[发明专利]一种机载分布式POS数据融合方法

说明书

本公开提供了一种机载分布式POS数据融合方法，具体包括：计算子节点所在处冗余的位置和姿态信息；计算子节点的量测向量，利用量测自举策略，生成自举量测集合；使用Metropolis‑Hastings采样准则对自举量测集合的元素进行抽样，得到有效量测集合；计算有效量测集合中每个有效量测向量的权重和量测噪声矩阵；使用序贯滤波对子节点进行数据融合，用融合结果校正该子节点的运动参数；其它未进行数据融合的子节点分别重复上述步骤。该方法利用了所有子节点的运动信息，减小了量测噪声不确定性对传递对准估计精度的不利影响，并将数据融合结果用于运动参数的校正，因而提高了各子节点运动参数的估计精度。

技术领域

本发明涉及机载多任务遥感载荷节点信息融合技术领域，特别是涉及一种机载分布式位置姿态测量系统(Position and Orientation System，POS)数据融合方法，可用于提升机载分布式POS子节点运动参数的估计精度。

背景技术

机载位置姿态测量系统(Position and Orientation System，POS)是用于获取载机位置、速度和姿态信息的主要手段。利用上述信息，就可以实现遥感数据的校正，提高成像质量。因此，POS常被应用于航空遥感成像、航空摄影测量等领域。例如利用POS辅助合成孔径雷达(Synthetic Aperture Rada，SAR)、激光雷达、多光谱扫描仪、数字相机、大视场红外扫描仪等遥感载荷，以满足高精度运动成像的需求。

随着飞行平台技术的发展，同一载机开始安装多个或多种遥感设备以实现多观测窗口的同步观测，典型的有SAR、可见光相机、成像光谱仪和激光雷达同时工作，还有多个天线同时工作的阵列天线SAR。这种集成多种或多个遥感载荷的多任务遥感模式已经成为航空遥感系统重要的发展方向。由于多个观测载荷安装在载机的不同位置，使用传统的单一POS必定不能满足测量多节点位置姿态信息的需求。因此实际使用中，会在载机上安装多个惯性测量单元(Inertial Measurement Unit,IMU)，形成一个分布式的位置姿态测量系统，即分布式POS，以实现多节点运动参数的测量。

分布式POS通常由一个或少量高精度主POS、多个中/低精度子IMU组成，这两部分分别安装在机体或机翼两侧的各遥感载荷附近，组成一个分布式的多传感器系统。其中主POS所在位置称为主节点，各子IMU所在处称为子节点。

为实现分布式POS中各子节点处运动信息的精确测量，子节点需要根据主POS提供的高精度位置、速度、姿态等运动信息，对自身捷联解算的结果进行修正，并将其作为该点最终的运动参数，这一过程称为传递对准。由于各子节点处机体变形、杆臂等因素存在差异，在完成主节点到每个子节点的一对一传递对准之后，各子节点处的运动参数精度各不相同，有高有低。特别是远离机体中心的子节点的挠曲变形情况最为复杂，传递对准精度较低。如果每一个子节点都能利用其余节点的运动信息进行数据融合，将进一步提高各子节点的运动参数精度。

目前针对多传感器系统的数据融合算法可分为两种：第一种是集中式融合，该方法将所有传感器的量测数据进行一次融合计算完成，且被证明是信息损失最小、同时是全局最优的，但是对于机载分布式POS这样的多传感器系统，在融合时刻涉及高维矩阵的乘法和求逆，若在机载分布式POS中采用该融合方法会具有计算负荷量大、实时性低、容错性低的劣势。第二种是分布式融合，该方法将多个传感器的原始数据信息分别经过多个滤波器中完成滤波，然后再经过融合中心集中处理。例如专利号为CN201810153913.5的专利就采用了分布式融合的方法，将子IMU传递对准得到的协方差矩阵的逆作为数据融合的权重矩阵，分别给出了位置、速度、姿态信息融合的具体方法。但该方法需要计算总数为子节点数的权重矩阵用于数据融合，权重矩阵的计算复杂，且涉及到矩阵的求逆，存在矩阵陷入奇异的问题，总计算量也很大。同时该方法未考虑子节点之间挠曲运动的相关性，这对数据融合结果的精度也会造成不利影响。