基于自适应核密度软门控的GNSS/INS高动态遥感平台稳健地理定位方法

《Sensors》：Adaptive Kernel Density Soft-Gating for Robust GNSS/INS Georeferencing of Highly Dynamic Remote-Sensing Platforms Under Measurement Outliers

　　

全球导航卫星系统/惯性导航系统（GNSS/INS）组合地理定位中，GNSS测量野值会降低高动态遥感平台的定位精度。本研究提出一种自适应核密度鲁棒卡尔曼滤波器（KDE-RKF），通过连续测量加权来衰减异常观测的影响。该方法利用滑动窗口对数高斯核密度估计器（KDE）配合自适应带宽选择，估计归一化新息能量的分布。局部密度估计确定通道特定的软门控权重，用于缩放有效测量协方差。性能评估通过每种场景100次蒙特卡洛（Monte Carlo）运行完成，覆盖孤立野值、姿态相关突发野值、末端多径和模拟干扰四种场景。在15%孤立野值污染率下，KDE-RKF实现了38.4米的三维位置均方根误差（RMSE），而扩展卡尔曼滤波器（EKF）为87.3米。Huber滤波器和变分贝叶斯Student's t滤波器的对应误差分别为47.2米和44.3米。模拟干扰结束后，定位精度在2.5秒内恢复到接近标称水平。每次GNSS更新在仿真平台上耗时0.37毫秒。在苏黎世城市微型飞行器（MAV）数据集的自然GPS偏移期间，峰值位置误差从13.9米降至9.7米。这些结果支持基于密度的软门控方法在所评估的GNSS退化条件下降低定位误差的有效性。

基于自适应核密度软门控的GNSS/INS高动态遥感平台稳健地理定位研究解读

一、研究背景与问题提出

遥感平台地理定位精度直接决定遥感数据的质量。无论是光学相机、激光雷达（LiDAR）扫描仪还是多光谱仪器，每个观测值都必须与可靠的位置、速度、姿态和时间信息相关联。对于高动态平台而言，这一要求尤为严苛：快速旋转和机动可能改变天线可见性，短任务时长限制滤波器收敛时间，传播环境可能受到多径效应、电离层闪烁或有意干扰的影响。在导航滤波器中，这些效应通常表现为测量野值和时变噪声，直接降低遥感产品的地理定位精度。

GNSS/INS组合导航将惯性测量单元（IMU）的短期连续性与GNSS提供的长期漂移约束相结合。标准扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）通常假设高斯测量误差和固定测量噪声协方差矩阵。基于新息的适应性估计和协方差匹配方法可以跟踪渐变的方差变化，但其平均规则对稀疏突发反应缓慢，且可能将野值与持续方差膨胀混淆。M估计滤波器通过选定的损失函数约束残差影响，Student's t和变分贝叶斯滤波器施加参数化重尾似然，最大相关熵方法提供非二次核替代方案，机器学习方法则需要代表性标签或训练分布。

核密度估计（KDE）已被引入鲁棒卡尔曼滤波中以表征野值污染下的测量噪声。已有研究使用对数高斯核估计测量噪声协方差的突变，或开发融合和多核密度估计器处理多峰概率分布。在此基础上，本研究开发了自适应核密度鲁棒卡尔曼滤波器（KDE-RKF），用于GNSS/INS地理定位。该方法采用滑动窗口KDE在对数空间中估计每个测量通道的归一化新息能量分布，当前新息密度与参考密度之比确定每个通道的连续协方差膨胀因子。

二、研究内容与主要结论

研究人员在高度动态仿真中评估了四种GNSS退化模式下的测量权重和定位性能，并在苏黎世城市微型飞行器（MAV）数据集上进行了公开飞行验证。结果表明，KDE-RKF在孤立野值、姿态相关突发、末端多径和模拟干扰场景中均降低了定位误差。在15%孤立野值污染率下，KDE-RKF的三维位置RMSE为38.4米，相比EKF的87.3米降低了56.3%。模拟干扰结束后，定位精度在2.5秒内恢复到接近标称水平。每次GNSS更新耗时0.37毫秒。在自然GPS偏移期间，峰值位置误差从13.9米降至9.7米。这些结果支持基于密度的软门控方法在GNSS退化条件下降低定位误差的有效性。

三、关键技术与方法

本研究采用的主要技术方法包括：第一，对数高斯核密度估计器，将正值的归一化新息能量通过对数变换映射到实数域，消除边界偏差并实现最优收敛速率；第二，自适应带宽选择，采用Silverman经验法则在对数空间中根据滑动窗口样本标准差自动调整带宽，具有自正则化特性；第三，通道特定软门控机制，通过当前新息密度与窗口中位数密度之比计算连续权重，以对称形式膨胀有效测量协方差矩阵；第四，滑动窗口设计，窗口大小设为150个样本，在密度估计稳定性与适应延迟之间取得平衡。仿真平台为高动态自旋稳定弹道轨迹，持续约120秒，包含100次蒙特卡洛运行。公开验证采用苏黎世城市MAV数据集的AGZ_subset序列，约16分钟低空城市飞行，以摄影测量轨迹为评估参考。

四、研究结果

4.1 随机孤立GNSS野值

在无野值条件下，所有滤波器具有相当的3D RMSE，表明KDE软门控机制未引入可测量的标称效率损失。随着污染率增加，EKF误差快速增长，而鲁棒滤波器降低了损坏测量的影响。在15%污染率下，KDE-RKF相比EKF实现56.3%的3D位置RMSE降低，相比Huber-KF和VB-Student-KF分别降低18.7%和13.4%。在20%污染率下，相比VB-Student-KF的优势进一步扩大至21.8%，表明固定重尾假设在高污染条件下缺乏灵活性。

4.2 姿态机动期间的突发野值

在突发间隔内，EKF性能显著退化至9.8米RMSE，相比标称基线增加约300%。Huber-KF和VB-Student-KF分别缓解至6.5米和5.9米，而KDE-RKF在突发期间实现4.7米，整个场景为3.8米。KDE-RKF在整个间隔内保持在不含野值基线的约15%范围内。KDE窗口在突发期间仍由足够标称样本填充，使污染样本被识别为低密度新息。

4.3 末端多径与对抗性干扰

在末端多径场景中，KDE-RKF在最后105–120秒间隔内实现3D RMSE为3.2米，显著优于Huber-KF的5.8米、VB-Student-KF的5.1米和Chi2-EKF的7.6米。KDE-RKF适应变化的噪声水平同时衰减稀疏尖峰，而硬门控方法因持续噪声膨胀导致过度拒绝。在模拟干扰场景中，KDE-RKF将GNSS通道权重抑制至0.05以下，无缝过渡到短期INS纯惯性导航，干扰结束后在2.5秒内恢复到接近标称精度，恢复速度超过所有鲁棒基线。

4.4 综合精度与计算效率

在所有七个评估案例中，KDE-RKF在3D RMSE方面排名第一。平均RMSE为3.6米，相比VB-Student-KF的5.2米、Huber-KF的5.8米、Chi2-EKF的8.4米和EKF的12.7米均有显著降低。每次更新计算时间为0.37毫秒，仅比EKF慢约10%，远快于Student-t VB滤波器的2.1毫秒。在10Hz GNSS更新率下，计算时间仅占可用测量间隔的不到0.4%，确认了该算法适用于实时应用。

4.5 消融与参数敏感性

消融研究在15%污染率下隔离各组件贡献：添加标准高斯KDE将RMSE从87.3米降至52.1米；替换为对数高斯核降至41.6米；通道特定加权进一步降至39.8米；自适应Silverman带宽选择产生完整的38.4米结果。窗口大小敏感性分析表明，小窗口（N=50）导致密度估计不稳定，大窗口（N=400）引入约20秒适应延迟，推荐窗口大小N=150在高动态飞行场景中提供最优平衡。

4.6 公开城市MAV飞行验证

在AGZ_subset序列验证中，KDE-RKF在最大自然GPS偏移事件中将峰值3D位置误差从EKF的13.9米降至9.7米，分别相比原始GPS和EKF降低32.1%和30.4%。相比Chi2-EKF、Huber-KF和Student-t KF，峰值误差分别进一步降低28.5%、24.1%和20.1%。通道权重分析显示，三个方向的权重非同步下降，表明测量退化具有方向依赖性。KDE-RKF更早地衰减退化测量的影响，达到最低峰值误差，并在偏移后更快恢复到标称误差包络。

五、讨论与结论

5.1 讨论

研究结果表明，近期局部新息密度可在所测试的GNSS退化条件下作为测量可靠性信号。KDE-RKF的软门控解释具有连续性和通道特定性的优势，GNSS退化很少在水平位置、垂直位置、水平速度和垂直速度上完全相同。该方法还支持操作可解释性：权重可作为测量质量指标记录，低权重期间的图像帧或点云段可标记用于质量控制。

研究存在若干局限性：公开实验仅包含一次缓慢系留低空城市MAV飞行而非重复高动态任务；150个历元的仿真启动期需要专门的误差曲线分析；通道独立KDE未建模跨通道相关性；缺乏经验NEES/NIS校准和相关野值测试；基线设置未按场景优化；时序和内存分析不能替代嵌入式或定点验证。

5.2 结论

本研究开发了KDE-RKF用于测量野值下的GNSS/INS地理定位。该滤波器结合对数高斯核密度估计、自适应带宽选择和通道特定软门控，根据近期新息统计调整有效测量协方差。在蒙特卡洛仿真中，KDE-RKF在孤立野值、姿态相关突发、末端多径和模拟干扰下均降低了定位误差。在15%孤立野值污染率下，其三维位置RMSE为38.4米，而EKF、Huber-KF和VB-Student-KF分别为87.3米、47.2米和44.3米。模拟干扰结束后定位精度在2.5秒内恢复到接近标称水平。在苏黎世城市MAV数据集的AGZ_subset序列评估中，KDE-RKF相比EKF将三维位置RMSE从5.8米降至4.9米，峰值误差从13.9米降至9.7米。仿真和城市飞行结果共同支持局部新息密度作为GNSS/INS地理定位中自适应测量加权的基础。进一步评估应考察重复高动态飞行、跨通道误差依赖性和嵌入式硬件实现。