此赘述。

本发明超紧组合卫星导航接收机开启导航***后，初始化过程包括IMU微惯导初始化和纯GNSS导航初始化，一旦GNSS接收机捕获到卫星信号且IMU微惯导完成初始化对准过程，***运行超紧组合导航滤波定位算法，以提高动态性能和抗干扰性能。IMU微惯导初始化主要实现惯性设备加电初始化以及航向、姿态、位置参数的初始化，为INS解算和超紧组合导航解算做准备。纯GNSS导航模式的初始化利用了已存历书、星历等信息，实现GNSS接收机的快速捕获。

正常状态下***主要依靠超紧组合导航子滤波器；当GNSS信号失锁无法定位时，***主要依靠纯IMU微惯导子滤波器；当IMU微惯导出现故障时或***初始化时，***主要依靠纯GNSS导航子滤波器。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种超紧组合卫星导航接收机，包括射频前端，信号预处理器，基带预滤波器和导航滤波器，以及微惯导模块，伪距和伪距率计算模块，星历解算与选星计算模块，其中信号预处理模块包括相关器和本地信号生成器，其特征在于，所述基带预滤波器与导航滤波器之间设置有自适应滤波器；

所述导航滤波器为联邦滤波器，包括主滤波器和至少一个子滤波器；其中，自适应滤波器的输出作为子滤波器的观测输入，主滤波器对各子滤波器的状态进行信息分配；各子滤波器的状态估计输出端连接主滤波器的观测输入端，主滤波器输出信息分配系数反馈给各子滤波器，用以重置子滤波器的状态估计值；

所述的信息分配系数的表达式如下：

${\mathrm{\β}}_{i\left(k\right)}=\frac{\mathrm{trace}\left[{\left(P_{\mathrm{ii}(k,k-1)}^{-1}\right)}^{*}\right]}{\mathrm{trace}\left[M_i{P}_{g(k,k-1)}^{-1}{M}_i^T\right]}$

其中：β_i(k)为k时刻下第i子滤波器的信息分配系数， ${\left(P_{\mathrm{ii}(k,k-1)}^{-1}\right)}^{*}={[{\mathrm{\Φ}}_{k,k-1}{P}_{\mathrm{ii}(k-1)}{\mathrm{\Φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{i(k-1)}{\mathrm{\Γ}}_{k-1}^T]}^{-1},$ M_i是子***状态X_ik与总***状态X_k之间存在的关系矩阵，Φ_k,k-1为k时刻下的状态转移矩阵，Q_i(k-1)为第i个子滤波器k-1时刻下的驱动噪声方差阵，P_ii(k,k-1)、P_ii(k-1)分别为第i个子滤波器k-1时刻下的预测误差方差矩阵和估计误差方差矩阵，P_g(k,k-1)为P_ii(k,k-1)对应的协方差矩阵，Γk-1为k-1时刻下的驱动噪声系数矩阵；

所述的子滤波器包括纯GNSS模式下的GNSS滤波器，超紧组合模式下的GNSS/IMU组合导航滤波器和纯IMU微惯导滤波器；

所述的自适应滤波器的状态方程为：

$\frac{d}{\mathrm{dt}}\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{.}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{..}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{.}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ}\stackrel{.}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{..}{\mathrm{\ρ}}\\ 0\\ 0\\ {\stackrel{.}{\mathrm{\Δ}}}_{\mathrm{ion}}\\ 0\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ w_a\\ 0\\ 0\\ w_{\mathrm{ion}}\end{array}\right]$

观测方程为：

$\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{.}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{..}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{.}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{.}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{..}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{.}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]+\left[\begin{array}{c}{w}_{\mathrm{\ρ}}\\ w_{\stackrel{.}{\mathrm{\ρ}}}\\ w_{\stackrel{..}{\mathrm{\ρ}}}\\ w_N\\ w_i\\ w_{\mathrm{io}}\end{array}\right]$

所述的基带预滤波器的状态方程为：

$\frac{d}{\mathrm{dt}}\left[\begin{array}{c}\mathrm{\δ\ρ}\\ \mathrm{\δ}\stackrel{.}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{..}{\mathrm{\ρ}}\\ \mathrm{\δN}\\ {\mathrm{\Δ}}_{\mathrm{ion}}\\ {\stackrel{.}{\mathrm{\Δ}}}_{\mathrm{ion}}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ}\stackrel{.}{\mathrm{\ρ}}\\ \mathrm{\δ}\stackrel{..}{\mathrm{\ρ}}\\ 0\\ 0\\ {\stackrel{.}{\mathrm{\Δ}}}_{\mathrm{ion}}\\ 0\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ w_a\\ 0\\ 0\\ w_{\mathrm{ion}}\end{array}\right]$

观测方程为：

$\left[\begin{array}{c}\mathrm{\Δ\ρ}\\ \mathrm{\Δ\φ}\end{array}\right]=\left[\begin{array}{c}\mathrm{\δ\ρ}+{\mathrm{\Δ}}_{\mathrm{ion}}\\ \mathrm{\δ\ρ}-{\mathrm{\Δ}}_{\mathrm{ion}}+\mathrm{\δN}\end{array}\right]$

其中：δρ为伪距残差，

为伪距率残差，

为伪距加速度残差，δN为载波相位整周残差，Δ_ion为电离层延时，

为电离层延时率，w_a为伪距加速度过程噪声，w_ion为电离层噪声,w_ρ、

w_N、w_i、w_io分别为伪距、伪距率、伪距加速度、载波相位整周模糊度、电离层延时、电离层延时率的观测噪声；Δρ为伪距残差测量值，Δφ为载波相位残差测量值。

2.如权利要求1所述的超紧组合卫星导航接收机，其特征在于，所述本地信号生成器，相关器，基带预滤波器，自适应滤波器和导航滤波器，伪距和伪距率计算模块构成矢量跟踪环路。

3.如权利要求1或2所述的超紧组合卫星导航接收机，其特征在于，所述超紧组合卫星导航接收机包括至少一路导航信号接收通道，每个导航信号接收通道都设置有信号预处理器和基带预滤波器，每一路基带预滤波器都通过一个自适应滤波器后接入导航滤波器。

4.如权利要求1所述的超紧组合卫星导航接收机，其特征在于，所述自适应滤波器为模糊逻辑自适应滤波器，包括模糊逻辑算法模块和卡尔曼滤波器，所述模糊逻辑算法模块接收伪距滤波新息平均值和均方差，输出为驱动噪声方差加权系数，用于实时调整所述卡尔曼滤波器的驱动噪声方差的参数值，实现自适应滤波。

5.如权利要求4所述的超紧组合卫星导航接收机，其特征在于，所述模糊逻辑算法模块包括：

隶属度仿真单元，用于确定输入的伪距滤波新息平均值和均方差的隶属度函数，以及输出的驱动噪声方差加权系数的隶属度函数；

模糊推理规则单元，用于设置模糊推理规则；

噪声方差加权单元，用于根据所述隶属度函数和模糊推理规则解模糊计算得到驱动噪声方差加权系数。

Images