一种基于新息抗差估计的GNSS/INS紧组合欺骗检测方法

摘要

本发明提供了一种基于新息抗差估计的GNSS/INS紧组合欺骗检测方法，属于导航系统欺骗检测技术领域。现有的欺骗检测算法在检测缓慢增长的斜坡式欺骗干扰时，由于欺骗增长的速率小，需要经过很长时间的累积才能达到预设的检测阈值，进而被检测出来，检测时间过长。本发明在难以判断是否存在欺骗时，根据平均归一化新息向量和上、下限检测阈值计算等价权矩阵，进而通过等价权矩阵进行降权处理，得到新的增益矩阵，通过增益矩阵对先验估计状态向量和先验协方差估计向量进行优化，从而将未被检测出的欺骗干扰在k+1时刻放大，从而通过较短的时间累积就可以使欺骗干扰达到预设的检测阈值，从而判断出是否存在欺骗，缩短了欺骗检测的时间。

说明书

技术领域

本发明涉及一种基于新息抗差估计的GNSS/INS紧组合欺骗检测方法，属于导航系统欺骗检测技术领域。

背景技术

现有技术中，无人机普遍采用全球卫星导航系统和惯性导航系统的组合导航系统进行导航控制。全球卫星导航系统(Global Navigation Satellite System，GNSS)和惯性导航系统(Inertial Navigation System，INS)的组合导航系统具有两者互补误差特性，GNSS能够在全球范围内提供全天候连续性的位置、速度和时间(Position，Velocity&Time，PVT)服务的优点，而INS具有独立自主、连续工作、提供短期抗干扰能力等优点，两者组合增加了系统的冗余度和可靠性。GNSS/INS组合导航可以分为松组合、紧组合和深组合三种组合模式。紧组合是利用GNSS接收机输出的伪距、伪距率等观测量，与INS结合星历反算得到的伪距、伪距率进行组合。

然而，由于GNSS信号功率低、结构公开，使得GNSS服务易受欺骗干扰的影响，第三方可能通过施加欺骗干扰来干涉无人机的运动，此时，无人机的飞行轨迹偏离正常飞行轨迹。然而，当无人机的飞行轨迹存在偏离时，却难以判断是由于无人机本身存在的问题导致的，还是由于第三方施加欺骗干扰导致的。为此，有必要进行实时、快速、准确地欺骗检测，以确保组合导航系统的可靠性和完好性。

欺骗干扰是指干扰源产生与真实信号高度相似的欺骗信号或转发真实信号欺骗目标接收机，迫使其生成错误和可能危险的信息。在GNSS/INS组合导航系统中，GNSS模块锁定欺骗信号并输出错误的信息，进而影响卡尔曼滤波测量更新阶段状态误差的估计值，并输出错误的导航结果，同时错误的状态误差估计值通过信息融合反馈至INS，最终影响GNSS/INS组合导航系统，使得无人控制设备的轨迹发生较大偏移，可能影响设备安全。

GNSS/INS紧组合欺骗检测方法主要是基于卡尔曼滤波新息向量作为检测统计量，具有成本低、效率高和计算量小等优点，是一种应用广泛的假设检验方法。该方法可分成“快照法”和“连续法”，“快照法”是以当前时刻的新息向量构成检验统计量，对阶跃式的欺骗干扰较为敏感，但不能识别错误测量；“连续法”是将一段时间内的新息向量构成检验统计量，对斜坡式欺骗干扰较为敏感。但这两种方法有局限性，当其中一个通道受到欺骗干扰影响时，闭环校正机制会影响其他通道偏离正常新息值，从而发生漏警或虚警的情况。因此，GNSS/INS组合导航系统欺骗干扰检测存在的难点是组合导航闭环校正机制和缓慢增长的斜坡式欺骗检测的时延问题。

针对组合导航闭环校正机制问题，ZHANG Chuang等提出了基于抗差估计和“检测窗口”的改进检测算法，其核心思想是选择两个合适的阈值计算权中因子，并自适应调整测量噪声协方差矩阵，降低受欺骗干扰测量值的权重，从而自适应调整增益矩阵，在单路通道受到0.5m/s斜坡式干扰时，改进的算法比传统算法在检测时间长缩短了10s，漏警率降低了9％。张超等提出了新息速率抗差估计检测算法，该算法能够有效的抑制了欺骗干扰对状态向量的影响，提高了数据使用率和算法可靠性，在单路通道0.1m/s的缓慢增长的斜坡式欺骗干扰漏紧率和虚警率维持在4％以内。但这两种算法对缓慢增长的斜坡式欺骗干扰，尤其是小于0.1m/s斜率的欺骗干扰，表现为检测时间过长甚至检测不敏感。

针对缓慢增长的斜坡式欺骗检测时延问题，Bhatti等提出了将新息速率来判断GNSS测量值是否存在异常，而后采用卡尔曼滤波实时估计归一化新息速率，该方法有效提升了检测时间，但受组合导航闭环校正影响，使其余正常通道的新息速率也受影响，在单路通道受到0.1m/s的缓慢增长式干扰时检测时间为110s，同时该方法设计了两层滤波器机制，增加了实际操作困难的复杂度。许睿等提出了MEDLL的欺骗信号检测方法，能够成功检测并识别出2m/s的斜坡式欺骗，但其斜坡斜率较大，很难适用于0.1m/s的缓慢增长的斜坡式欺骗干扰。近五年，部分学者研究了神经网络、支持向量机等欺骗检测算法，但计算复杂、兼容性弱和成本较高。

综上，现有的欺骗干扰检测算法在检测缓慢增长的斜坡式欺骗干扰时，检测时间过长，甚至存在检测不敏感的现象，漏检率和虚警率较高，导致无人机飞行了一段较长的路程后，才能准确判断是否存在第三方施加的欺骗干扰，严重影响无人机飞行过程的安全。

发明内容

本发明的目的在于提供一种基于新息抗差估计的GNSS/INS紧组合欺骗检测方法，用于解决现有的欺骗干扰检测算法在检测缓慢增长的斜坡式欺骗干扰时，检测时间长的问题。

为了实现上述目的，本发明提供了一种基于新息抗差估计的GNSS/INS紧组合欺骗检测方法，包括如下步骤：

S1、设定时间长度为L的检测窗口，在检测窗口内通过观测模型对GNSS/INS紧组合系统进行观测，得到k-L+1到k时刻的平均归一化新息向量

S2、若平均归一化新息向量

S3、根据k时刻的观测模型H

S4、在k+1时刻，根据k时刻的后验估计状态向量

现有的欺骗检测算法在检测缓慢增长的斜坡式欺骗干扰时，由于欺骗增长的速率小，需要经过很长时间的累积才能达到预设的检测阈值，进而被检测出来，检测时间过长。本发明通过设计一个时间长度为L的检测窗口，并在该检测窗口内通过观测模型对GNSS/ISN紧组合导航系统进行观测得到k-L+1到k时刻的平均归一化新息向量以及k时刻的新息向量，结合预先设定的上、下限检测阈值，判断是否存在欺骗。当难以判断是否存在欺骗时，根据平均归一化新息向量和上、下限检测阈值计算等价权矩阵。通过等价权矩阵进行降权处理，得到新的增益矩阵，通过增益矩阵对k时刻的先验估计状态向量和先验协方差估计向量进行后验估计，得到后验估计状态向量和后验协方差估计向量。在k+1时刻，通过k时刻的后验估计状态向量和后验协方差估计向量计算k+1时刻的先验计状态向量和先验协方差估计向量，结合k+1时刻的观测向量，k-L到k+1时刻的平均归一化新息向量，进而根据T

进一步地，在上述方法中，步骤S2中通过如下公式计算增益矩阵：

式中，

提供一组具体的公式的根据等价权矩阵计算增益矩阵，便于本发明的实施。

进一步地，在上述方法中，步骤S2中通过如下公式计算等价权矩阵W

式中，

提供一组具体的公式来根据平均归一化新息向量和上、下限检测阈值来计算中间变量，然后根据中间变量和观测噪声协方差矩阵来计算等价权矩阵，便于本发明的实施。

进一步地，在上述方法中，步骤S2中通过如下公式计算后验估计状态向量

式中，

提供一组具体的公式来根据增益矩阵对先验估计状态向量进行优化，从而得到后验估计状态向量，以用于下一时刻的欺骗检测，状态向量的实时性更好，而且便于实施。

进一步地，在上述方法中，步骤S3中通过如下公式计算k+1时刻的先验估计状态向量

式中，

提供一组具体的公式来根据k时刻的后验估计状态向量计算k+1时刻的先验估计状态向量，便于本发明的实施。

进一步地，在上述方法中，步骤S2中通过如下公式计算后验估计协方差向量P

式中，I表示单位向量，

提供一组具体的公式来根据增益矩阵对先验估计协方差向量进行优化，从而得到后验估计协方差向量，以用于下一时刻的欺骗检测，协方差向量的实时性更好，而且便于实施。

进一步地，在上述方法中，步骤S3中通过如下公式计算k+1时刻的先验协方差估计向量

式中，

提供一组具体的公式来根据k时刻的后验估计协方差向量计算k+1时刻的先验估计协方差向量，便于本发明的实施。

进一步地，在上述方法中，步骤S2中通过如下公式计算新息向量r

式中，Z

提供一组公式来计算新息向量及其协方差矩阵，计算简单，便于本发明的实施。

附图说明

图1为本发明方法实施例中基于新息抗差估计的GNSS/INS紧组合欺骗检测方法的流程框图；

图2为本发明方法实施例中模拟的飞行轨迹示意图；

图3(a)为本发明方法实施例中阶跃式欺骗下快照法的仿真结果；

图3(b)为本发明方法实施例中阶跃式欺骗下连续法的仿真结果；

图4(a)为本发明方法实施例中斜坡式欺骗下快照法的仿真结果；

图4(b)为本发明方法实施例中斜坡式欺骗下连续法的仿真结果；

图5(a)为本发明方法实施例中0.1m/s的斜坡式欺骗下连续法的仿真结果；

图5(b)为本发明方法实施例中0.1m/s的斜坡式欺骗下基于新息抗差估计的连续法的仿真结果；

图6(a)为本发明方法实施例中0.1m/s的斜坡式欺骗下基于新息抗差估计的连续法的仿真结果；

图6(b)为本发明方法实施例中0.1m/s的斜坡式欺骗下基于新息抗差估计的GNSS/INS紧组合欺骗检测方法的仿真结果；

图7为本发明方法实施例中对通道6施加0.1m/s的斜坡式欺骗下基于新息抗差估计的连续法和基于新息抗差估计的GNSS/INS紧组合欺骗检测方法的仿真结果对比示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例，对本发明进行进一步详细说明。

方法实施例：

本发明的基于新息抗差估计的GNSS/INS紧组合欺骗检测方法如图1所示，包括如下步骤：

1、基于GNSS/INS的紧组合导航系统使用GNSS伪距和伪距率作为输入，在闭环校正中，每次滤波迭代将估计的位置、速度和姿态误差反馈给INS处理器，对INS的解进行校正。误差状态扩展卡尔曼滤波(Extended Kalman Filter，EKF)的17维状态向量X表示为：

其中，

在k时刻，获取由GNSS观测值和INS预测值作差的观测向量Z

式中，

2、在卡尔曼滤波器的实时更新阶段，对观测向量进行实时更新。实时更新包括时间更新阶段和测量更新阶段。

在时间更新阶段，通过对GNSS/INS紧组合系统的状态向量和协方差进行先验估计，得到k时刻的先验估计状态向量

式中，符号“∧”表示估计值，上标“-”表示先验估计，“+”表示后验估计，上标“T”表示矩阵的转置。

然后通过观测矩阵H

新息向量r

然后，根据新息向量r

式中，

3、定义检测窗口为L，通过将检测窗口内各时刻归一化新息向量求平均值，从而得到从k-L+1时刻到k时刻的平均归一化新息

4、根据平均归一化新息，判断GNSS测量值中是否存在欺骗。设定T

欺骗干扰的检测标准为：

当平均归一化新息满足

5、在测量更新阶段，根据平均归一化新息，利用IGG-3等价权函数，进行降权处理，计算出等价权矩阵W

式中，

通过IGG-3等价权函数计算w

式中，

6、根据等价权矩阵W

根据增益矩阵

还计算k时刻的后验估计协方差向量P

式中，I为单位向量。

至此，k时刻欺骗检测过程完成，在k+1时刻，返回步骤1，并根据k时刻的后验估计状态向量

通过如下公式计算k+1时刻的先验估计状态向量

式中，

通过如下公式计算k+1时刻的先验协方差估计向量

式中，

为了验证本发明的有益效果，对比快照法(M1)、连续法(M2)、基于新息抗差估计的连续法(M3)和基于新息抗差估计的GNSS/INS紧组合欺骗检测方法(M4)四种方法。

设计3个GNSS/INS组合导航欺骗检测实验场景，(1)在1路通道受到不同程度阶跃式和斜坡式的伪距偏差时，对比M1与M2的检测效果；(2)在1路通道受到斜坡式的伪距偏差时，对比M2与M3的检测效果；(3)在1路通道受到斜坡式的伪距偏差时，对比M3与M4的检测效果。

1、参数设置。GNSS/INS紧组合的实验参数设置包括：模拟的飞行轨迹数据、欺骗场景和GNSS、IMU和Kalman三大传感器的参数。分别如图2和表1、2所示。

表1欺骗场景设置

表2仿真参数

2、结果分析。(1)场景1：在通道1受到不同程度的阶跃式或斜坡式伪距偏差值的欺骗干扰，来对比M1与M2的检测能力。

设置两组实验，对第一组实验的通道1(即可见卫星1)分别施加50m、20m和10m的阶跃式伪距偏差值，欺骗持续时间为350s至550s。图3(a)是M1仿真结果图，图3(b)是M2仿真结果图，从图3(a)和图3(b)可以看出：1)图3(a)显示了M1能够立即检测出对通道1施加的50m和20m的阶跃式欺骗，检测时间均为0s，而对10m的阶跃式欺骗检测无效；2)图3(b)显示了M2在检测对通道1施加的50m、20m和10m的阶跃式欺骗时，检测时间分别为10s，10s和10s。对比图3(a)和图3(b)可以看出，M2的检测时间比M1平均延长10s，但M2能够检测出所有的欺骗情况，证明M2的检测性能优于M1。

对第二组实验的通道1(即可见卫星1)分别施加0.5m/s，0.2m/s和0.1m/s的斜坡式伪距偏差值。图4(a)是M1仿真结果图，图4(b)是M2仿真结果图，从图4(a)和图4(b)可以看出：1)图4(a)显示了M1检测对通道1施加的0.5m/s和0.2m/s的斜坡式欺骗时，检测时间分别为44s和135s，而对0.1m/s的斜坡式欺骗检测无效；2)图4(b)显示了M2在检测对通道1施加0.5m/s、0.2m/s和0.1m/s的斜坡式欺骗时，检测时间分别为20s、50s和100s。对比图4(a)和图4(b)可以看出，M2的检测时间比M1分别缩短了24s，85s和100s，平均缩短了67s，由此得出M2在处理斜坡式欺骗时具有较好的检测效率和检测性能。

综合上述比较结果可得：在道通1受到阶跃式欺骗时，M2比M1检测时间平均延长了10s，但M2检测性能更优；在通道1受到斜坡式欺骗时，M2比M1检测时间分别缩短了54.5％，63％和100％，平均缩短了72.5％，且M2检测性能更优。故，M2的检测效率和检测性能相对M1更优。

(2)场景2：设置通道1受到0.1m/s的斜坡式伪距偏差值的欺骗干扰，来对比M2与M3的检测能力，从而验证抗差估计在抑制正常通道因欺骗干扰而偏离正常值时的效果。

对通道1施加0.1m/s的斜坡式欺骗伪距偏差，图5(a)是M1仿真结果图，图5(b)是M2仿真结果图，从图5(a)和图5(b)可以看出：1)图5(a)显示了M2在检测通道1受欺骗时的检测时间为100s，但通道3、4和5均受到了不同程序的欺骗干扰影响，导致其新息偏离正常值，其中通道4甚至超过了阈值T

为了进一步说明M3的优势，表3显示了场景2下的100次循环的蒙特卡罗仿真情况。其中，“*”表示受欺骗干扰通道，后面不再赘述。

表3实验2蒙特卡罗仿真结果

(3)场景3：针对场景2中M3对较小的斜坡式欺骗检测存在的局限性，特别是对于小于0.1m/s的斜率欺骗检测时间较长问题，在场景3中设置了两组实验，比较M3与M4的检测能力。

第一组实验：对通道1施加0.1m/s的斜坡式伪距偏差值，图6(a)是M3仿真结果图，图6(b)是M4仿真结果图，从图6(a)和图6(b)可以看出：1)图6(a)显示了M3在检测通道1受欺骗时的检测时间为100s，其余通道正常；2)图6显示了M4在检测通道1受欺骗时的检测时间为70s，相对M3的检测时间缩短了30s。

第二组实验：对通道6施加0.1m/s的斜坡式伪距偏差值，从图7可以看出：M3在检测通道6受欺骗时的检测时间为110s，而M4在检测通道6受欺骗时的检测时间为60s，M4相对M3的检测时间缩短了50s。通过两组实验表明，在处理缓慢增长的斜坡式欺骗检测时，M4的检测算法优于M3。

为了更好说明M4优于M3，表4显示了场景3下的100次循环的蒙特卡罗仿真情况。

表4实验3蒙特卡罗仿真结果

结合图6(a)、图6(b)、图7和表4可以看出：1)对通道1施加0.1m/s的斜坡式欺骗时，M4比M3的检测时间缩短了30％；对通道6施加0.1m/s的斜坡式欺骗时，检测时间缩短了45.5％。结合通道1和通道6的欺骗检测情况，可以看出：M4比M3检测时间平均缩短了37.8％。2)对于漏检率，M3和M4均为0％。对于通道3、通道4和通道5，采用M3的虚警率分别为8％、6％和0；采用M4的虚警率分别为2％、0和0，M4对比M3的虚警率分别降低了6％、6％和0，平均降低了4％。由此可验证在处理缓慢增长的斜坡式欺骗干扰时，M4能够缩短检测时间和提升检测性能。

综上，本发明通过调整伪距参数，优化了新息检测量，进一步提高了缓慢增长式欺骗干扰的检测处理能力。仿真结果表明，在检测缓慢增长的欺骗干扰时，本发明使得检测时间平均缩短了37.8％，漏检率维持在0，虚警率平均维持在0.7％以内。与传统算法相比，在检测缓慢增长的斜坡式欺骗干扰时，具有检测快、虚警率低的优势，在民用和军用的无人机的应用领域具有重要意义。