CN109781099A - 一种自适应ukf算法的导航方法及系统 - Google Patents

Abstract

本发明提供一种自适应UKF算法的导航方法及系统，包括采集惯性传感器原始数据、惯性导航系统定位信息更新、搜索采集GPS定位信息并判断卫星信号可信度、当卫星数目大于4颗且HDOP值约为1时，进入GPS/INS组合导航模式，否则进入神经网络预测修正模式、对惯性导航系统输出的定位信息进行补偿修正、误差协方差阵自适应更新、保存神经网络训练样本并对神经网络结构参数进行训练更新等。本发明提出的技术方案在卫星信号正常的情况下通过自适应调节UKF滤波器系统噪声和量测噪声协方差阵从而减小了由于系统噪声统计特征不明确或不准确导致的滤波精度下降、发散等问题。

Description

一种自适应UKF算法的导航方法及系统

技术领域

本发明涉及导航技术领域，具体的说是一种自适应UKF算法的导航方法及系统。

背景技术

基于MEMS惯性传感器器件和GPS(Global Position System)的组合导航系统具有体积小、功耗低、可靠性高且价格便宜的优点，因而广泛应用于车载导航定位，无人机飞行控制与导航等多个领域。但受限于捷联惯性导航系统采用的MEMS惯性器件精度较低且存在误差积累的问题，在卫星信号丢失或是信号较弱的情况下只依靠惯性导航会使得定位误差急剧发散，导致定位失败。对此国内外专家和学者进行了研究并提出了多种解决方法。RBF(Radial Baisi Function)辅助AKF(Adaptive Kalman Filtering)滤波的算法，在卫星信号正常的时候对RBF神经网络进行训练，当卫星信号失锁时用训练好的RBF神经网络输出替代卫星输出数据从而可以继续依靠自适应卡尔曼滤波来对惯性导航误差进行修正，但仍存在标准的卡尔曼滤波算法对于非线性系统的估计不准确的问题。采用前馈神经网络在卫星失锁的情况下为卡尔曼滤波更新提供误差补偿，确保卡尔曼滤波能够正常工作，但前馈神经网络易陷入局部最优且普通卡尔曼滤波对于非线性系统的估计存在局限性。对自适应神经网络模糊推理技术的新息采取自适应调整从而获得一个适应性较强的非线性神经网络来抑制卡尔曼滤波器的滤波发散问题。基于ABC(Artificial Bee Colony)算法的反向传播BP神经网络，利用ABC算法较强的搜索能力来解决BP神经网络易陷入局部最优的缺陷。最优RBF神经网络增强自适应鲁棒卡尔曼滤波的方法，其通过对神经网络进行训练用以区分动态模型误差和观察模型误差对滤波器造成的影响然后采用自适应卡尔曼滤波或是鲁棒卡尔曼滤波以提高滤波效果，并且这种方法在GNSS信号短期中断的情况下能够提高整体定位的准确性。

发明内容

为了解决上述技术问题，本发明提供了一种自适应UKF算法的导航方法及系统，利用全局人工蜂群算法来对RBF神经网络进行优化，再配合噪声更新采样窗口宽度可调的自适应UKF算法，以期在卫星信号正常的情况下可以提高组合导航定位精度，并对神经网络进行训练，在卫星失锁时利用训练好的神经网络预测输出来抑制位置和速度误差发散。

为达到上述目的，本发明通过以下技术方案来具体实现：

一种自适应UKF算法的导航方法，

步骤1：采集惯性传感器原始数据，包括加速度计输出的三轴加速度值和陀螺仪输出的三轴角速率值；

步骤2：惯性导航系统定位信息更新，根据惯性测量器件输出的加速度值和角速率值以及系统状态初值计算载体在东北天坐标系下的东向、北向、天向速度以及俯仰角、横滚角、航向角，再计算得到经度、纬度和高度信息；

步骤3：搜索采集GPS定位信息，包括当前载体经纬度、高度、东北天三向速度，根据接收到的HDOP值和卫星数目判断卫星信号可信度，即接收的卫星颗数大于4颗且HDOP值小于1.2时认为卫星信号可信；

步骤4：当卫星数目大于4颗且HDOP值约为1时，进入GPS/INS组合导航模式，否则转入步骤8进入神经网络预测修正模式；

步骤5：GPS/INS组合导航模式采用改进自适应UKF算法用卫星的定位信息对惯性导航系统输出的定位信息进行补偿修正；

步骤5.1：确定状态向量并计算均方误差阵P：

状态向量：

其中φ：失准角；

Δv：卫星输出速度与惯性导航系统速度差值；

Δp：卫星定位经纬度与惯性导航系统计算经纬度差值；

ε：陀螺仪零偏；

加速度计零偏；

计算均方误差阵

步骤5.2：对状态向量进行UT变换

式中，α为一个在区间[10^-4,1]中的正值；

步骤5.3：计算UT变换后的一步预测矩阵和协方差矩阵

ξ_i,k/k-1＝Φ(ξ_i,k-1)i＝0,1,…,2n (4)

式中ω_i的选取规则为：

Q为系统噪声协方差阵；

步骤5.4：计算量测均值及量测值协方差矩阵：

式中R为量测噪声协方差阵，ω_i的选取规则同步骤5.3；

步骤5.5：量测更新

步骤5.6：计算本次更新的新息和残差：

式中ε_k为新息，而η_k表示残差；

步骤5.7：用滤波估计的结果对惯性导航输出的位置和速度信息进行修正：

步骤6：误差协方差阵自适应更新，当滤波更新的次数达到更新窗口宽度N时，对系统噪声协方差阵和量测噪声协方差阵采用新息和残差进行自适应更新：

步骤7：保存神经网络训练样本并对神经网络结构参数进行训练更新；基于预定的窗口宽度t保存神经网络训练样本，并采用全局人工蜂群算法对神经网络结构参数进行更新；

步骤7.1：将神经网络训练输入样本归一化处理：

式中y为归一化操作后的训练输入样本，x为原始的训练输入样本；

步骤7.2：由训练输入样本在解空间内随机生成N_s个可行解

式中j表示D维解向量的分量；

步骤7.3：根据领域搜索公式在当前解向量附近搜索新的解向量：

v_ij＝x_ij+α(x_ij-x_kj)，i≠k (15)

式中v_ij为搜索到的新解，x_ij为前一个解向量，x_kj为解空间内与x_ij不同的解向量，α为-1到1的随机数；

步骤7.4：根据新解和原解的适应度值f_v和f_x来替换蜜源：

步骤7.5：对新的蜜源进行全局搜索：

式中为当前的全局最优解，β和cr为调节系数,else指除rand<cr以外的其他情况；

步骤7.6：判断迭代次数是否达到最大次数，若达到最大次数则输出得到的全局最优解，即为神经网络隐含层的径向基核函数函数中心，若未达到最大循环次数则返回步骤7.2继续进行搜索；

步骤7.7：根据步骤7.6得到的径向基核函数函数中心，步骤7.1得到的归一化训练输入样本和归一化后的目标输出样本进行RBF神经网络隐含层到输出层的权值参数和偏差参数进行训练更新；

步骤8：当搜索到的卫星颗数小于4颗或完全接收不到卫星信号时进入神经网络预测修正模式，利用步骤7中训练更新完成的改进RBF径向基神经网络预测输出结果与惯性导航系统输出的位置速度信息做差后作为自适应UKF滤波器的量测值进行预测更新，然后再对惯性导航系统输出的定位信息进行修正，将步骤5中的量测量更新为RBF神经网络预测输出与惯性导航系统输出的差值，并执行步骤5。

所述步骤1中惯性导航系统数据输出频率为100Hz，步骤3中卫星信号接收机数据更新频率为2Hz。

所述步骤5.2中参数α设置为1，所述步骤7.5中参数β设置为0.5，参数cr根据公式(18)完成计算：

cr＝0.6-λ||f_i-f_i-1|| (18)

式中f_i为当前搜索结果的适应度函数值，f_i-1为上一个搜索结果适应度函数值，λ为调节系数，设置为0.1。

步骤6中自适应UKF滤波器误差更新窗口宽度根据式(19)进行计算：

式中[]表示取整，为前k-1次更新的新息的平均值，η_k为第k次的新息，L为量测值的维数，步骤7中神经网络训练样本采样窗口宽度t设置为4s。

本发明还提供一种应用所述自适应UKF算法的导航方法的系统，

包括：

数据采集模块，用于采集步骤1所述惯性传感器的原始数据；

两个数据处理模块，分别用于接收数据采集模块的数据，并进行处理后发送给数据融合模块；

数据融合模块，包括主从两套相互独立的子系统，分别对应于两个所述数据处理模块，用于分别对两个数据处理模块的数据进行数据融合，并将融合后的融合定位结果发送给数据输出模块；

数据输出模块，用于接收主从两个子系统的融合定位数据，并对两套融合定位数据进行比对，把比对的结果发送给上位机。

所述数据处理模块对数据的处理包括去噪处理及其之后再解算为数据融合芯片需要的数据格式。

所述数据输出模块在比对时，比对结果大于阈值则认为系统发生故障，向上位机发送报警故障信息；比对结果小于阈值时将主子系统发送的定位信息解算为上位机软件可以识别的数据格式发送到上位机。

对比阈值设定为，位置误差(经纬度)为1×10^-8/°，速度误差为1×10^-4/m·s^-1，姿态角误差为1×10^-4/rad。

本发明提出的技术方案采用单块数据处理板卡即可完成卫星和惯性器件数据单独处理，且一套系统中包含两个数据处理子系统和两个数据融合子系统，实现二乘二取二安全架构。

本发明提出的技术方案在卫星信号正常的情况下通过自适应调节UKF滤波器系统噪声和量测噪声协方差阵从而减小了由于系统噪声统计特征不明确或不准确导致的滤波精度下降、发散等问题。

本发明提出的技术方案在卫星信号失锁情况下通过引入RBF神经网络预测结果来对捷联惯导系统的定位误差进行修正和抑制其发散，确保在一定失锁时间内下定位系统的误差维持在一定的范围内，并且在卫星信号恢复后能够迅速收敛。

本发明提出的技术方案针对RBF神经网络预测受初值设置影响较大的特点，引入全局蜂群算法对RBF神经网络隐含层核函数中心进行聚类优化，避免训练误差收敛陷入局部最优，提高了RBF神经网络预测结果与实际输出结果的匹配程度，简介的抑制了卫星失锁时捷联惯导系统的误差发散。

本发明数据采集板卡从惯性测量单元和卫星天线处接收到原始导航信息，经过数据处理板卡解算过后在数据融合板卡中完成数据融合，最后通过数据输出板卡发送到上位机。

本发明在卫星信号正常时利用卫星输出的速度和位置信息与惯导系统输出的速度位置信息作差后作为卡尔曼滤波器的量测值进行滤波更新，卡尔曼滤波器得到的更新结果再作为负反馈修正惯导系统的速度位置信息。再利用修正后的信息来对神经网络参数进行训练；当卫星失锁时利用失锁前训练好的神经网络根据惯性传感器的原始输出值来预测输出当前载体的速度与位置信息，再与惯导系统输出信息做差导入卡尔曼滤波器已完成对惯导系统输出信息的误差修正。

附图说明

下面根据附图和实施例对本发明作进一步详细说明。

图1使用改进神经网络增强自适应UKF算法的组合导航系统结构示意图。

图2使用改进神经网络增强自适应UKF算法的组合导航系统框架示意图。

图3改进神经网络增强自适应UKF算法的组合导航算法示意图。

图4改进神经网络增强自适应UKF算法的组合导航算法流程图。

具体实施方式

如图3-4所示，实施例提供一种自适应UKF算法的导航方法，

步骤1：采集惯性传感器原始数据，包括加速度计输出的三轴加速度值和陀螺仪输出的三轴角速率值；

步骤2：惯性导航系统定位信息更新，根据惯性测量器件输出的加速度值和角速率值以及系统状态初值计算载体在东北天坐标系下的东向、北向、天向速度以及俯仰角、横滚角、航向角，再计算得到经度、纬度和高度信息；

步骤3：搜索采集GPS定位信息，包括当前载体经纬度、高度、东北天三向速度，根据接收到的HDOP值和卫星数目判断卫星信号可信度，即接收的卫星颗数大于4颗且HDOP值小于1.2时认为卫星信号可信；

步骤4：当卫星数目大于4颗且HDOP值约为1时，进入GPS/INS组合导航模式，否则转入步骤8进入神经网络预测修正模式；

步骤5：GPS/INS组合导航模式采用改进自适应UKF算法用卫星的定位信息对惯性导航系统输出的定位信息进行补偿修正；

步骤5.1：确定状态向量并计算均方误差阵P：

状态向量：

其中φ：失准角；

Δv：卫星输出速度与惯性导航系统速度差值；

Δp：卫星定位经纬度与惯性导航系统计算经纬度差值；

ε：陀螺仪零偏；

加速度计零偏；

计算均方误差阵

步骤5.2：对状态向量进行UT变换

式中，α为一个在区间[10^-4,1]中的正值；

步骤5.3：计算UT变换后的一步预测矩阵和协方差矩阵

ξ_i,k/k-1＝Φ(ξ_i,k-1)i＝0,1,…,2n (4)

式中ω_i的选取规则为：

Q为系统噪声协方差阵；

步骤5.4：计算量测均值及量测值协方差矩阵：

式中R为量测噪声协方差阵，ω_i的选取规则同步骤5.3；

步骤5.5：量测更新

步骤5.6：计算本次更新的新息和残差：

式中ε_k为新息，而η_k表示残差；

步骤5.7：用滤波估计的结果对惯性导航输出的位置和速度信息进行修正：

步骤6：误差协方差阵自适应更新，当滤波更新的次数达到更新窗口宽度N时，对系统噪声协方差阵和量测噪声协方差阵采用新息和残差进行自适应更新：

步骤7：保存神经网络训练样本并对神经网络结构参数进行训练更新；基于预定的窗口宽度t保存神经网络训练样本，并采用全局人工蜂群算法对神经网络结构参数进行更新；

步骤7.1：将神经网络训练输入样本归一化处理：

式中y为归一化操作后的训练输入样本，x为原始的训练输入样本；

步骤7.2：由训练输入样本在解空间内随机生成N_s个可行解

式中j表示D维解向量的分量；

步骤7.3：根据领域搜索公式在当前解向量附近搜索新的解向量：

v_ij＝x_ij+α(x_ij-x_kj)，i≠k (15)

式中v_ij为搜索到的新解，x_ij为前一个解向量，x_kj为解空间内与x_ij不同的解向量，α为-1到1的随机数；

步骤7.4：根据新解和原解的适应度值f_v和f_x来替换蜜源：

步骤7.5：对新的蜜源进行全局搜索：

式中为当前的全局最优解，β和cr为调节系数,else是指除rand<cr以外的其他情况；

步骤7.6：判断迭代次数是否达到最大次数，若达到最大次数则输出得到的全局最优解，即为神经网络隐含层的径向基核函数函数中心，若未达到最大循环次数则返回步骤7.2继续进行搜索；

步骤7.7：根据步骤7.6得到的径向基核函数函数中心，步骤7.1得到的归一化训练输入样本和归一化后的目标输出样本进行RBF神经网络隐含层到输出层的权值参数和偏差参数进行训练更新；

步骤8：当搜索到的卫星颗数小于4颗或完全接收不到卫星信号时进入神经网络预测修正模式，利用步骤7中训练更新完成的改进RBF径向基神经网络预测输出结果与惯性导航系统输出的位置速度信息做差后作为自适应UKF滤波器的量测值进行预测更新，然后再对惯性导航系统输出的定位信息进行修正，将步骤5中的量测量更新为RBF神经网络预测输出与惯性导航系统输出的差值，并执行步骤5。

所述步骤1中惯性导航系统数据输出频率为100Hz，步骤3中卫星信号接收机数据更新频率为2Hz。

所述步骤5.2中参数α设置为1，所述步骤7.5中参数β设置为0.5，参数cr根据公式(18)完成计算：

cr＝0.6-λ||f_i-f_i-1|| (18)

式中f_i为当前搜索结果的适应度函数值，f_i-1为上一个搜索结果适应度函数值，λ为调节系数，设置为0.1。

步骤6中自适应UKF滤波器误差更新窗口宽度根据式(19)进行计算：

式中[]表示取整，为前k-1次更新的新息的平均值，η_k为第k次的新息，L为量测值的维数，步骤7中神经网络训练样本采样窗口宽度t设置为4s。

如图1-2所示，本发明还提供一种应用所述自适应UKF算法的导航方法的系统，包括：

数据采集模块，用于采集步骤1所述惯性传感器的原始数据；

两个数据处理模块，分别用于接收数据采集模块的数据，并进行处理后发送给数据融合模块；

数据融合模块，包括主从两套相互独立的子系统，分别对应于两个所述数据处理模块，用于分别对两个数据处理模块的数据进行数据融合，并将融合后的融合定位结果发送给数据输出模块；

数据输出模块，用于接收主从两个子系统的融合定位数据，并对两套融合定位数据进行比对，把比对的结果发送给上位机。

所述数据处理模块对数据的处理包括去噪处理及其之后再解算为数据融合芯片需要的数据格式。

所述数据输出模块在比对时，比对结果大于阈值则认为系统发生故障，向上位机发送报警故障信息；比对结果小于阈值时将主子系统发送的定位信息解算为上位机软件可以识别的数据格式发送到上位机。

对比阈值设定为，位置误差(经纬度)为1×10^-8/°，速度误差为1×10^-4/m·s^-1，姿态角误差为1×10^-4/rad。

本发明提出的技术方案采用单块数据处理板卡即可完成卫星和惯性器件数据单独处理，且一套系统中包含两个数据处理子系统和两个数据融合子系统，实现二乘二取二安全架构。

本发明提出的技术方案在卫星信号正常的情况下通过自适应调节UKF滤波器系统噪声和量测噪声协方差阵从而减小了由于系统噪声统计特征不明确或不准确导致的滤波精度下降、发散等问题。

本发明提出的技术方案在卫星信号失锁情况下通过引入RBF神经网络预测结果来对捷联惯导系统的定位误差进行修正和抑制其发散，确保在一定失锁时间内下定位系统的误差维持在一定的范围内，并且在卫星信号恢复后能够迅速收敛。

本发明提出的技术方案针对RBF神经网络预测受初值设置影响较大的特点，引入全局蜂群算法对RBF神经网络隐含层核函数中心进行聚类优化，避免训练误差收敛陷入局部最优，提高了RBF神经网络预测结果与实际输出结果的匹配程度，简介的抑制了卫星失锁时捷联惯导系统的误差发散。

本发明数据采集板卡从惯性测量单元和卫星天线处接收到原始导航信息，经过数据处理板卡解算过后在数据融合板卡中完成数据融合，最后通过数据输出板卡发送到上位机。

本发明在卫星信号正常时利用卫星输出的速度和位置信息与惯导系统输出的速度位置信息作差后作为卡尔曼滤波器的量测值进行滤波更新，卡尔曼滤波器得到的更新结果再作为负反馈修正惯导系统的速度位置信息。再利用修正后的信息来对神经网络参数进行训练；当卫星失锁时利用失锁前训练好的神经网络根据惯性传感器的原始输出值来预测输出当前载体的速度与位置信息，再与惯导系统输出信息做差导入卡尔曼滤波器已完成对惯导系统输出信息的误差修正。

最后应说明的是：以上所述仅为发明的优选实施例而已，并不用于限制发明，尽管参照前述实施例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在发明的保护范围之内。

Claims (8)

1.一种自适应UKF算法的导航方法，

步骤1：采集惯性传感器原始数据，包括加速度计输出的三轴加速度值和陀螺仪输出的三轴角速率值；

步骤2：惯性导航系统定位信息更新，根据惯性测量器件输出的加速度值和角速率值以及系统状态初值计算载体在东北天坐标系下的东向、北向、天向速度以及俯仰角、横滚角、航向角，再计算得到经度、纬度和高度信息；

步骤3：搜索采集GPS定位信息，包括当前载体经纬度、高度、东北天三向速度，根据接收到的HDOP值和卫星数目判断卫星信号可信度，即接收的卫星颗数大于4颗且HDOP值小于1.2时认为卫星信号可信；

步骤4：当卫星数目大于4颗且HDOP值约为1时，进入GPS/INS组合导航模式，否则转入步骤8进入神经网络预测修正模式；

步骤5：GPS/INS组合导航模式采用改进自适应UKF算法用卫星的定位信息对惯性导航系统输出的定位信息进行补偿修正；

步骤5.1：确定状态向量并计算均方误差阵P：

状态向量：

其中φ：失准角；

Δv：卫星输出速度与惯性导航系统速度差值；

Δp：卫星定位经纬度与惯性导航系统计算经纬度差值；

ε：陀螺仪零偏；

加速度计零偏；

计算均方误差阵

步骤5.2：对状态向量进行UT变换

式中，α为一个在区间[10^-4,1]中的正值；

步骤5.3：计算UT变换后的一步预测矩阵和协方差矩阵

ξ_i,k/k-1＝Φ(ξ_i,k-1)i＝0,1,…,2n (4)

式中ω_i的选取规则为：

Q为系统噪声协方差阵；

步骤5.4：计算量测均值及量测值协方差矩阵：

式中R为量测噪声协方差阵，ω_i的选取规则同步骤5.3；

步骤5.5：量测更新

步骤5.6：计算本次更新的新息和残差：

式中ε_k为新息，而η_k表示残差；

步骤5.7：用滤波估计的结果对惯性导航输出的位置和速度信息进行修正：

步骤6：误差协方差阵自适应更新，当滤波更新的次数达到更新窗口宽度N时，对系统噪声协方差阵和量测噪声协方差阵采用新息和残差进行自适应更新：

步骤7：保存神经网络训练样本并对神经网络结构参数进行训练更新；基于预定的窗口宽度t保存神经网络训练样本，并采用全局人工蜂群算法对神经网络结构参数进行更新；

步骤7.1：将神经网络训练输入样本归一化处理：

式中y为归一化操作后的训练输入样本，x为原始的训练输入样本；

步骤7.2：由训练输入样本在解空间内随机生成N_s个可行解

式中j表示D维解向量的分量；

步骤7.3：根据领域搜索公式在当前解向量附近搜索新的解向量：

v_ij＝x_ij+α(x_ij-x_kj)，i≠k (15)

式中v_ij为搜索到的新解，x_ij为前一个解向量，x_kj为解空间内与x_ij不同的解向量，α为-1到1的随机数；

步骤7.4：根据新解和原解的适应度值f_v和f_x来替换蜜源：

步骤7.5：对新的蜜源进行全局搜索：

式中为当前的全局最优解，β和cr为调节系数,else指除rand<cr以外的其他情况；

步骤7.6：判断迭代次数是否达到最大次数，若达到最大次数则输出得到的全局最优解，即为神经网络隐含层的径向基核函数函数中心，若未达到最大循环次数则返回步骤7.2继续进行搜索；

步骤7.7：根据步骤7.6得到的径向基核函数函数中心，步骤7.1得到的归一化训练输入样本和归一化后的目标输出样本进行RBF神经网络隐含层到输出层的权值参数和偏差参数进行训练更新；

步骤8：当搜索到的卫星颗数小于4颗或完全接收不到卫星信号时进入神经网络预测修正模式，利用步骤7中训练更新完成的改进RBF径向基神经网络预测输出结果与惯性导航系统输出的位置速度信息做差后作为自适应UKF滤波器的量测值进行预测更新，然后再对惯性导航系统输出的定位信息进行修正，将步骤5中的量测量更新为RBF神经网络预测输出与惯性导航系统输出的差值，并执行步骤5。

2.如权利要求1所述的方法，其特征在于，

所述步骤1中惯性导航系统数据输出频率为100Hz，步骤3中卫星信号接收机数据更新频率为2Hz。

3.如权利要求1所述的方法，其特征在于，

所述步骤5.2中参数α设置为1，所述步骤7.5中参数β设置为0.5，参数cr根据公式(18)完成计算：

cr＝0.6-λ||f_i-f_i-1|| (18)

式中f_i为当前搜索结果的适应度函数值，f_i-1为上一个搜索结果适应度函数值，λ为调节系数，设置为0.1。

4.如权利要求1所述的方法，其特征在于，

步骤6中自适应UKF滤波器误差更新窗口宽度根据式(19)进行计算：

式中[]表示取整，为前k-1次更新的新息的平均值，η_k为第k次的新息，L为量测值的维数，步骤7中神经网络训练样本采样窗口宽度t设置为4s。

5.一种应用权利要求1-4之一所述自适应UKF算法的导航方法的系统，其特征在于，

包括：

数据采集模块，用于采集步骤1所述惯性传感器的原始数据；

两个数据处理模块，分别用于接收数据采集模块的数据，并进行处理后发送给数据融合模块；

数据融合模块，包括主从两套相互独立的子系统，分别对应于两个所述数据处理模块，用于分别对两个数据处理模块的数据进行数据融合，并将融合后的融合定位结果发送给数据输出模块；

数据输出模块，用于接收主从两个子系统的融合定位数据，并对两套融合定位数据进行比对，把比对的结果发送给上位机。

6.如权利要求5所述的系统，其特征在于，

所述数据处理模块对数据的处理包括去噪处理及其之后再解算为数据融合芯片需要的数据格式。

7.如权利要求5所述的系统，其特征在于，

所述数据输出模块在比对时，比对结果大于阈值则认为系统发生故障，向上位机发送报警故障信息；比对结果小于阈值时将主子系统发送的定位信息解算为上位机软件可以识别的数据格式发送到上位机。

8.如权利要求7所述的系统，其特征在于，

对比阈值设定为，位置误差(经纬度)为1×10^-8/°，速度误差为1×10^-4/m·s^-1，姿态角误差为1×10^-4/rad。