CN112113567A - 机载综合着陆导航方法 - Google Patents

Abstract

本发明揭示了一种机载综合着陆导航方法，该方法包括如下步骤：步骤一：导航子系统自检测及直接合理性检测，导航子系统机内自检测用于实时监视每个导航子系统的健康信息，直接合理性检测将导航子系统的输出值与预先规定的合理性范围进行比较；步骤二：空间配准和时间配准，空间配准是通过坐标变换将不同形式的导航信息转换到本地坐标系，时间配准是减少不同导航子系统之间的时间异步问题；步骤三：导航子系统输出相关性检测，采用基于表决技术的故障检测方法确定是否存在出现故障的导航子系统；步骤四：多源信息融合，采用基于动静态的自适应滤波方法实现对机载多源导航系统的信息融合。

Description

机载综合着陆导航方法

【技术领域】

本发明属于机载导航技术领域，特别是指机载综合着陆导航方法。

【背景技术】

机载着陆系统是保障飞机安全重要设备，可保障飞机在各类恶劣气象条件下安全起飞和着陆。目前飞机着陆系统主要有仪表着陆系统(ILS)、微波着陆系统(MLS)、星基着陆系统(GLS)等着陆系统。在飞机着陆过程中，根据机场地面台的设置不同,飞行员自主选择工或不同的着陆引导模式，没有充分有效地综合机载导航传感器提供的多源导航信息。单一着陆引导系统均无法满足各类气象条件，ILS的波束覆盖区很小，只能发射单一固定的下滑轨道，不能引导飞机分段进场。雷达着陆系统缺点是飞行员必须依靠地面领航员的指挥，人为误差较大，同时雷达在仰角很低的方向上会有很强的地面回波干扰，容易给飞机着陆造成影响。MLS系统有覆盖空间大、精度高,进近方式灵活的特点，但整个系统造价昂贵，需要高配置的地面和机载设备。 GLS系统是下一代发展着陆系统，该系统导航定位精度高，可支撑IIIa气象着陆，但该系统易受干扰、被欺骗，安全性尚无法民航着陆规定要求。

未来导航方式将由单一的导航方式向多导航传感器信息融合发展，通过导航信息融合提升导航精度、可靠性、安全性，形成统一的、最优的着陆信息，实现着陆导航系统智能化，减轻飞行员操作压力。目前常用的信息融合方法有：卡尔曼滤波(Kalman Filter，KF)、扩展卡尔曼滤波方法(Extended Kalman Filter，EKF)、无迹卡尔曼滤波方法(UnscentedKalman Filter，UKF)、容积卡尔曼滤波方法(Cubature Kalman Filter，CKF)等。其中，KF方法仅适用于线性模型；EKF方法适用于弱非线性滤波模型，当系统具有较强的非线性特性时，EKF融合精度会降低，甚至发散；UKF、CKF方法适用于强非线性模型。在实际飞行过程中，不同的导航传感器提供的导航信息的时空属性(如：采样速率、空间误差等)往往不一致。若对异步信息和含有空间误差的导航信息进行直接融合，会直接影响到最终的导航精度。为了综合处理不同时空属性的导航信息，需要进行时空配准技术，将不同的导航信息转换为相同的参照、相同的描述。为避免因导航传感器故障而引入导航误差，系统应对各个导航传感器进行实时的完好性检测。当导航传感器可用时，即彩信该导航传感器的导航信息进行融合，当导航传感器不可用时，因进行故障隔离。

因此，需要针对航空机载平台着陆系统进行统一设计考虑，结合各类导航传感器特点及着陆环境，采用信息融合算法实现导航信息有效组织和应用。

【发明内容】

本发明的目的在于提供一种机载综合着陆导航方法，用以解决现有技术中无法结合各类导航传感器特点及着陆环境为各种复杂气象环境下飞机着陆过程，提供实时、可靠地导航信息的问题。

为实现上述目的，实施本发明的机载综合着陆导航方法包括如下步骤：

步骤一：导航子系统自检测及直接合理性检测，其中导航子系统机内自检测用于实时监视每个导航子系统的健康信息，若出现某子系统指示故障或者性能降级，综合导航系统给出相应的故障代码，根据故障代码判断是否使用该子系统提供的导航信息，直接合理性检测采用上下阈值限制技术，将导航子系统的输出值与预先规定的合理性范围进行比较，若检测采集信息有误，从而造成输出异常值，上报检测故障，并不处理该导航子系统输出的导航信息直至恢复正常，并将不同导航子系统之间输出地相同导航信息作差比较，检测子系统是否存在故障，并对故障子系统进行隔离；

步骤二：时空配准，其中时空配准包括空间配准和时间配准，其中空间配准是通过坐标变换将不同形式的导航信息转换到本地坐标系，时间配准是通过采用模块集成化以及统一的时间基准下发，减少不同导航子系统之间的时间异步问题，对于采样周期不同步问题，采用基于量测滞后的内插外推的方法进行量测补偿；

步骤三：导航子系统输出相关性检测，利用具有相同导航信息的导航子系统，两两作差，并与规定的阈值比较，采用基于表决技术的故障检测方法确定是否存在出现故障的导航子系统。

步骤四：多源信息融合，采用基于动静态的自适应滤波方法实现对机载多源导航系统的信息融合，首先通过自适应抗差方法对各个子系统的量测量的粗差进行剔除，然后对测量导航参数齐全、更新速率高的导航子系统采用动态滤波融合；对更新频率低、导航参数片面的导航子系统采用静态滤波。

依据上述主要特征，步骤二中采用基于内插外推的时间配准方法，此方法包括如下步骤：(1)选取时间片段，由于配有时间基准，实现秒级别的时间配准，因此进行融合的时间片段应选取十毫秒或毫秒级别。若没有配备时间基准，则随目标具体的运动而异。在飞行环境下，飞机做高速运动，则相应的进行融合的时间片应选取为秒或亚秒级别；(2)将滤波周期内的不同导航子系统观量测信息按测量精度进行增量排序；(3)将高精度观测数据向低精度时间点内插、外推，形成一系列等间隔的量测数据，在时间片段较短的情况下，这一过程近似是线性变化，利用插值的方法，构造逼近函数实现时间配准。

依据上述主要特征，步骤二中的空间配准方法针对基于ILS/MLS/DME 组合的模型采用不同的方法。

依据上述主要特征，针对ILS/MLS模型，采用如下方法进行空间配准：

根据ILS运行规范，DDM值在(-0.24φ_rG，+0.24φ_rG)的扇区内呈线性变化，下滑道下方0.24φ_rG处DDM＝0.175；下滑道上方0.24处DDM＝-0.175；其中φ_rG为基准下滑角，一般取φ_rG＝3°；δ_rG为相对基准下滑道的下滑偏角的偏角误差，通过ILS下滑道德DDM值可以得出飞机在当前时刻的下滑角γ_G为：

其中

与下滑角相同，根据ILS运行规范，航向道的DDM值在距跑道入口左右各107米范围内呈线性变化，跑道左侧107米处DDM值＝0.155，右侧107 米处DDM值＝-0.155，机场跑道长度为Runway。其中φ_rG为基准下滑角，φ_rL为基准航向角；δ_rL为相对基准航道的航向偏角的偏角误差，因此，通过ILS航向信标的DDM值可以准确得出飞机当前时刻的航向角γ_L为：

由于MLS可以直接给出航向偏角和下滑偏角，则相应的，可以得出飞机当前时刻的航向角和下滑角分别为：

γ_GMLS＝φ_rG+φ_rGMLS

γ_LMLS＝φ_rL+φ_rLMLS；

依据上述主要特征，针对DME模型，采用如下方法进行空间配准：

使用测距机(DME)对飞机到机场的距离进行连续的测量，DME测距机的测量误差为：

δL_D＝δL_k·L_D

其中，L_D为测量距离，δL_k为DME测距机的刻度系数误差。

依据上述主要特征，针对ILS/MLS/DME组合模型，采用如下方法进行空间配准：

以航向信标天线阵中点作为坐标原点，X轴沿当地纬线指东，Y轴沿当地子午线指北，Z轴与X、Y构成右手直角坐标系，通过ILS的航向信标与下滑信标得到飞机的下滑角γ_G与航向角γ_L，通过DME测得飞机相对于机场的距离L_D，计算飞机在参考坐标系中的坐标(x,y,z)为：

事先得到参考坐标系的坐标原点在地理坐标系下的位置

将飞机在参考坐标系中的坐标(x,y,z)转换到地理坐标系中，得到ILS量测值与飞机在地理坐标系中的实时位置

之间的关系：

其中，γ_G为下滑偏角，γ_L为航向偏角；θ_R为基准航道与地平面的夹角，ψ_r为基准航向道在当地地理坐标系中与正北的夹角；R_M为地球子午面曲率半径，R_N为卯酉圈曲率半径，这种组合模型所给出的位置信息的误差主要与航向偏角误差δ_γL、下滑偏角误差δ_γG以及DME测距机的刻度系数误差δL_k相关，用以下公式表示：

依据上述主要特征，步骤三中基于表决技术的故障检测方法是根据两两导航子系统的作差结果进行汇总表决，若差值满足规定范围，记为1，超出阈值记为0，分析各个差值结果可以确定“无可置疑”的正常工作导航子系统，并采用其导航信息进行信息融合。

依据上述主要特征，步骤四中采用基于动静态滤波思想的自适应卡尔曼滤波算法，以ILS/MLS/DME组合导航子系统、INS/GNSS组合导航子系统输出的导航信息进行动态的自适应滤波，在此基础上，序贯地加入其它导航子系统更新的导航信息，进行静态自适应滤波，最终得到导航信息融合与实时更新。

依据上述主要特征，其中基于动静态滤波的自适应卡尔曼滤波算法包括如下步骤：

(1)构造动态滤波状态方程，选取速度误差、位置误差、测距/精密测距机的刻度系数误差、航向偏角、下滑偏角作为状态量，即状态量为 X_vpr＝[δV_E δV_N δV_U δL δλ δh δL_k δγ_G δγ_L]^T，相应的状态方程为：

(2)构造动态滤波量测方程，在动态滤波过程中，选取了ILS/MLS/DME 组合导航子系统与INS/GNSS组合导航子系统，这两种导航系统均可以提供飞机的三维位置信息，将其作差，作为动态滤波的量测量，因此量测方程有：

Z_vpr(t)＝H_vpr(t)X_vpr(t)+ν_vpr(t)

H_vpr＝[0_3×3 I_3×3 H_r]

(3)自适应动态卡尔曼滤波方法，用对R_k进行在线估计，实现跟随环境变化动态调整R_k的值，基于新息协方差的自适应卡尔曼滤波方法过程为：

定义新息为

新息的理论协方差矩阵为：

利用一段新息样本数据可对新息的协方差矩阵进行近似估计，其中：

式中，L表示样本数据的个数，设置为1s内数据，

在CKF算法中，新息的协方差矩阵又可以表示为：

所以R_k的递推估计值为：

利用新息协方差实时修正量测噪声的协方差矩阵自适应地估计量测噪声的方差；

(4)构造静态滤波量测方程，选取更新速率慢或导航信息比较单一的导航子系统输出量作为静态滤波的量测值来源，差分GNSS的更新速率慢，气压高度计仅能提供高度信息，因此将其导航信息作为量测来源，构造量测方程；

当差分GNSS更新时，量测方程为：

H_DGNSS＝[0_3×3 I_3×3 H_r]

当气压高度更新时，量测方程为：

H_air＝[0 0 0 0 0 1 L_D·sin(θ_R+γ_G) L_D·cos(θ_R+γ_G) 0]

(5)自适应静态卡尔曼滤波方法，在静态滤波中，状态量与动态滤波的过程的状态量相同，状态方程为

即将动态滤波的结果作为静态滤波的一步预测状态值，静态滤波的自适应方法与动态滤波中的自适应处理方式相同。

与现有技术相比较，本发明综合利用多种导航源，能够为各复杂气象环境下飞机着陆过程，提供实时、可靠地导航信息，提升进近着陆阶段的可靠性、安全性，减少飞行员操作压力。

【附图说明】

图1为实施本发明的机载综合着陆导航方法的步骤示意图。

【具体实施方式】

请参阅图1所示，为实施本发明的机载综合着陆导航方法的步骤示意图，所述。实施本发明的机载综合着陆导航方法包括如下步骤：

步骤一：机内导航子系统自检测及直接合理性检测

机内导航子系统自检测即机内BIT检测，实时监控每个导航子系统的健康信息，若出现某系统指示故障或者性能降级，综合导航系统给出相应的故障代码，信息融合算法将根据故障代码判断是否使用该导航系统传输过来的信息参数。

直接合理性检测是基于各个导航子系统的测量信息，采用动态阈值上下限方法，检测导航子系统输出地量测信息是否存在异常值。测出由于传感器子系统故障而造成的输出异常值，一旦发现异常，系统进行故障隔离与系统重组。其中对于动态阈值上下限方法：以GNSS导航子系统为例，GNSS可以提供速度、位置等导航信息。结合位置信息、速度信息不能突变特性，以前一时刻位置和速度作为中心点，选取合适的阈值作为上下限范围，对当前时刻的信息进行检测。

步骤二：时空统一匹配

根据时空配准算法，将导航子系统更新输入的信息进行时空配准，转换为与惯导系统相同形式、相同参照的体系中。其中时间配准方面，因通信网络延时、采样周期不同步造成的时间异步问题，在统一时间配准的基础上，采用通过基于量测滞后的外插内推方法进行量测补偿。对于空间配准方面，由于传感器放置位置不同，不同传感器之间的坐标系并不一致，获得的信息需要通过空间变换至同一坐标系下，可以通过空间坐标变换和杆臂效应补偿算法进行空间配准。

其中基于内插外推的时间配准方法分为三个步骤进行：

(1)选取时间片段，由于配有时间基准，可实现秒级别的时间配准，因此进行融合的时间片段应选取十毫秒或毫秒级别。若没有配备时间基准，则随目标具体的运动而异。在飞行环境下，飞机做高速运动，则相应的进行融合的时间片应选取为秒或亚秒级别；

(2)将滤波周期内的不同导航子系统观量测信息按测量精度进行增量排序；

(3)将高精度观测数据向低精度时间点内插、外推，以形成一系列等间隔的量测数据。在时间片段较短的情况下，这一过程近似是线性变化，利用插值的方法，构造逼近函数，实现时间配准。

对于基于ILS/MLS/DME组合的信息融合的空间配准方法分别如下述。

(1)ILS/MLS模型

根据ILS运行规范，DDM值在(-0.24φ_rG，+0.24φ_rG)的扇区内呈线性变化。下滑道下方0.24φ_rG处DDM＝0.175；下滑道上方0.24处DDM＝-0.175；其中φ_rG为基准下滑角，一般取φ_rG＝3°；δ_rG为相对基准下滑道的下滑偏角的偏角误差。通过ILS下滑道德DDM值可以得出飞机在当前时刻的下滑角γ_G为：

其中

与下滑角相同，根据ILS运行规范，航向道的DDM值在距跑道入口左右各107米范围内呈线性变化。跑道左侧107米处DDM值＝0.155，右侧107 米处DDM值＝-0.155。机场跑道长度为Runway。其中φ_rG为基准下滑角，φ_rL为基准航向角；δ_rL为相对基准航道的航向偏角的偏角误差。

因此，通过ILS航向信标的DDM值可以准确得出飞机当前时刻的航向角γ_L为：

由于MLS可以直接给出航向偏角和下滑偏角，则相应的，可以得出飞机当前时刻的航向角和下滑角分别为：

γ_GMLS＝φ_rG+φ_rGMLS

γ_LMLS＝φ_rL+φ_rLMLS

(2)DME模型

使用测距机(DME)对飞机到机场的距离进行连续的测量。DME测距机的测量误差为：

δL_D＝δL_k·L_D

其中，L_D为测量距离，δL_k为DME测距机的刻度系数误差。

(3)ILS/MLS/DME组合模型

以航向信标天线阵中点作为坐标原点，X轴沿当地纬线指东，Y轴沿当地子午线指北，Z轴与X、Y构成右手直角坐标系。通过ILS的航向信标与下滑信标得到飞机的下滑角γ_G与航向角γ_L，通过DME测得飞机相对于机场的距离L_D，可以计算飞机在参考坐标系中的坐标(x,y,z)为：

事先可得到参考坐标系的坐标原点在地理坐标系下的位置

将飞机在参考坐标系中的坐标(x,y,z)转换到地理坐标系中，即可得到ILS量测值与飞机在地理坐标系中的实时位置

之间的关系：

其中，γ_G为下滑偏角，γ_L为航向偏角；θ_R为基准航道与地平面的夹角，ψ_r为基准航向道在当地地理坐标系中与正北的夹角；R_M为地球子午面曲率半径，R_N为卯酉圈曲率半径。

这种组合模型所给出的位置信息的误差主要与航向偏角误差δ_γL、下滑偏角误差δ_γG以及DME测距机的刻度系数误差δL_k相关。可以用以下公式表示：

步骤三：导航子系统输出相关性检测

在通过时空配准之后，各种导航子系统的输出值表现出很强的相关性，这些相关性为故障检测提供了必要的信息冗余。因此利用具有相同导航信息的导航子系统，两两作差，并与规定的阈值比较，采用表决技术来确定是否存在出现故障的导航子系统。即认为差值在规定范围内记为1，超出阈值记为0，分析各个导航子系统的输出可以确定“无可置疑”的正常工作导航子系统，采用其导航信息进行信息融合。其中基于表决技术的故障检测方法是根据两两导航子系统的作差结果进行汇总表决。若差值满足规定范围，记为 1，超出阈值记为0，分析各个差值结果可以确定“无可置疑”的正常工作导航子系统，并采用其导航信息进行信息融合。并且对于多级故障检测方法是先通过导航传感器BIT检测传感器是够正常，再通过直接合理性判断导航系统是够存在粗差，最后通过输出相关性检测再判断导航信息是够可靠。

步骤四：多源信息融合

多源信息融合采用基于动静态滤波思想的自适应卡尔曼滤波算法，以 ILS/MLS/DME组合导航子系统、INS/GNSS组合导航子系统输出的导航信息进行动态的自适应滤波，在此基础上，序贯地加入其它导航子系统(如：差分GNSS导航子系统、气压高度计)更新的导航信息，进行静态自适应滤波，最终得到导航信息融合与实时更新。其中基于动静态的自适应卡尔曼滤波算法由于其状态方程信息只在动态滤波阶段使用，而静态滤波序贯地根据前一时刻地融合结果作为状态预测值，进行滤波估计，从而保证整体滤波融合结果为最优解。

其中基于动静态滤波的自适应卡尔曼滤波算法，具体步骤为：

(1)构造动态滤波状态方程，选取速度误差、位置误差、测距/精密测距机的刻度系数误差、航向偏角、下滑偏角作为状态量，即状态量为 X_vpr＝[δV_E δV_N δV _UδL δλ δh δL_k δγ_G δγ_L]^T。相应的状态方程为：

(2)构造动态滤波量测方程，在动态滤波过程中，选取了ILS/MLS/DME 组合导航子系统与INS/GNSS组合导航子系统，这两种导航系统均可以提供飞机的三维位置信息，将其作差，作为动态滤波的量测量，因此量测方程有：

Z_vpr(t)＝H_vpr(t)X_vpr(t)+ν_vpr(t)

H_vpr＝[0_3×3 I_3×3 H_r]

(3)自适应动态卡尔曼滤波方法，在实际应用中，环境是不断变化的，量测误差也会随之变化，如果R_k始终使用固定的初始值，会造成卡尔曼滤波方法因为不能够适应环境的变化而降低性能甚至发散。所以需要根据环境变化动态调整R_k的值。在卡尔曼滤波方法的基础上，本发明采用一种基于新息的自适应卡尔曼滤波方法，对R_k进行在线估计，实现跟随环境变化动态调整 R_k的值。

基于新息协方差的自适应卡尔曼滤波方法过程为：

定义新息为

新息的理论协方差矩阵为：

利用一段新息样本数据可对新息的协方差矩阵进行近似估计，有：

式中，L表示样本数据的个数，设置为1s内数据。

在CKF算法中，新息的协方差矩阵又可以表示为：

所以R_k的递推估计值为：

利用新息协方差实时修正量测噪声的协方差矩阵，自适应地估计量测噪声的方差，使得算法对环境的变化具有鲁棒性。

(4)构造静态滤波量测方程，选取更新速率慢或导航信息比较单一的导航子系统输出量作为静态滤波的量测值来源，差分GNSS的更新速率慢，气压高度计仅能提供高度信息，因此将其导航信息作为量测来源，构造量测方程。

当差分GNSS更新时，量测方程为：

H_DGNSS＝[0_3×3 I_3×3 H_r]

当气压高度更新时，量测方程为：

H_air＝[0 0 0 0 0 1 L_D·sin(θ_R+γ_G) L_D·cos(θ_R+γ_G) 0]

(5)自适应静态卡尔曼滤波方法，在静态滤波中，状态量与动态滤波的过程的状态量相同，状态方程为

即将动态滤波的结果作为静态滤波的一步预测状态值。静态滤波的自适应方法与动态滤波中的自适应处理方式相同，此处不再重复描述。

与现有技术相比较，本发明基于自适应动静态KF滤波算法，相比传统的 KF滤波算法，本方法采用滤波算法可实现ILS和MLS、GLS的动态的即插即用融合，并且基于自适应动静态KF滤波的综合着陆方法，相比传统的单一着陆导航方式，本方法能够将各个可用着陆导航传感器进行融合，提供最优的、统一的、高安全、高可靠的信息，减轻飞行员操作压力。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种机载综合着陆导航方法，其特征在于该方法包括如下步骤：

步骤一：导航子系统自检测及直接合理性检测，其中导航子系统机内自检测用于实时监视每个导航子系统的健康信息，若出现某子系统指示故障或者性能降级，综合导航系统给出相应的故障代码，根据故障代码判断是否使用该子系统提供的导航信息，直接合理性检测采用上下阈值限制技术，将导航子系统的输出值与预先规定的合理性范围进行比较，若检测采集信息有误，从而造成输出异常值，上报检测故障，并不处理该导航子系统输出的导航信息直至恢复正常，并将不同导航子系统之间输出地相同导航信息作差比较，检测子系统是否存在故障，并对故障子系统进行隔离；

步骤二：时空配准，其中时空配准包括空间配准和时间配准，其中空间配准是通过坐标变换将不同形式的导航信息转换到本地坐标系，时间配准是通过采用模块集成化以及统一的时间基准下发，减少不同导航子系统之间的时间异步问题，对于采样周期不同步问题，采用基于量测滞后的内插外推的方法进行量测补偿；

步骤三：导航子系统输出相关性检测，利用具有相同导航信息的导航子系统，两两作差，并与规定的阈值比较，采用基于表决技术的故障检测方法确定是否存在出现故障的导航子系统。

步骤四：多源信息融合，采用基于动静态的自适应滤波方法实现对机载多源导航系统的信息融合，通过自适应抗差方法对各个子系统的量测量的粗差进行剔除，然后对测量导航参数齐全、更新速率高的导航子系统采用动态滤波融合；对更新频率低、导航参数片面的导航子系统采用静态滤波。

2.如权利要求1所述的机载综合着陆导航方法，其特征在于：步骤二中采用基于内插外推的时间配准方法，此方法包括如下步骤：(1)选取时间片段，由于配有时间基准，实现秒级别的时间配准，因此进行融合的时间片段应选取十毫秒或毫秒级别。若没有配备时间基准，则随目标具体的运动而异。在飞行环境下，飞机做高速运动，则相应的进行融合的时间片应选取为秒或亚秒级别；(2)将滤波周期内的不同导航子系统观量测信息按测量精度进行增量排序；(3)将高精度观测数据向低精度时间点内插、外推，形成一系列等间隔的量测数据，在时间片段较短的情况下，这一过程近似是线性变化，利用插值的方法，构造逼近函数实现时间配准。

3.如权利要求1所述的机载综合着陆导航方法，其特征在于：步骤二中的空间配准方法针对基于ILS/MLS/DME组合的模型采用不同的方法。

4.如权利要求3所述的机载综合着陆导航方法，其特征在于：针对ILS/MLS模型，采用如下方法进行空间配准：

根据ILS运行规范，DDM值在(-0.24φ_rG，+0.24φ_rG)的扇区内呈线性变化，下滑道下方0.24φ_rG处DDM＝0.175；下滑道上方0.24处DDM＝-0.175；其中φ_rG为基准下滑角，一般取φ_rG＝3°；δ_rG为相对基准下滑道的下滑偏角的偏角误差，通过ILS下滑道德DDM值可以得出飞机在当前时刻的下滑角γ_G为：

其中

与下滑角相同，根据ILS运行规范，航向道的DDM值在距跑道入口左右各107米范围内呈线性变化，跑道左侧107米处DDM值＝0.155，右侧107米处DDM值＝-0.155，机场跑道长度为Runway。其中φ_rG为基准下滑角，φ_rL为基准航向角；δ_rL为相对基准航道的航向偏角的偏角误差，因此，通过ILS航向信标的DDM值可以准确得出飞机当前时刻的航向角γ_L为：

由于MLS可以直接给出航向偏角和下滑偏角，则相应的，可以得出飞机当前时刻的航向角和下滑角分别为：

5.如权利要求3所述的机载综合着陆导航方法，其特征在于：针对DME模型，采用如下方法进行空间配准：

使用测距机(DME)对飞机到机场的距离进行连续的测量，DME测距机的测量误差为：

δL_D＝δL_k·L_D

其中，L_D为测量距离，δL_k为DME测距机的刻度系数误差。

6.如权利要求3所述的机载综合着陆导航方法，其特征在于：针对ILS/MLS/DME组合模型，采用如下方法进行空间配准：

以航向信标天线阵中点作为坐标原点，X轴沿当地纬线指东，Y轴沿当地子午线指北，Z轴与X、Y构成右手直角坐标系，通过ILS的航向信标与下滑信标得到飞机的下滑角γ_G与航向角γ_L，通过DME测得飞机相对于机场的距离L_D，计算飞机在参考坐标系中的坐标(x,y,z)为：

事先得到参考坐标系的坐标原点在地理坐标系下的位置

将飞机在参考坐标系中的坐标(x,y,z)转换到地理坐标系中，得到ILS量测值与飞机在地理坐标系中的实时位置

之间的关系：

其中，γ_G为下滑偏角，γ_L为航向偏角；θ_R为基准航道与地平面的夹角，ψ_r为基准航向道在当地地理坐标系中与正北的夹角；R_M为地球子午面曲率半径，R_N为卯酉圈曲率半径，这种组合模型所给出的位置信息的误差主要与航向偏角误差δ_γL、下滑偏角误差δ_γG以及DME测距机的刻度系数误差δL_k相关，用以下公式表示：

7.如权利要求1所述的机载综合着陆导航方法，其特征在于：步骤三中基于表决技术的故障检测方法是根据两两导航子系统的作差结果进行汇总表决，若差值满足规定范围，记为1，超出阈值记为0，分析各个差值结果可以确定“无可置疑”的正常工作导航子系统，并采用其导航信息进行信息融合。

8.如权利要求1所述的机载综合着陆导航方法，其特征在于：步骤四中采用基于动静态滤波思想的自适应卡尔曼滤波算法，以ILS/MLS/DME组合导航子系统、INS/GNSS组合导航子系统输出的导航信息进行动态的自适应滤波，在此基础上，序贯地加入其它导航子系统更新的导航信息，进行静态自适应滤波，最终得到导航信息融合与实时更新。

9.如权利要求1所述的机载综合着陆导航方法，其特征在于：其中基于动静态滤波的自适应卡尔曼滤波算法包括如下步骤：

(1)构造动态滤波状态方程，选取速度误差、位置误差、测距/精密测距机的刻度系数误差、航向偏角、下滑偏角作为状态量，即状态量为

相应的状态方程为：

(2)构造动态滤波量测方程，在动态滤波过程中，选取了ILS/MLS/DME组合导航子系统与INS/GNSS组合导航子系统，这两种导航系统均可以提供飞机的三维位置信息，将其作差，作为动态滤波的量测量，因此量测方程有：

Z_vpr(t)＝H_vpr(t)X_vpr(t)+ν_vpr(t)

H_vpr＝[0_3×3 I_3×3 H_r]

(3)自适应动态卡尔曼滤波方法，用对R_k进行在线估计，实现跟随环境变化动态调整R_k的值，基于新息协方差的自适应卡尔曼滤波方法过程为：

定义新息为

新息的理论协方差矩阵为：

利用一段新息样本数据可对新息的协方差矩阵进行近似估计，其中：

式中，L表示样本数据的个数，设置为1s内数据，

在CKF算法中，新息的协方差矩阵又可以表示为：

所以R_k的递推估计值为：

利用新息协方差实时修正量测噪声的协方差矩阵自适应地估计量测噪声的方差；

(4)构造静态滤波量测方程，选取更新速率慢或导航信息比较单一的导航子系统输出量作为静态滤波的量测值来源，差分GNSS的更新速率慢，气压高度计仅能提供高度信息，因此将其导航信息作为量测来源，构造量测方程；

当差分GNSS更新时，量测方程为：

H_DGNSS＝[0_3×3 I_3×3 H_r]

当气压高度更新时，量测方程为：

H_air＝[0 0 0 0 0 1 L_D·sin(θ_R+γ_G) L_D·cos(θ_R+γ_G) 0]

(5)自适应静态卡尔曼滤波方法，在静态滤波中，状态量与动态滤波的过程的状态量相同，状态方程为

即将动态滤波的结果作为静态滤波的一步预测状态值，静态滤波的自适应方法与动态滤波中的自适应处理方式相同。

Images