[发明专利]一种强机动条件下的弹载深组合ARCKF滤波方法

说明书

一、技术领域

本发明涉及组合导航技术领域，特别是一种强机动条件下的弹载深组合ARCKF滤波方法。

二、背景技术

强机动、高动态条件下对载体进行导航定位是一个热点和难点问题，在军事应用中的地位尤其重要，引起国内外众多学者的广泛关注。强机动、高动态条件下的导航定位难点主要有以下几点：惯性导航系统解算误差变大，对定位技术也提出了很高的要求；系统观测传递函数表现为强非线性，线性化误差导致系统发散，因此对数据融合技术的鲁棒性与可靠性提出了更高的要求。

传统组合导航中的非线性滤波一般采取扩展卡尔曼滤波EKF、无迹卡尔曼滤波UKF。EKF需要求导计算雅克比(Jacobian)阵，计算量大，线性化后具有较大的截断误差；UKF缺乏严格的数学推导过程，且当系统维数过高时，UKF的Sigma点权值容易出现负值情况，导致其矩阵积分中引入很大的截断误差，滤波精度下降。近年来提出的容积卡尔曼滤波CKF，有更严格的理论推导，在高维度系统的滤波性能较UKF更优。但在强机动、高动态等复杂环境中，有可能给载体带来观测异常以及由动力学模型不准确导致的误差，组合导航滤波性能还需进一步提高。

三、发明内容

本发明的目的在于提供一种精确、稳定的强机动条件下的弹载深组合ARCKF滤波方法。

实现本发明目的的技术解决方案为：一种强机动条件下的弹载深组合ARCKF滤波方法，包括以下步骤：

步骤1、通过轨迹发生器生成模拟强机动导弹的弹道轨迹和相应IMU数据；

步骤2、将生成的弹道轨迹注入卫星信号模拟器，生成GNSS中频数据；

步骤3、将生成的GNSS中频数据注入给接收机进行导航解算、IMU数据进行惯导解算；

步骤4、建立发射惯性坐标系下GNSS/SINS深组合导航系统的状态方程和观测方程；

步骤5、将抗差估计理论中的抗差M估计算法和自适应因子结合到容积卡尔曼滤波即CKF算法中，得出一种自适应抗差容积卡尔曼滤波即ARCKF算法，对系统状态进行滤波校正。

本发明与现有技术相比，其显著优点是：(1)采用非线性滤波CKF，更能符合组合导航模型的非线性特性；(2)与EKF、UKF滤波相比，具有估计精度更高，不易发散且计算量少的优点；(3)采用的自适应抗差容积卡尔曼滤波(ARCKF)，更能抵御在观测异常扰动与动力学模型不准确所导致的误差。

四、附图说明

图1是本发明强机动条件下的弹载深组合ARCKF滤波方法的流程图。

图2是实施例1中模拟生成的发射惯性坐标系下的真实弹道轨迹。

图3是实施例1中ARCKF与KF滤波在X方向的速度误差对比结果。

图4是实施例1中ARCKF与KF滤波在Y方向的速度误差对比结果。

图5是实施例1中ARCKF与KF滤波在Z方向的速度误差对比结果。

五、具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

结合图1，本发明强机动条件下的弹载深组合ARCKF滤波方法，步骤如下：

步骤1、通过轨迹发生器生成模拟强机动导弹的弹道轨迹和相应IMU数据；

根据需要，建立动力学模型和发射惯性坐标系下的轨迹参数，包括弹道导弹的初始位置、姿态角、加速度、姿态的变化规律，然后生成弹道轨迹和相应的IMU数据。

步骤2、将步骤1中生成的弹道轨迹注入卫星信号模拟器，生成GNSS中频数据。

步骤3、将步骤2中得到的GNSS中频数据注入给软件接收机进行捕获跟踪和导航解算、同时IMU数据进行惯导解算。

步骤4、建立发射惯性坐标系下GNSS/SINS深组合导航系统的状态方程和观测方程，具体如下：

(4.1)状态方程为：

其中，X_s为SINS子系统的状态误差量；X_g为选取的GNSS的状态误差量，具体如下：