[发明专利]一种基于KF和STUPF组合滤波的SINS大方位失准角初始对准方法

说明书

技术领域

本发明属于导航技术领域，尤其涉及一种基于KF和STUPF组合滤波的SINS大方位失准角初始对准方法。

背景技术

对准精度和对准实时性是惯导系统进行初始对准时的两项重要技术指标。初始对准精度影响SINS的性能，初始对准实时性标志着系统的快速反应能力。因此，在保证初始对准精度的同时提高初始对准的实时性，才能提高捷联惯导系统的性能。

针对捷联惯导初始对准非线性、非高斯噪声的特点，EKF(Extended Kalman Filter)和UKF(Unscented Kalman Filter)等基于模型近似线性化和噪声为高斯条件下的滤波方法，受到线性卡尔曼滤波算法的条件制约，若仍简单地采用均值和方差表征状态概率分布，将导致滤波性能变差。PF(particle filter)不需要对状态变量的概率密度作过多的约束，其不受模型非线性及高斯假设的限制，适用于任何非线性非高斯的随机系统，从这个意义上讲，相比于EKF和UKF，PF是非高斯非线性系统状态估计的“最优”滤波器，可以应用于SINS大方位失准角初始对准。

粒子滤波方法存在重要性分布函数难以选取、粒子退化、粒子易贫化、计算量大等缺陷。其改进主要围绕构建更合理的重要性分布函数、改进重采样法则、改变粒子数以减少计算量等。针对这一问题，已有学者将UPF(Unscented Particle Filtering)滤波方法应用到非线性初始对准中，其重要性概率密度通过UKF算法获得，从非线性状态向量的概率分布角度出发，选取Sigma采样点表示状态变量，并根据非线性模型计算后验分布的均值和方差来实现对状态向量后验分布的近似，能够得到比较逼近真实后验概率密度的重要性概率密度。捷联惯导误差模型维数较高，直接应用粒子滤波会带来维数灾难，计算量会急剧增加，初始对准的实时性严重降低，惯导系统的性能就会受到严重影响。在大方位失准角条件下，强非线性、非高斯噪声条件下SINS静基座下的初始对准，由于初始对准需要采样的状态变量较多，利用现有滤波算法，虽然能够保证对准精度，但是存在计算量随着状态维数增加而急剧增大的问题，造成初始对准时间长，实时性差。

发明内容

发明目的：本发明提出一种基于KF和STUPF组合滤波的SINS大方位失准角初始对准方法，能有效地降低滤波过程的计算复杂度，增强滤波算法的实时性，同时提高初始对准在模型误差、噪声、干扰等不确定因素下的滤波精度和鲁棒性。

技术方案：一种基于KF和STUPF组合滤波的SINS大方位失准角初始对准方法，将大失准角下非线性初始对准模型分解为线性与非线性部分，分别采用KF和强跟踪的UPF完成状态估计，具体包括如下步骤：

S1：建立捷联惯导系统大方位失准角静基座初始对准的状态空间模型

根据初始对准捷联惯导系统中速度、姿态角误差方程，在大方位失准角条件下，假设水平失准角φ_E，φ_N是小量，方位失准角φ_U为大角度时，忽略二阶及二阶以上的高阶项等，建立捷联惯导系统大方位失准角静基座初始对准的状态空间模型；

S2：建立大方位失准角静基座初始对准下线性部分和非线性部分滤波模型

将步骤S1得到的捷联惯导系统大方位失准角静基座初始对准的状态空间模型分解为线性部分和非线性部分；取东向、北向速度误差δv_E，δv_N作为线性部分的观测量，建立捷联惯导系统大方位失准角静基座初始对准线性滤波模型离散化的状态方程和量测方程；结合线性部分的状态方程和量测方程，得到非线性部分的观测量，进而建立初始对准非线性滤波模型离散化的状态方程和量测方程；

S3：采用KF和STUPF组合滤波算法完成状态估计

对步骤S2中得到的大方位失准角静基座初始对准下线性部分滤波模型，采用KF算法进行处理；大方位失准角静基座初始对准下非线性部分的滤波模型，采用强跟踪的STUPF算法进行处理，基于KF和STUPF组合滤波算法，完成状态估计。

进一步的，所述步骤S1中建立捷联惯导系统大方位失准角静基座初始对准的状态空间模型的方法如下：