CN115047496B - 一种用于gnss/ins组合导航卫星同步多故障检测方法 - Google Patents

Abstract

本发明是一种用于GNSS/INS组合导航卫星同步多故障检测方法，该方法在传统卡尔曼滤波的基础上，引入IGG‑III等价权重阵对异常观测值进行加权处理，从而避免多故障观测值对后续故障检测机制性能的影响。同时，设计基于卡方检验联合w‑检测法的故障检测和识别机制以保证GNSS/INS组合系统的连续可靠性。本发明设计的组合导航卫星同步多故障检测方法流程简单，思路清晰。同时为多故障场景下组合导航系统容错能力的提高研究提供积极的参考和借鉴意义。

Description

一种用于GNSS/INS组合导航卫星同步多故障检测方法

技术领域

本发明属于导航定位技术领域，具体为一种用于GNSS/INS组合导航卫星同步多故障检测方法。

背景技术

全球导航卫星系统GNSS/惯性导航系统INS组合导航借助导航系统间的优势互补特性为用户提供具有高精度和高可靠性特点的连续导航。然而，随着恶意攻击、有/无意干扰、信号遮挡等多种风险因素的出现，GNSS信号多故障并发的可能性也随之增大，严重威胁到导航系统的可靠性和鲁棒性。因此，多故障检测算法研究具有十分重要的现实意义。

申请人之前申请了一种用于GNSS/INS组合导航卫星缓变故障检测方法，申请号CN202111031783.6，与本专利属不同专利。其主要是针对于GNSS/INS组合导航卫星发生缓变故障问题，提出采用标准t分布和IGG-III方案设计自适应增益矩阵以缓解卡尔曼滤波故障跟踪的影响，缩短组合导航系统对缓变故障的检测延迟时间，其中自适应增益阵的构造形式简洁，抗差性能高；同时，结合传统外推法的故障检测状态，设计由外推法和残差卡方检验故障检测统计量构成的r_A/R统计量，在外推法检测到缓变故障的状态下利用样本分位数原理对r_A/R序列进行异常值检测，判断缓变故障结束时刻，及时避免虚警现象的发生，提高系统定位精度和可靠性。其中，涉及的卡尔曼滤波等技术属于组合导航基本融合手段。

该申请与本申请相比，以下几个核心内容均有所不同：

①解决对象不同：本申请解决多观测值故障；对比申请用于检测缓变故障；

②故障检测的手段完全不同：本申请利用基于卡方检验联合w-检测法的故障检测和识别机制，而对比申请则对缓变故障利用改进外推法对缓变故障进行检测；

③抗差估计的构建形式不同：尽管都利用IGG-III等价权函数，但等价权因子的构造不同，本申请使用的基于正态分布的标准残差作为因子，对比申请中使用的则是改进的基于t分布的统计量作为因子；

④抗差估计的使用目的不同：本申请中的抗差估计用于避免多故障观测值对后续故障检测机制性能的影响，对比申请中抗差估计用于缓解缓变故障特有的导致组合系统出现的“故障跟踪”现象。

接收机自主完好性监测算法RAIM基于冗余观测信息的一致性检验，最早在GNSS航空领域提出并开展相关研究并且以单故障作为监测前提。然而，随着可用星数量的增多以及各种信号干扰风险的出现，基于单故障的假设已无法满足现实的应用需求。为了解决卫星观测值出现同步多故障问题，一些学者给出了相关的研究方案。钟丽娜等设计了一种基于子集p值检验的多星故障检测与识别方法，提高了GNSS/INS紧组合系统容错能力，但是子集技术的使用导致计算成本较高。Zhang Q等研究人员基于一致性表决理论提出了改进的单/多故障排除方法，但整个实现流程过于复杂。另外，李臻等基于抗差估计理论对传统的故障检测与排除FDE机制进行改进并在解决微小故障、缓变故障及时检测等问题上初见成效，而面向多故障场景，这种策略的有效性有待进一步探究。

根据FDE处理故障观测值的基本流程，不难发现传统RAIM算法无法适应多故障场景的最大壁垒是在故障的有效识别/排除上。究其本质是因为多故障并发使故障判决统计量无法较为准确地反映观测值质量。传统的FDE机制主要是基于残差或新息构造故障检验统计量，即检验统计量是参数估计值的函数，因此在多故障模式下，同样会受异常观测值的影响而导致系统产生漏检或误检。

发明内容

为了解决传统RAIM算法难以适应多故障并发问题和提高GNSS/INS组合导航系统的容错能力，本发明提出了一种用于GNSS/INS组合导航卫星同步多故障检测方法，一方面能够削弱异常值对状态估计参数的影响以保证故障检测相关检验量能够如实反映对应观测值质量，另一方面可以准确对多个并发故障进行同步识别和排除。

步骤1，对卫星接收机所接收的GNSS数据和惯性测量单元IMU采集的数据进行抗差扩展卡尔曼滤波紧组合处理；

步骤2，针对紧组合处理后的融合系统，进行基于假设检验的卫星同步多故障检测与排除处理；

步骤1包括：

步骤1-1，将惯性测量单元IMU采集的加速度以及角速度数据进行惯性力学编排，获得载体在东、北、天三个方向上的姿态、速度和位置解；

步骤1-2，结合GNSS可视卫星位置信息，推导出惯性导航系统INS的伪距观测值并将其与接收机接收到的伪距数据进行融合；基于抗差扩展卡尔曼滤波REKF，得出载体在东、北、天三个方向上的姿态误差，速度误差和位置误差；

步骤1-3，利用步骤1-2得到的状态误差对步骤1中的状态解进行修正，同时将其反馈到INS中；

步骤1-4，进行时间更新，返回步骤1-1；

步骤1-2包括：将GNSS/INS组合导航中的INS姿态、速度、位置在东、北、天三个方向上的误差和陀螺、加速度计在相应三个方向上的误差以及接收机钟差等效的距离误差和与接收机频率误差等效的距离率误差作为状态向量x，17维的状态向量记为：

将惯性导航系统INS推导出的伪距和接收机接收到的伪距数据作差组成融合系统的观测向量z；抗差紧组合模型包括两个方程：状态方程x_k＝Φ_{k/k- 1}x_k-1+w_k-1和量测方程z_k＝h(x_k)+v_k，其中，Φ_k/k-1表示从历元k-1到k的状态转移矩阵，h(·)表示状态x_k和观测z_k之间的非线性关系，w_k是历元k-1的系统噪声，v_k是历元k的观测噪声，上述噪声量的关系是相互独立，且均服从零均值的高斯分布，两者的协方差矩阵分别用Q_k和R_k表示。所述REKF执行步骤如下：

步骤1-2-1，状态初始化，初始化融合系统的状态向量x₀和误差协方差矩阵P₀；

步骤1-2-2，预测：

下标k/k-1表示从历元k-1转移到k；状态估计的误差协方差矩阵用P_k表示；

步骤1-2-3，更新：

其中，γ_k表示新息，是构造故障检测统计量的基本元素；H_k表示非线性矢量函数h(·)的雅克比矩阵；K_k和

分别是抗差前后的卡尔曼增益矩阵；β_k是抗差估计的等价权重对角阵；P_k状态估计的误差协方差阵，新息γ_k的协方差矩阵用符号S_k表示，

步骤1-2-3包括：

在传统卡尔曼增益矩阵K_k的基础上，利用新息向量构造等价权重矩阵β_k，抗差卡尔曼增益阵

与K_k的关系为：

其中β_k为对角阵，选择IGG-III方案计算该矩阵，IGG-III将残差数据分为三类，分别为有效类、可疑类和淘汰类，用于计算等价权重阵对角元素的IGG-III函数表达式为

其中，k₀,k₁表示抗差系数，分别用于界定观测值是否有效或者是否淘汰的门限；k₀,k₁的取值依赖经验，k₀∈[1.0 1.5]，k₁∈[2.5 3.0]；由IGG-III表达式可知，该函数包括了三段区域，分别表示等权，降权和零权，当标准化残差小于k₀时，对应的观测值属于有效类，当标准化残差大于k₁时，对应的观测值属于淘汰类，当介于两个抗差系数之间时，对应的观测值则为可疑类。

步骤2包括：

步骤2-1，设定误警率P_fa；

步骤2-2，利用P_fa确定故障判决门限Th，基于卡方检验法计算多故障全局检测统计值；

步骤2-3，判断组合系统是否发生故障并输出故障状态，若系统发生故障，则执行步骤2-4，否则返回步骤2-2；

步骤2-4，利用P_fa确定故障识别门限Te，基于w-检测计算各GNSS伪距观测值对应的局部故障识别统计值；

步骤2-5，分别判断各GNSS观测值是否发生故障；

步骤2-6，针对判定为故障的GNSS伪距观测值予以排除处理，利用所有通过w-检测的观测值进行状态解算。

步骤2-2包括：确定故障检测判决门限Th，

式中，P_fa表示故障检测的误警概率，F(x|m)表示自由度为m的中心卡方分布累积分布函数，另外基于卡方检验的故障检测统计值的计算：

其中，

表示新息γ_k协方差阵的逆。

步骤2-3包括：利用二元假设检验理论判断组合导航系统是否发生故障；

①原假设H₀：系统无故障，

s_k＜Th；

②备择假设H₁：系统存在故障，

s_k≥Th，其中,λ是自由度为m的卡方分布非中心参数，m表示可视星的数量。

步骤2-4包括：确定故障识别判决门限Te，

式中，N(0,1)表示标准正态分布函数，另外基于w-检验的故障识别统计值的计算：

其中,e_i表示单位列向量，主要是用于提取新息向量中的第i个元素。

步骤2-5包括：利用二元假设检验理论判断各GNSS观测值是否发生故障，

①原假设H₀：观测值无故障，w_i～N(0,1)，w_i≤Te；

②备择假设H₁：观测值存在故障，w_i～N(δ,1)，w_i＞Te，其中,δ是正态分布的非中心参数，可由误警率和漏警率计算得到。

有益效果：本发明提供了一种用于GNSS/INS组合导航卫星同步多故障检测的方法。该方法在传统卡尔曼滤波的基础上，引入IGG-III等价权重阵对异常观测值进行降权或零权处理，从而避免多故障观测值对FDE机制性能的影响。同时，设计基于卡方检验联合w-检测法的故障检测和识别机制以保证GNSS/INS组合系统的连续可靠性,提高组合系统的容错性能。特别地，本发明克服了传统w-检测对于多故障场景下的故障排除工作容易发生误检和漏检现象的问题，极大地提高了多故障识别的效率。本发明设计的组合导航卫星同步多故障检测方法流程简单，思路清晰。同时为多故障场景下组合导航系统容错能力的提高研究提供积极的参考和借鉴意义。

附图说明

结合附图和具体实施方式对本发明做进一步阐述，凸显本发明在GNSS/INS组合导航系统中同步多故障故障检测的特点以及优势。

图1为本发明为具体是实施方式提供的GNSS/INS组合导航卫星同步多故障检测方法流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供了一种用于GNSS/INS组合导航卫星同步多故障检测和排除的方法，一方面能够削弱异常值对状态估计参数的影响以保证故障检测相关检验量能够如实反映对应观测值质量，另一方面可以准确对多个并发故障进行同步识别和排除。

GNSS/INS组合导航借助导航系统间的优势互补特性为用户提供具有高精度和高可靠性特点的连续导航。然而，随着恶意攻击、有/无意干扰、信号遮挡等多种风险因素的出现，GNSS信号多故障并发的可能性也随之增大，严重威胁到导航系统的可靠性和鲁棒性。

传统的RAIM算法基于冗余观测信息的一致性检验，最早在GNSS航空领域提出并开展相关研究并且以单故障作为监测前提。然而，随着可用星数量的增多以及各种信号干扰风险的出现，基于单故障的假设已无法满足现实的应用需求。其中，传统RAIM算法在面向多故障场景时，往往很难对所有故障观测值进行准确识别和排除工作。究其本质是因为多故障并发使故障判决统计量无法较为准确地反映观测值质量。传统的FDE机制主要是基于残差或新息构造故障检验统计量，即检验统计量是参数估计值的函数，因此在多故障模式下，同样会受异常观测值的影响而导致系统产生漏检或误检。为了解决传统RAIM算法难以适应多故障并发问题和提高GNSS/INS组合导航系统的容错能力，本发明设计了一种基于REKF的改进多故障检测方法。在传统卡尔曼滤波的基础上，引入IGG-III等价权重阵对异常观测值进行加权处理，从而避免多故障观测值对后续故障检测机制性能的影响。同时，设计基于卡方检验联合w-检测法的故障检测和识别机制以保证GNSS/INS组合系统的连续可靠性。

如图1所示，本发明主要分为两个部分，第一部分为对卫星接收机所接收的卫星数据和惯性测量单元IMU的测量数据进行基于IGG-III等价权函数的REKF处理。

第1步，将惯性测量单元IMU输出的加速度数据以及角速度数据进行力学编排，得出用户在东、北、天三个方向上的姿态，速度和位置解；

第2步，结合GNSS可视卫星位置信息，将推导出的INS伪距观测值与接收机接收到的伪距数据进行融合，经过REKF，输出用户在东、北、天三个方向上的姿态误差，速度误差和位置误差。由于传统的FDE机制主要是基于残差或新息构造故障检验统计量，即检验统计量是参数估计值的函数。因此在多故障模式下，同样会受异常观测值的影响而导致系统产生漏检或误检。而REKF能够通过自适应增益阵对异常值进行加权处理，减弱污染观测值对状态估计参数的影响，这有利于组合系统后续FDE机制有效执行。本发明利用当前历元下所有卫星观测值对应的标准新息构造服从标准正态分布统计量，然后基于IGG-III方案自适应卡尔曼增益阵。具体来说，REKF算法相较于传统的EKF最大的区别就是卡尔曼增益的设计。REKF中的状态更新步骤中引入基于IGG-III等价权函数的权重阵。IGG-III函数包括了三段区域，分别表示等权，降权和零权。相应的观测值被分为有效类、淘汰类和可疑类。由于观测值新息包含了量测的全部信息，并且对异常的观测值极为敏感，因此通常将利用各卫星观测值对应新息构造服从标准化正态分布的统计量作为IGG-III函数的自变量以提升组合系统的抗差性能。针对发生同步多故障的卫星观测值数据，通过这种加权处理的方式可以保证卫星和惯导组合系统输出的误差状态解基本不受异常观测值干扰，从而保证基于状态估计参数的故障检测相关检验量更加真实地反映各卫星观测值质量；

第3步，利用REKF得到的误差状态修正步骤1中的状态解，同时将误差状态反馈到INS中；

第4步，时间更新，回到第1步。

第二部分是针对REKF处理后的融合系统，进行同步多卫星故障检测和排除。

第1步，设定误警率P_fa，其中误警率与组合系统的实际应用场景需求有关；

第2步，基于新息及其协方差构造全局故障检验量并利用满足一定高度角范围内的可视星数(自由度)和卡方分布的密度函数，求取第1步中给定误警率下的系统全局故障检测门限Th；

第3步，判断组合导航系统中卫星是否发生故障并输出故障状态。当第2步中的检测统计值大于门限，则说明卫星中发生故障，否则卫星系统无故障。若卫星发生故障，则执行下一步进行故障的识别和排除，否则返回上一步；

第4步，构造故障识别统计量；利用单颗卫星误警率以及标准正态分布的密度函数，求取局部识别门限Te；

第5步，对每一颗可视星进行故障筛查。具体过程为当第4步中的识别统计值大于门限，则说明该观测值发生故障，否则无故障。若观测值发生故障，则予以排除，否则返回上一步；

第6步，利用通过系统检验的正常观测值进行状态可靠估计；

第7步，进入下一个历元的故障检测流程。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (1)

1.一种用于GNSS/INS组合导航卫星同步多故障检测方法，包括如下步骤：

步骤1，对卫星接收机所接收的GNSS数据和惯性测量单元IMU采集的数据进行抗差紧组合处理；

步骤1包括：

步骤1-1，将惯性测量单元IMU采集的加速度以及角速度数据进行惯性力学编排，获得载体在东、北、天三个方向上的姿态、速度和位置解；

步骤1-2，结合GNSS可视卫星位置信息，推导出惯性导航系统INS的伪距观测值并将其与接收机接收到的伪距数据进行融合；基于抗差扩展卡尔曼滤波REKF，得出载体在东、北、天三个方向上的姿态误差，速度误差和位置误差；

步骤1-2具体如下：

将GNSS/INS组合导航中的INS姿态、速度、位置在东、北、天三个方向上的误差和陀螺、加速度计在相应三个方向上的误差以及接收机钟差等效的距离误差和与接收机频率误差等效的距离率误差作为状态向量x，17维的状态向量记为：x＝[δφ,δυ,δp,▽_a,▽_g,δρ_μ,δρ_λ]^T；将惯性导航系统INS推导出的伪距和接收机接收到的伪距数据作差组成融合系统的观测向量z；抗差紧组合模型包括两个方程：状态方程x_k＝Φ_k/k-1x_k-1+w_k-1和量测方程z_k＝h(x_k)+v_k，其中，Φ_k/k-1表示从历元k-1到k的状态转移矩阵，h(·)表示状态x_k和观测z_k之间的非线性关系，w_k是历元k-1的系统噪声，v_k是历元k的观测噪声，上述噪声量的关系是相互独立，且均服从零均值的高斯分布，两者的协方差矩阵分别用Q_k和R_k表示；

所述REKF执行步骤如下：

步骤1-2-1，状态初始化，初始化融合系统的状态向量x₀和误差协方差矩阵P₀；

步骤1-2-2，预测：

下标k/k-1表示从历元k-1转移到k；状态估计的误差协方差矩阵用P_k表示；

步骤1-2-3，更新：

其中，γ_k表示新息，是构造故障检测统计量的基本元素；H_k表示非线性矢量函数h(·)的雅克比矩阵；K_k和

分别是抗差前后的卡尔曼增益矩阵；β_k是抗差估计的等价权重对角阵；P_k状态估计的误差协方差阵，新息γ_k的协方差矩阵用符号S_k表示，

所述步骤1-2-3包括：

在传统卡尔曼增益矩阵K_k的基础上，利用新息向量构造等价权重矩阵β_k，抗差卡尔曼增益阵

与K_k的关系为：

其中β_k为对角阵，选择IGG-III方案计算该矩阵，IGG-III将残差数据分为三类，分别为有效类、可疑类和淘汰类，用于计算等价权重阵对角元素的IGG-III函数表达式为：

其中，k₀,k₁表示抗差系数，分别用于界定观测值是否有效或者是否淘汰的门限；

k₀,k₁的取值依赖经验，k₀∈[1.0 1.5]，k₁∈[2.5 3.0]；

i表示观测值的序号，范围为1...m；V_i表示残差向量第i个元素；

由IGG-III表达式可知，该函数包括了三段区域，分别表示等权，降权和零权，当标准化残差小于k₀时，对应的观测值属于有效类，当标准化残差大于k₁时，对应的观测值属于淘汰类，当介于两个抗差系数之间时，对应的观测值则为可疑类；

步骤1-3，利用步骤1-2得到的状态误差对步骤1中的状态解进行修正，同时将其反馈到INS中；

步骤1-4，进行时间更新，返回步骤1-1；

步骤2，针对紧组合处理后的融合系统，进行基于假设检验的卫星同步多故障检测与排除处理；

步骤2包括：

步骤2-1，设定误警率P_fa；

步骤2-2，利用P_fa确定故障判决门限Th，基于卡方检验法计算多故障全局检测统计值；

步骤2-2包括：确定故障检测判决门限Th，

式中，P_fa表示故障检测的误警概率，F(x|m)表示自由度为m的中心卡方分布累积分布函数，另外基于卡方检验的故障检测统计值的计算：

其中，

表示新息γ_k协方差阵的逆；

步骤2-3，判断组合系统是否发生故障并输出故障状态，若系统发生故障，则执行步骤2-4，

否则返回步骤2-2；

步骤2-3包括：利用二元假设检验理论判断组合导航系统是否发生故障；

①原假设H₀：系统无故障，

s_k＜Th；

②备择假设H₁：系统存在故障，

s_k≥Th，其中,λ是自由度为m的卡方分布非中心参数，m表示可视星的数量；

χ²(m)为自由度为m的卡方分布，χ²(λ,m)服从m自由度的偏心卡方分布，非中心参数为λ；步骤2-4包括：确定故障识别判决门限Te，

式中，N(0,1)表示标准正态分布函数，另外基于w-检验的故障识别统计值的计算：

其中,e_i表示单位列向量，主要是用于提取新息向量中的第i个元素；

步骤2-4，利用P_fa确定故障识别门限Te，基于w-检测计算各GNSS伪距观测值对应的局部故障识别统计值；

步骤2-5，分别判断各GNSS观测值是否发生故障；

步骤2-5包括：

利用二元假设检验理论判断各GNSS观测值是否发生故障，

①原假设H₀：观测值无故障，w_i～N(0,1)，w_i≤Te；

②备择假设H₁：观测值存在故障，w_i～N(δ,1)，w_i＞Te，其中,δ是正态分布的非中心参数，可由误警率和漏警率计算得到；

步骤2-6，针对判定为故障的GNSS伪距观测值予以排除处理，利用所有通过w-检测的观测值进行状态解算。

Images