Ein adaptives robustes EKF basierend auf der Mahalanobis-Distanz und nicht-holonomen Einschränkungen zur Verbesserung der Fahrzeugpositionierungsgenauigkeit

Dieser Artikel stellt einen neuartigen Ansatz im Bereich der eng gekoppelten globalen Navigationssatellitensysteme (GNSS)/trägheitsbasierten Navigationssysteme (INS) vor, der darauf abzielt, Positionierungsfehler erheblich zu reduzieren. Wir schlagen einen innovativen adaptiven robusten erweiterten Kalman-Filter (AREKF) vor, der als MAREKF bezeichnet wird und die Mahalanobis-Distanz (MD) verwendet, um die Herausforderungen durch starke Systemnonlinearität und Modellierungsfehler effektiv zu mindern und so die Fahrzeugpositionierungsgenauigkeit zu verbessern. Traditionelle AREKF-Methoden, einschließlich des vorgeschlagenen MAREKF, haben oft Schwierigkeiten bei der Identifizierung von groben Fehlern in den Messdaten und können Ungleichgewichte bei den Parameteranpassungen aufweisen. Um diese Herausforderungen zu überwinden, schlagen wir den NHC-getriebenen MAREKF (NMAREKF) vor, der NHC-Bedingungen integriert, um die Anpassungsfähigkeit und Robustheit in nichtlinearen Umgebungen zu verbessern. Der NMAREKF zeigt eine signifikante Verbesserung im Filterprozess und der Systemstabilität. Die empirische Bewertung, die Datensätze aus verschiedenen Umgebungen verwendet, konzentriert sich auf Leistungskennzahlen wie die Wurzel des mittleren quadratischen Fehlers (RMSE) und die durchschnittliche Standardabweichung (ASD) von Position, Geschwindigkeit und Haltung. Die Ergebnisse zeigen, dass NMAREKF bestehende Methoden im Umgang mit kinematischen und Messmodellfehlern übertrifft. Die NMAREKF-Methode, die NHC und MD verbindet, erweist sich als vielversprechende Lösung zur Reduzierung von Positionierungsfehlern in komplexen Navigationsszenarien und bietet erhebliche theoretische und praktische Fortschritte im Bereich der präzisen Positionierung.