采用因子图优化和NLOS检测能力的紧密耦合GNSS/IMU混合导航系统 谷村晴树（Haruki Tanimura）与辻井敏明（Toshiaki Tsujii）

《Sensors》：Tightly Coupled GNSS/IMU Hybrid Navigation Using Factor Graph Optimization with NLOS Detection Capability Haruki Tanimura and Toshiaki Tsujii

　　

摘要

高精度和可靠的自主定位对于自主导航系统至关重要。然而，在城市峡谷（由高层建筑群构成的城市环境）中，全球导航卫星系统（GNSS）会受到严重的多路径效应和非视距（NLOS）信号接收问题的影响。这会导致伪距测量出现理论上无限制的正偏差，从而显著降低定位的准确性。为了解决这一挑战，本研究提出了一种新型的GNSS/惯性测量单元（IMU）紧密耦合的集成导航系统，该系统结合了因子图优化（FGO）技术和基于机器学习的NLOS检测方法。为了训练NLOS检测模型，我们使用了双极化天线，根据RHCP和LHCP分量之间的信号强度差异对信号进行分类，实现了0.89的检测精度。随机森林分类器用于识别NLOS信号，根据其分类结果，在FGO框架内动态调整相应GNSS伪距因子的方差。这种方法有效减轻了异常值的影响，同时保持了图的拓扑结构。在密集的城市环境中的实验评估表明，与传统独立的GNSS定位方法相比，所提出的方法使水平定位精度提高了84.8%。基于机器学习的信号分类与紧密耦合的FGO的动态集成提供了一种极其稳健的定位解决方案，即使在信号严重受阻的情况下也能满足自主系统对可靠性的严格要求。