高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

复杂城市环境下的全球导航卫星系统/捷联惯性导航系统组合导航算法

刘小汇 王怡晨 文超 李宗楠

刘小汇, 王怡晨, 文超, 李宗楠. 复杂城市环境下的全球导航卫星系统/捷联惯性导航系统组合导航算法[J]. 电子与信息学报, 2023, 45(11): 4150-4160. doi: 10.11999/JEIT230834
引用本文: 刘小汇, 王怡晨, 文超, 李宗楠. 复杂城市环境下的全球导航卫星系统/捷联惯性导航系统组合导航算法[J]. 电子与信息学报, 2023, 45(11): 4150-4160. doi: 10.11999/JEIT230834
LIU Xiaohui, WANG Yichen, WEN Chao, LI Zongnan. Global Navigation Satellite System/Strapdown Inertial Navigation System Integrated Navigation Algorithm in Complex Urban Environment[J]. Journal of Electronics & Information Technology, 2023, 45(11): 4150-4160. doi: 10.11999/JEIT230834
Citation: LIU Xiaohui, WANG Yichen, WEN Chao, LI Zongnan. Global Navigation Satellite System/Strapdown Inertial Navigation System Integrated Navigation Algorithm in Complex Urban Environment[J]. Journal of Electronics & Information Technology, 2023, 45(11): 4150-4160. doi: 10.11999/JEIT230834

复杂城市环境下的全球导航卫星系统/捷联惯性导航系统组合导航算法

doi: 10.11999/JEIT230834
基金项目: 国家自然科学基金(U20A20193)
详细信息
    作者简介:

    刘小汇:女,研究员,研究方向为卫星导航信号处理、多源融合导航

    王怡晨:女,硕士生,研究方向为卫星导航信号处理、多源融合导航

    文超:男,硕士生,研究方向为卫星导航信号处理、协同导航

    李宗楠:女,讲师,研究方向为卫星导航高精度定位、多源融合导航

    通讯作者:

    王怡晨  xdu_wangyichen@163.com

  • 中图分类号: TN927.2

Global Navigation Satellite System/Strapdown Inertial Navigation System Integrated Navigation Algorithm in Complex Urban Environment

Funds: The National Natural Science Foundation of China(U20A20193)
  • 摘要: 针对复杂城市环境下,全球导航卫星系统(GNSS)信号出现频繁短暂失锁或拒止时,对GNSS/捷联惯性导航系统(SINS)组合导航系统的导航精度和鲁棒性影响较大问题,该文提出一种改进的因子图滤波方法。首先使用GNSS接收机内部参数构建信号误差鉴别函数,能实时估计出信号受多径干扰、遮挡等情况下的信号测量性能;同时利用载体运动约束条件构造零速修正因子,对GNSS拒止情况下的系统状态进行更新,避免系统导航性能极速下降。实验结果表明,改进的因子图方法相比经典因子图方法,在城市复杂环境下能提高定位精度63.50%和测速精度42.26%,同时也具有更低的存储量和计算复杂度,特别适用于城市车辆辅助驾驶导航设备中,对导航精度、硬件资源和实时性约束强的场景。
  • 图  1  系统整体框架图

    图  2  经典因子图方法与本文方法结构对比

    图  3  仿真轨迹和星空图

    图  4  本文方法与经典方法在定位误差的结果对比图

    图  5  本文方法与经典方法在测速误差的结果对比图

    图  6  实验车辆和传感器搭建图

    图  7  零速检测结果

    图  8  本文方法与传统方法3维定位误差

    图  9  本文方法与传统方法3维测速误差

    图  10  本文方法与传统方法在节点数和优化所用时间上的对比

    表  1  仿真传感器参数设置

    相关参数 数值
    陀螺仪零偏 [–180, 260, –160] °/h
    角度随机游走 2.909×10–4 rad/ $\sqrt {\mathrm{s}} $
    加速度计零偏 [9000, –13000, 8000] μG
    速度随机游走 1000 ug/ $ \sqrt {\rm{Hz}} $
    初始位置误差 10 m
    初始速度误差 0.1 m/s
    可观测卫星数 8
    卫星载噪比 40~45 dBHz
    下载: 导出CSV

    表  2  仿真场景参数设置

    序号 时间段(s) 可见卫星 多径干扰影响卫星 多径干扰数量 受遮挡卫星 受遮挡卫星载噪比(dBHz) 备注
    1 1~80 C1/C2/C6/C7/C8/
    C11/C12/C16
    正常行驶阶段
    2 80~95 C1/C2/C6/C12 C7/C8/C11/C16 38(C7/C8)

    40(C11/C16)
    部分卫星受遮挡阶段
    3 95~200 C1/C2/C6/C7/
    C8/
    C11/C12/C16
    正常行驶阶段
    4 200~235 C7/C8/C11/C16 C1/C2/C6/C12 3(C1/C2)

    2(C6/C12)
    多径干扰阶段
    5 235~400 C1/C2/C6/C7/C8/
    C11/C12/C16
    正常行驶阶段
    6 400~450 C7/C8/C16 C1/C2/C6/C11/C12 不可见 小于4颗卫星可视阶段
    7 450~600 C1/C2/C6/C7/C8/
    C11/C12/C16
    正常行驶阶段
    下载: 导出CSV

    表  3  3种方法的定位与测速性能对比(速度(m/s)/位置(m))

    卡尔曼滤波 经典因子图 本文方法
    X轴方向 0.7189/2.0286 0.4187/1.4252 0.2215/0.5237
    Y轴方向 0.6709/1.7552 0.3217/0.7746 0.2270/0.6821
    Z轴方向 1.2893/6.6258 0.5941/4.5711 0.3317/1.5473
    下载: 导出CSV

    表  4  部分系统参数

    设备名称 指标种类 相应数值
    NovAtel ProPak6+SPAN紧组合系统 观测卫星系统 BDS/GPS/Galileo/GLONASS
    GNSS接收频点 B1/B2/L1/L2/L2C/E1/E5
    RTK定位精度 1 cm±1×10–6
    位置输出频率 10 Hz
    测速精度(RMS) 0.03 m/s
    授时精度(RMS) 20 ns
    陀螺仪测量范围 ±1000 °/s
    陀螺仪零偏 <1 °/h
    角度随机游走 0.1 °/ $\sqrt{\rm h} $
    加速度计零偏 9.8×10–3 m/s2
    加速度计比例因子 4×10–4
    CGI-410 GNSS/SINS组合导航接收机 IMU输出频率 100 Hz
    陀螺仪零偏 200 °/h
    加速度计零偏 9.8×10–3 m/s2
    角度随机游走 0.2 °/ $\sqrt {\rm h} $
    速度随机游走 0.2 m/(s· $\sqrt {\rm h} $)
    GNSS测量值输出频率 1 Hz
    下载: 导出CSV
  • [1] NIU Xiaoji, DAI Yuhang, LIU Tianyi, et al. Feature-based GNSS positioning error consistency optimization for GNSS/INS integrated system[J]. GPS Solutions, 2023, 27(2): 89. doi: 10.1007/s10291-023-01421-9
    [2] WANG Hao, PAN Shuguo, GAO Wang, et al. Multipath/NLOS detection based on k-means clustering for GNSS/INS tightly coupled system in urban areas[J]. Micromachines, 2022, 13(7): 1128. doi: 10.3390/mi13071128
    [3] JIANG Haitao, SHI Chuang, LI Tuan, et al. Low-cost GPS/INS integration with accurate measurement modeling using an extended state observer[J]. GPS Solutions, 2021, 25(1): 17. doi: 10.1007/s10291-020-01053-3
    [4] CHANG Dengxiang, ZHOU Yunshui, HU Manjiang, et al. Robust accurate LiDAR-GNSS/IMU self-calibration based on iterative refinement[J]. IEEE Sensors Journal, 2023, 23(5): 5188–5199. doi: 10.1109/JSEN.2022.3233227
    [5] WEN Weisong, BAI Xiwei, KAN Y C, et al. Tightly coupled GNSS/INS integration via factor graph and aided by fish-eye camera[J]. IEEE Transactions on Vehicular Technology, 2019, 68(11): 10651–10662. doi: 10.1109/TVT.2019.2944680
    [6] ZHONG Qiming and GROVES P D. Multi-epoch 3D-mapping-aided positioning using Bayesian filtering techniques[J]. NAVIGATION: Journal of the Institute of Navigation, 2022, 69(2): navi. 515. doi: 10.33012/navi.515.
    [7] NG H F, ZHANG Guohao, LUO Yiran, et al. Urban positioning: 3D mapping-aided GNSS using dual-frequency pseudorange measurements from smartphones[J]. NAVIGATION:Journal of the Institute of Navigation, 2021, 68(4): 727–749. doi: 10.1002/navi.448
    [8] WU Qingdong, LI Chenxi, SHEN Tao, et al. Improved adaptive iterated extended Kalman filter for GNSS/INS/UWB-integrated fixed-point positioning[J]. Computer Modeling in Engineering & Sciences, 2023, 134(3): 1761–1772. doi: 10.32604/cmes.2022.020545
    [9] JIANG Wei, CAO Zhuojian, CAI Baigen, et al. Indoor and outdoor seamless positioning method using UWB enhanced multi-sensor tightly-coupled integration[J]. IEEE Transactions on Vehicular Technology, 2021, 70(10): 10633–10645. doi: 10.1109/TVT.2021.3110325
    [10] WANG Yuqiang, ZHAO Bohao, ZHANG Wei, et al. Simulation experiment and analysis of GNSS/INS/LEO/5G integrated navigation based on federated filtering algorithm[J]. Sensors, 2022, 22(2): 550. doi: 10.3390/s22020550
    [11] AYABAKAN T and KERESTECIOGLU F. RSSI-based indoor positioning via adaptive federated Kalman filter[J]. IEEE Sensors Journal, 2022, 22(6): 5302–5308. doi: 10.1109/JSEN.2021.3097249
    [12] 杨元喜. 多源传感器动、静态滤波融合导航[J]. 武汉大学学报:信息科学版, 2003, 28(4): 386–388,396. doi: 10.3969/j.issn.1671-8860.2003.04.002

    YANG Yuanxi. Kinematic and static filtering for multi-sensor navigation systems[J]. Geomatics and Information Science of Wuhan University, 2003, 28(4): 386–388,396. doi: 10.3969/j.issn.1671-8860.2003.04.002
    [13] 史兼郡, 邱磊, 王晓丹, 等. 基于动、静态滤波算法的组合导航技术研究[C]. 第六届中国卫星导航学术年会论文集—S09PNT体系与导航新技术, 西安, 中国, 2015: 130–133.

    SHI Jianjun, QIU Lei, WANG Xiaodan, et al. Research on integrated navigation technology based on the dynamic, static filtering algorithm[C]. China Satellite Navigation Conference, Xi’an, China, 2015: 130–133.
    [14] NING Yipeng, WANG Jian, HAN Houzeng, et al. An optimal radial basis function neural network enhanced adaptive robust Kalman filter for GNSS/INS integrated systems in complex urban areas[J]. Sensors, 2018, 18(9): 3091. doi: 10.3390/s18093091
    [15] DELLAERT F. Factor graphs and GTSAM: A hands-on introduction[R]. GT-RIM-CP&R-2012-002, 2012.
    [16] KAESS M, JOHANNSSON H, ROBERTS R, et al. iSAM2: Incremental smoothing and mapping using the Bayes tree[J]. The International Journal of Robotics Research, 2012, 31(2): 216–235. doi: 10.1177/0278364911430419
    [17] LIU Xiaohui, YUAN Yuelin, HUANG Jinquan, et al. A new algorithm of tightly-coupled GNSS/INS integrated navigation based on factor graph[M]. YANG Changfeng and XIE Jun. China Satellite Navigation Conference (CSNC 2021) Proceedings. Singapore: Springer, 2021: 586–595. doi: 10.1007/978-981-16-3142-9_56.
    [18] KAESS M, RANGANATHAN A, and DELLAERT F. iSAM: Incremental smoothing and mapping[J]. IEEE Transactions on Robotics, 2008, 24(6): 1365–1378. doi: 10.1109/TRO.2008.2006706
  • 加载中
图(10) / 表(4)
计量
  • 文章访问数:  294
  • HTML全文浏览量:  140
  • PDF下载量:  64
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-08-02
  • 修回日期:  2023-11-05
  • 网络出版日期:  2023-11-14
  • 刊出日期:  2023-11-28

目录

    /

    返回文章
    返回