第1章 引言 1
1.1 组合导航系统的发展简介 1
1.2 组合导航系统概述 3
1.2.1 几种导航系统简介 4
1.2.2 基于惯性导航的组合导航系统简介 5
1.2.3 导航常用坐标系 6
1.2.4 导航坐标系之间的变换 8
1.3 信息融合技术在组合导航系统中的应用 9
1.3.1 卡尔曼滤波算法 9
1.3.2 联邦滤波算法 10
1.3.3 非等间隔卡尔曼滤波算法 10
1.3.4 组合导航中的信息估计融合 10
参考文献 11
第2章 惯性／卫星组合导航及其最优滤波方法 12
2.1 概述 12
2.2 线性系统估计 13
2.2.1 线性系统描述 13
2.2.2 卡尔曼滤波算法 14
2.2.3 序贯卡尔曼滤波算法 16
2.2.4 平方根滤波 17
2.2.5 UDUT分解滤波 18
2.3 GPS／惯性组合模式 20
2.3.1 松散组合 20
2.3.2 紧密组合 21
2.3.3 组合模式的选择说明 23
2.4 GPS仿真器数学模型 23
2.4.1 卫星在地球坐标系中的位置模型 23
2.4.2 卫星在地球坐标系中的速度模型 25
2.4.3 最佳导航卫星的选择算法 30
2.4.4 伪距的模拟及用户位置解算 31
2.4.5 伪距率的模拟及用户速度解算 31
2.5 IMU输出信息的仿真模型 32
2.5.1 轨迹参数的确定 32
2.5.2 比力、角速率（角增量）信息的确定 32
2.5.3 捷联惯性导航的算法 35
2.6 基于位置、速度的组合导航系统的数学模型 37
2.6.1 组合导航系统的状态方程 37
2.6.2 组合导航系统的测量方程 39
2.6.3 系统方程的离散化 41
2.7 卡尔曼滤波器的设计与实现 41
2.7.1 卡尔曼滤波器 42
2.7.2 卡尔曼滤波器在组合导航中的应用形式 42
2.8 基于伪距、伪距率的组合导航系统的数学模型 43
2.8.1 组合导航系统的状态方程 43
2.8.2 组合导航系统的量测方程 44
2.9 组合导航仿真试验 46
2.9.1 基于伪距伪距率与基于位置速度的组合导航试验结果对比 47
2.9.2 基于不同滤波方法的组合导航试验结果对比 48
2.10 小结 49
参考文献 49
第3章 惯性／卫星深组合导航技术 50
3.1 概述 50
3.2 卫星导航接收机跟踪环路 50
3.2.1 信号跟踪环路分析 51
3.2.2 信号解调原理分析 53
3.3 惯性／卫星深组合导航中的接收机环路观测模型 56
3.4 深组合导航的模型介绍 58
3.4.1 Draper实验室的深组合系统与滤波体系 58
3.4.2 IGS LLC深组合系统及其系统方案 61
3.4.3 加拿大遥感中心（CRS）深组合系统及其系统方案 64
3.4.4 Calgary大学超紧组合系统及其系统方案 64
3.5 小结 65
参考文献 65
第4章 惯性／激光雷达组合导航 67
4.1 概述 67
4.2 基于激光雷达的导航原理 67
4.2.1 激光雷达测量原理及结构化环境特征分析 68
4.2.2 激光雷达特征区域分割算法 68
4.2.3 基于直线假设的点和线段特征提取算法 69
4.3 惯性／激光雷达组合算法研究 70
4.3.1 基于EKF的SLAM组合算法 71
4.3.2 基于位置方位组合的惯性／激光雷达组合导航算法研究 79
4.4 小结 83
参考文献 83
第5章 大气／惯性导航系统的信息融合技术 85
5.1 概述 85
5.2 大气数据系统技术的发展状况 85
5.3 机载大气／惯性数据信息融合技术研究现状 87
5.4 大气／惯性导航系统的高度融合算法 87
5.4.1 大气／惯性导航高度阻尼原理分析 88
5.4.2 跨声速大气／惯性高度融合算法 89
5.5 大气／惯性导航系统的攻角补偿修正算法 91
5.5.1 攻角及其传感器配置分析 91
5.5.2 攻角传感器误差与校准分析 93
5.5.3 基于BP神经网络的跨声速攻角补偿修正算法研究 93
5.6 角惯性导航辅助大气数据系统补偿滤波算法 96
5.6.1 状态方程建立 96
5.6.2 系统量测方程建立 97
5.6.3 卡尔曼滤波器设计 98
5.6.4 大气数据解算方法 99
5.6.5 算法验证与分析 99
5.7 本章小结 100
参考文献 101
第6章 多传感器组合导航系统中的状态估计算法 102
6.1 集中式多传感器状态估计 102
6.2 分布式多传感器状态估计 104
6.3 联邦滤波器 106
6.3.1 问题描述 106
6.3.2 方差上界技术 107
6.3.3 联邦滤波的一般结构 110
6.3.4 联邦滤波器的工作流程 111
6.3.5 联邦滤波器的最优性证明 112
6.3.6 联邦滤波器结构 115
6.3.7 联邦滤波器结构比较 118
6.3.8 联邦滤波器的特点 118
6.3.9 联邦滤波器的简化形式 119
6.4 带反馈信息的分布估计 119
6.4.1 多组合导航系统的两层分布融合模型 120
6.4.2 有无反馈情况下的融合解的关系 123
6.4.3 仿真分析 125
6.5 本章小结 127
参考文献 127
第7章 基于多尺度的综合导航系统信息融合算法 129
7.1 多传感器多尺度组合导航系统的信息融合算法研究 129
7.1.1 GPS/SST/SINS多组合导航系统数学模型 129
7.1.2 算法描述 130
7.1.3 系统分块算法 131
7.1.4 系统多尺度描述 137
7.1.5 系统的多尺度滤波算法 139
7.1.6 仿真试验及分析 140
7.2 多传感器组合导航系统的多尺度分布式滤波算法 143
7.2.1 多尺度融合算法的建立 144
7.2.2 基于尺度的分布式融合算法 148
7.2.3 仿真试验及结论 151
7.3 多传感器组合导航系统的多尺度异步融合算法 154
7.3.1 常规异步信息融合算法 154
7.3.2 基于多尺度的异步信息融合算法 156
7.3.3 仿真试验与结论 158
7.4 本章小结 160
参考文献 160
第8章 基于非线性的组合导航滤波方法 162
8.1 概述 162
8.2 扩展卡尔曼滤波算法 162
8.2.1 围绕标称状态线性化的卡尔曼滤波方程 163
8.2.2 围绕估计状态线性化的卡尔曼滤波方程 165
8.3 无迹卡尔曼滤波算法 167
8.3.1 UT变换 167
8.3.2 UKF算法描述 169
8.4 基于UKF的惯性组合导航直接式滤波模型 170
8.4.1 状态方程与量测方程 170
8.4.2 基于UKF的惯性组合导航直接式滤波流程 172
8.4.3 基于UKF的惯性组合导航直接式滤波仿真验证 175
8.5 粒子滤波理论 178
8.5.1 动态状态空间模型 179
8.5.2 贝叶斯估计理论 180
8.5.3 粒子滤波理论 181
8.6 基于粒子滤波算法的组合导航系统 183
8.6.1 非线性量测方程 183
8.6.2 GPF算法 185
8.6.3 MPF算法 188
8.7 本章小结 194
参考文献 194
第9章 融合算法在惯导系统动基座对准中的应用 196
9.1 概述 196
9.2 惯导系统动基座传递对准误差模型 196
9.2.1 大方位失准角动基座对准线性化模型 197
9.2.2 大方位失准角动基座对准非线性误差模型 201
9.3 惯导系统动基座对准滤波模型 204
9.3.1 线性滤波模型 204
9.3.2 非线性滤波模型 206
9.4 大方位失准角传递对准组合匹配模型 209
9.4.1 “速度＋角速度”匹配模型 209
9.4.2 “速度＋姿态”匹配模型 211
9.5 信息融合算法在大方位失准角传递对准中的应用 212
9.5.1 SUKF滤波和SSUKF滤波在非线性误差模型传递对准中的应用 212
9.5.2 卡尔曼滤波在线性误差模型组合匹配传递对准中的应用 213
9.5.3 衰减记忆自适应滤波在传递时间延迟中的应用 216
9.6 本章小结 219
参考文献 220