Filtragem de Kalman Robustamente Distribucional para Integração Estreitamente Acoplada INS/GPS com Incerteza de Modelo e Outliers de Medição

O filtro de Kalman (KF) tem sido amplamente utilizado em sistemas de integração estreitamente acoplada INS/GPS. No entanto, os KFs são propensos à divergência quando a integração estreitamente acoplada INS/GPS sofre com incertezas de modelo, outliers de medição causados por erros de sensor ou mudanças em ambientes hostis. Estudos existentes dificilmente podem abordar todas essas condições. Neste artigo, para garantir um desempenho de posicionamento preciso e robusto para a integração estreitamente acoplada INS/GPS sob incertezas e outliers, um filtro de Kalman robusto distribuicionalmente melhorado (DRKF), baseado em Wasserstein e um conjunto de ambiguidades baseado em momentos, é proposto. Para isso, a distribuição condicional a priori menos favorável do estado é obtida usando a métrica de Wasserstein, e o conjunto de ambiguidades baseado em momentos é adotado para descrever a distribuição do ruído de medição. Além disso, usamos um novo mecanismo de saturação para suprimir outliers, garantindo uma estimativa do estado robusta com erro limitado na presença de outliers. Resultados experimentais demonstram que o algoritmo proposto pode lidar efetivamente com as incertezas de modelo e outliers de medição para o sistema de navegação INS/GPS, com maior precisão de estimativa e maior robustez em comparação com a maioria dos métodos relevantes.