针对非结构化环境下移动机器人组合导航系统中存在的时变或非高斯噪声,将秩滤波器(F)与交互式多模型算法(相结合,提出一种交互式多模型秩滤波算法(IMM-RKF)。秩滤波根据秩统计量相关原理确定采样点和权值,可适用于具有非高斯噪声的非线性系统;交互式多模型算法是解决结构和参数易发生变化系统中状态估计问题的重要途径,能够抑制组合导航系统中时变噪声引起的导航参数估计误差。仿真实验表明,相比于交互式多模型扩展卡尔曼滤波(IMM-EKF)和交互式多模型无迹卡尔曼滤波(IMM-UKF),提出的IMM-RKF算法能够提高组合导航系统姿态、速度和位置估计精度。针对基于惯性技术对铁路基础设施进行精确测绘的需求提出一种多信息融合惯性基准方案,为测量测绘提供高精度位置和姿态参考。对载体运动特点和车载状态下惯性/里程组合导航航向角误差可观性进行分析,认为天向陀螺漂移和航向误差是导致测量精度下降的主要因素,针对该问题设计了基于双向滤波、双向平滑的多信息融合方案,针对缺乏绝对位置基准的应用情况,引入"正矢"概念和相对定位精度的评判方法。仿真及试验结果表明,在陀螺常值漂移0.2(°)/h条件下,该方案相对定位精度优于0.3 mm(300 m弦正矢),显著提高了车载铁路线路测绘位置、本文由公司网站全自动滚圆机网站采集转载中国知网整理!    http://www.gunyuanji168.com/姿态基准精度,降低了对惯性器件的要求,利用中、低精度器件实现 波得到的曲线变化平缓[11]。对Kalman滤波进行R-T-S平滑比单纯采用Kalman滤波获得的导航精度高，数据处理算-张家港数控钢管滚圆机滚弧机全自动滚圆机滚弧机折弯机是一种非常有效的组合导航事后处理方法[12]。基于极大似然估计理论和概率密度函数的R-T-S平滑算法能够利用所有的观测信息，在某种可获得各点状态和均方误差估计量的滤波基础上进行，可获得状态的最小方差估计。由于某点的状态估计量是滤波估计量和平滑估计量的线性融合，因此在正向滤波的基础上进行反向R-T-S平滑比单独采用正向滤波方法获得的导航精度要高[13-14]。惯性/卫星组合导航数据处理如图3所示。图3惯性/卫星组合导航数据处理算法示意图m惯性/卫星组合导航状态变量选取同2.1节中惯性/里程计组合导航的状态量，进行Kalman滤波，计算方法如下：中，上标F表示正向Kalman滤波。基于正向Kalman滤波的反向R-T-S平滑算法流程为：在时间0N的过程中，使用Kalman滤波对误差进行估计，同时需要存储各个时刻的估计量k/k1、F/1kkX、Fk/k1P、FkX、FkP；整个Kalman滤波过程结束以后，对于N0的过程，根据R-T-S平滑的估计方程，利用正向存储的估计量进行反向平滑得到1/NNX,2/NNX,…,0/NX等状态的估计值。R-T-S平滑的递推公式如下（上标S表示R-T-S平滑的结果数据处理算-张家港数控钢管滚圆机滚弧机全自动滚圆机滚弧机折弯机本文由公司网站全自动滚圆机网站采集转载中国知网整理!    http://www.gunyuanji168.com/