INS/GNSS/VO組合導(dǎo)航系統(tǒng)復(fù)合型異常檢測與容錯算法

胡曉強，武東杰，彭俠夫

（1.溫州大學(xué) 電氣與電子工程學(xué)院,溫州 325035；2.廈門大學(xué) 航空航天學(xué)院,廈門 361101）

隨著人類活動空間的不斷擴(kuò)展，上到衛(wèi)星、火箭、飛機(jī)，下到汽車、輪船、潛器，各式各樣的載體在人類的生產(chǎn)生活中得到了廣泛的應(yīng)用。導(dǎo)航系統(tǒng)為載體提供精確的位置、速度和姿態(tài)信息，是載體實現(xiàn)姿態(tài)控制、軌跡跟蹤、自主巡航等功能的基礎(chǔ)。慣性導(dǎo)航系統(tǒng)（Inertial Navigation System,INS）可以提供高頻率、全維度的自主導(dǎo)航信息，常常作為主導(dǎo)航系統(tǒng)。其他導(dǎo)航系統(tǒng)提供輔助導(dǎo)航信息，以抑制慣性導(dǎo)航系統(tǒng)由于元件誤差的累積而產(chǎn)生的漂移問題[1,2]。組合導(dǎo)航技術(shù)提高了導(dǎo)航系統(tǒng)的精度與應(yīng)用范圍，但輔助導(dǎo)航系統(tǒng)的使用也為其帶來了新的問題，異常的輔助導(dǎo)航信息將使組合導(dǎo)航系統(tǒng)的輸出偏離正常范圍，甚至完全發(fā)散而無法使用。因此，組合導(dǎo)航系統(tǒng)的異常檢測與容錯成為現(xiàn)今導(dǎo)航領(lǐng)域的一大關(guān)鍵問題。

相比于其他領(lǐng)域，組合導(dǎo)航系統(tǒng)的異常檢測問題具有其獨有的特點：1）輸出的動態(tài)性，組合導(dǎo)航系統(tǒng)在三維空間中做六自由度的運動，其傳感器輸出的導(dǎo)航參數(shù)并不會圍繞若干個固定數(shù)值上下波動，因此構(gòu)造殘差數(shù)據(jù)成為導(dǎo)航系統(tǒng)異常檢測所必須的預(yù)先操作；2）模型的簡單性，組合導(dǎo)航系統(tǒng)的異常檢測并不涉及具體的硬件結(jié)構(gòu)，僅關(guān)注于傳感器的輸出參數(shù)，因此其本質(zhì)上是一種數(shù)據(jù)的異常監(jiān)測技術(shù)[3]。

慣性導(dǎo)航系統(tǒng)可以通過測量單元的冗余配置保證其完好性[4]。假設(shè)慣性導(dǎo)航系統(tǒng)正常工作，組合導(dǎo)航系統(tǒng)的異常檢測算法常使用濾波算法的相關(guān)變量構(gòu)建殘差數(shù)據(jù)。殘差卡方檢測法通過濾波器的量測殘差構(gòu)建檢測統(tǒng)計量，對幅值較大的突變型異常信號和快速增長的斜坡型異常信號具有良好的診斷效果，是一種經(jīng)典的異常檢測方法[5,6]。針對殘差卡方檢測法對緩變型異常信號檢測不靈敏的問題，一些學(xué)者引入序貫濾波的思想，提出了漸消序貫概率比檢驗方法[7]。

隨著人工智能的發(fā)展，基于知識的智能算法被引入到基于濾波殘差的異常檢測算法之中。其中，啟發(fā)式算法的知識源于專家經(jīng)驗，其異常檢測性能取決于規(guī)則的豐富程度與專家知識的準(zhǔn)確性，對未建模的異常具有一定的局限性[8,9]。解析式算法通過殘差的歷史數(shù)據(jù)獲取輔助導(dǎo)航系統(tǒng)的正常模式和異常模式，又被稱為基于數(shù)據(jù)驅(qū)動的異常檢測方法[10-12]。然而，帶標(biāo)簽的異常數(shù)據(jù)獲取難度大和檢測模型可移植性差，制約了智能算法在現(xiàn)實中的使用與推廣?？ǚ綑z測法仍然是導(dǎo)航系統(tǒng)中最常用的一種異常檢測算法。

基于濾波器殘差的異常檢測算法，其性能受到故障跟蹤效應(yīng)或者濾波器方差增大問題的影響。為了避免故障跟蹤效應(yīng)的影響，增強殘差診斷算法的異常檢測能力，一些學(xué)者使用回歸模型訓(xùn)練輔助導(dǎo)航系統(tǒng)的預(yù)測模型，以預(yù)測輸出為基準(zhǔn)獲取殘差數(shù)據(jù)[13-15]。在子系統(tǒng)短時失效的情況下，基于回歸模型的異常檢測算法可以使用預(yù)測值替代輔助導(dǎo)航系統(tǒng)的輸出值，保證導(dǎo)航濾波器的穩(wěn)定性。但是，在輔助導(dǎo)航系統(tǒng)長期失效或者載體做高機(jī)動運動的情況下，導(dǎo)航參數(shù)的預(yù)測模型具有一定的局限性。

實際中，導(dǎo)航系統(tǒng)的異常輸出常由外部環(huán)境的干擾引起，表現(xiàn)為幅值較小的突變信號或者增長速率較慢的斜坡信號。上述異常檢測算法對該種異常信號的監(jiān)測能力較弱，故障跟蹤效應(yīng)更是加劇了異常信號在漏檢之后的再檢難度[16]。因此，在隔離異常子系統(tǒng)或異常觀測量之外，一些學(xué)者采用異常檢測結(jié)果構(gòu)造權(quán)重系數(shù)對組合導(dǎo)航系統(tǒng)進(jìn)行容錯濾波。王融等[17]使用序貫概率比法評估濾波器狀態(tài)，并使用評估結(jié)果修正狀態(tài)估計的方差。Li T 等[18]對濾波器的標(biāo)準(zhǔn)化殘差分量進(jìn)行雙閾值判定，構(gòu)造測量噪聲方差的權(quán)重因子。上述兩個算法都忽視了各個導(dǎo)航濾波器之間異常檢測結(jié)果的相關(guān)性。Xu J 等[19]使用雙-狀態(tài)卡方檢測法計算狀態(tài)的檢測統(tǒng)計量，并以此設(shè)計向量式動態(tài)新息分配系數(shù)法，構(gòu)造量測噪聲的權(quán)重向量與聯(lián)邦濾波器的動態(tài)信息分配系數(shù)。但是，動態(tài)的信息分配系數(shù)并不適用于觀測數(shù)據(jù)長時間存在異常的情況。

為了增強異常檢測算法對異常信號的監(jiān)測能力，提高組合導(dǎo)航系統(tǒng)的導(dǎo)航精度，本文提出一種復(fù)合型異常檢測與容錯濾波算法，對濾波子系統(tǒng)的異常檢測結(jié)果進(jìn)行綜合分析以增加異常數(shù)據(jù)與正常數(shù)據(jù)之間的差異；設(shè)置閾值比下界以改善量測噪聲矩陣的調(diào)整策略；采用固定系數(shù)取代動態(tài)信息分配方案以增強導(dǎo)航系統(tǒng)在長時間輸出異常下的穩(wěn)定性；結(jié)合非全局融合階段的異常檢測隔離與全局融合階段的加權(quán)容錯濾波，實現(xiàn)組合導(dǎo)航系統(tǒng)的信息融合優(yōu)化。

1 INS/GNSS/VO組合導(dǎo)航系統(tǒng)

1.1 卡爾曼濾波模型

以東北天坐標(biāo)系為導(dǎo)航參考坐標(biāo)系，右前上坐標(biāo)系為載體坐標(biāo)系。以慣性導(dǎo)航系統(tǒng)的誤差模型作為濾波模型，系統(tǒng)的狀態(tài)向量為：

濾波器的系統(tǒng)狀態(tài)方程為：

系統(tǒng)的觀測方程為：

式中，Zk為INS 與其他導(dǎo)航系統(tǒng)的三維位置誤差；Hk為系統(tǒng)的觀測矩陣；wk為量測噪聲矩陣，其各元素服從零均值高斯分布。

1.2 局部更新與全局融合

第i個濾波子系統(tǒng)的時間更新為：

第i個濾波子系統(tǒng)的量測更新為：

式中，Ki,k為子系統(tǒng)i在k時刻的濾波器增益系數(shù)矩陣；Hi,k為子系統(tǒng)i在k時刻的觀測矩陣；為子系統(tǒng)i在k時刻的系統(tǒng)量測噪聲協(xié)方差矩陣；wi,k為子系統(tǒng)i在k時刻的量測噪聲向量；Zi,k為子系統(tǒng)i在k時刻的觀測向量。

聯(lián)邦濾波器如圖1所示，其全局狀態(tài)估計為：

圖1 聯(lián)邦濾波器的結(jié)構(gòu)Fig.1 Structure of federated filter

其信息分配過程為[19]：

式中，βi為子濾波器的信息分配系數(shù)，滿足：

2 異常檢測與容錯算法

2.1 狀態(tài)卡方檢測法

狀態(tài)卡方檢測法通過比較狀態(tài)遞推器(只有時間更新的濾波器)與導(dǎo)航濾波器的狀態(tài)估計差異實現(xiàn)組合導(dǎo)航系統(tǒng)的異常檢測。狀態(tài)遞推器在k時刻的狀態(tài)估計值為，導(dǎo)航濾波器i在k時刻的狀態(tài)估計值為，若狀態(tài)向量在k時刻的真實值為，則對應(yīng)的估計誤差分別為兩個估計誤差的差值為其協(xié)方差為：

在較短的時間內(nèi)忽略量測更新的影響，可以假設(shè)濾波器殘差向量r在正常情況與異常情況分別服從如下的正態(tài)分布：

正常狀態(tài)Sn：；

異常狀態(tài)Sf：。

構(gòu)造r在兩個分布下的對數(shù)似然比：

求u的導(dǎo)數(shù)并令，得到u的極大似然估計為u=r，對應(yīng)的極大似然估計值為：

去除式(11)中的常值系數(shù)，得異常檢測函數(shù)為：

在輔助導(dǎo)航信息正常情況，檢測統(tǒng)計量fD服從自由度為n的卡方分布，即fD～χ2(n)。給定虛警率Pnf，就可由χ2(n)分布確定異常檢測閾值TD。若fD＞TD，則判定輔助導(dǎo)航系統(tǒng)中存在異常輸出。

2.2 歸一化閾值比異常檢測與容錯算法

狀態(tài)卡方檢測法通過對比狀態(tài)遞推器與濾波子系統(tǒng)的差異，構(gòu)造殘差數(shù)據(jù)進(jìn)行輔助導(dǎo)航系統(tǒng)的異常檢測。但是，忽視不同濾波子系統(tǒng)異常檢測結(jié)果之間的關(guān)聯(lián)性，容易導(dǎo)致錯誤的容錯處理。針對上述問題，本文設(shè)計了一種基于聯(lián)邦濾波器的歸一化閾值比異常檢測與容錯方法（Normalized Threshold Ratio-based Anomaly Detection and Tolerant Method,NTR-ADM），當(dāng)輔助導(dǎo)航系統(tǒng)的觀測信息輸入濾波子系統(tǒng)時，對輸入信息進(jìn)行異常檢測、分離和容錯，整個量測更新過程如圖2所示。

圖2 異常檢測與容錯算法流程圖Fig.2 Flow chart of anomaly detection and fault tolerance algorithm

首先，使用時間更新后的導(dǎo)航濾波器i構(gòu)建相應(yīng)的臨時濾波器i，并直接使用觀測向量對臨時濾波器i進(jìn)行量測更新：

對比臨時濾波器與狀態(tài)遞推器的差異構(gòu)建狀態(tài)卡方檢測量：

在慣性元件精度較低的場合，為了避免狀態(tài)遞推器長期缺乏量測更新而導(dǎo)致的狀態(tài)卡方檢測法異常檢測性能急劇衰退，本文使用單一的狀態(tài)遞推器以獲得更小的遞推器重置周期。設(shè)置遞推器的重置周期TRe，在周期結(jié)束時重置遞推器的狀態(tài)估計方差：

在聯(lián)邦濾波器的全局融合階段，構(gòu)建檢測統(tǒng)計量的歸一化閾值比。為了避免量測噪聲矩陣在導(dǎo)航信息正常時的錯誤調(diào)整，增強濾波系統(tǒng)的穩(wěn)定性，在構(gòu)建閾值比的過程中設(shè)置閾值比下界：

使用歸一化閾值比作為量測噪聲方差陣的權(quán)重系數(shù)，對聯(lián)邦濾波系統(tǒng)進(jìn)行容錯濾波：

其次，為了避免導(dǎo)航參數(shù)長時間異常情況下異常狀態(tài)的方差大幅度增加而導(dǎo)致的檢測性能震蕩問題，NTR-ADM 去除了向量式動態(tài)信息分配法(Vector-Form Dynamic Information Sharing Algorithm,VF-DIS)[19]的動態(tài)信息分配方案，使用式(7)對濾波子系統(tǒng)進(jìn)行信息分配，并使用閉環(huán)修正后全局濾波器的狀態(tài)估計結(jié)果重置狀態(tài)遞推器狀態(tài)：

最后，在非全局融合階段，使用狀態(tài)卡方檢測法的檢測閾值TD,s對觀測分量進(jìn)行異常檢測，并在子濾波器的量測更新中去除異常的觀測信息，以保證組合導(dǎo)航系統(tǒng)在非全局融合階段的穩(wěn)定性。對照實驗表明，全局融合階段與非全局融合階段采用不同的檢測閾值，有利于提高組合導(dǎo)航系統(tǒng)的定位精度。

3 實驗驗證

3.1 硬件設(shè)備與實驗設(shè)置

以INS/GNSS/VO組合導(dǎo)航系統(tǒng)為對象，驗證本文算法的可行性。實驗所用的無人車與導(dǎo)航設(shè)備如圖 3所示，設(shè)備參數(shù)如表1所示。

表1 導(dǎo)航設(shè)備參數(shù)信息Tab.1 Parameters of navigation devices

圖3 車載導(dǎo)航系統(tǒng)Fig.3 Vehicle navigation system

以實時動態(tài)差分系統(tǒng)（Real-time kinematic,RTK）的定位結(jié)果為參考基準(zhǔn)。如圖4所示，小車軌跡全長約1500 m，大致用時1200 s。載體的初始姿態(tài)為[0° 0° 90°]；全局坐標(biāo)系采用地心慣性坐標(biāo)系，全局初始位置Pg,0由RTK 提供，為北緯24.6109 °、東經(jīng)118.3071 °與海拔29.1697 m；局部坐標(biāo)系以小車的起始點為原點，采用東北天坐標(biāo)系，局部初始位置PL,0設(shè)置為[0，0，0]（單位：m）；初速度為0 m/s。初始姿態(tài)誤差標(biāo)準(zhǔn)差設(shè)置為[1° 1° 5° ]；初始速度誤差標(biāo)準(zhǔn)差為0 m/s。通過對照實驗，GNSS 與VO 位置觀測誤差的標(biāo)準(zhǔn)差分別設(shè)置為[0.7 0.7 1]與[1 1 1]（單位：m）。VO 采用視覺慣性導(dǎo)航系統(tǒng)(Visual-Inertial Navigation Systems,VINS)[20]的雙目視覺模式獲得小車的相對位置，再通過RTK 提供的初始位置PG,0將數(shù)據(jù)轉(zhuǎn)化為地固坐標(biāo)系下的緯度、經(jīng)度與高度數(shù)據(jù)；GNSS 提供單點全局定位數(shù)據(jù)（緯度、經(jīng)度與高度）?？紤]到慣性器件誤差參數(shù)影響較大，實驗中INS、GNSS 與VO 中心點之間的空間位移小于40 cm，忽略導(dǎo)航系統(tǒng)間的杠臂效應(yīng)，以兩個輔助導(dǎo)航系統(tǒng)的全局定位數(shù)據(jù)作為組合導(dǎo)航系統(tǒng)的觀測輸入。以RTK 提供的定位結(jié)果為參考基準(zhǔn)，輔助導(dǎo)航系統(tǒng)在局部坐標(biāo)系下的位置誤差曲線如圖5所示。由于道路兩旁樹木的遮擋還有教學(xué)樓的影響，GNSS 的位置參數(shù)上存在著一定的導(dǎo)航誤差。而由于VO 的誤差累積問題與姿態(tài)估計誤差，VO 的位置信息上存在著振蕩的定位誤差。兩種誤差使GNSS 與VO 的導(dǎo)航參數(shù)偏離了正常的數(shù)值范圍，即其導(dǎo)航輸出中包含有一定的異常信息。

圖4 實驗軌跡的平面圖Fig.4 Plane image of experimental trajectory

圖5 GNSS 與VO 的位置誤差Fig.5 Position errors of GNSS and VO

3.2 參數(shù)靈敏度分析

在基于濾波器殘差的組合導(dǎo)航系統(tǒng)異常檢測算法中，異常檢測結(jié)果影響濾波器的量測更新過程，而異常檢測結(jié)果又反過來受到濾波器狀態(tài)的影響，兩者之間的作用是相互耦合的。組合導(dǎo)航系統(tǒng)的定位精度受到異常檢測的參數(shù)設(shè)置、異常輸出的數(shù)值與持續(xù)時間、INS 的誤差累積速度等因素的共同影響，難以通過理論分析確定參數(shù)設(shè)置對 NTR-ADM 性能影響。NTR-ADM 具有三個參數(shù)：閾值比值下界L，狀態(tài)卡方檢測閾值TD,s與全局融合階段的檢測閾值TD,g。為了可視化數(shù)值分析結(jié)果，固定一個參數(shù)的數(shù)值后設(shè)置剩余兩個參數(shù)的對照實驗，分析參數(shù)設(shè)置對NTR-ADM容錯性能的影響。

首先，固定TD,s= 5，在0.5 到8 的范圍內(nèi)，以0.5為間隔，設(shè)置TD,g的對照組；在1 到5 的范圍內(nèi)，以1 為間隔，設(shè)置下界L的對照組。實驗結(jié)果如圖6(a)所示，在不同參數(shù)設(shè)置下，軌跡上各點的導(dǎo)航誤差均值在4.194 m 到6.477 m 的范圍內(nèi)上下波動。以導(dǎo)航誤差均值最小為指標(biāo)，存在兩條容錯性能比較良好且穩(wěn)定的參數(shù)帶（圖中的灰色部分）。其中，當(dāng)(TD,g,L) =（7.5,1）時，NTR-ADM 各點的導(dǎo)航誤差均值為4.194 m，達(dá)到對照實驗組的最小值。

基于上一組對照實驗的結(jié)果，固定L= 1，在0.5到8 的范圍內(nèi)，以0.5 為間隔，設(shè)置TD,g的對照組；在3 到7 的范圍內(nèi)，以1 為間隔，設(shè)置TD,s的對照組。實驗結(jié)果如圖6(b)所示，在不同的診斷參數(shù)設(shè)置下，軌跡上各點的導(dǎo)航誤差均值在3.081 m 到8.513 m 的范圍內(nèi)上下波動。以導(dǎo)航誤差均值最小為指標(biāo)，存在兩個容錯性能比較良好且穩(wěn)定的參數(shù)區(qū)間（圖中的灰色部分）。其中，當(dāng)(TD,g,TD,s)= (7.5,3)或者(8,3)時，NTR-ADM 各點的導(dǎo)航誤差均值為3.096 m，達(dá)到對照實驗組的最小值。

圖6 NTR-ADM 的參數(shù)靈敏度分析Fig.6 Parameter sensitivity analysis for NTR-ADM

綜上所述，針對使用中等精度慣性器件的INS/GNSS/VO組合導(dǎo)航系統(tǒng)，NTR-ADM 對其參數(shù)設(shè)置具有一定的魯棒性，能在一定的參數(shù)區(qū)間內(nèi)維持較為良好與穩(wěn)定的容錯性能。

3.3 算法對比

選取如下算法作為NTR-ADM 的對比算法：1）無診斷模式（None-Diagnosis Model,NDM），直接融合所有的傳感器數(shù)據(jù)；2）殘差卡方檢測法（Residual Chi-Square Test,RCST），使用觀測量預(yù)測誤差構(gòu)建觀測分量的異常檢測量；3）狀態(tài)卡方檢測法（State Chi-Square Test,SCST），使用狀態(tài)預(yù)測誤差構(gòu)建觀測分量的異常檢測量；4）基于新息的異常點消除算法（Innovation-Based Outlier-Resistant Ambiguity Resolution,IO-RAR）[18]，使用標(biāo)準(zhǔn)化殘差數(shù)據(jù)集與兩個檢測閾值構(gòu)建量測噪聲方差的權(quán)重系數(shù)；5）向量式動態(tài)信息分配法（Vector-Form Dynamic Information Sharing Algorithm,VF-DIS）[19]，使用雙狀態(tài)卡方檢測量與檢測閾值構(gòu)建量測噪聲協(xié)方差矩陣的權(quán)重系數(shù)與信息分配系數(shù)。

其中，RCST 與SCST 都增加了“綜合容錯策略”以抑制INS 的發(fā)散：當(dāng)GNSS 與VO 的某一觀測量都被判定為異常數(shù)據(jù)時，保留該分量進(jìn)行量測更新。為了防止VF-DIS 發(fā)散，在求取fD,(i,j)與檢測閾值的比值時，增加了比值下界L= 1。以軌跡上各點的導(dǎo)航誤差均值最小為目標(biāo)，在不同的檢測閾值下，設(shè)置各個算法的對照實驗，確定算法的最優(yōu)參數(shù)，結(jié)果如表2所示。其中，NTR-ADM 使用參數(shù)靈敏度分析試驗中的最優(yōu)參數(shù)設(shè)置，即TD,s= 3，TD,g=7.5，L= 1。

表2 故障診斷算法的參數(shù)設(shè)置Tab.2 Parameter setting of fault diagnosis algorithm

3.3.1 導(dǎo)航誤差分析

軌跡上各點導(dǎo)航誤差的統(tǒng)計結(jié)果如圖7所示。由圖7 中可以看出：

圖7 各算法的導(dǎo)航誤差統(tǒng)計結(jié)果Fig.7 navigation error statistics of the algorithms

1）在參數(shù)合理設(shè)置情況下，各算法的導(dǎo)航結(jié)果均優(yōu)于NDM，軌跡上各點的導(dǎo)航誤差均值較NDM 分別減小了31.1%，42.2%，15.0%，30.8%與51.8%；

2）除了IO-RAR 的誤差標(biāo)準(zhǔn)差與VF-DIS 的誤差最大值，各算法誤差的變化范圍均小于NDM；

3）NTR-ADM 各點的導(dǎo)航誤差最大值、均值、標(biāo)準(zhǔn)差分別為13.5 m、3.10 m、2.35 m，相對于NDM 分別減小了24.8%、51.8%與32.7%。六種異常檢測與容錯算法中，NTR-ADM 的導(dǎo)航誤差最大值為次?。ㄗ钚镾CST 的13.14 m，相對于NDM 減小了26.8%）；NTR-ADM 的誤差均值為最小，相對于次小的SCST（3.72 m，相對于NDM 減小了42.2%）減小了9.6%；NTR-ADM 的標(biāo)準(zhǔn)差為最小，相對于次小的SCST（2.45 m，相對于NDM 減小了30.0%）減小了2.7%，獲得了最優(yōu)的導(dǎo)航結(jié)果。

3.3.2 異常檢測結(jié)果分析

在聯(lián)邦濾波結(jié)構(gòu)的組合導(dǎo)航系統(tǒng)中，前一時刻的異常檢測與容錯結(jié)果，將會影響后一時刻的異常檢測過程。根據(jù)上一小節(jié)的導(dǎo)航誤差分析結(jié)果，選取SCST、VF-DIS 與NTR-ADM 算法進(jìn)行異常檢測結(jié)果分析。

三種算法中位置狀態(tài)分量的異常檢測結(jié)果與導(dǎo)航誤差曲線分別如圖8-9所示，其中，檢測統(tǒng)計量1-3分別對應(yīng)于導(dǎo)航濾波器中載體緯度、經(jīng)度與高度誤差的檢測統(tǒng)計結(jié)果。由圖中數(shù)據(jù)可以看出：

圖8 各算法的異常檢測結(jié)果Fig.8 Anomaly detection results of the algorithms

1) SCST、VF-DIS 與NTR-ADM 對高度誤差的診斷結(jié)果都不夠準(zhǔn)確。由圖5 可以看出，由于外部環(huán)境擾動或者本身算法的誤差累積，GNSS 與VO 的高度輸出上都長期存在著大約2～4 m 的誤差數(shù)據(jù)（其中GNSS 的誤差較大），造成高度輸出異常。SCST 檢測出了650～800 s 的GNSS 輸出異常與800～950 s 的VO輸出異常；VF-DIS 幾乎沒有檢測出任何的高度輸出異常；本文的NTR-ADM 檢測出了650～950 s 的VO 輸出異常。

基于上述的異常檢測結(jié)果，在650～950 s 上，SCST與NTR-ADM 的高度誤差較大且上下波動；而VF-DIS的高度誤差波動較小。

2) NTR-ADM 對于水平誤差的診斷結(jié)果優(yōu)于SCST 與VF-DIS。由圖5 的數(shù)據(jù)分析可以看出，由于誤差累積與姿態(tài)估算誤差，VO 在緯度與高度輸出上存在著較大的誤差，造成VO 的水平輸出異常。SCST檢測出了VO 在600～1200 s 上的緯度輸出異常與200～700 s 上的經(jīng)度輸出異常，但也將GNSS 數(shù)據(jù)大量誤檢為異常數(shù)據(jù)。VF-DIS 的檢測統(tǒng)計量上下波動十分劇烈，檢測出了VO 在600～1200 s 上的緯度輸出異常與300～340 s、355～380 s 上的經(jīng)度輸出異常，但檢測區(qū)間上伴隨著大量的GNSS 誤檢。使用單遞推器的NTR-ADM，避免了異常檢測曲線的劇烈波動，不僅檢測出了VO 在600～1200 s 上的緯度輸出異常與200～700 s 上的經(jīng)度輸出異常，對GNSS 還具有更小的誤檢率，僅在有限的區(qū)域（例如270～350 s 的緯度數(shù)據(jù)、450～470 s 的經(jīng)度數(shù)據(jù)）上出現(xiàn)了GNSS 的誤檢與VO 的漏檢。

圖9 各算法的導(dǎo)航誤差曲線Fig.9 Navigation error curves of the algorithms

在“綜合容錯策略”下，GNSS 的誤檢數(shù)據(jù)與VO的異常數(shù)據(jù)將同時用于量測更新?；谏鲜霎惓z測結(jié)果，SCST 在700～950 s 上具有較大的緯度誤差，在450～600 s 上具有一定的經(jīng)度誤差波動；VF-DIS 的水平誤差分布與SCST 相似，但變化幅度更大；而NTR-ADM 僅在260～350 s 上具有較大的緯度誤差，在440～600 s 上的經(jīng)度誤差波動也較小。

4 結(jié)論

為了提高INS/GNSS/VO組合導(dǎo)航系統(tǒng)在外部擾動下的定位精度，提出一種復(fù)合型異常檢測與容錯濾波算法（NTR-ADM）：在非全局融合階段，使用狀態(tài)卡方檢測法進(jìn)行異常數(shù)據(jù)的檢測與隔離；在全局融合階段，使用檢測統(tǒng)計量構(gòu)建量測噪聲方差的加權(quán)系數(shù)，實現(xiàn)系統(tǒng)的容錯濾波。

相對于改進(jìn)前的VF-DIS，閾值比例下界的設(shè)置，防止了系統(tǒng)在正常情況下對量測方差進(jìn)行錯誤的加權(quán)調(diào)整；歸一化的檢測閾值比，提高了松組合系統(tǒng)的導(dǎo)航精度；單狀態(tài)遞推器縮小了遞推器重置周期，避免了異常檢測曲線在低精度慣性器件下的劇烈波動。街道場景下小車的離線實驗表明，NTR-ADM 各點的導(dǎo)航誤差均值與標(biāo)準(zhǔn)差相對于無容錯情況分別減小了51.8%與32.7%，相對于其他異常檢測與容錯算法至少分別減小了9.6%與2.7%，為各方案中的最優(yōu)。