CN115143878A - 基于方差膨胀模型的gnss/加速度计自适应融合滑坡监测方法 - Google Patents

基于方差膨胀模型的gnss/加速度计自适应融合滑坡监测方法 Download PDF

Info

Publication number
CN115143878A
CN115143878A CN202210725698.8A CN202210725698A CN115143878A CN 115143878 A CN115143878 A CN 115143878A CN 202210725698 A CN202210725698 A CN 202210725698A CN 115143878 A CN115143878 A CN 115143878A
Authority
CN
China
Prior art keywords
gnss
accelerometer
covariance
measurement
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210725698.8A
Other languages
English (en)
Inventor
黄观文
景策
张勤
李昕
白正伟
杜源
张凯
杨欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202210725698.8A priority Critical patent/CN115143878A/zh
Publication of CN115143878A publication Critical patent/CN115143878A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于方差膨胀模型的GNSS/加速度计自适应融合滑坡监测方法，包括安装GNSS天线与加速度计形成一个刚体结构，计算Allan方差并标定加速度随机游走系数，构建Kalman滤波的状态及其协方差时间更新方程；将加速度计基线偏差扩展为待估参数，并进行随机游走建模；输入加速度计数据进行状态预测，并根据其时间戳搜索同一时刻的GNSS量测信息，将GNSS‑RTK位移作为量测信息计算高精度的融合形变监测结果。该方法通过Kalman滤波器将两种观测信息进行松耦合，并在历元间采用随机游走模型对加速度计基线偏差进行约束，另外采用方差膨胀模型对GNSS异常监测数据的量测噪声进行调整，以提高参数估计的精度和可靠性。

Description

基于方差膨胀模型的GNSS/加速度计自适应融合滑坡监测 方法
技术领域
本发明属于地质灾害监测技术领域，涉及到一种基于方差膨胀模型的GNSS/ 加速度计自适应融合滑坡监测技术，它以GNSS监测定位算法、加速度计融合模型、抗差算法等领域为实际应用背景，可用于GNSS信号干扰、中断等异常情况下的滑坡高精度形变监测。
背景技术
目前滑坡监测手段已发展至“空天地”立体化的监测模式。其中GNSS作为重要的地面监测装备之一，以其高精度、全天候、全天时的特点，能够提供连续三维的滑坡变形监测结果，特别是在RTK 解算模式下，通过固定双差模糊度可获取厘米级的定位结果。RTK技术已广泛用于滑坡监测中，并且已多次成功预警，但由于GNSS信号会因山体遮挡、植被衍射等因素而受到严重干扰，定位精度受挫，难以得到准确可靠的滑坡监测结果，极易导致滑坡灾害预警的误报和漏报。
加速度计作为一种惯性传感器，工作性能不受外界环境的影响，具有短时精度高、稳定性强等特点，但此类惯性传感器通常具有较为明显的零偏、随机游走等特性，误差会随时间不断累积，导致位移推算结果发散，这种现象在低成本 MEMS加速度计器件中的尤为明显。因此，加速度计和GNSS可进行有效的冗余互补，将两种传感器融合可获得更加可靠的滑坡监测结果，特别是在临滑阶段能够对滑坡失稳状态进行准确的判别和验证，以保证滑坡预警的可靠性。
Meng Xiaolin在“Design and Implementation of a New System for LargeBridge Monitoring—GeoSHM[J].Sensors,2018,18(3):775-.”中基于GNSS和MEMS加速度计建立了一种大桥监测系统，并成功应用至国内外的桥梁监测工程中，但其更加关注结构体的振动特性。
戴吾蛟等在“高楼振动监测中的GPS与加速度计集成方法研究[J].振动与冲击,2011,30(7):5.”中集成了GPS和加速度计，并提出一种多速率抗差模型来抑制GPS观测中的粗差和丢失等异常现象，但并没有考虑加速度基线偏差可能会导致的误差累积。
GengJianghui等在“A new seismogeodetic approach applied to GPS andaccelerometer observations of the 2012 Brawley seismic swarm:Implications forearthquake early warning[J].Geochemistry,Geophysics,Geosystems,2013, 14(7):2124-2142.”中将加速度计基线偏差进行随机游走建模，并与GPS形成紧组合模型来恢复地表的同震形变位移，但并未考虑GNSS异常时如何准确估计加速度基线偏差的问题。
以上GNSS/加速度融合形变监测研究均未考虑复杂环境下GNSS信号出现的衍射和中断等异常情况，GNSS异常量测信息会直接导致加速度计基线偏差的错误估计，最终引起Kalman滤波结果的发散。
发明内容
本发明提供了一种通过方差膨胀模型来抑制GNSS异常滑坡监测结果的 GNSS/加速度计自适应融合的滑坡监测方法，解决了GNSS在信号遮挡、衍射等复杂环境下监测不可靠的问题。
实现本发明目的技术方案包括以下步骤：
【1】安装并整平加速度计设备，并将三轴对准至东-北-天即E-N-U方向，静置设备≥30分钟，计算Allan方差并标定加速度三轴方向的随机游走系数 q＝[qx qy qz]；
【2】安装GNSS天线与加速度计形成一个刚体结构，利用GPS-RTK首个固定解建立ENU站心局部坐标系，与加速度计坐标系相统一；
【3】对Kalman滤波器的状态向量初值X0及其协方差阵的初值P0进行初始化；
【4】将加速度计基线偏差uk扩展为待估参数进行估计，并进行随机游走建模；
【5】构建GNSS/加速度计融合Kalman滤波器的状态及其协方差时间更新方程；
【6】基于第k个历元的加速度时间戳搜索同一时刻的GNSS量测信息；
【7】如果能搜索到GNSS量测信息，则继续实施以下步骤，否则返回步骤【5】；
【8】基于异常观测的方差膨胀模型对GNSS-RTK量测噪声进行自适应调整，得到等价量测噪声Rk，来降低异常GNSS量测信息对融合结果的影响；
【9】Kalman滤波量测更新；
【10】重复执行步骤【5】-【9】，继续计算第k+1,k+2,k+3...时刻的状态增益值Xk+ 1Xk+2Xk+3及其协方差矩阵Pk+1Pk+2Pk+3，即可得到高精度的滑坡形变监测结果。
进一步地，步骤【4】中对加速度计基线偏差进行随机游走建模的公式为：
uk＝uk-1+wk
式中uk表示k时刻加速度计基线偏差，wk表示k时刻高斯白噪声。
进一步地，步骤【5】中的GNSS/加速度计融合Kalman滤波器的状态及其协方差时间更新方程构建步骤如下：
【5.1】按照变加速模型进行状态推算，确定状态转移矩阵Ak，构建状态时间更新方程；
【5.2】计算位移、速度和基线偏差分量对应的噪声矩阵Qk；
【5.2.1】根据步骤【1】获得的加速度随机游走系数算出加速度噪声；
【5.2.2】根据误差传播定律将加速度噪声映射在位移、速度和基线偏差分量上，得到过程的噪声矩阵Qk；
Figure BDA0003713162360000031
Figure BDA0003713162360000032
其中NdNvNu分别表示位移、速度和基线偏差的噪声，矩阵[Nd Nv Nu]k T用字符Qk表示，为Kalman滤波的过程噪声矩阵，bk为误差传播系数，q为步骤【1】中获取的随机游走系数，Δt为加速度计采样间隔；
【5.3】计算位移、速度和基线偏差分量上的协方差，基于k-1时刻的状态协方差Pk-1，并借助步骤【5.1】中的状态转移矩阵Ak和步骤【5.2.2】中的噪声矩阵Qk推算k时刻的状态协方差Pk,k-1；
【5.4】根据状态时间更新方程和协方差，得到GNSS/加速度计融合Kalman 滤波器的状态及其协方差时间更新方程；
进一步地，步骤【8】中基于异常观测的方差膨胀模型对GNSS-RTK量测噪声进行自适应调整，得到等价量测噪声
Figure BDA0003713162360000041
方差膨胀模型用以下公式来表示：
Figure BDA0003713162360000042
其中
Figure BDA0003713162360000043
为方差膨胀因子，
Figure BDA0003713162360000044
分别为等价方差和协方差，等价量测噪声可描述为矩阵形式：
Figure BDA0003713162360000045
其中对角线元素
Figure BDA0003713162360000046
分别表示GNSS量测信息在ENU三个方向的等价方差，非对角线元素表示协方差，
Figure BDA0003713162360000047
代表EN两个方向的等价协方差，
Figure BDA0003713162360000048
代表EU两个方向的等价协方差，
Figure BDA0003713162360000049
代表NU两个方向的等价协方差。
进一步地，步骤【9】中Kalman滤波量测更新步骤如下：
【9.1】将GNSS-RTK位移作为量测信息，确定量测系数阵Hk，构建量测方程；
【9.2】计算位移、速度、基线偏差的高精度滤波解；
【9.2.1】根据步骤【5】获取的状态协方差时间更新结果，以及【9.1】得到的量测系数阵Hk和【8】得到的等价量测噪声Rk计算Kalman滤波器的量测增益矩阵Kk；
【9.2.2】根据步骤【9.2.1】得到的增益矩阵Kk、步骤【5】得到的状态时间更新结果及其协方差阵时间更新结果、以及步骤【9.1】得到的量测向量Zk和量测系数阵Hk计算量测更新后的状态增益值Xk及其协方差增益矩阵Pk。
本发明与现有的GNSS滑坡监测技术相比具有以下优点：
一、加速度计作为一种惯性传感器，其工作性能不受外部电磁环境的干扰，短时精度高，理论上可通过二次积分可以推算出形变体的位移变化，能够抑制传统单GNSS形变监测技术因受信号干扰而出现的低精度监测结果；GNSS可以获取形变体的绝对位移信息，有效避免加速度计长时间推算产生的误差累积。将两种传感器融合可以在位移维度上形成一个高鲁棒、高连续性的滑坡监测系统，提高监测结果的可靠性。
二、目前的GNSS/加速度计融合技术主要应用在大桥、建筑物、地震等结构形变监测领域中，均为开阔环境，并未考虑滑坡等复杂遮挡环境给GNSS监测精度带来的不利影响。现有的融合方法依赖高精度的GNSS监测信息估计加速度计基线偏差，进而获取准确的加速度计推算结果。本发明采用方差膨胀模型，对复杂滑坡环境中GNSS出现的异常监测信息进行降权处理，通过自适应扩大Kalman 滤波的量测噪声来改善融合系统的鲁棒性，逐历元(1Hz)准确估计加速度计的基线偏差对加速度计原始观测值进行闭环修正，避免二次积分的误差累积，保证 GNSS/加速度计融合滑坡形变监测系统的可靠性。
附图说明
图1是本发明方法流程图；
图2是本发明实验方案现场照片-仪器安装示意图；
图3是本发明加速度计静止观测原始观测数据(左)及Allan方差双对数图(右)；
图4是本发明中GNSS基准站中断时长对状态协方差的影响；
图5是本发明中GNSS基准站中断时模拟滑坡稳定阶段的融合解算结果；
图6是本发明中GNSS基准站中断时模拟滑坡滑动阶段的融合解算结果；
图7是本发明中卫星遮挡时信噪比、多路径误差与GNSS协方差的相关性关系；
图8是本发明中卫星遮挡时模拟滑坡稳定阶段的融合解算结果；
图9是本发明中卫星遮挡时模拟滑坡滑动阶段的融合解算结果。
附图标记为：1-GNSS基准站天线；2-GNSS监测站天线；3-三轴加速度计；4- 刚体结构；5-三维形变模拟平台。
具体实施方式
下面结合附图对本发明做进一步的描述。
本发明的思路在于先使得GNSS和加速度计两种设备的坐标系统相统一，对Kalman滤波的状态及其协方差进行初始化赋值，然后基于变加速模型构建Kalman 滤波时间更新方程，再借助GNSS解算信息构建Kalman滤波量测更新方程，通过方差膨胀模型对量测噪声进行自适应调整，以降低异常GNSS量测信息对Kalman滤波器的污染程度，获取高精度的Kalman滤波增益结果，即准确的GNSS/加速度计融合形变监测结果。
参照图1，本发明的具体实施步骤如下：
步骤1：安装加速度计设备，并将其三轴方向(X-Y-Z)对准至东-北-天(E-N-U) 方向，静置设备≥30分钟，获取加速度计的三轴静态观测数据(图3左)，并通过Allan方差法计算其随机游走系数q＝[qx qy qz]。
Allan方差被广泛用于测量精密仪器的频率稳定性。按照以下公式对加速度计三轴的静态观测数据进行处理，绘制相关时间-Allan方差的双对数曲线(图3 右)。
Figure BDA0003713162360000061
其中σ2(T)为Allan方差，
Figure BDA0003713162360000062
表示第k组长度为T的加速度计观测数据的平均值，N为加速度计分组的样本数量。
通过该双对数曲线的斜率可以获取加速度计的各项噪声源，其中加速度随机游走系数对应的斜率为1。在X-Y-Z三个方向的双对数曲线中找到斜率最接近1 的一段曲线，读取其对应的纵坐标即可获取加速度随机游走系数q＝[qx qy qz]。
步骤2：安装GNSS天线，与加速度计设备形成一个刚体结构。以GNSS-RTK 的第一个固定解为原点，建立东-北-天(E-N-U)站心局部坐标系，转换公式为：
Figure BDA0003713162360000063
其中R2和R3是Y和Z轴的旋转矩阵，(φ,λ)分别是大地纬度和大地经度， [x0 y0 z0]T是全球坐标参考框架地心坐标系WGS-84下的站点初始历元坐标， [xi yi zi]T是第i个历元在WGS-84坐标系下的站点坐标。
步骤3：对GNSS/加速度计融合Kalman滤波器待估状态向量的初值X0及其协方差阵的初值P0进行初始化，其表达式为：
Figure BDA0003713162360000071
式中，d0表示位移初值，v0表示速度初值，u0表示加速度计基线偏差初值； Pd Pv Pu分别表示位移、速度和基线偏差对应的协方差阵。本发明将状态初值均设为0，其协方差值均设为1.0。
步骤4：将待估参数加速度计基线偏差uk扩展为待估参数进行估计，并按照以下公式进行随机游走建模：
uk＝uk-1+wk
式中uk和uk-1表示k和k-1时刻加速度计基线偏差，wk表示k时刻高斯白噪声。
步骤5：构建GNSS/加速度计融合Kalman滤波的状态及其协方差的时间更新方程。
按照变加速模型进行状态推算(包括速度、位移和基线偏差)，那么第1个历元的速度、位移和基线偏差分量可分别基于步骤3设置的初值进行推算，表示为如下形式：
Figure BDA0003713162360000072
将以上公式写为矩阵和向量形式：
Figure BDA0003713162360000073
其中d1,0表示根据位移初值d0推算第1个历元位移结果，v1,0表示根据位移初值v0推算第1个历元速度结果，u1,0表示根据加速度计基线偏差初值u0推算第1 个历元基线偏差结果，在此基础上将以上公式改写为通用形式：
Xk,k-1＝AkXk-1+BkUk
Figure BDA0003713162360000081
Uk＝ak
其中，下标k和k-1分别代表k和k-1时刻，Xk,k-1表示根据k-1时刻状态推算k时刻状态，Ak为状态转移矩阵，Bk为控制输入矩阵，Uk为输入向量，ak表示k时刻加速度计量测值，Δt表示加速度计采样间隔。该公式即为Kalman滤波的状态时间更新方程。
根据步骤1得到的加速度随机游走系数q＝[qx qy qz]可计算出加速度噪声方差为(qΔt)2。由于加速度计是状态时间更新中的唯一噪声源，因此可根据误差传播定律将加速度噪声映射位移、速度和基线偏差分量上，构建过程噪声矩阵：
Figure BDA0003713162360000082
其中Nd Nv Nu分别表示位移、速度和基线偏差的噪声，其矩阵形式 [Nd Nv Nu]T可用字符Qk表示，意为Kalman滤波的过程噪声矩阵。由于向量 q和数值Δt在各历元均保持不变，因此过程噪声矩阵Qk也保持不变。
基于步骤3中状态协方差的初值P0和第一个历元的过程噪声矩阵Q1可以推算第1个历元的状态协方差P1,0：
Figure BDA0003713162360000083
将下标换为通用形式：
Pk,k-1＝AkPk-1Ak T+Qk
其中下标k和k-1分别代表k和k-1时刻，Pk,k-1表示根据k-1时刻状态协方差矩阵Pk-1预测的k时刻状态协方差矩阵，Ak为状态转移矩阵，Qk为过程噪声矩阵；
将最终公式进行整理即可得到为Kalman滤波的状态及其协方差更新方程对待估参数及其协方差进行一步预测：
Figure BDA0003713162360000091
其中Xk,k-1和Pk,k-1分别表示加速度推算Kalman滤波时间更新后的状态向量及其协方差的结果。
步骤6：基于第k个历元的加速度时间戳搜索同一时刻的GNSS量测信息。
步骤7：如果能搜索到GNSS量测信息，则继续实施步骤8-10，否则返回步骤5。
步骤8：基于异常观测的方差膨胀模型对GNSS-RTK量测噪声进行自适应调整，来降低异常GNSS量测信息对融合结果的影响。方差膨胀模型可用以下公式来表示：
Figure BDA0003713162360000092
其中
Figure BDA0003713162360000093
为方差膨胀因子，
Figure BDA0003713162360000094
分别为等价方差和协方差，等价量测噪声可描述为矩阵形式：
Figure BDA0003713162360000095
其中对角线元素分别表示GNSS量测信息在ENU三个方向的等价方差，非对角线元素表示协方差，如
Figure BDA0003713162360000096
代表EN两个方向的等价协方差。
步骤9：Kalman滤波量测更新。
构建GNSS/加速度计融合Kalman滤波量测方程。将GNSS-RTK位移作为量测信息计算高精度的融合解，量测方程可用以下方程来表示：
Zk＝HkXk+εk
其中，量测向量Zk中只包含GNSS的三维形变位移结果dk_GNSS，Hk＝[1 0 0]T为量测系数阵，εk为量测残差。
计算GNSS/加速度计融合Kalman的量测增益矩阵Kk：
Figure BDA0003713162360000101
计算GNSS/加速度计融合Kalman滤波状态向量(包括滑坡形变位移、形变速度和加速度计基线偏差)的高精度滤波增益解：
Figure BDA0003713162360000102
其中I为单位阵，Xk和Pk分别为量测更新后的状态及其协方差矩阵的增益值，Xk,k-1和Pk,k-1分别为状态及其协方差矩阵的时间更新结果，Kk为量测增益矩阵，Zk和Hk分别为量测向量和量测系数阵。
步骤10：重复执行步骤5-9，继续计算第k+1,k+2,k+3...时刻的状态增益值Xk+1Xk+2 Xk+3及其协方差矩阵Pk+1 Pk+2 Pk+3，即可得到高精度的滑坡形变监测结果。
本发明的效果可以通过下述实验加以说明：
1.实验环境
为了分析和验证GNSS/加速度计融合技术在滑坡监测效果，论文分别模拟了 GNSS信号部分失锁的典型GNSS滑坡监测场景。
图2给出了本发明仿真实验方案设备布局示意图。图中GNSS基准站天线1 放置在楼顶，观测环境良好，与GNSS监测站天线2之间距离为10m形成短基线。使用三维模拟形变平台5将GNSS监测站天线2和三轴加速度计3固连形成一个刚体结构4，以确保两者可以跟随模拟平台同方向同量级地移动，以模拟滑坡的形变过程。接收机可接收到GPS/北斗/GLONASS/Galileo多系统多频观测信号，GNSS接收机数据采样率为1s，加速度计数据采样频率为0.01s。
2.实验结果
如表1所示，模糊度固定后GNSS的监测定位精度可以很容易达到厘米级，但是在滑坡复杂环境下，由于通讯信号差，山体植被遮挡，GNSS极易受到基准站中断、多路径衍射等外部干扰的影响而出现浮点解，其解算结果通常会出现几十厘米甚至几米的误差。本发明针对基准站中断、多路径衍射这两种滑坡监测中常见的GNSS异常现象，分别设计静态和动态仿真实验来分析GNSS/加速度计融合方法在该滑坡场景中的贡献。
表1
Figure BDA0003713162360000111
(1)GNSS基准站中断场景
图4是基准站中断时长对状态协方差的影响，反映了当滑坡监测作业中出现中断时导致定位精度降级，这极易导致灾害预警的误判。
图5是GNSS基准站中断时模拟滑坡稳定阶段的融合解算结果(时段1)，可以看出GNSS基准站信号中断25s后，GNSS浮点解的平面误差达到0.15m，高程误差达到2m，如果使用常规的GNSS/加速度计融合方法也会出现异常，而采用本发明基于异常观测方差膨胀模型对GNSS量测噪声进行调整，很好地恢复融了合解的精度，结果符合真实的形变状态。
图6是GNSS基准站中断时模拟滑坡滑动阶段的融合解算结果(时段2)，可以看出GNSS基准站信号中断时，GNSS浮点解会偏离参考真值(以RTK固定解作为参考真值)几十厘米，而GNSS/加速度计融合解与参考真值相比具有较好的一致性。
(2)多路径效应&卫星遮挡场景
图7是模拟在滑坡稳定阶段出现卫星遮挡时信噪比、多路径误差与GNSS 协方差的相关性关系，从中可以看出，当多路径误差超过0.5m时，GNSS在E、 N、U方向的协方差均大于0.3m。
图8是GNSS卫星遮挡时模拟滑坡稳定阶段的融合解算结果(时段3)，该结果采用了方差膨胀模型对量测噪声进行自适应调整，其结果与实际位移变化具有较好的一致性。
图9是GNSS卫星遮挡时模拟滑坡滑动阶段的融合解算结果(时段4)，在此期间模拟15s的卫星遮挡，只保留4-5颗信噪比较低的GPS卫星(40dB以下)，结果显示，极端卫星遮挡更容易导致模糊度固定失败，三个方向的GNSS浮点解偏离参考真值最多达1.9m，而融合解与参考真值具有更好的一致性。

Claims (5)

1.一种基于方差膨胀模型的GNSS/加速度计自适应融合滑坡监测方法，其特征在于，包括以下步骤：
【1】安装并整平加速度计设备，并将三轴对准至东-北-天即ENU方向，静置设备≥30分钟，计算Allan方差并标定加速度三轴方向的随机游走系数q＝[qx qy qz]；
【2】安装GNSS天线与加速度计形成一个刚体结构，利用GPS-RTK首个固定解建立ENU站心局部坐标系，与加速度计坐标系相统一；
【3】对Kalman滤波器的状态向量初值X0及其协方差阵的初值P0进行初始化；
【4】将加速度计基线偏差uk扩展为待估参数进行估计，并进行随机游走建模；
【5】构建GNSS/加速度计融合Kalman滤波器的状态及其协方差时间更新方程；
【6】基于第k个历元的加速度时间戳搜索同一时刻的GNSS量测信息；
【7】如果能搜索到GNSS量测信息，则继续实施以下步骤，否则返回步骤【5】；
【8】基于异常观测的方差膨胀模型对GNSS-RTK量测噪声进行自适应调整，得到等价量测噪声
Figure FDA0003713162350000011
来降低异常GNSS量测信息对融合结果的影响；
【9】Kalman滤波量测更新；
【10】重复执行步骤【5】-【9】，继续计算第k+1,k+2,k+3...时刻的状态增益值Xk+1Xk+2Xk+3及其协方差矩阵Pk+1Pk+2Pk+3，即可得到高精度的滑坡形变监测结果。
2.根据权利要求1所述的基于方差膨胀模型的GNSS/加速度计自适应融合滑坡监测方法，其特征在于：步骤【4】中对加速度计基线偏差进行随机游走建模的公式为：
uk＝uk-1+wk
式中uk表示k时刻加速度计基线偏差，wk表示k时刻高斯白噪声。
3.根据权利要求1所述的基于方差膨胀模型的GNSS/加速度计自适应融合滑坡监测方法，其特征在于：步骤【5】中GNSS/加速度计融合Kalman滤波器的状态及其协方差时间更新方程构建步骤如下：
【5.1】按照变加速模型进行状态推算，确定状态转移矩阵Ak，构建状态时间更新方程；
【5.2】计算位移、速度和基线偏差分量对应的噪声矩阵Qk；
【5.2.1】根据步骤【1】获得的加速度随机游走系数算出加速度噪声；
【5.2.2】根据误差传播定律将加速度噪声映射在位移、速度和基线偏差分量上，得到过程的噪声矩阵Qk；
Figure FDA0003713162350000021
Figure FDA0003713162350000022
其中NdNvNu分别表示位移、速度和基线偏差的噪声，矩阵[Nd Nv Nu]k T用字符Qk表示，为Kalman滤波的过程噪声矩阵，bk为误差传播系数，q为随机游走系数，Δt为加速度计采样间隔；
【5.3】计算位移、速度和基线偏差分量上的协方差，基于k-1时刻的状态协方差Pk-1，并借助步骤【5.1】中的状态转移矩阵Ak和步骤【5.2.2】中的噪声矩阵Qk推算k时刻的状态协方差Pk,k-1；
【5.4】根据状态时间更新方程和协方差，得到GNSS/加速度计融合Kalman滤波器的状态及其协方差时间更新方程。
4.根据权利要求1所述的基于方差膨胀模型的GNSS/加速度计自适应融合滑坡监测方法，其特征在于：步骤【8】中基于异常观测的方差膨胀模型对GNSS-RTK量测噪声进行自适应调整，得到等价量测噪声
Figure FDA0003713162350000023
方差膨胀模型用以下公式来表示：
Figure FDA0003713162350000024
其中
Figure FDA0003713162350000025
为方差膨胀因子，
Figure FDA0003713162350000026
分别为等价方差和协方差，等价量测噪声可描述为矩阵形式：
Figure FDA0003713162350000031
其中对角线元素
Figure FDA0003713162350000032
分别表示GNSS量测信息在ENU三个方向的等价方差，非对角线元素表示协方差，
Figure FDA0003713162350000033
分别代表EN两个方向的等价协方差，
Figure FDA0003713162350000034
分别代表EU两个方向的等价协方差，
Figure FDA0003713162350000035
分别代表NU两个方向的等价协方差。
5.根据权利要求1所述的基于方差膨胀模型的GNSS/加速度计自适应融合滑坡监测方法，其特征在于：步骤【9】中Kalman滤波量测更新步骤如下：
【9.1】将GNSS-RTK位移作为量测信息，确定量测系数阵Hk，构建量测方程；
【9.2】计算位移、速度、基线偏差的高精度滤波解；
【9.2.1】根据步骤【5】获取的状态协方差时间更新结果，以及【9.1】得到的量测系数阵Hk和【8】得到的等价量测噪声
Figure FDA0003713162350000036
计算Kalman滤波器的量测增益矩阵Kk；
【9.2.2】根据步骤【9.2.1】得到的增益矩阵Kk、步骤【5】得到的状态时间更新结果及其协方差阵时间更新结果、以及步骤【9.1】得到的量测向量Zk和量测系数阵Hk计算量测更新后的状态增益值Xk及其协方差增益矩阵Pk。
CN202210725698.8A 2022-06-24 2022-06-24 基于方差膨胀模型的gnss/加速度计自适应融合滑坡监测方法 Pending CN115143878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210725698.8A CN115143878A (zh) 2022-06-24 2022-06-24 基于方差膨胀模型的gnss/加速度计自适应融合滑坡监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210725698.8A CN115143878A (zh) 2022-06-24 2022-06-24 基于方差膨胀模型的gnss/加速度计自适应融合滑坡监测方法

Publications (1)

Publication Number Publication Date
CN115143878A true CN115143878A (zh) 2022-10-04

Family

ID=83409035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210725698.8A Pending CN115143878A (zh) 2022-06-24 2022-06-24 基于方差膨胀模型的gnss/加速度计自适应融合滑坡监测方法

Country Status (1)

Country Link
CN (1) CN115143878A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116718153A (zh) * 2023-08-07 2023-09-08 成都云智北斗科技有限公司 一种基于gnss和ins的形变监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116718153A (zh) * 2023-08-07 2023-09-08 成都云智北斗科技有限公司 一种基于gnss和ins的形变监测方法及系统
CN116718153B (zh) * 2023-08-07 2023-10-27 成都云智北斗科技有限公司 一种基于gnss和ins的形变监测方法及系统

Similar Documents

Publication Publication Date Title
CN110823217B (zh) 一种基于自适应联邦强跟踪滤波的组合导航容错方法
US10234292B2 (en) Positioning apparatus and global navigation satellite system, method of detecting satellite signals
CN109459778B (zh) 基于抗差方差分量估计的码伪距/多普勒联合测速方法及其应用
CN104597471B (zh) 面向时钟同步多天线gnss接收机的定向测姿方法
Liu et al. Tight integration of ambiguity-fixed PPP and INS: model description and initial results
CN101156080B (zh) 一种基于gps导航卫星系统发射信号主要用于地形运动、大型设施以及民用建筑工程监控和测量的系统和方法
KR102034527B1 (ko) 와이-파이 위치와 센서정보 결합을 통한 단말 위치 필터링 시스템 및 그 방법
CN109059751B (zh) 一种形变数据监测方法及系统
Gao et al. Ionospheric and receiver DCB-constrained multi-GNSS single-frequency PPP integrated with MEMS inertial measurements
JP2010528320A (ja) リアルタイムキネマティック（ｒｔｋ）測位における距離依存性誤差の軽減
Erol et al. A general review of the deformation monitoring techniques and a case study: analysing deformations using GPS/levelling
CN112697154B (zh) 一种基于矢量分配的自适应多源融合导航方法
CN113099381A (zh) 一种天线工参智能感知仪及多功能智能感知网
Kanhere et al. Integrity for GPS/LiDAR fusion utilizing a RAIM framework
CN115143878A (zh) 基于方差膨胀模型的gnss/加速度计自适应融合滑坡监测方法
Hu et al. Performance evaluation of stereo vision aided loosely coupled GNSS/SINS integration for land vehicle navigation in different urban environments
Abd Rabbou et al. Integration of multi-constellation GNSS precise point positioning and MEMS-based inertial systems using tightly coupled mechanization
CN112179347B (zh) 一种基于光谱红移误差观测方程的组合导航方法
Vana et al. Benefits of motion constraining for robust, low-cost, dual-frequency GNSS PPP+ MEMS IMU navigation
Zhang et al. RANSAC-Based Fault Detection and Exclusion Algorithm for Single-Difference Tightly Coupled GNSS/INS Integration
CN109977499B (zh) 基于位置约束的北斗三频/静力水准仪斜拉桥监测方法
CN116106955B (zh) 一种基于气压计与ppp紧组合的智能终端高精度定位方法
Elsheikh et al. Low-cost PPP/INS integration for continuous and precise vehicular navigation
Wielgosz et al. Research on GNSS positioning and applications in Poland in 2015–2018
Gao et al. A robust approach to model colored noise for low-cost high-precision Positioning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination