引用格式
荆蕾,林雪原,潘新龙,等.基于改进Sage-Husa的GNSS/SINS组合导航系统自适应UKF算法[J].中国空间科学技术（中英文）,2024,44(5):127-135.
JING L,LIN X Y,PAN X L,et al.Research on GNSS/SINS integrated navigation adaptive UKF algorithm based on improved Sage-Husa[J].Chinese Space Science and Technology,2024,44(5):127-135(in Chinese).
一、文章导读
1.研究背景
卡尔曼滤波器是实现GNSS/SINS组合导航系统的有效信息融合方法，但卡尔曼滤波器是建立在精确的系统模型及准确的噪声统计特性的基础上。不准确的系统模型及噪声统计特性将会导致滤波精度下降甚至发散。为了解决组合导航系统中不准确的系统模型问题，常用的方法有自适应因子控制法和非线性滤波方法（如扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波）等。
通常情况下，系统噪声的统计特性具有较好的稳定性，而测量噪声的统计特性容易受环境的影响进而发生变化，如噪声均方差（或方差）将会发生变化。为了克服测量噪声统计特性不准确而导致的滤波精度下降问题，自适应滤波算法不断发展并应用于组合导航。目前，自适应滤波方法大致分为两类：基于滤波新息的自适应滤波方法（IAE），如协方差匹配法、Sage-Husa方法等；贝叶斯自适应滤波方法，如变分贝叶斯估计方法、多模型自适应估计方法等。
在上述两类方法中，变分贝叶斯估计方法接近于最优估计，对测量噪声方差的估计效果最好，近几年来在组合导航系统中得到应用与研究。但是测量噪声方差的估计依赖于3个向量参数（即逆伽马分布的两种参数分别构成的两个向量、遗忘因子构成的向量），参数选取不当将会造成测量噪声估计方差的初始值存在较大偏差，甚至对测量噪声方差的估计存在严重失真的现象，进而影响了组合导航系统的滤波精度。而IAE方法具有算法简单、易于实现的特点，但协方差匹配法需保存一定窗口内的信息序列，窗口长度越长算法复杂度越高；Sage-Husa方法克服了IAE方法的上述缺点，其优点是具有递归递推特性，且对测量噪声方差的估计仅依赖于一个参数（即遗忘因子），但该方法也存在一个致命缺陷，即直接应用于组合导航系统时存在滤波发散问题。
为此，为了克服Sage-Husa方法存在的上述缺陷，本文提出了一种改进的Sage-Husa方法，并将其与无迹卡尔曼滤波（UKF）算法进行融合，进而提出了基于改进Sage-Husa的组合导航系统自适应UKF算法（ISHUKF）。该方法一方面克服了系统模型不准确的问题，另一方面可以较为准确地估计测量噪声的统计特性，并克服了滤波发散的问题，进而解决了不准确测量噪声统计特性导致的滤波精度下降甚至发散的问题。
2.文章梗概
GNSS/SINS组合导航系统的无迹卡尔曼滤波器（UKF）是以准确的测量噪声统计特性为基础的，当测量噪声统计特性发生变化时，如不对其进行准确的估计，将会导致UKF的滤波性能下降甚至发散。为了解决上述问题，提出了一种基于改进Sage-Husa的GNSS/SINS组合导航系统自适应UKF算法（ISHUKF）。首先，建立了GNSS/SINS非线性组合导航系统的简化UKF模型；然后，在分析组合导航系统中常规Sage-Husa算法存在滤波发散原因的基础上，提出了一种改进的Sage-Husa算法以保证测量噪声估计方差的正定性；最后，进行了GNSS/SINS组合导航系统的仿真实验。实验结果表明，相对于变分贝叶斯算法，ISHUKF对测量噪声方差的估计精度与其大致相同，并且算法更加简单；相对于标准UKF算法，在整个仿真时段内可提高组合导航系统的位置精度、速度精度和姿态精度分别约33%、35%和72%，进而验证了算法的可行性及优越性，并为复杂环境下组合导航系统的滤波方法提供了一种简易的方法。
3.总结与展望
针对UKF算法需要精确已知的测量噪声先验统计信息的问题，本文分析了传统Sage-Husa算法的不足，并提出了一种基于改进Sage-Husa的UKF算法。该算法在保证测量噪声估计方差正定的前提下，可实时、准确地估计测量噪声方差的变化，进而提高了GNSS/SINS组合导航系统的滤波精度。
相对于变分贝叶斯估计方法，本文算法具有算法简单、精度与变分贝叶斯方法大致相同的特点，进而为组合导航系统的自适应滤波方法提供了一条简单易行的方法。
二、作者简介
荆蕾，烟台南山学院智能科学与工程学院硕士，讲师，研究方向为导航技术、信息处理。
林雪原，山东外事职业大学人工智能学院博士，教授，研究方向为卫星定位与组合导航、信息融合。
点击文末“阅读原文”
登录官网下载原文
来源：《中国空间科学技术（中英文）》2024年第5期
编辑：陈飚
监制：祁首冰
往期推荐
1
2
3
4
5
