组合导航系统：GNSS+INS组合导航耦合方式深度解析
概述
在GNSS/INS组合导航系统中，不同的耦合方式主要区别在三个方面：
- 如何校正惯性导航参数：对INS输出结果进行修正的方法。
- 使用什么类型的GNSS数据：是直接使用GNSS接收机解算出的位置/速度，还是使用更原始的观测数据（如伪距、多普勒频移）。
- INS和组合算法如何辅助GNSS接收机：组合系统是否以及如何帮助GNSS接收机更好地工作（比如信号跟踪）。
这三个方面通常是相互关联的，共同决定了系统的耦合深度。根据这些差异，组合系统主要分为松耦合、紧耦合和深耦合三种方式。
简单来说，耦合方式的选择，本质上是在决定何时、何处将INS和GNSS的数据融合起来：
- 是等到GNSS接收机自己解算完位置速度（松耦合）？
- 还是利用GNSS的原始观测数据（伪距等）进行融合（紧耦合）？
- 或者更进一步，深入到GNSS接收机的信号跟踪环节去融合（深耦合）？
目前业界的共识是，从定位精度、稳定性和可靠性综合来看，深耦合效果最好，紧耦合次之，松耦合相对基础一些。下面我们具体解释这三种方式的工作原理。
术语说明：
-
深耦合 (Deeply Coupled) / 超紧耦合 (Ultratightly Coupled, UTC)： 通常指这种深入到信号跟踪层的组合方式。
-
紧耦合 (Tightly Coupled)： 指在原始观测值（伪距等）层面的融合（距离域）。
-
松耦合 (Loosely Coupled)： 指在导航结果（位置/速度）层面的融合（位置域）。
耦合方式
非耦合
组合GNSS和INS最简单的方式是非耦合（uncoupled）系统。在这种结构下：
-
工作方式： GNSS并不持续地与INS进行数据融合，而仅仅是定期（例如每隔一段时间）将其输出的位置、速度信息直接覆盖（重置）INS的导航参数。
-
应用场景： 这种方式常见于对已有INS系统的平台（如飞机）进行GPS升级改造的情况，因为它改动最小、实现简单。
-
本质： 严格来说，非耦合并非真正意义上的“组合”导航。两个系统基本上是独立工作，GNSS只是偶尔粗暴地修正INS的累积误差，两者之间没有深层次的协同或数据融合。
松耦合
顾名思义，松耦合是一种简单的组合导航方式，其中INS（惯性导航系统）独立完成姿态、速度等更新，而GNSS（全球导航卫星系统）的位置和速度信息作为观测输入，融入导航滤波器。这种方式也被称为位置域组合，因为GNSS的定位结果用于修正INS的累积误差。
为什么叫“位置域组合”？
因为融合发生在导航结果的层面（位置、速度），即GNSS提供的已经是它自己解算好的定位结果，所以称为位置域组合。它是一个级联结构——GNSS和INS的处理是前后串联的，GNSS的输出作为INS修正的输入。
它是如何工作的？
-
独立运行：
-
INS模块： 自己进行高频的机械编排计算（实时更新姿态、速度、位置），并输出这些导航结果。
-
GNSS模块（如RTK）： 独立解算，输出相对低频但精度较高的位置和速度信息（通常不含姿态）。
-
-
数据汇总与比较： 两者输出的数据都送入一个中央数据处理模块（通常是卡尔曼滤波器）。
-
误差估计与修正：
-
当没有新的GNSS数据时：滤波器依赖INS的高频输出进行导航推算。
-
当有新的GNSS数据（如RTK定位结果）到达时：滤波器比较此刻INS推算的位置/速度与GNSS输出的位置/速度，计算出两者之间的差值（位置差、速度差）。
-
滤波器基于这些差值，估计出INS当前的各类累积误差（如陀螺仪漂移、加速度计偏置、以及位置、速度、姿态误差等）。
-
滤波器将估计出的这些误差反馈给INS模块。
-
INS模块利用这些反馈信息修正自身的累积误差（可能是内部状态，也可能是输出结果）。
-
同时，滤波器输出当前融合后的、最优的导航解（位置、速度、姿态）。
-
-
循环持续： 这个过程不断重复：INS持续高频推算，GNSS低频提供高精度修正点，滤波器负责桥梁作用，确保INS误差被持续校准。
示意图：
+---------------------+ +---------------------+
| | | |
| 惯性导航系统 (INS) | | GNSS接收机 |
| | | |
| (独立工作) | | (独立工作) |
| - 高频机械编排 | | - 独立信号跟踪与定位 |
| - 输出: | | - 输出: |
| 位置 P_ins | | 位置 P_gnss |
| 速度 V_ins | | 速度 V_gnss |
| 姿态 A_ins | | (需 ≥ 4颗卫星!) | <-- [关键限制]
| | | |
+----------+----------+ +----------+----------+
| |
| INS导航解 | GNSS导航解
| (P_ins, V_ins, A_ins) | (P_gnss, V_gnss)
| |
| |
V V
+-----------------------------------------------------+
| |
| 松耦合导航滤波器 (如卡尔曼滤波器) |
| |
+-----------------------------------------------------+
|
| 组合导航解输出
| (P_fused, V_fused, A_fused)
V
[导航输出与应用]
关键特点与注意事项：
-
优点：
-
简单易实现： 结构清晰，对GNSS接收机要求低，只需其标准导航输出（如NMEA语句），当作“黑盒”使用即可。
-
相对稳定： 在GNSS信号良好时性能稳定。
-
计算负担小： 对处理器的要求较低。
-
-
缺点：
-
严重依赖GNSS定位： 性能完全取决于GNSS接收机独立解算的质量和可靠性。
-
致命弱点：卫星数不足时失效： 当可见卫星少于4颗，GNSS无法独立输出有效的位置/速度时，整个组合系统就失效了，只能依赖纯INS（误差会快速累积漂移）。
-
无法利用原始数据优势： 不能利用GNSS的原始观测值（伪距、载波相位）来提升在弱信号或部分遮挡环境下的性能。
-
潜在延迟与相关性： GNSS接收机内部自身的滤波处理可能引入时间延迟或数据相关性问题，影响组合效果。
-
信号遮挡场景表现差： 在树林、城市峡谷等信号易受遮挡的环境中，定位的稳定性和可靠性不如更高级的耦合方式。
-
-
重要提示：杆臂效应！
GNSS天线相位中心与INS（IMU）测量中心之间的物理偏移（杆臂）必须精确测量并补偿。错误的杆臂值不是简单地导致1:1的位置误差！尤其是在载体转向时，它会使GNSS对INS的修正产生方向性错误，严重误导INS，大幅降低位置、速度、姿态的精度。这种错误在GNSS信号丢失期间（比如进入隧道）进行纯惯性推算时，后果尤为严重，会导致推算位置迅速偏离。
紧耦合
紧耦合代表了比松耦合更深层次的融合。它的核心思路是：直接使用GNSS最原始的观测数据（如伪距、伪距率/多普勒频移），在“距离域”与INS进行深度融合。 双方相互辅助：GNSS原始数据帮助校准INS，而INS则帮助提升GNSS数据的处理精度和稳定性。
它是如何工作的？
-
数据共享：
-
INS模块： 提供预测的载体高动态信息（位置、速度、姿态）。
-
GNSS模块： 输出原始观测值（伪距、载波相位、多普勒频移）和卫星星历等数据。
-
-
预测与实际比较：
-
中央融合滤波器（通常是卡尔曼滤波器）利用INS预测的位置/速度和卫星星历，计算出从预测载体位置到每颗可见卫星的理论（预测）伪距和理论（预测）多普勒频移。
-
同时，滤波器接收GNSS模块测量的实际伪距和实际多普勒频移。
-
-
残差分析与误差估计：
-
滤波器计算理论预测值（来自INS）与实际测量值（来自GNSS）之间的差值（称为伪距残差、多普勒残差）。
-
滤波器基于这些残差，直接估计INS的各种误差状态（位置误差、速度误差、姿态误差、传感器误差如陀螺漂移和加速度计偏置等）。
-
-
校正与输出：
-
滤波器将估计出的误差反馈给INS模块进行校正。
-
校正后的INS信息又用于下一轮的预测计算。
-
滤波器输出最终融合后的、更高精度的组合导航解。
-
-
RTK融合（可选但常见）： 在高精度应用中，经过校正的INS信息可以辅助RTK定位算法（例如提供高精度的位置预测和动态约束），RTK的固定解或浮点解再进一步反馈提升整体精度。
为什么叫“距离域组合”？
因为融合直接发生在最基础的观测层面（卫星到接收机的距离/距离变化率信息），而不是像松耦合那样在位置/速度的结果层面，故称为距离域组合。
核心优势：弱信号环境下的生存能力！
-
最大亮点：卫星不足4颗也能工作！ 这是紧耦合最核心的优势。即使可见卫星少于4颗（只要不少于1颗），系统依然能利用那颗卫星的观测值残差对INS进行误差约束，显著抑制INS的漂移速度。虽然单颗卫星无法提供完整3D定位，但它能有效“拉住”INS，使其不至于快速跑偏，大大提高了在隧道、城市峡谷、林荫道等信号断续或部分遮挡环境下的连续性和可靠性。
-
性能更优： 利用原始观测值包含的更多信息，减少了GNSS接收机内部滤波的影响，通常能获得比松耦合更好的精度和稳定性，对多路径效应和噪声也有一定的抑制能力。
实现难点与挑战：
-
复杂度更高： 实现比松耦合复杂得多。
-
数据接口要求： 需要GNSS接收机能提供原始观测值（伪距、多普勒等）和星历数据，这通常需要特定的接收机或接口支持，不是所有消费级设备都具备。
-
算法更复杂： 滤波器设计更精密，计算量更大。
-
依赖精确模型： 需要非常精确的卫星位置计算、卫星钟差模型以及大气延迟（电离层、对流层）补偿模型来计算理论观测值。
-
RTK算法门槛高（针对高精度应用）： 要实现厘米级精度的紧耦合（常结合RTK），往往需要厂家自研高水平的RTK算法。这对技术积累要求很高，因为卫星远在3万公里之外，信号微弱，要通过载波相位双差等技术在各种复杂动态场景下保持实时厘米级精度且稳定运行，难度非常大。非专业RTK厂家很难达到行业顶尖水平。
示意图：
+---------------------+ +---------------------+
| GNSS接收机 | | INS |
| (独立跟踪环路) | | (位置/速度/姿态) |
| 输出: | +----------+----------+
| - 伪距ρ | |
| - 多普勒f | |
| - 载波相位φ | |
| - 星历数据 | V
+----------+----------+ +---------------------+
| | 理论观测值预测 |
| | - 计算预测伪距 |
| | - 计算预测多普勒 |
| +----------+----------+
| |
| |
| V
| +-------------------------+
| | 残差计算与估计 |
| | - Δρ = ρ_ins - ρ_gnss|
| | - Δf = f_ins - f_gnss|
| | -> 关键: 1颗星也能用! |
| +----------+--------------+
| |
| |
V V
+---------------------+ +-------------------------+
| 紧耦合滤波器 |<----------------------| 误差估计: |
| (如卡尔曼滤波器) | | - INS位置/速度误差 |
| | | - 传感器偏差 |
| | | - 接收机钟差 |
+----------+----------+ +-------------------------+
|
|
V
+---------------------+
| 组合导航解输出 |
| (位置/速度/姿态) |
+----------+----------+
|
|
V
+---------------------+
| INS误差反馈 |
| (闭环校正) |
+----------+----------+
|
|
+----------------------------------->+
|
V
+---------------------+
| INS状态校正 |
+---------------------+
深耦合 / 超紧耦合 / 全耦合
深耦合代表了GNSS/INS组合的最高境界，将融合直接深入到GNSS接收机的信号跟踪层面。它不再满足于使用GNSS的观测结果（如位置）或原始观测值（如伪距），而是直接利用GNSS接收机最底层的信号处理数据（I/Q相关器输出），与INS进行最紧密的协同工作。核心目标是：利用INS的高动态信息，革命性地提升GNSS信号在恶劣环境下的跟踪能力。
核心思想：INS直接“指挥”GNSS的信号跟踪！
-
数据融合点前移： 融合滤波器（通常是集中式设计）同时接收：
-
INS的信息： 原始惯性数据或高精度的导航解（位置、速度、加速度）。
-
GNSS的信号处理数据： 相关器输出的原始同相（I）和正交（Q）信号分量，或环路鉴别器的输出。
-
-
INS动态辅助GNSS跟踪环路：
-
滤波器基于INS提供的精确、高频的载体动态信息（速度、加速度），预测载体相对于每颗卫星的实时距离变化率（多普勒频移）及其变化（多普勒率）。
-
这些预测的动态信息被直接注入到GNSS接收机的信号跟踪环路（码环和载波环）中，用于控制数控振荡器（NCO），生成本地参考码和载波信号。
-
-
革命性的性能提升：
-
带宽收窄，灵敏度飙升： 由于INS已经提供了绝大部分的动态信息，跟踪环路只需处理残余的动态和噪声。这使得环路带宽可以做得非常窄，极大地提高了在弱信号、强干扰环境下的信号捕获和跟踪灵敏度。
-
无惧剧烈机动： 即使载体进行高速、高加速度的剧烈机动（急转弯、加减速），INS提供的精准动态辅助也能让跟踪环路保持锁定，抗动态应力能力极强。
-
提升观测质量： 更稳定、更精确的信号跟踪直接转化为更高质量的伪距、载波相位和多普勒观测量输出。
-
-
闭环融合与校正：
-
跟踪环路输出的观测量（伪距、多普勒）送入融合滤波器。
-
滤波器利用INS预测的理论观测值（基于INS位置/速度）与实际观测量比较，计算残差。
-
滤波器基于残差估计INS的误差状态（位置、速度、姿态、传感器误差）和可能的GNSS误差（如接收机钟差）。
-
滤波器输出校正后的组合导航解，并将误差估计反馈给INS进行校正。
-
循环持续： 校正后的INS提供更精准的动态预测辅助跟踪环路，形成高度闭环的深度融合。
-
为什么叫“跟踪域组合”？
因为融合发生在GNSS信号处理链条的最底层——信号相关和跟踪环节，直接干预了接收机如何“锁定”卫星信号，故称为“跟踪域组合”。
核心优势：征服极端环境！
-
极限性能之王： 在强动态（战斗机、导弹机动）、高干扰（电子对抗、欺骗）、极弱信号（室内、密林深处） 等最严苛的环境下，深耦合能提供最优异的定位连续性、可靠性和精度，远超松耦合和紧耦合。
-
系统鲁棒性最高： 抗干扰能力、抗遮挡能力、抗动态应力能力均达到顶峰。
实现难点与高门槛：
-
复杂度最高： 实现难度远超前两种耦合方式。
-
深度定制要求： 需要深度修改GNSS接收机的硬件、固件或软件架构，打破传统接收机的“黑盒”模式。通常需要与接收机厂商深度合作或完全自主定制开发。
-
基带芯片能力是关键（核心门槛）： 只有具备自研GNSS基带芯片能力的公司，才可能真正掌控并实现深耦合技术。 因为需要直接访问和控制芯片内部的信号处理单元（相关器、NCO）。这也解释了为什么目前全球仅有少数顶尖公司掌握这项技术。
-
处理器算力要求极高： 集中式滤波器处理原始I/Q数据并实时控制跟踪环路，计算负荷巨大。
-
系统设计、集成、调试极其复杂： 跨越多领域（惯性导航、信号处理、通信、嵌入式系统），设计和调试难度巨大，成本高昂。
示意图：
+---------------------+ +---------------------+
| GNSS天线 | | IMU |
| (接收卫星信号) | | (陀螺仪/加速度计) |
+----------+----------+ +----------+----------+
| |
| |
V V
+---------------------+ +---------------------+
| 射频前端 | | 机械编排 |
| (下变频/ADC) | | (位置/速度解算) |
| 输出：数字中频信号 | +----------+----------+
+----------+----------+ |
| |
| V
| +-------------------------+
| | INS动态引擎 |
| | - 计算动态预测 |
| | - 生成NCO控制指令 |
| +----------+--------------+
| |
| | (控制指令)
| V
+----------+----------+ +-------------------------+
| 基带信号处理 |<----------------------| 本地信号发生器受控点 |
| - 相关器(I/Q) | | <<核心控制点>> |
| - 超窄带跟踪环路 | +-------------------------+
+----------+----------+
|
|
V
+---------------------+
| 导航滤波模块 |
| - 融合I/Q+INS状态 |
| - 残差计算与估计 |
+----------+----------+
|
|
V
+---------------------+
| 组合导航解输出 |
| (位置/速度/姿态) |
+----------+----------+
|
|
V
+---------------------+
| INS误差反馈 |
| (闭环校正) |
+----------+----------+
|
|
+----------------------------------->+
|
V
+---------------------+
| INS状态校正 |
+---------------------+
核心特性对比表
| 特性 | 松耦合 | 紧耦合 | 深耦合/超紧耦合 |
|---|---|---|---|
| 融合层级 | 位置/速度结果 | 伪距/多普勒等原始观测值 | 信号跟踪环路控制 |
| GNSS数据需求 | 标准定位结果 | 原始观测值+星历 | 基带I/Q信号+环路访问权限 |
| INS数据需求 | 导航解（位置/速度） | 导航解+动态预测 | 原始动态数据（加速度/角速度） |
| 最小可用卫星数 | 需≥4颗（否则失效） | 仅需1颗（核心优势） | 仅需1颗 |
| 弱信号表现 | 频繁失锁 | 可维持基本定位 | 稳定跟踪 |
| 高动态适应性 | 易丢星 | 抗常规机动 | 抗极限机动（战斗机/导弹） |
| 抗干扰能力 | 无特殊防护 | 基础抑制能力 | 军用级抗干扰 |
| 实现复杂度 | ▲ 简单（黑盒集成） | █ 中等（需原始数据接口） | ● 复杂（需芯片级定制） |
| 硬件成本 | ▲ 低（消费级） | █ 中（工业级） | ● 高（军工级） |
| 典型场景 | • 消费无人机 • 普通车载 | • L2+自动驾驶 • 农业测绘 | • 军用载具 • L4/L5城区导航 |
选型决策树：哪种耦合适合您？
+-----------------+
| 应用场景评估 |
+--------+--------+
|
+----------------------+----------------------+
| 环境复杂度低 | 环境复杂/要求高可靠性 |
| (开阔道路/低速) | (城市/干扰/高速) |
+----------------------+----------------------+
| | |
+---------+---------+ +--------+--------+ +---------+---------+
| 成本敏感型 | | 性能优先型 | | 极端环境型 |
| • 松耦合 | | • 紧耦合 | | • 深耦合 |
| (满足基础需求) | | (最佳性价比) | | (不妥协性能) |
+-------------------+ +-----------------+ +-------------------+
总结
从松耦合到深耦合，代表GNSS与INS融合程度的层层深入，本质是用更精密的数据交互换取更强大的环境适应能力。三种方式的核心差异在于：
1. 融合深度决定性能天花板
-
松耦合：两系统独立运行，仅在结果层（位置/速度）简单比对，像两个各自为政的部门。
-
紧耦合：深入原始观测值层（伪距/多普勒），双方数据实时互验，如同共享工作台账。
-
深耦合：直接介入GNSS信号跟踪环节，用INS动态信息“手把手”辅助卫星锁定，堪称基因级融合。
2. 场景适应性才是试金石
-
开阔环境：卫星充足时，三种方式都能轻松实现厘米级定位，无显著差异。
-
完全遮挡（隧道/地库）：卫星信号彻底消失，任何耦合都依赖INS惯性推算，精度由IMU硬件决定。
-
部分遮挡（城市峡谷/港口）：
-
松耦合：卫星数<4即失效，定位跳变频繁
-
紧耦合：仅需1颗卫星即可约束INS误差，抗遮挡能力跃升
-
深耦合：通过信号级辅助，在弱信号下仍稳定跟踪，实测精度可达紧耦合3倍、松耦合5倍
-
3. 自动驾驶的耦合选择是道平衡题
-
深耦合：适合高速场景（卫星追踪实时性要求高），但系统复杂、成本高昂
-
紧耦合：应对复杂城区环境的“性价比之选”，堪称Corner Case领域的屠龙刀
-
松耦合：低速场景经济方案，当环境简单时仍具实用价值
终极目标从来不是技术参数的堆砌，而是让车辆“上得了高速，钻得了小巷”。厂商需在性能与成本间找平衡，用户要的是全场景丝滑的导航体验——这才是组合导航产品的真正价值。
北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台
更多推荐
7
0- 0
已为社区贡献6条内容
所有评论(0)