论文部分内容阅读
本文以地籍测量为应用背景,依托“村镇空间规划地理信息卫星快速测高与精确定位技术研究”课题,针对测量过程中全球卫星导航系统（GNSS）信号异常甚至失效的特殊测量阶段,结合地籍测量作业的低动态、“随停随测随走”及可事后处理数据的测量特点,对GNSS和捷联惯性导航系统（SINS）组合定位系统的误差抑制技术展开研究。本文的主要研究工作包括以下几个方面:（1）对面向地籍测量的GNSS/SINS数据融合算法进行了研究。针对应用常规卡尔曼滤波的GNSS/SINS组合定位系统,由于先验知识不足或GNSS信号观测失准,导致系统定位精度下降的问题,提出一种改进自适应卡尔曼滤波算法（IAKF）。通过卡方检验检测出观测异常值,在没有检测到异常时使用改进Sage-Husa自适应卡尔曼滤波算法（ISHAKF）,通过新息实时估计系统的噪声参数,以解决因先验知识不足而引起的滤波误差增大的问题;在观测到异常时根据新息自适应调整先验状态均方误差矩阵,以解决GNSS观测数据突变后新息协方差估计严重偏离实际的问题,从而提高系统定位精度。最后对IAKF与常规卡尔曼滤波做了对比仿真实验,仿真结果表明:该算法具有良好的自适应性和稳定性,能够显著提高导航精度。（2）对面向地籍测量GNSS失效阶段的误差抑制技术进行了研究。针对在GNSS信号受到干扰或遮挡而产生观测失效区域,GNSS/SINS组合定位系统进入纯SINS解算模式,定位误差逐渐累积,无法满足定位精度要求的问题,提出一种长短期记忆（LSTM）神经网络辅助的组合定位误差抑制算法。根据LSTM神经网络能够有效运用于长距离时间序列的特性,在GNSS有效区域,用卡尔曼滤波算法对GNSS/SINS进行数据融合得到精确定位信息,同时利用惯性测量单元（IMU）、GNSS和SINS输出信息对神经网络进行训练;在GNSS信号失效区域,利用训练好的神经网络预测GNSS位置信息,使得系统能继续用卡尔曼滤波器滤波。通过仿真实验,证明了该算法在GNSS信号失效时可以有效抑制系统误差发散、提高定位精度,在不同运动状态下依然可以满足定位精度要求、鲁棒性强。（3）对GNSS/SINS组合定位系统误差抑制技术进行实验验证。利用实验对本文提出的改进自适应卡尔曼滤波算法和GNSS失效阶段基于神经网络辅助的组合定位误差抑制算法进行验证。实验结果表明,本文提出的GNSS/SINS组合定位误差抑制能够有效减小误差累积,提高地籍测量的精度和稳定性。