【GNSS定位原理及算法杂记3】GNSS观测主要误差源（卫星、信号传播、接收机三大类误差源）

这篇笔记感觉又臭又长，自己都不想看。先把RTK、PPP等算法整理完，再回头优化这篇文章吧~
GNSS 误差源及其影响与抑制方法汇总表

1 GNSS定位中主要的误差源有哪些？

测量误差按照其来源不同大致可以分为三大类。

• 1）与卫星有关的误差： 主要包括卫星时钟误差和卫星轨道误差。它们是由于地面监控站不能对卫星时钟的钟漂、
  频漂和卫星的运行轨道做出绝对准确的预测引起的。
• 2）与信号传播有关的误差： 信号从卫星传播到接收机需要穿越大气层，大气层对信号传播的影响表现为大气延时。大气延时误差通常被分为电离层延时和对流层延时两部分。
• 3）与接收机有关的误差： 主要包括接收机钟差、多路径效应和接收机噪声，其中多路径效应有时也被归类到与信号传播有关的误差源。不过不管黑猫白猫，能抓到耗子的猫就是好猫，搞清其误差原理，对症下药提升精度是最终目的。

1.1 与卫星有关的误差（卫星时钟误差、卫星轨道误差）

这类误差是由于卫星自身的状态或模型不准确导致的，它们影响了卫星信号的精确性和卫星位置的已知性。

1.1.1 卫星时钟误差 (Satellite Clock Error)

• 定义： GNSS卫星上都搭载了高精度原子钟（如铷钟或铯钟），用于生成精确的时间基准和同步导航信号的发射。然而，任何时钟都无法做到绝对精确，卫星原子钟的频率和相位会随着时间漂移，与GNSS系统参考时间（如GPS时间）存在微小偏差。
• 影响： 卫星钟差直接影响伪距观测值的精度。如果卫星报告的发射时间不准确，接收机计算出的信号传播时间就会有偏差，从而导致伪距测量不准确，直接影响定位精度。例如，1纳秒的钟差会导致约0.3米的距离误差。
• 校正方法：
  • 导航电文校正： 地面控制站持续监测卫星钟差，并将其校正参数（多项式系数）写入导航电文，由卫星广播给用户。用户接收机利用这些参数对卫星钟差进行模型化补偿。
  • 差分技术： 在差分GNSS（如RTK、PPK）中，由于基准站和流动站观测的是同一颗卫星，卫星钟差误差对两者影响相同，通过差分可以被大部分消除。
  • 精密星历和钟差产品： 对于PPP等高精度应用，通常使用国际GNSS服务（IGS）等机构发布的精密钟差产品，这些产品提供了更精确的卫星钟差信息，可将钟差误差降至亚纳秒级别。

1.1.2 卫星轨道误差 (Satellite Orbit Error)

• 定义： 卫星的轨道（或称星历）是描述卫星在空间中运动轨迹的参数。地面控制站根据对卫星的监测数据计算并预报卫星的轨道，并将这些轨道参数（广播星历）上传给卫星，由卫星广播给用户。然而，由于计算模型不完善、外部摄动（如地球非球形引力、太阳辐射压、潮汐力等）的影响以及地面监测站的分布和测量精度限制，广播星历与卫星实际轨道之间会存在微小差异。
• 影响： 卫星轨道误差直接导致用户接收机计算的卫星位置不准确。如果卫星位置有偏差，即使伪距测量再准确，基于错误卫星位置的定位解算结果也会是错误的。例如，1米的轨道误差会导致约1米的定位误差。
• 校正方法：
  • 广播星历： 这是用户接收机默认使用的轨道信息，其精度一般在米级。
  • 差分技术： 在差分GNSS中，对于短基线（几十公里），由于基准站和流动站的相对距离较近，卫星轨道误差对两者影响相似，可以通过差分部分消除。对于长基线，则需要考虑轨道误差的差异。
  • 精密星历产品： 对于高精度应用（如PPP），使用后处理或准实时的精密星历产品，这些星历是根据全球监测网的长时间观测数据精确计算的，其精度可达厘米级。

1.2 与信号传播有关的误差（电离层延迟、对流层延迟）

这类误差是由于GNSS信号在穿越地球大气层时，其传播速度和路径发生变化导致的。

1.2.1 电离层延迟 (Ionospheric Delay)

• 定义： 电离层是地球大气层中高度约50公里到1000公里之间的区域，其中含有大量自由电子和离子。GNSS信号穿过电离层时，其传播速度会发生改变（被减慢），并且传播路径会弯曲。这种延迟量与信号频率有关（频率越高，延迟越小），与电离层中电子密度（特别是总电子含量TEC）成正比。
• 影响： 电离层延迟是GNSS信号传播过程中最大的误差源，尤其是在太阳活动剧烈、高纬度地区或赤道异常区。它可能导致数米到数十米的伪距误差。
• 校正方法：
  • 双频测量： 最有效的方法。由于电离层延迟是频率相关的，利用GNSS卫星发射的L1和L2（或更多）两个不同频率的信号进行双频或多频观测，可以根据信号在不同频率下不同的延迟特性，建立数学模型来几乎完全消除电离层延迟。
  • 电离层模型： 利用简化的数学模型（如Klobuchar模型，广播电文中的参数）进行近似校正。精度有限。
  • 差分技术： 在差分GNSS中，当基准站和流动站距离较近时，电离层延迟对两者影响近似，通过差分可以显著减弱。对于长基线，则需要专门的电离层建模或采用无电离层组合。
  • 电离层格网产品： 通过全球或区域监测站的数据，生成高精度的电离层延迟格网产品，供PPP用户使用。

1.2.2 对流层延迟 (Tropospheric Delay)

• 定义： 对流层是地球大气层中靠近地表的部分，高度约0公里到50公里。GNSS信号穿过对流层时，其传播速度也会减慢。与电离层不同，对流层是非色散介质，即其延迟量与信号频率无关。主要受对流层的温度、气压和湿度等气象条件影响。
• 影响： 对流层延迟是GNSS信号传播的第二大误差源，可能导致几米到数十米的伪距误差。其影响与卫星的高度角有关，卫星高度角越低，信号穿过对流层的路径越长，延迟越大。
• 校正方法：
  • 气象模型： 利用标准大气模型（如Saastamoinen模型、Hopfield模型）结合地面气象数据（温度、气压、湿度）进行模型化校正。
  • 差分技术： 在差分GNSS中，由于对流层延迟对相距不远的接收机影响相似，通过差分可以显著减弱。
  • 参数估计： 在高精度定位（如PPP、高精度RTK）中，通常将对流层天顶延迟（Zenith Tropospheric Delay - ZTD）作为未知参数在滤波器中进行估计，从而获得更准确的校正。
  • 水汽辐射计： 通过测量大气水汽含量来获取更精确的水汽延迟信息。

1.3 与接收机有关的误差（接收机钟差、多路径效应、接收机噪声）

这类误差是由于用户接收机自身的特性、周围环境或信号接收方式导致的。

1.3.1 接收机钟差 (Receiver Clock Error)

• 定义： 用户GNSS接收机内部的时钟通常是石英晶振，其精度远低于卫星上的原子钟，并且会不断漂移，与GNSS系统时间存在较大的偏差。
• 影响： 接收机钟差是伪距观测值中一个非常显著的公共偏差。它导致接收机记录的接收时间与GNSS系统时间不一致，从而使得所有伪距观测值都带着相同的偏差。如果不对其进行处理，会直接导致定位结果的巨大误差。
• 校正方法：
  • 作为未知数估计： 在GNSS定位解算中，接收机钟差（通常是接收机钟差与光速的乘积 $c\cdot \delta t_R$）被视为一个独立的未知参数，与三维位置 $(X,Y,Z)$ 一起，通过至少四颗卫星的伪距观测值进行同步解算。
  • 差分技术： 在差分GNSS中，由于接收机钟差是接收机内部的固有误差，它不会被差分消除（除非是双差），但在处理多颗卫星观测值时，可以将其作为一个公共未知量进行求解。

1.3.2 多路径效应 (Multipath Effect)

• 定义： 多路径效应是指GNSS卫星信号在到达接收机天线之前，除了直接路径信号外，还被周围的建筑物、地面、水面等障碍物反射，导致反射信号也进入接收机天线。由于反射信号的传播路径更长，其到达接收机的时间会比直射信号晚，并且信号相位和强度也可能发生变化。
• 影响： 多路径效应导致接收机测量到的伪距和载波相位失真，引入额外的误差。在城市峡谷、山区或水域附近等复杂环境中尤为明显，是GNSS高精度定位的主要挑战之一，尤其难以通过差分技术完全消除。
• 抑制方法：
  • 接收机硬件：
    • 扼流圈天线 (Choke Ring Antenna)： 具有良好的抑制低高度角反射信号的能力。
    • 多路径抑制算法： 接收机内部的数字信号处理算法，如窄相关技术（Narrow Correlator）、多径估计与消除技术（MEMS）等，用于区分并抑制反射信号的影响。
  • 软件/数据处理：
    • 剔除低高度角卫星： 低高度角卫星信号更容易受到多径影响。
    • 地物模型辅助： 利用高精度的三维城市模型，预测多径发生的区域和卫星，进行辅助抑制或剔除。
    • 抗差估计： 在定位算法中引入抗差性，降低异常观测值对结果的影响。

1.3.3 接收机噪声 (Receiver Noise)

• 定义： 接收机噪声是由于接收机内部电子元件的热噪声、量化噪声以及外部电磁干扰等引起的随机误差。
• 影响： 接收机噪声是随机的、不可预测的，它会随机地干扰伪距和载波相位的测量，降低观测值的精度。通常伪距的噪声水平在几十厘米到几米，载波相位的噪声水平在毫米到几毫米。
• 抑制方法：
  • 硬件设计： 优化接收机前端电路设计，使用低噪声放大器（LNA）等。
  • 软件处理：
    • 平滑算法： 对伪距观测值进行平滑处理（如结合载波相位平滑伪距）。
    • 滤波器： 在定位算法（如卡尔曼滤波）中，通过合适的噪声协方差建模和滤波增益控制，可以有效抑制随机噪声的影响。
    • 数据质量控制： 剔除质量较差的观测值。
    • 增多观测值： 增加观测时间或观测卫星数量，通过统计平均效应降低噪声影响。

2 组合导航如何缓解上述的误差？

• 组合导航缓解方式：
  • 差分技术（RTK/PPK）： 消除大部分与卫星路径相关的误差，如卫星钟差、轨道误差、电离层/对流层延迟（对于短基线）。
  • 惯性导航系统（INS）融合：
    • 短期内精度高： INS不受GNSS信号遮挡、多径等影响，在GNSS信号不佳（如城市峡谷、隧道）时，可独立提供连续的定位、测速和姿态信息，弥补GNSS的不足。
    • 平滑GNSS输出： INS可以作为低通滤波器，平滑GNSS瞬时跳变。
    • 提供姿态信息： INS可以提供GNSS无法直接得到的精确姿态（俯仰、横滚、航向）。
    • 加速GNSS重捕获： 当GNSS信号恢复时，INS可以提供高精度的位置、速度和姿态信息，帮助GNSS接收机更快地捕获和锁定卫星信号。
  • 多传感器融合： 结合里程计、激光雷达、视觉等传感器数据，进一步提高定位的鲁棒性和精度，特别是在GNSS拒止环境下。

3 GNSS误差源与组合导航（自问自答）

1. Q: GNSS定位中主要的误差源有哪些？请你对这些误差源进行分类，并指出哪几类误差对高精度定位影响最大？

• A: GNSS定位的主要误差源可以分为三大类：
  1. 与卫星有关的误差： 卫星钟差、卫星轨道误差。
  2. 与信号传播有关的误差（大气延迟）： 电离层延迟、对流层延迟。
  3. 与接收机及环境有关的误差： 接收机钟差、多路径效应、接收机噪声。
     对高精度定位影响最大的误差通常是电离层延迟和对流层延迟（尤其是前者，可以达到数十米），以及多路径效应（难以完全消除且具有局部性）。卫星钟差和轨道误差通过地面监测网和精密产品可以很好地校正，接收机钟差作为未知数求解即可。

2. Q: 请详细解释电离层延迟和对流层延迟的区别，以及在组合导航中常用的抑制方法。

• A:
  • 电离层延迟： 位于50-1000公里高空，含有自由电子和离子。它是一种色散误差，即信号频率越高，延迟越小。它与总电子含量（TEC）成正比，白天、太阳活动剧烈时影响更大。
  • 对流层延迟： 位于地表至约50公里高空，含有水汽、氧气等。它是一种非色散误差，即与信号频率无关。主要受温度、气压、湿度影响，高度角越低，延迟越大。
• 抑制方法：
  • 电离层：
    • 双频/多频测量： 最有效，通过不同频率信号的延迟差异来消除。
    • 差分技术： 短基线可有效消除，长基线需结合模型或无电离层组合。
    • 电离层模型/产品： 如Klobuchar模型，或精密电离层格网产品（用于PPP）。
  • 对流层：
    • 气象模型： 利用标准大气模型结合地面气象参数进行模型化校正。
    • 差分技术： 短基线可有效消除。
    • 参数估计： 在高精度滤波（如卡尔曼滤波）中，将对流层天顶延迟（ZTD）作为状态量进行估计。

3. Q: 什么是多路径效应？它为什么难以完全消除？在自动驾驶或城市复杂环境中，如何应对多路径误差？

• A: 多路径效应是指GNSS信号在到达接收机前，被周围环境（如建筑物、地面、车辆）反射，导致反射信号与直射信号同时进入接收机。由于反射信号传播路径更长，会使得测量到的伪距和载波相位产生偏差。
• 难以消除原因：
  1. 高度局部性： 多路径效应与接收机所处的局部环境高度相关，难以通过差分技术完全消除。
  2. 反射路径复杂： 反射信号可能有多条路径，且其相位和幅度与直射信号混叠，难以精确建模。
  3. 动态变化： 车辆移动或周围环境变化时，多径条件也会动态变化。
• 应对方法（组合导航视角）：
  1. 硬件层面： 使用扼流圈天线、抗多径天线等。
  2. 接收机内部算法： 采用窄相关技术、多径估计与消除技术（MEMS）等。
  3. 滤波算法：
     • 利用惯导（IMU）： 在多径严重区域，GNSS可能不可用或精度急剧下降。此时，组合导航系统可以依靠IMU提供连续高精度的位姿，削弱GNSS信号质量不佳时的影响。
     • 观测值加权/剔除： 根据信号质量指标（如信噪比SNR、伪距残差）动态调整GNSS观测值的权重，或直接剔除受多径影响严重的卫星（如低高度角卫星）。
     • 基于学习的方法： 尝试利用机器学习识别多径指纹并进行补偿。
  4. 环境建模： 结合高精地图、三维城市模型，预测可能发生多径的区域，并辅助定位。
  5. 多传感器融合： 激光雷达、视觉SLAM等可以提供独立于GNSS的定位信息，在多径环境下作为主导传感器。

4. Q: 惯性导航系统（INS）自身的误差是如何累积的？在GNSS/INS组合导航中，卡尔曼滤波器如何抑制INS的误差累积？

• A: INS通过对陀螺仪和加速计的测量值进行积分来推算位姿。其主要误差累积来源是IMU传感器误差（如陀螺仪和加速计的偏置bias、比例因子误差scale factor error、噪声）和初始对准误差。这些误差在积分过程中不断放大，导致INS的定位精度随时间快速漂移。例如，恒定的陀螺仪偏置会导致角度误差随时间线性增长，进而引起速度误差线性增长，位置误差二次方增长。
• 卡尔曼滤波器抑制： 卡尔曼滤波器在GNSS/INS组合导航中扮演着“校正器”的角色。
  • 状态估计： 卡尔曼滤波将INS的导航误差（位置误差、速度误差、姿态误差）以及IMU的传感器误差（如陀螺仪偏置、加速计偏置）作为状态量进行估计。
  • GNSS校正： 当GNSS信号可用时，GNSS提供精确的绝对位置和速度信息作为滤波器的观测值。通过比较INS的预测值和GNSS的观测值之间的差异（残差），卡尔曼滤波器能够估计出INS的导航误差和IMU的传感器误差。
  • 误差反馈： 估计出的IMU传感器误差（偏置等）会反馈回IMU的原始测量值进行校正，从而减小下一时刻INS积分的误差。同时，导航误差也可以直接用于校正INS的导航解。这种闭环校正机制有效地抑制了INS误差的累积。

5. Q: 在GNSS/INS紧耦合方案中，GNSS的哪些观测值被用作卡尔曼滤波器的测量更新？这种方式相比松耦合有何优势？

• A: 在GNSS/INS紧耦合方案中，GNSS的原始观测值被用作卡尔曼滤波器的测量更新，主要包括：
  • 伪距 (Pseudorange)
  • 伪距率（或称多普勒频移 - Doppler Shift）
  • 载波相位 (Carrier Phase)
• 相比松耦合的优势：
  1. 鲁棒性强： 即使GNSS卫星数量不足4颗（例如只有1-3颗可见星），只要能形成有效的观测值，紧耦合系统也能利用这些观测值进行辅助定位，而松耦合模式下GNSS无法独立解算，系统就会失效。
  2. 精度更高： 紧耦合直接利用原始观测值，避免了GNSS独立解算过程中的信息损失和误差传递。通过卡尔曼滤波对原始观测值进行加权和融合，能够得到更优的估计。
  3. 快速重捕获： 当GNSS信号短暂中断后恢复时，INS提供的精确位姿信息可以帮助GNSS接收机更快地捕获和跟踪信号。
  4. 抗干扰能力： 在某些深耦合变体中，INS信息可以直接辅助GNSS接收机内部的信号跟踪环，提高在弱信号或干扰环境下的信号保持能力。

6. Q: 卡尔曼滤波器的“过程噪声”和“测量噪声”分别代表什么？在实际的组合导航系统设计中，如何合理设置它们？

• A:
  • 过程噪声 (Process Noise): 代表了系统动力学模型的不确定性。它描述了系统状态在时间传播过程中（即预测阶段）由于未建模的动态、IMU传感器残余误差（去除偏置后的随机游走、速率随机游走等）等因素引起的状态变化。
  • 测量噪声 (Measurement Noise): 代表了观测模型的不确定性，即传感器测量值本身的噪声和不确定性。例如，GNSS伪距或载波相位的测量误差。
• 合理设置方法：
  • 理论分析与经验值： 根据传感器的规格书、物理特性和以往经验，初步设定噪声的理论值。
  • 实测数据分析： 这是最重要的。
    • 过程噪声： 对IMU传感器进行静态测试（Allan方差分析）或动态测试，评估其随机游走、偏置不稳定性等，从而推导出对应的过程噪声参数。这通常需要专业的标定设备和方法。
    • 测量噪声： 对GNSS接收机在不同环境下的观测值进行统计分析，评估伪距、载波相位的测量精度和噪声水平。
  • 自适应滤波： 在动态或复杂环境中，噪声特性可能发生变化。可以采用自适应卡尔曼滤波，根据观测残差实时估计和调整噪声协方差矩阵。
  • 调参优化： 通过实验数据不断调试和优化噪声协方差矩阵的对角线元素，以达到最优的滤波效果（平衡平滑性、响应速度和收敛性）。过程噪声过小可能导致滤波器对观测值不敏感，收敛慢；过大可能导致估计结果波动大。测量噪声过小可能使滤波器过度信任测量，导致对异常值敏感；过大则会使滤波器对测量信息利用不足。

7. Q: GNSS定位中，几何构型对精度有什么影响？如何通过参数（PDOP/GDOP）来评估？在组合导航中，这一影响是否依然存在？

• A:
  • 影响： 卫星的几何构型（即卫星在天空中的分布情况）对GNSS定位精度有显著影响。理想的几何构型是卫星均匀分布在接收机周围，且包含低高度角和高高度角卫星，这样可以使得方程组解算更稳定，误差放大效应最小。当卫星聚集在天空的某一小区域时，几何构型差，误差放大效应明显，导致定位精度下降。
  • PDOP/GDOP评估：
    • PDOP (Position Dilution of Precision - 位置精度衰减因子)： 衡量三维位置（经度、纬度、高度）的精度衰减。
    • GDOP (Geometric Dilution of Precision - 几何精度衰减因子)： 衡量三维位置和时间（接收机钟差）的综合精度衰减。
    • PDOP/GDOP值越大，表示卫星几何构型越差，定位精度衰减越大；反之则越好。例如，PDOP值小于2通常认为几何构型良好，大于5则较差。
• 组合导航中的影响：
  • 依然存在： 即使在组合导航中，GNSS的几何构型差依然会影响GNSS观测值的质量和GNSS解算的精度。如果GNSS作为主观测量，其精度下降会直接影响卡尔曼滤波器的测量更新效果。
  • 影响减弱： 但组合导航系统通过融合INS信息，可以显著削弱几何构型差对最终导航解的负面影响。当PDOP值变大、GNSS精度下降时，滤波器会降低GNSS观测值的权重，更多地依赖惯导的预测，从而保持导航解的连续性和鲁棒性。这意味着，即使GNSS信号质量不佳，组合导航也能提供比单一GNSS更稳定的解。

8. Q: 除了GNSS和INS，还有哪些传感器可以用于组合导航？它们的优势和局限性是什么？在何时会考虑使用它们？

• A:
  • 里程计 (Odometer)：
    • 优势： 成本低，可提供高精度的车辆前进方向的速度或里程信息，不受GNSS信号遮挡影响。
    • 局限性： 只能提供沿轮子方向的相对位移，无法提供横向位移、姿态信息；存在滑移、打滑误差。
    • 应用： 主要用于车辆导航，作为GNSS/INS系统的辅助，尤其在低速或GNSS信号中断时，提供精确的速度约束。
  • 激光雷达 (LiDAR - Light Detection and Ranging)：
    • 优势： 可提供高精度的点云数据，用于构建局部地图并实现高精度SLAM（Simultaneous Localization and Mapping），在GNSS拒止环境下表现出色；不受光照条件影响。
    • 局限性： 成本较高，点云数据量大，计算复杂；在特征稀疏环境（如空旷高速公路）表现不佳。
    • 应用： 自动驾驶、机器人导航、高精度地图构建和匹配。
  • 视觉传感器 (Cameras)：
    • 优势： 成本低廉，信息丰富，可用于视觉里程计（VO）、视觉SLAM、目标识别等，不受GNSS信号影响。
    • 局限性： 易受光照、天气、纹理、运动模糊等影响；纯视觉里程计存在尺度漂移。
    • 应用： 自动驾驶、AR/VR、机器人导航。通常与IMU紧密耦合（VIO）。
  • 高精地图 (High-Definition Maps)：
    • 优势： 提供车道线、路标、建筑物等高精度先验位置信息，可以作为额外的观测值进行匹配定位，极大地提高定位精度和鲁棒性。
    • 局限性： 需要预先构建和更新地图，成本高，存储量大；地图本身也存在误差。
    • 应用： 自动驾驶、车道级导航。

8. Q: 在组合导航算法中，除了卡尔曼滤波及其变种（EKF/UKF）外，还有哪些常用的状态估计方法？它们各有什么特点和适用场景？

• A:
  1. 批处理最小二乘 (Batch Least Squares)：
     • 特点： 将所有观测数据一次性处理，计算全局最优解。简单直观，适用于离线后处理，易于调试。
     • 优点： 可获得全局最优解，易于实现。
     • 缺点： 无法实时处理，计算量随数据量增加而迅速增大，无法处理系统动态变化。
     • 适用场景： GNSS数据后处理，传感器标定，轨迹回放。
  2. 迭代最小二乘 (Iterated Least Squares)：
     • 特点： 针对非线性系统，通过不断线性化和迭代求解，逼近最优解。
     • 优点： 能够处理非线性问题，收敛快。
     • 缺点： 需要好的初始值，可能陷入局部最优。
     • 适用场景： 非线性模型的GNSS定位，如单点定位，或作为滤波器初始化。
  3. 粒子滤波 (Particle Filter)：
     • 特点： 非参数化滤波器，通过一组随机采样的“粒子”来表示状态的后验概率分布。
     • 优点： 能处理任意非线性、非高斯噪声模型，适用于多模态分布。
     • 缺点： 计算量大，粒子数量多时效率低，维度灾难。
     • 适用场景： 对非线性非高斯特性要求高、状态空间相对较小、或需要处理多假设的场景，如室内定位。
  4. 图优化 (Graph Optimization / Factor Graph Optimization)：
     • 特点： 将所有传感器测量和系统状态都建模为图中的节点和边，通过优化图的能量函数来寻找全局最优状态。
     • 优点： 能够进行全局优化，处理环路闭合，对误差具有鲁棒性，更适合处理长期一致性问题。
     • 缺点： 计算量大，通常用于后端优化，实时性较差（但有增量式图优化）。
     • 适用场景： SLAM（同步定位与建图）、大规模轨迹优化、多传感器融合的后端处理。

9. Q: 在实际工程中，组合导航系统如何处理GNSS信号中断的情况？你会如何设计一个策略来保障定位的连续性和精度？

• A: GNSS信号中断是组合导航系统面临的常见挑战。
• 处理策略设计：
  1. 高精度IMU的选择： 选择性能更好的IMU（如战术级或更高），其在短时间内的漂移会更小，能提供更长的“盲区”导航能力。
  2. 卡尔曼滤波器的状态设计： 将IMU的偏置（Bias）、比例因子误差（Scale Factor Error）等作为状态量进行精确估计。当GNSS可用时，滤波器能准确估计并校正这些IMU误差，为GNSS中断做好准备。
  3. 滤波模式切换：
     • GNSS可用时： 紧耦合或松耦合模式，GNSS为主导校正IMU误差。
     • GNSS短期中断 (秒级到十秒级)： 系统进入“纯惯导”或“惯导保持”模式，仅依靠IMU惯性积分，同时利用中断前估计的IMU误差进行补偿。此时，卡尔曼滤波器会继续进行预测，但没有GNSS测量更新，协方差会快速增长，反映误差累积。
     • GNSS长时间中断： 如果中断时间过长，纯惯导的误差会积累到不可接受的程度。此时需要引入其他辅助传感器。
  4. 辅助传感器融合： 引入里程计、激光雷达、视觉等传感器。
     • 里程计： 提供速度约束，有效抑制纯惯导的水平位置和速度漂移。
     • 激光雷达/视觉SLAM： 在有特征的环境下提供独立于GNSS的绝对或相对定位，进行辅助校正。
     • 高精地图匹配： 将当前传感器数据与预加载的高精地图进行匹配，提供位置和姿态约束。
  5. 信号恢复： 当GNSS信号恢复时，利用INS提供的相对精确的位姿信息，辅助GNSS接收机快速重捕获和跟踪信号，并迅速进行卡尔曼滤波器更新，使系统精度快速恢复。
  6. 完好性监控： 实时监控各传感器的输出质量、滤波器残差等，判断当前定位结果的置信度，并在必要时向用户发出警告。

10. Q: 如何评估一个组合导航算法在不同GNSS信号环境下的性能？你会关注哪些指标？

• A: 评估组合导航算法在不同GNSS信号环境下的性能是关键。
• 测试场景：
  • 开阔天空： GNSS信号良好，作为基准性能。
  • 城市峡谷： 建筑物遮挡、多径效应严重。
  • 隧道/地下车库： GNSS完全丢失。
  • 林区/树荫： 信号衰减和部分遮挡。
  • 急加速/急转弯： 高动态情况，考验IMU与GNSS的动态融合能力。
• 关注指标：
  1. 定位精度：
     • RMS误差 (RMSE)： 水平（RMSE_H）、垂直（RMSE_V）、三维（RMSE_3D）。
     • 最大误差： 在信号中断或恶劣环境下的最大瞬时定位误差。
  2. 速度精度： 水平速度、垂直速度的RMSE。
  3. 姿态精度： 俯仰、横滚、航向角的RMSE（尤其航向角，对自动驾驶至关重要）。
  4. 连续性/可用性： 在GNSS中断或恶劣环境下，系统能持续提供有效定位解的时间百分比。
  5. 收敛时间： 对于PPP/RTK或长时间中断后恢复的系统，达到标称精度所需的时间。
  6. 鲁棒性： 在信号质量变化（如PDOP值波动、信噪比下降）时，定位结果的稳定性。
  7. 漂移率： 在GNSS完全拒止时，单位时间（如每分钟）的位置和航向角漂移量。
  8. 算法效率与资源占用： CPU占用率、内存占用、计算延迟，以评估是否满足实时性要求。
• 评估方法：
  • 实地测试： 采集不同场景下的组合导航数据，并同步记录高精度真值（例如，使用更高精度的专业测量设备或后处理的参考轨迹）。
  • 离线处理与分析： 将采集数据输入到算法中进行离线处理，并与真值进行逐点比较，生成误差曲线、统计报表。
  • 统计特性分析： 对误差进行均值、方差、RMS、最大/最小误差、正态性检验等统计分析。
  • 轨迹可视化： 将定位轨迹与真值轨迹叠加显示，直观评估平滑性、漂移情况。

参考：刘硕.卫星导航高精度定位定向关键技术研究[D].北京理工大学,2017.DOI:10.26948/d.cnki.gbjlu.2017.000894.