1.一种基于回归模型与渐消因子优化的GNSS/MIMU欺骗检测与抑制方法,其特征在于,包括以下步骤:步骤1、利用GNSS的初始位置信息、速度信息、MIMU的初始姿态信息以及杆臂信息计算出MIMU测量中心的位置、速度以及姿态信息作为GNSS/MIMU组合系统的初始化信息,并实时采集GNSS与MIMU两类传感器数据;
步骤2、对于实时采集的GNSS与MIMU数据,利用时间同步模块实现两类传感器数据之间的时间同步并利用ARKF解算;
步骤3、基于步骤2、当GNSS遭受外界欺骗干扰时,基于ARKF-GNSS/MIMU的标准化量测新息,通过设置检验门限和归一化新息比率两个双参数,检测GNSS/MIMU组合系统是否遭受欺骗干扰;
步骤4、基于步骤3,如果组合系统检测出受到欺骗干扰,利用回归模型与渐消因子优化的ARKF-GNSS/MIMU欺骗抑制方法有效的抑制欺骗干扰,基于短期高度置信的MIMU数据与GNSS欺骗数据构成的测量新息时间序列,将测量新息时间序列存入回归窗口将GNSS欺骗数据拟合成数学模型,并对当前时刻的GNSS欺骗误差进行预测与反馈,再将反馈后的测量新息进行ARKF解算;如果组合系统未受到欺骗干扰,则不需要对测量新息时间序列进行回归、预测与反馈,可直接采用ARKF解算;
步骤5、当GNSS欺骗结束时,构建基于渐消因子的组合滤波系统,一方面利用渐消因子缩小ARKF的自适应因子权重,削弱欺骗条件下预测值对当前滤波系统估计的影响,加快欺骗结束后滤波系统的收敛速度,另一方面通过渐消因子判定组合系统的滤波器是否收敛,当滤波器收敛后,重新调整ARKF的自适应因子权重,进而对欺骗干扰进行连续检测,进一步提高组合系统的可靠性与抗干扰能力。
2.根据权利要求1所述的一种基于回归模型与渐消因子优化的GNSS/MIMU欺骗检测与抑制方法,其特征在于,步骤2所述的基于ARKF的GNSS/MIMU组合定位方法;
具体步骤如下:
步骤2-1、GNSS/MIMU松组合定位模型的状态向量为位置误差、速度误差、姿态误差、陀螺零偏、加速度计零偏,即有:(1)
步骤2-2、卡尔曼滤波的状态方程可表示如下:(2)
其中,状态转移矩阵、噪声分配矩阵以及系统噪声矩阵的表达式如下:(3)
式中,为姿态矩阵;为比力;和分别表示加速度计和陀螺的测量白噪声;
步骤2-3、GNSS/MIMU松组合的量测方程如下:(4)
式中,表示观测矩阵;表示量测噪声向量,其协方差矩阵为,各个矩阵的表达式如下:观测向量可表示为:
(5)
式中,代表载体坐标系下MIMU中心到GNSS接收机天线相位中心的杆臂向量,、分别代表惯导推算得到的导航坐标系下的MIMU的位置和速度;、分别代表GNSS推算的天线相位中心在系下的位置和速度;量测方程中观测矩阵表示为:(6)
步骤2-4、采用ARKF在量测更新过程中对量测噪声矩阵进行实时调节,从而获得更加准确的定位结果,该滤波方法引入了鲁棒性因子,的计算公式如下:(7)
式中,和表示经验值常数;表示某一历元第个量测值的新息值,其表达式如下:(8)
当新息值的绝对值小于时,认为量测值是正常的,鲁棒性因子的值为1;当新息值的绝对值介于和之间时,鲁棒性因子的值会变大,其相对应的量测值的权值会减小;当新息值的绝对值大于时,认为量测值存在较大的测量误差,此时将鲁棒性因子设置为无穷大;
将鲁棒性因子代入到阵中对其各元素进行调节,则有如下公式:(9)
式中,表示经过自适应调节后的量测噪声矩阵,且(10)
和分别表示矩阵的第行第列,经过上述调整后,再计算增益矩阵,进而求得该时刻状态参数的最优估计及其方差协方差矩阵。
3.根据权利要求2所述的一种基于回归模型与渐消因子优化的GNSS/MIMU欺骗检测与抑制方法,其特征在于,步骤3所述的利用检验门限和归一化新息比率两个双参数检测系统是否遭受欺骗干扰;
具体步骤如下:
步骤3-1、构建当前历元下的测量新息:(11)
根据概率统计学,测量新息为白噪声序列,服从均值为零的正态分布:(12)
在全闭环的ARKF中,通过反馈校正,系统模型误差被控制在一个较小的范围内,因此可以忽略系统模型的影响,于是通过测量新息就可以反映观测值是否异常;
当系统无欺骗干扰时,测量新息是均值为零的白噪声序列,当系统发生故障时,测量新息均值不再服从均值为零的白噪声序列,将故障检测条件转变为假设检验问题:(13)
步骤3-2、根据数理统计标准正态分布理论,通过测量新息构建检验统计量,通过误警率和概率分布函数进行检验门限设置:将测量新息标准化:
(14)
式中,;为三维位置测量新息;为测量噪声协方差矩阵的第行第列;,对进行二元假设,在给定的误警概率的条件下,利用正态分布的概率密度函数来推导出所需的检验阈值;
(15)
通过检验统新息值与检验阈值对系统进行欺骗检测,若,该系统受到欺骗攻击;若,该系统无欺骗攻击;
步骤3-3、将当前时刻标准化新息值与上一时刻标准化新息值的比值作为判定欺骗结束时刻的特征:(16)
式中,为欺骗结束时刻的检验参数;分式左侧标准化新息值为当前时刻的新息值;分式右侧标准化新息值为上一时刻的新息值;为欺骗结束时间。
4.根据权利要求1所述的一种基于回归模型与渐消因子优化的GNSS/MIMU欺骗检测与抑制方法,其特征在于,步骤4所述利用回归模型与渐消因子优化的ARKF-GNSS/MIMU欺骗抑制方法有效的抑制欺骗干扰;
具体步骤如下:
步骤4-1、利用GNSS/MIMU组合的量测方程构建欺骗环境下的测量新息:(17)
式中,表示IMU测量中心的实际位置;表示GNSS天线相位中心的实际位置;为IMU测量中心指向GNSS天线相位中心的向量在系下的投影;的表达式为:(18)
当GNSS遭受到外来欺骗攻击时,根据式(17)、(18)系统测量新息写成:(19)
式中,表示随机误差,它是一个随机变量,满足且;
步骤4-2、假设在GNSS遭受欺骗攻击后有个MIMU高度置信的定位结果,将其构建成时间序列数据为:、、…,则:(20)
步骤4-3、通过每一个时间序列数据与回归值偏离程度最小化,建立最小二乘模型:(21)
其中,,,,,;
步骤4-4、采用指数移动加权平均模型对最优回归值和赋予随时间变化的权重:(22)
其中,为时刻的回归系数;为时刻的回归系数;为衰减系数,;
利用最优回归系数对测量新息预测与补偿,改正后的为:(23)
将改正后的引入滤波环路。
5.根据权利要求1所述的基于回归模型与渐消因子优化的GNSS/MIMU欺骗检测与抑制方法,其特征在于,步骤5所述构建基于渐消因子的组合滤波系统,利用渐消因子调整自适应因子,削弱欺骗条件下预测值对当前滤波系统估计的影响,加快欺骗结束后滤波系统的收敛速度;
具体步骤如下:
步骤5-1、减小欺骗数据的影响,抑制滤波发散;假设预测误差协方差和新息协方差,它们分别的关系为:(24)
(25)
式中,为渐消因子;为标量因子;和分别是根据渐消因子和标量因子计算得到的估计值,得到新的增益矩阵为:(26)
步骤5-2、求得最优渐消因子和标量因子使增益矩阵最优:(27)
将式(27)带入式(25),可求得为:(28)
当前估计新息协方差还可以表示如下:
(29)
将式(29)写成:
(30)
从表达式可以看出是很接近1的值,故接近于0,可忽略不计,进而得到与近似相等,设,因此得到的渐消因子表示为:(31)
步骤5-3、利用渐消因子控制ARKF滤波中的鲁棒因子为:(32)
当时,认为组合系统滤波器未收敛,即使新息值大于,也须将鲁棒性因子的值设置为1,使滤波系统逐渐收敛;当时,认为组合系统滤波器收敛,此时利用公式(7)计算鲁棒性因子数值。