CN111221018B - 一种用于抑制海上多路径的gnss多源信息融合导航方法 - Google Patents

Abstract

本发明公开了一种用于抑制海上多路径的GNSS多源信息融合导航方法，属于计算、推算或计数的技术领域。利用海面上长期观测得到GNSS信号并结合海面风信息建立多路径误差模型，根据航空器到海面的实时高度以及实时天气对采集的GNSS信号进行多路径误差修正，以IMU基本误差以及器件误差为变量节点，为接收到GNSS数据的变量节点构建GNSS因子节点，以IMU量测数据与GNSS数据的差值为GNSS因子节点的代价函数，对接收到其它传感器量测数据的变量节点构建以变量节点量测数据与其它传感器量测数据的差值为代价函数的因子节点，通过求解因子图确定最终的航空器定位结果，实现了海面复杂多路径环境下的位置解算。

Description

一种用于抑制海上多路径的GNSS多源信息融合导航方法

技术领域

本发明公开了一种用于抑制海上多路径的GNSS多源信息融合导航方法，属于计算、推算或计数的技术领域。

背景技术

近些年，随着卫星定位技术在海上航空器应用的发展，提高定位技术精度的需求在不断地增长，目前的航空器定位精度能够满足大部分米级别的应用，而海上应急救援、海上精准施工等一些特别的安全相关应用需要分米甚至厘米级别的定位精度才能够满足精度需求，精准地知道海上航空器的3D位置信息对于这些应用至关重要，而海面上强烈的多路径效应严重影响航空器的定位精度。在GNSS各种误差中，卫星钟差、接收机钟差、大气延迟等误差可通过双差观测或精确的模型予以消除或削弱，而多路径误差由于测站间相关性很弱且受到周围环境影响很大，因此没有有效的消除或削弱方法，从而成为GNSS中影响高精度定位的主要误差源之一。

为了减轻多路径的影响，提高海上航空器的定位导航性能，目前主要的相关研究有：天津航海仪器研究所黄昆等在最佳选星算法的基础上提出了一种适用于基于伪距、伪距率的IMU/GPS紧耦合组合系统的选星算法以减少多路径的影响，从而实现高精度定位。刘永义对海面动态环境多路径效应进行建模，利用小波变换提取多路径效应，根据多路径效应的周期性，提出了利用相邻周期细节信号的相关性确定小波层数的方法。杨伟新提出基于视觉辅助的GPS多路径检测与抑制技术从而提高航空器定位精度，该算法根据立体视觉基本原理，根据匹配点对和双目视觉系统内、外参数获取空间点在摄像机坐标系下三维位置，在此基础上对建筑物进行三维重建，然后根据用户接收机、建筑物与卫星之间的相对位置关系，检测出非视距接收的GPS多路径信号。杨楠对GPS基带信号跟踪算法进行了研究，提出基于大数据的多路径抑制技术，该算法可以利用大数据分析估算出多路径信号中各分量参数，能够减少跟踪环路跟踪误差。张智金提出了一种基于周边环境约束的用于多径抑制的卫星定位方法。

总体来说，基于多路径误差修正多源信息融合的组合导航方法是一个潜在可行的方法，但是目前具体针对海面上特殊场景提出相应的解决措施相对较少，而且大部分的研究仍处于初级阶段，价格昂贵的传感器进一步影响了应用。另一方面，在对多路径误差进行建模处理的过程中，误差模型过于简单，因此仍需要进一步研究。

本发明旨在通过毫米波雷达实时检测航空器至海面的高度，构建消除多路径误差的模型以及多信息融合的因子图，通过求解因子图获得惯导量测误差最小时的航空器位置定位结果，提高GNSS定位解算精度，为多源信息融合提供可靠的GNSS观测值。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种用于抑制海上多路径的GNSS多源信息融合导航方法，在海面上强烈多路径效应下实现了GNSS多源信息的融合，解决了目前鲜有针对海上应用场景的基于多路径误差修正的多源信息融合组合导航方法以及现有多路径误差模型过于简单的技术问题。

本发明为实现上述发明目的采用如下技术方案：

一种用于抑制海上多路径的GNSS多源信息融合导航方法，对海面已知点进行长时间观测获取GNSS信号，采集IMU的量测数据以及航空器上毫米波雷达的回波信号，以惯导基本误差和惯性器件误差为状态向量构建导航状态节点，根据惯导量测数据构建初始化下一导航状态节点的IMU因子节点，为接收到GNSS观测信息的导航状态节点构建与其连接的GNSS因子节点，为接收到毫米波回波信号的导航状态节点构建与其连接的毫米波雷达因子节点，以整个因子图的代价函数最小为目标确定航空器的位置和速度。

进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，根据IMU因子节点构建的代价函数为表征下一时刻状态向量与根据IMU量测数据观测的下一时刻状态向量的差值。

进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，根据GNSS因子节点构建的代价函数为由IMU量测值推算的位置、速度信息与GNSS接收机输出的位置、速度信息的差值。

进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，根据雷达毫米波因子节点构建的代价函数为由IMU量测值推算的高度信息与毫米波雷达量测的高度信息的差值。

进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，接收到GNSS观测信息后对GNSS观测信息做如下处理后构建GNSS因子节点：，采集海面风等级、风向数据，根据航空上毫米波雷达的回波信号推算出天线距离海平面高度的信息，解算卫星星历确定卫星高度角、卫星方位角，对观测到的GNSS信号进行后处理得到多路径误差，以卫星高度角、卫星方位角、海面风等级、风向、天线距离海平面的高度为输入并以为多路径误差为输出建立GNSS多路径误差修正模型，根据当前时刻的卫星高度角、卫星方位角、海面风等级、风向、天线距离海平面的实时高度预测当前时刻的GNSS多路径误差，结合当前时刻的GNSS多路径误差预测值修正GNSS伪距信息得到GNSS定位结果。

进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，采用群体智能算法求解整个因子图代价函数最小时航空器的位置和速度，群体智能算法中涉及的个体适应度值根据整个因子图的代价函数计算。

再进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，根据IMU因子节点构建的代价函数为：

f^IMU为根据IMU因子节点构建的代价函数，L(·)为代价函数，x_k、x_k+1分别为k时刻、k+1时刻的状态向量，

为航空器体系下比力和角速率的k时刻IMU量测值。

再进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，根据GNSS因子节点构建的代价函数为：

V_Iy和V_Iz为IMU推算出的载体在当地坐标系下的3轴速度分量，V_Gx、V_Gy和V_Gz为GNSS接收机输出的载体速度信息在当地坐标系下的3轴分量，δV_x、δV_y和δV_z为速度误差在当地坐标系下的3轴分量，P_Ix、P_Iy和P_Iz为IMU推算出的载体位置在当地坐标系下的3轴位置分量，P_Gx、P_Gy和P_Gz为GNSS接收机输出的位置信息当地坐标系下的3轴分量，δP_x、δP_y和δP_z为位置误差在当地坐标下的3轴分量，X为IMU量测的速度误差和位置误差，H＝[0_6×3 I_6×6 0_6×6]，v为GNSS接收机量测的位置误差和速度误差。

再进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，根据雷达毫米波因子节点构建的代价函数为：

P_Iz为IMU推算出的载体位置在当地坐标系下的高度分量，P_Hz为毫米波雷达量测的载体位置在当地坐标系下的高度分量，X为IMU量测的载体位置在当地坐标系下高度分量的误差，v₁为毫米波雷达量测的位置误差和速度误差。

再进一步地，一种用于抑制海上多路径的GNSS多源信息融合导航方法中，采用随机森林法训练输入数据和输出数据组成的数据集进而建立GNSS多路径误差修正模型。

本发明采用上述技术方案，具有以下有益效果：

(1)本申请利用安装在机身的毫米波雷达不断向海面发射波束实时测量航空器相对于海面的精准高度数据，利用IMU量测数据推算航空器的位姿信息，以IMU基本误差以及器件误差为变量节点，为接收到GNSS数据的变量节点构建GNSS因子节点，以IMU量测数据与GNSS数据的差值为GNSS因子节点的代价函数，对接收到其它传感器(GNSS/毫米波雷达)量测数据的变量节点构建以变量节点量测数据与其它传感器量测数据的差值为代价函数的因子节点，通过求解因子图确定最终的航空器定位结果，实现了海面复杂多路径环境下的位置解算，为海面高精度作业提供准确的位置信息。

(2)本申请结合GNSS信号在海面上的传播特性考虑卫星星历以及海面风因素建立了多路径误差模型，结合实时星历、天气及航空器相对于海面的高度修正GNSSS数据，为因子图提供精确度高的GNSS数据，最终提高定位精度。

(3)利用成本低且穿透性强的毫米波雷达实时感知航空器距离海平面的高度信息，通过随机森林法训练数据动态估计多路径误差模型参数能够灵活修正GNSS伪距，得到更加符合海面作业实际场景的GNSS定位结果。

(4)本申请通过结合GNSS系统和IMU传感器以及毫米波雷达信息，提出实现低成本、高精度的定位信息和动态参数估计的算法，具有不受天气、环境影响，能够全天候、实时地、可靠地解算航空器位置，GNSS和IMU系统的联合使用增强无线定位系统的鲁棒性、可靠性和精度，无线定位系统和惯性导航系统的结合形成的松耦合组合系统兼顾了两种系统的优势，连续性和精度得到了很大的提高。

(5)采用诸如烟花算法的群体智能算法求解因子图，可以准确地解算出航空的最终位置，进而有效地实现组合定位系统在复杂海平面多路径环境中的运行，为航空器提供全天候高精度的定位导航数据。

附图说明

图1为本申请构建多路径误差模型的流程图。

图2为本申请GNSS多源信息融合导航的流程图。

图3为GNSS信号与海面多路径几何关系的示意图。

图4为本申请融合多传感器数据建立的因子图。

图5为采用GNSS、GNSS/IMU、GNSS/IMU/雷达(不修正多径误差)、本申请导航方法总均方误差的对比图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

针对海面多路径场景，采集GNSS、IMU和毫米波雷达数据信息，基于随机森林算法对海面多路径环境进行实时分析处理得到多路径误差模型，采用多路径误差模型修正GNSS数据，采用基于烟花算法的因子图优化算法与IMU、毫米波雷达融合对航空器的位置和动态信息进行估计，输出较为精准可靠的定位导航数据。

本申请公开的GNSS\IMU\毫米波雷达组合导航抑制海上无人机定位多路径效应方案，如图2所示，包括三大阶段。

第一阶段是基于随机森林算法的GNSS多路径误差修正模型的构建；第二阶段是毫米波雷达测距，通过固定在航空器底部的毫米波雷达实时测量航空器距海面的高度，然后进一步根据航空器距海面高度及航空器姿态推算出天线距离海平面的高度，将天线距海平面高度、高度角及海面天气情况带入之前得到的GNSS多路径误差修正模型，从而得出高精度GNSS定位结果；第三阶段是基于GNSS高精度定位估计结果、毫米波雷达测量的高度信息及惯导输出的定位及姿态信息，利用烟花算法优化的因子图进行融合解算。

(一)GNSS多路径误差修正模型的构建

定义海面影响多路径的因素，根据图3所示的多路径几何关系可知影响多路径延迟路程的因素有卫星高度角θ、天线距海平面高度h等。由于实际海面并不是绝对的镜面，海面上的风导致海面始终处于一个动态的不规则状态，可以将海面视为无数个与水平面夹角不同的海浪组成的曲面。因此，海上航空器的多路径误差由无数个与水平面夹角不同的局部海平面所反射的GNSS信号叠加而成，我们将反映海面水波情况的海面风等级W、风向H及卫星方位角α也作为影响多路径延迟路程的因素。

如图1所示，对海面已知点进行长时间静态观测获取不同天线距海平面高度的GNSS信号，统计卫星高度角θ、卫星方位角α、海面风等级W、风向H、天线距离海平面高度h，对观测到的GNSS信号进行后处理得到多路径误差Error，设定随机森林模型的输入量为：Input＝[θ α h W H]，输出量为：Output＝[Error]，将输入输出数据放入随机森林进行训练学习，输出模型G(θ,α,h,W,H)。当卫星高度角θ、卫星方位角α、海面风等级W、风向H、天线距离海平面高度h已知的情况下，就可以计算出GNSS多路径误差。

(二)结合毫米波雷达测距信息获得高精度GNSS定位结果

通过安装在航空器底部可以调整角度的毫米波雷达实时向海面发射毫米波信号，测量航空器到海面的垂直距离，并结合航空器姿态及天线安装位置推算出天线距离海面的实时距离。进一步地，可以结合当地海平面平均高度计算出航空器在当地坐标系的高度。

当航空器进行作业时，通过解算卫星星历得出卫星方位角和高度角，毫米波雷达实时测出天线距离海平面的高度，天气预报得知海面风等级W和风向H。利用之前根据海面观测数据得到的GNSS多路径误差模型来实时预测多路径误差。

利用预测出的多路径误差修正GNSS伪距信息，解算出GNSS定位结果。因此，在每个时刻都会有修正多路径的GNSS定位解算结果估计。

(三)构建GNSS/IMU/毫米波雷达信息融合的因子图模型

基于GNSS高精度定位估计结果、毫米波雷达测量的高度信息及IMU输出的定位及姿态信息，建立基于烟花算法优化的因子图的数据融合模型。因子图是表示导航估计问题的二分图模G＝(F,X,E)，由变量节点(x_i∈X)、因子节点(f_j∈F)和连线(e_ij∈E)组成，只有在状态变量节点x_i和相应的因子节点f_j相关时，它们之间才会有一条连接边。因子图G将函数f(X)的因式分解成f(X)＝∏_if_i(X_i)，式中，X_i是{x₁,x₂,…,x_n}的子集，f_i(X_i)是一局部函数，参数为

每个因子f_i(X_i)表示一个应当最小化的误差函数。就非线性最小二乘优化而言，每个因子f对应一个误差函数，可以通过改变变量X的值使误差函数最小化。最优估计

是使整个因子图f(X)的误差最小化的值，即：

在导航系统中，通常量测函数h(·)可以根据状态变量估计预测出传感器的量测值，而因子节点可得到预测的测量值和实际测量值之间的差值，通过构建相应函数获得状态变量估计。因子节点获取预测的量测信息和实际量测信息的差值，构建相应的指标函数从而获取代价函数，即：

f_i(X_i)＝L(h_i(X_i)-z_i)，

式中:h_i(X_i)是与状态变量有关的量测函数；z_i是由传感器得到的实际测量值；L(·)为代价函数，对于高斯噪声分布，L(·)是平方马氏距离，定义为：L(e)＝e^T∑^-1e，Σ通常取量测噪声方差阵R。

当系统接收到毫米波雷达的测量值时，相应的节点因子将会被添加到框架图中。由于不同传感器更新频率不同，通常GNSS和毫米波雷达比IMU更新频率更慢。多传感器的数据融合如图4所示。图4所示框架能够处理异质异构非周期的传感器提供的测量信息。当有新传感器传来量测信息时，该方法可以向图中添加新的因子；同理，当传感器由于各种原因而变得不可用时，系统则将相关因子从框架图中删除。表示载体的速度、位置和姿态的导航状态的时间演变可以用连续非线性微分方程的概念描述为：

式中，f^b,ω^b分别为惯组器件得到的载体系下的比力和角速率，IMU测量值

连接两个相邻导航状态x_k，x_k+1，将上式离散化得：

其中，n_IMU是过程噪声，导航状态由因子图中的变量节点表示，而IMU因子是连接这些变量的因子节点。当向因子图中添加新节点时，需要合理的初始值x_k+1，这可以从量测函数

预测得到，此时，因子节点可表示为：

在t_l时刻接收到GNSS测量值，此时，因子节点为f^GNSS，GNSS量测方程为：

式中，

是GNSS接收到的观测信息；h^GNSS(-)是观测矩阵；n_GNSS是量测噪声。新加入的因子节点f^GNSS可表示为：

在t_i时刻接收到毫米波雷达测量值，此时，因子节点为f^雷达，毫米波雷达量测方程为：

式中，

是毫米波雷达接收到的观测信息；h^雷达(·)是观测矩阵；n_雷达是量测噪声。新加入的因子节点f^雷达可表示为：

本申请针对的松组合导航系统，以当地坐标系为导航坐标系，选取惯导系统基本误差和惯性器件误差参数构成系统状态向量(维数N＝15)：

式中：

为姿态失准角，δV＝[δV_x δV_y δV_z]为当地坐标下的3轴速度误差，δP＝[δP_x δP_y δP_z]为当地坐标下的3轴位置误差，b_a＝[b_ax b_ay b_az]是加速度计的常值偏移，b_g＝[b_gx b_gy b_gz]为陀螺的常值漂移。惯导系统通过输出载体加速度与角速度从而解算出载体的速度、位置与姿态。然后通过惯导解算输出的速度、位置与GNSS接收机输出的速度、位置信息相减的差值构成位置速度组合的观测量：

式中，V_Ix、V_Iy和V_Iz是惯导推算出的载体在当地坐标系下的3轴速度分量，V_Gx、V_Gy和V_Gz是GNSS接收机输出的载体速度信息在当地坐标系下的3轴分量，δV_x、δV_y和δV_z为速度误差在当地坐标系下的3轴分量，P_Ix、P_Iy和P_Iz是惯导推算出的载体位置在当地坐标系下的3轴位置分量，P_Gx、P_Gy和P_Gz是GNSS接收机输出的位置信息当地坐标系下的3轴分量，V_Gx、V_Gy和V_Gz以及P_Gx、P_Gy和P_Gz可以对GNSS输出数据采用第一部分建立的多路径误差修正模型修正得到，δP_x、δP_y和δP_z为位置误差在当地坐标下的3轴分量，X表示惯导测量的速度误差和位置误差，H＝[0_6×3 I_6×6 0_6×6]，v是GNSS接收机测量速度误差与位置的误差。此因子节点f^GNSS可以表示如下，即：

式中，R为系统量测噪声阵。

首先，毫米波雷达系统测量载体距离海平面的高度。然后，通过惯导解算输出的高度与毫米波雷达输出的高度信息相减的差值构成高度的观测量。

Z＝[P_Iz-P_Hz]＝[δP_z]+v₁＝H₁X+v₁，

式中，P_Iz是惯导推算出的载体位置在当地坐标系下的高度分量，P_Hz是毫米波雷达测量的载体位置在当地坐标系下的高度分量，X表示惯导测量的载体位置在当地坐标系下高度分量的误差。

H₁＝[0_1×8 1 0_1×7]，v₁是毫米波雷达高度测量误差。此因子节点f^雷达可表示为：

式中，R为系统量测噪声阵。

最优估计

是使整个因子图f(X)的误差最小化的值，即：

因为GNSS/IMU/毫米波雷达是一个异步非等间隔系统，当载体倾斜过大时，可能无法收到毫米波雷达的回波。IMU的频率通常比GNSS也要高得多，因此当GNSS或者毫米波雷达的信息输入时，就添加相应的因子，当GNSS或毫米波雷达无输入时，就删除相应的因子。比之传统的卡尔曼滤波等算法，因子图可以处理更多的传感器的数据，尤其是对异步系统有着显著的提高。

本申请拟采用群体智能算法进行因子图求解，根据整个因子图代价函数计算群体智能优化算法中的个体适应度值，下面以烟花算法为例阐述群体智能算法求解因子图的过程。

烟花算法是近年在模拟烟花爆炸的过程中发展起来的一种群体智能算法。在烟花算法中，烟花被看作为最优化问题的解空间中的一个可行解，那么烟花爆炸产生一定数量火花的过程即为其搜索邻域的过程。在本算法中，最优化问题为寻找一个X∈Ω，使得f(x)＝(Π_if_i(X_i))取得最小值，Ω为解的可行域。

在烟花算法中，爆炸算子(即爆炸产生火花操作)、变异算子(高斯变异产生火花操作)和选择策略(即选择下一代烟花操作)是最重要的3个组成部分，直接决定烟花算法的性能优劣。

在可行域Ω内初始化一定数量烟花，对烟花位置的适应度值进行评估，为了差异化不同位置的烟花，一般适应度值较好(即适应度值较小)的烟花能够获取更多的资源，在较小的范围内产生更多的火花，具有对于该烟花位置的强大的局部搜索能力。反之，适应度值较大的烟花只能获取相对较少的资源，在较大的范围内产生数量较少的火花，具有一定的全局搜索能力。

为了达到烟花差异化的目的，即开采性和勘探性兼顾的目标，在烟花算法中，每个烟花的爆炸半径和爆炸产生的火花数目是根据其相对于烟花种群中其它烟花适应度值计算得到的。对于烟花X_i，其爆炸半径A_i和爆炸火花数目S_i的计算公式分别为：

式中：y_min＝min(f(X_i))，(i＝1，2，...，N)为当前烟花种群中适应度最小值，y_max＝max(f(X_i)是当前烟花种群中适应度最大值。

和M是常数，用来调节大小，ε是一个机器最小量，用来避免除零操作。

为了增加爆炸火花种群的多样性，烟花算法引入了变异算子用于产生变异火花，即高斯变异火花。高斯变异火花产生的过程如下：首先在烟花种群中随机选择一个烟花；然后对该烟花随机选择一个烟花X_i，然后对该烟花随机选择一定数量维度的状态量进行高斯变异操作，对于烟花X_i的选择维度k的状态量执行高斯变异操作即为：

式中，e～N(1，1)，N(1，1)表示均值为1，方差为1的高斯分布。

为使烟花种群中优秀的信息能够传递到下一代种群中，在产生爆炸火花和高斯变异火花后，算法会在候选者集合(包括烟花、爆炸火花和高斯变异火花)中选择一定数量的个体作为下一代的烟花。假设候选者集合为K，烟花种群大小为N。候选者集合中适应度值最小的个体会被确定性地选择到下一代作为烟花，而对剩下的N-1个烟花的选择使用轮盘赌的方法在候选者集合中进行选择。对于候选者X_i，其被选择概率的计算公式为：

式中：R(X_i)为当前个体到候选者集合K除X_i所有的个体之间的距离之和。在候选者集合中，如果个体密度较高，即该个体周围有很多其它候选者个体时，该个体被选择的概率会降低。

基于前面的叙述，烟花算法的具体执行如下：

1)参数初始化

随机在解空间初始化N个位置X_i，即N个烟花。

2)循环如下的(1)～(4)，直到满足终止条件。

(1)从1到N，计算每个烟花的适应度值F(X_i)，计算每个烟花的爆炸半径A_i和产生的爆炸火花数目S_i；

(2)对每一个爆炸火花进行如下操作，设X_i＝[X_i1 X_i2 X_i3]，

DS＝round(3×U(0，1))，

Round()为四舍五入，U(0，1)表示一个服从0到1均匀分布的随机数，U(-1，1)表示一个服从从-1到1均匀分布的随机数，将得到的数保存作为爆炸火花；

(3)产生m个高斯变异火花，随机选择一个火花X_i，设X_i＝[X_i1 X_i2 X_i3]，

DS＝round(3×U(0，1))，

e～N(1，1)，N(1，1)表示均值为1，方差为1的高斯分布。重复操作m次；

(4)从烟花、爆炸火花、高斯变异火花种群中选择N个个体作为下一代迭代计算的烟花；

3)返回优化结果。

针对以上算法进行了仿真实验。仿真首先根据海面不同高度不同方位的卫星生成大量包含多路径效应的误差，随后利用随机森林进行学习得到误差模型。然后设置了一段在海面上飞行的直升机数据。根据卫星高度角及信号反射特性，对不同卫星生成不相关多路径误差，结果如图5和表1所示。

表1仿真结果统计

本发明公开的GNSS多源信息融合的导航方法相较于其它三种导航方法具有定位精度高的技术优势，通过利用GNSS、低成本IMU及毫米波雷达就能在海面复杂多路径环境下实现多路径抑制及高精度定位解算，成本低并且实用性强，为实现将来海面上各种高精度作业的奠定基础。

Claims (3)

1.一种用于抑制海上多路径的GNSS多源信息融合导航方法，其特征在于，对海面已知点进行长时间观测获取GNSS信号，采集IMU的量测数据以及航空器上毫米波雷达的回波信号，以惯导基本误差和惯性器件误差为状态向量构建导航状态节点，根据惯导量测数据构建下一导航状态节点的IMU因子节点，为接收到GNSS观测信息的导航状态节点构建与其连接的GNSS因子节点，为接收到毫米波回波信号的导航状态节点构建与其连接的毫米波雷达因子节点，以整个因子图的代价函数最小为目标确定航空器的位置和速度；

接收到GNSS观测信息后对GNSS观测信息做如下处理后构建GNSS因子节点：采集海面风等级、风向数据，根据航空器上毫米波雷达的回波信号推算出天线距离海平面高度的信息，解算卫星星历确定卫星高度角、卫星方位角，对观测到的GNSS信号进行后处理得到多路径误差，以卫星高度角、卫星方位角、海面风等级、风向、天线距离海平面的高度为输入并以多路径误差为输出建立GNSS多路径误差修正模型，根据当前时刻的卫星高度角、卫星方位角、海面风等级、风向、天线距离海平面的实时高度预测当前时刻的GNSS多路径误差，结合当前时刻的GNSS多路径误差预测值修正GNSS伪距信息得到GNSS定位结果；根据IMU因子节点构建的代价函数为表征下一时刻状态向量与根据IMU量测数据观测的下一时刻状态向量的差值，根据IMU因子节点构建的代价函数为：

f^IMU为根据IMU因子节点构建的代价函数，L(·)为代价函数，x_k、x_k+1分别为k时刻、k+1时刻的状态向量，

为航空器机体坐标系下比力和角速率的k时刻IMU量测值；

根据GNSS因子节点构建的代价函数为由IMU量测值推算的位置、速度信息与GNSS接收机输出的位置、速度信息的差值，根据GNSS因子节点构建的代价函数为：

V_Ix、V_Iy和V_Iz为IMU推算出的载体在当地坐标系下的3轴速度分量，V_Gx、V_Gy和V_Gz为GNSS接收机输出的载体速度信息在当地坐标系下的3轴分量，δV_x、δV_y和δV_z为速度误差在当地坐标系下的3轴分量，P_Ix、P_Iy和P_Iz为IMU推算出的载体位置在当地坐标系下的3轴位置分量，P_Gx、P_Gy和P_Gz为GNSS接收机输出的位置信息当地坐标系下的3轴分量，δP_x、δP_y和δP_z为位置误差在当地坐标下的3轴分量，X为IMU量测的速度误差和位置误差，H＝[0_6×3 I_6×6 0_6×6]，v为GNSS接收机量测的位置误差和速度误差，

为X的估计值，X为惯导测量的速度误差和位置误差，

为姿态失准角，δV＝[δV_x δV_y δV_z]为当地坐标下的3轴速度误差，δP＝[δP_x δP_y δP_z]为当地坐标下的3轴位置误差，b_a＝[b_ax b_ay b_az]是加速度计的常值偏移，b_g＝[b_gx b_gy b_gz]为陀螺的常值漂移，R为系统量测噪声阵；

根据雷达毫米波因子节点构建的代价函数为由IMU量测值推算的高度信息与毫米波雷达量测的高度信息的差值，根据雷达毫米波因子节点构建的代价函数为：

Z＝[P_Iz-P_Hz]＝[δP_z]+v₁＝H₁X+v₁，P_Iz为IMU推算出的载体位置在当地坐标系下的高度分量，P_Hz为毫米波雷达量测的载体位置在当地坐标系下的高度分量，X为IMU量测的载体位置在当地坐标系下高度分量的误差，

为X的估计值，v₁为毫米波雷达量测的位置误差和速度误差，R为系统量测噪声阵，H₁＝[0_1×81 0_1×7]。

2.根据权利要求1所述一种用于抑制海上多路径的GNSS多源信息融合导航方法，其特征在于，采用群体智能算法求解整个因子图代价函数最小时航空器的位置和速度，群体智能算法中涉及的个体适应度值根据整个因子图的代价函数计算。

3.根据权利要求1所述一种用于抑制海上多路径的GNSS多源信息融合导航方法，其特征在于，采用随机森林法训练输入数据和输出数据组成的数据集进而建立GNSS多路径误差修正模型。

Images