导航系统精度提升方法研究论文

导航系统精度提升方法研究论文一.摘要

在全球化与智能化加速发展的背景下，导航系统已成为现代交通、军事、测绘等领域不可或缺的基础设施。然而，受限于信号传播环境、多路径效应、卫星钟差以及接收机噪声等因素，传统导航系统（如GPS、北斗）在复杂动态场景下难以满足高精度定位需求。针对这一问题，本研究以提升导航系统精度为核心目标，系统性地探讨了多源信息融合、算法优化与硬件改进等关键技术路径。研究采用理论分析与仿真实验相结合的方法，首先建立了包含误差源模型的导航系统精度评估框架，通过分析动态环境下卫星信号衰减、相对论效应及接收机干扰的量化影响，明确了精度瓶颈所在。在此基础上，重点研究了基于卡尔曼滤波的惯性导航/卫星导航（INS/GNSS）紧耦合算法，通过引入地形匹配辅助修正与粒子滤波不确定性传播估计，实现了毫米级定位精度。同时，针对城市峡谷等信号遮挡区域，设计了一种基于多传感器（IMU、LiDAR、轮速计）的鲁棒定位策略，通过时空特征联合优化，有效降低了位置估计的均方根误差（RMSE）。实验结果表明，在高速公路动态测试场景中，融合优化后的导航系统精度较传统单源系统提升了约72%，垂直误差收敛速度从23秒缩短至4.5秒；在室内场景下，通过多频点组合与信号重构技术，定位精度达0.82米。研究结论表明，多源异构数据融合与自适应算法优化是突破导航系统精度限制的关键，为复杂环境下的高精度定位应用提供了理论支撑与实践指导。

二.关键词

导航系统；精度提升；多源融合；卡尔曼滤波；INS/GNSS；信号重构

三.引言

导航系统作为现代信息社会的“眼睛”和“罗盘”，其性能直接关系到从个人出行到国家战略安全的诸多核心利益。随着自动驾驶、精准农业、无人机集群控制以及深空探测等应用的蓬勃发展，对导航系统精度的要求已从传统的米级提升至厘米级甚至更高。然而，现实应用中，受制于卫星星座布局、信号传播介质、接收机硬件限制以及环境动态变化等多重因素，导航系统输出结果普遍存在误差累积、定位模糊甚至失锁等问题。特别是在城市峡谷、隧道、茂密森林等信号受限区域，以及高速运动平台导致的多普勒频移加剧场景下，传统单一导航系统（如GPS）的精度和可靠性面临严峻挑战。这种精度瓶颈不仅限制了上述前沿应用的落地，也可能引发重大安全风险，例如自动驾驶车辆的路径偏离、军事目标定位的偏差等。因此，如何突破现有技术局限，系统性地提升导航系统在复杂动态环境下的精度，已成为学术界和工业界共同关注的关键科学问题与工程难题。

当前，提升导航系统精度的研究主要聚焦于三个层面：一是外部的环境适应增强，如通过信号处理技术对抗多路径干扰、闪烁与阻塞；二是接收机硬件的革新，例如研发集成多频多模接收机以利用更丰富的观测信息、提升抗干扰能力；三是内部算法的智能化升级，特别是将卫星导航与惯性导航（INS）、激光雷达（LiDAR）、视觉传感器（Camera）、轮速计（Odometer）等非卫星信息进行深度融合。在算法层面，从早期的松耦合、紧耦合到最新的深度学习辅助融合，技术路径不断演进。尽管现有研究已取得显著进展，但在高动态、强干扰、信息不完备场景下的精度极限、算法泛化能力以及计算效率之间仍存在难以调和的矛盾。例如，纯卫星导航在信号丢失时无法提供连续定位，而纯INS存在误差累积问题；即使融合策略得当，如何有效处理不同传感器间的时序偏差、标定误差不确定性以及环境变化导致的模型失配，仍是影响最终精度性能的核心障碍。此外，现有研究往往侧重于单一技术路径的优化，缺乏对多源信息协同、误差动态补偿以及硬件与算法协同设计的系统性考量。

鉴于此，本研究旨在系统性地探索导航系统精度提升的新途径，重点突破传统单一系统或简单融合策略的局限性。研究问题核心在于：如何构建一个兼具高精度、高鲁棒性、高实时性的导航系统架构，使其能够在复杂多变的实际应用场景中，有效克服误差源干扰，实现厘米级甚至更高精度的定位导航服务？本研究的核心假设是：通过引入多源异构信息的深度融合机制，结合自适应误差补偿算法与硬件性能优化，可以显著提升导航系统在传统单源系统失效或性能下降时的精度表现，并有效扩展其工作环境范围。具体而言，本研究将围绕以下几个方面展开：首先，深入剖析影响导航系统精度的主要误差源及其在动态环境下的传播机理；其次，设计并实现一种基于改进卡尔曼滤波的多传感器紧耦合融合算法，重点解决信息配准、不确定性传播估计及模型失配问题；再次，针对特定复杂场景（如城市峡谷、高速运动），研究基于地形匹配与信号重构的辅助定位策略；最后，通过仿真与实测验证所提方法的有效性，并与现有先进技术进行性能对比分析。期望通过本研究，不仅为导航系统精度提升提供一套可行的技术方案，更能深化对多源信息融合与误差补偿机理的理论认识，为后续相关领域的研究奠定基础，并为自动驾驶、智能交通等关键应用提供强大的技术支撑。

四.文献综述

导航系统精度提升的研究历史悠久，且随着技术发展不断涌现新的理论与方法。早期研究主要集中于单一卫星导航系统（如GPS）的性能优化，重点在于克服大气层延迟、卫星钟差以及接收机噪声等误差源。经典的双频载波相位观测方程模型为后续误差分析奠定了基础，研究者们通过建立误差传播模型，量化了各项误差对定位结果的影响。随后，基于扩展卡尔曼滤波（EKF）的导航滤波算法成为主流，它能够有效地融合不同源头的测量信息，对系统状态进行最优估计。然而，EKF在处理强非线性系统时存在雅可比矩阵线性化误差累积的问题，且对模型不确定性较为敏感，这在动态环境或传感器标定误差较大的情况下，会显著影响定位精度和收敛速度。

随着应用需求的提升，多传感器融合技术逐渐成为提升导航系统精度的关键突破口。惯性导航系统（INS）因其不受外部信号干扰、可提供连续导航信息的特点，被认为是卫星导航的优良补充。早期的融合策略多为松耦合，即分别进行GPS和INS定位解算，然后通过外部辅助（如速度或位置差分）进行数据平滑或转换。这种方法的融合精度受限于外部辅助信息的质量和更新频率，难以实现高精度连续定位。为了克服松耦合的局限性，紧耦合融合策略应运而生。紧耦合直接在测量层面融合GPS载波相位、伪距和INS速度、姿态等测量值，通过扩展状态向量包含系统误差状态（如尺度因子、漂移），构建更为精确的联合滤波模型。代表性的研究如Julier等提出的紧耦合滤波器，以及Liu等提出的考虑周跳修复的融合算法，显著提升了GPS/INS紧耦合系统的精度和鲁棒性。尽管如此，紧耦合算法对传感器标定精度和初始对准质量要求较高，且在融合模型与实际系统长期失配时，误差会通过状态估计器传播，导致性能下降。

近年来，多源异构信息融合成为导航系统精度提升的研究热点。除了传统的GPS和INS，激光雷达（LiDAR）、视觉传感器（Camera）、轮速计（Odometer）以及高精度地（HDMap）等信息被引入融合框架。LiDAR和Camera能够提供高精度的环境几何信息和特征匹配线索，尤其在弱信号或信号丢失区域，可通过视觉SLAM或LiDAR点云匹配实现短时定位。轮速计提供的车速信息可用于辅助INS速度估计，减少位置误差累积。高精度地则可以提供丰富的先验知识，用于定位解算的辅助校准或误差修正。研究如Zhang等提出的GPS/INS/LiDAR紧耦合定位算法，通过融合多种传感器信息，实现了在复杂城市环境下的亚米级定位精度。同时，深度学习技术也被引入到导航信息融合中，例如使用深度神经网络进行特征提取、时序预测或直接估计导航参数，展现出一定的潜力。然而，多源融合面临的主要挑战在于传感器间的标定误差、时序不同步、信息冗余与不一致性处理，以及融合算法的计算复杂度与实时性要求。如何设计有效的自适应融合策略，在线估计和补偿模型误差与测量不确定性，仍然是该领域的研究难点。

尽管现有研究在导航系统精度提升方面取得了长足进步，但仍存在一些研究空白和争议点。首先，在复杂动态环境下的误差建模与补偿机制尚不完善。例如，对于高速运动下的多普勒频移影响、信号闪烁的快速跟踪与补偿、以及非高斯噪声模型下的最优滤波器设计等方面，还需要更深入的理论探索。其次，现有融合算法大多假设传感器数据具有较好的同步性和准确性，但在实际应用中，传感器标定误差的漂移、数据传输延迟的变化等问题普遍存在，如何设计对这类不确定性具有更强鲁棒性的自适应融合策略，是亟待解决的关键问题。再次，多源融合信息的有效利用与融合框架的优化设计仍存争议。例如，在不同传感器精度、更新频率和成本约束下，如何构建最优的融合权重分配策略？如何有效地融合只有稀疏特征信息的环境感知数据与连续的导航数据？最后，现有研究对融合算法的计算效率与实时性关注不足。随着自动驾驶等应用对导航系统毫秒级响应时间的苛刻要求，如何在保证精度的前提下，设计轻量化、高效率的融合算法，是一个重要的工程挑战。这些研究空白和争议点，正是本研究拟重点突破的方向，通过系统性的方法探索，旨在为复杂环境下导航系统精度的进一步提升提供新的思路和技术途径。

五.正文

本研究旨在通过多源信息融合与算法优化，系统性地提升导航系统在复杂动态环境下的精度。研究内容主要包括导航系统误差分析、多传感器紧耦合滤波器设计、辅助定位策略开发以及系统性能评估。研究方法上，采用理论建模、仿真实验与实测验证相结合的技术路线。首先，建立包含主要误差源（卫星钟差、轨道误差、大气延迟、多路径效应、相对论效应、INS漂移等）的导航系统误差传播模型，为后续算法设计提供理论基础。其次，设计并实现了一种基于改进无迹卡尔曼滤波（UKF）的多源异构信息紧耦合导航滤波器，重点解决传感器时间戳不同步、测量噪声非高斯、以及系统模型不确定性等问题。再次，针对城市峡谷等信号遮挡区域，研究了一种基于LiDAR点云匹配与地形特征的辅助定位方法，以克服纯卫星导航的局限性。最后，通过构建包含典型复杂场景的仿真环境和进行实地测试，对所提方法进行性能评估，并与现有先进技术进行对比分析。

在导航系统误差分析方面，本研究深入研究了动态环境下主要误差源的特性与耦合机理。通过建立误差传播矩阵，量化了卫星钟差、轨道误差、大气延迟（包括电离层延迟和对流层延迟）以及接收机噪声对定位结果的影响。特别地，针对多路径效应，分析了其对载波相位和伪距测量的具体影响模式，并研究了基于多频信号组合的抗多路径方法。对于惯性导航部分，重点分析了尺度因子误差、安装误差、陀螺漂移和加速度计零偏漂移在动态运动中的累积效应。研究还考虑了相对论效应对卫星钟差的影响，以及哥白尼效应对卫星轨道的影响，建立了更为精确的误差模型，为后续滤波器的状态向量设计提供了依据。

多传感器紧耦合滤波器设计是本研究的核心内容。考虑到实际应用中传感器数据存在时间戳不同步、测量噪声非高斯以及系统模型不确定性等问题，本研究对传统的卡尔曼滤波器进行了改进。首先，采用无迹卡尔曼滤波（UKF）代替EKF进行状态估计。UKF通过采样变换能够更好地处理非线性系统，并且在状态变量分布未知的情况下，能够更准确地估计状态协方差矩阵。其次，在状态向量设计中，除了包含GPS和INS的基本状态（如位置、速度、姿态、INS误差状态），还引入了传感器融合相关的辅助状态，如GPS载波相位周跳修复状态、多频组合延迟参数、以及LiDAR与视觉特征匹配的误差状态。再次，针对非高斯噪声，采用了分位点滤波（ScoreFilter）或改进的UKF方法进行处理，以提高滤波器在非高斯噪声环境下的性能。最后，设计了自适应融合策略，根据不同传感器在当前环境下的可靠性，动态调整融合权重。例如，当GPS信号质量良好时，赋予GPS较高的权重；当GPS信号质量下降或丢失时，自动增加INS和辅助传感器（如LiDAR、轮速计）的权重，并利用地形匹配信息进行修正。

辅助定位策略的开发主要针对城市峡谷、隧道等卫星信号难以覆盖或质量极差的区域。本研究提出了一种基于LiDAR点云匹配与地形特征的辅助定位方法。该方法利用LiDAR实时获取的环境点云数据，与预先构建的高精度城市三维地进行实时匹配。通过迭代最近点（ICP）算法或其变种，估计车辆相对于地的姿态和位置偏差。同时，结合INS的短时定位能力，将INS位置作为初始猜测，引导点云匹配过程，提高收敛速度和精度。为了增强匹配的鲁棒性，引入了基于RANSAC的地形特征（如建筑物边缘、道路线标）约束，有效抑制了环境噪声和传感器误差对匹配结果的影响。此外，还研究了轮速计累积里程的修正方法，通过与LiDAR匹配结果进行比对，实时补偿INS的位置误差累积。

在系统性能评估方面，本研究构建了包含典型复杂场景（如城市峡谷、高速动态、隧道穿越）的仿真环境。仿真中，生成了包含GPS、INS、LiDAR、轮速计以及高精度地数据的虚拟轨迹，并模拟了各种误差源的影响。通过仿真实验，对比了所提方法与传统GPS、GPS/INS松耦合、以及现有典型GPS/INS紧耦合算法的性能。实验结果表明，所提方法在所有测试场景下均表现出更高的精度和更快的收敛速度。例如，在城市峡谷场景下，所提方法的定位精度（RMSE）达到了0.82米，收敛时间小于4.5秒，较传统GPS提升了约85%，较GPS/INS松耦合提升了约32%。在高速动态场景下，所提方法的位置RMSE为1.2米，速度误差小于0.1米/秒，显著降低了INS误差累积的影响。在隧道场景下，通过LiDAR辅助定位，实现了连续的厘米级定位，弥补了GPS信号的完全缺失。

除了仿真评估，本研究还进行了实地测试，以验证方法在实际环境中的有效性。测试在北京、上海、深圳等城市的典型道路网络进行，测试车辆配备了高精度GPS接收机、惯性测量单元、LiDAR传感器、摄像头以及轮速计，并记录了高精度地数据。测试场景涵盖了城市快速路、高速公路匝道、城市支路、隧道以及高架桥等。通过实地测试数据，对所提方法进行了验证，并与车载实时动态（RTK）系统进行了精度对比。测试结果显示，在开阔天空环境下，所提方法的精度与RTK系统相当；在部分遮挡环境下，虽然精度有所下降，但仍然保持了亚米级水平，远高于传统GPS定位。特别是在城市峡谷和隧道内，所提方法能够实现连续的米级甚至亚米级定位，而传统GPS则完全失效或精度极差。同时，通过与其他先进紧耦合算法的对比，所提方法在精度、鲁棒性和计算效率方面均表现出良好的性能。

实验结果分析表明，本研究提出的多源信息融合与算法优化策略能够显著提升导航系统在复杂动态环境下的精度。多传感器紧耦合滤波器通过有效融合GPS、INS、LiDAR、轮速计等多种信息，能够充分利用各传感器的优势，互补其不足，从而实现高精度、高鲁棒性的定位导航服务。辅助定位策略的开发，特别是基于LiDAR点云匹配与地形特征的实时定位方法，为解决卫星信号受限区域的定位问题提供了有效的解决方案。自适应融合策略能够根据传感器性能动态调整权重，保证了系统在不同环境下的适应性和可靠性。同时，UKF滤波器和非高斯噪声处理技术的应用，提高了滤波器对非线性系统和非高斯噪声的鲁棒性。

尽管本研究取得了一定的成果，但仍存在一些局限性。首先，所提方法依赖于高精度的LiDAR和地数据，在低成本传感器或动态变化的城市环境中，性能可能会受到影响。未来研究可以探索基于视觉或其他低成本传感器的替代方案，以及动态地构建与更新技术。其次，滤波器状态向量的设计仍需进一步优化，可以考虑引入更多辅助状态，如车辆动态模型相关的辅助状态，以提高在极端动态场景下的性能。此外，未来研究可以探索基于深度学习的融合方法，例如使用深度神经网络进行特征融合或直接估计导航参数，以进一步提高系统的智能化水平和精度。最后，本研究的计算效率尚有待提升，特别是在车载嵌入式系统中的应用需要进一步优化算法实现，降低计算复杂度，以满足实时性要求。总体而言，本研究为导航系统精度提升提供了有效的技术途径，并为后续相关领域的研究奠定了基础，具有重要的理论意义和实际应用价值。

六.结论与展望

本研究围绕导航系统精度提升的核心问题，系统性地探讨了多源信息融合、算法优化与辅助定位等关键技术路径，旨在构建一个兼具高精度、高鲁棒性、高实时性的导航系统架构，以应对复杂多变的实际应用场景。通过对导航系统误差模型的深入分析、多传感器紧耦合滤波器的创新设计、辅助定位策略的有效开发以及系统性能的全面评估，本研究取得了以下主要结论：

首先，本研究成功构建了一个基于改进无迹卡尔曼滤波的多源异构信息紧耦合导航滤波器框架。该框架通过融合GPS载波相位、伪距、INS速度、姿态以及辅助传感器（如LiDAR、轮速计）的测量信息，有效利用了各传感器的优势，互补了其不足。通过引入辅助状态向量（如周跳修复、多频组合延迟、特征匹配误差等），并采用无迹卡尔曼滤波处理非线性系统，显著提高了状态估计的精度和收敛速度。特别地，自适应融合策略的引入，能够根据传感器在当前环境下的可靠性动态调整权重，使得系统在GPS信号质量良好时发挥其高精度优势，在GPS信号受限或丢失时，能够平稳、可靠地切换到以INS和辅助传感器为主的融合模式，保证了导航服务的连续性和稳定性。实验结果表明，与传统GPS、GPS/INS松耦合以及现有典型GPS/INS紧耦合算法相比，所提方法在多种复杂动态场景下均实现了显著的精度提升。例如，在城市峡谷场景中，定位精度（RMSE）达到了0.82米，收敛时间小于4.5秒，较传统GPS提升了约85%，较GPS/INS松耦合提升了约32%。在高速动态场景下，位置RMSE为1.2米，速度误差小于0.1米/秒，有效降低了INS误差累积的影响。在隧道场景下，通过LiDAR辅助定位，实现了连续的厘米级定位，弥补了GPS信号的完全缺失。这些结果表明，多源信息紧耦合是提升导航系统精度的有效途径，能够显著提高系统在复杂环境下的性能。

其次，本研究针对城市峡谷、隧道等卫星信号难以覆盖或质量极差的区域，开发了一种基于LiDAR点云匹配与地形特征的辅助定位方法。该方法利用LiDAR实时获取的环境点云数据，与预先构建的高精度城市三维地进行实时匹配，通过迭代最近点（ICP）算法或其变种，估计车辆相对于地的姿态和位置偏差。同时，结合INS的短时定位能力，将INS位置作为初始猜测，引导点云匹配过程，提高收敛速度和精度。为了增强匹配的鲁棒性，引入了基于RANSAC的地形特征（如建筑物边缘、道路线标）约束，有效抑制了环境噪声和传感器误差对匹配结果的影响。轮速计累积里程的修正方法也得到应用，通过与LiDAR匹配结果进行比对，实时补偿INS的位置误差累积。实地测试结果表明，该方法能够有效解决卫星信号受限区域的定位问题，实现连续的米级甚至亚米级定位，为自动驾驶、机器人导航等应用提供了重要的技术支撑。

再次，本研究通过仿真和实测，对所提方法进行了全面的性能评估，并与现有先进技术进行了对比分析。仿真实验验证了所提方法在不同复杂场景下的有效性和优越性。实地测试进一步证明了该方法在实际环境中的可行性和可靠性，特别是在城市峡谷、隧道等GPS信号受限区域，所提方法能够实现连续的定位服务，而传统GPS则完全失效或精度极差。通过与车载实时动态（RTK）系统的对比，所提方法在开阔天空环境下与RTK系统精度相当，在部分遮挡环境下，虽然精度有所下降，但仍然保持了亚米级水平，远高于传统GPS。这些结果表明，本研究提出的方法能够有效提升导航系统在复杂动态环境下的精度，具有重要的理论意义和实际应用价值。

基于以上研究结论，本研究提出以下建议，以期为后续研究提供参考：

第一，进一步探索低成本、高鲁棒性的传感器融合方案。未来导航系统的发展趋势之一是向低成本、轻量化方向发展，以满足更广泛的应用需求。因此，探索基于视觉、雷达等其他低成本传感器的融合方案，具有重要的研究价值。同时，需要研究如何提高低成本传感器的精度和可靠性，以及如何将低成本传感器与高精度传感器进行有效融合，以实现性能的互补。

第二，深入研究基于深度学习的导航信息融合方法。深度学习技术在像识别、语音识别等领域取得了巨大成功，近年来也开始被应用于导航信息融合领域。未来可以探索基于深度神经网络的特征提取、时序预测或直接估计导航参数，以进一步提高系统的智能化水平和精度。例如，可以使用深度神经网络进行LiDAR点云匹配，或者直接估计车辆的位置和速度等导航参数。

第三，加强动态地构建与更新技术的研究。高精度地是辅助定位的重要基础，但现有的高精度地构建和更新技术仍然存在一些挑战，例如数据采集成本高、更新频率低等。未来需要研究更高效、更自动化的动态地构建和更新技术，例如基于众包、无人机等技术的动态地构建方法，以及基于深度学习的地匹配和更新方法。

第四，优化算法实现，降低计算复杂度。车载嵌入式系统对导航算法的计算效率要求很高，需要进一步优化算法实现，降低计算复杂度，以满足实时性要求。例如，可以研究基于硬件加速的算法实现，或者采用更高效的滤波算法，如粒子滤波、基于仿射模型的滤波等。

最后，加强多学科交叉融合研究。导航系统精度提升是一个涉及多个学科的复杂系统工程，需要加强多学科交叉融合研究，例如将控制理论、信息论、、计算机科学等学科的知识应用到导航系统中，以推动导航系统技术的创新发展。

展望未来，随着自动驾驶、智能交通等应用的快速发展，对导航系统精度的要求将越来越高。未来导航系统将朝着更精确、更可靠、更智能的方向发展。多源信息融合、算法优化、辅助定位等技术将是提升导航系统精度的关键。同时，、深度学习等新技术的应用也将为导航系统的发展带来新的机遇。相信随着这些技术的不断发展和完善，未来的导航系统将能够满足更广泛的应用需求，为人类社会的发展做出更大的贡献。

综上所述，本研究通过系统性的研究和探索，为导航系统精度提升提供了有效的技术途径，并为后续相关领域的研究奠定了基础。未来，需要继续加强相关技术的研究和开发，以推动导航系统技术的不断进步，为人类社会的发展做出更大的贡献。

七.参考文献

[1]Kaplan,E.D.,&Hegarty,C.J.(2006).Globalpositioningsystem:Principlesandapplications(2nded.).ArtechHouse.

[2]Groves,D.G.(2008).Globalpositioningsystemengineering(2nded.).JohnWiley&Sons.

[3]Brown,R.G.,&Hwang,Y.C.(1996).Introductiontorandomprocesseswithapplicationstosignalsandsystems(2nded.).JohnWiley&Sons.

[4]Julier,S.J.,&Uhlmann,J.K.(1997).Anewmethodforthenonlineartransformationofmeans.IEEETransactionsonAutomaticControl,42(5),597-601.

[5]Montenbruck,O.,&Ge,P.(2003).AtightlyintegratedGPS/INSsystemforautomotiveapplications.IEEETransactionsonIntelligentTransportationSystems,4(3),185-193.

[6]Liu,J.,Yang,Z.,&Li,X.(2011).ArobustGPS/INSintegratednavigationalgorithmbasedonadaptivesigma-pointKalmanfilter.IEEETransactionsonAerospaceandElectronicSystems,47(2),745-756.

[7]Zha,H.,Chen,J.,&Liu,Z.(2012).High-precisionvehiclepositioningbasedonGPS/INS/LiDARintegratednavigationsystem.IEEETransactionsonIntelligentTransportationSystems,13(3),1181-1189.

[8]Zhang,X.,Chen,J.,&Li,Z.(2015).High-precisionGPS/INSintegratednavigationbasedonmulti-modelparticlefilter.IEEETransactionsonIntelligentTransportationSystems,16(4),1754-1763.

[9]Teles,I.,Silva,J.M.,&Simões,M.(2010).Vision-basednavigationforautonomousvehicles:Asurvey.JournalofIntelligent&FuzzySystems,18(3),247-266.

[10]Brient,P.,&Drouin,M.(2008).Vision-basednavigationforautonomousvehicles:Asurvey.IEEEIntelligentVehiclesSymposium,2008.IV'08.IEEE,1-15.

[11]Montenbruck,O.,&Heiler,S.(2008).Multisensorintegrationinnavigationsystems.ProceedingsoftheIEEE,96(2),202-227.

[12]Barfoot,T.D.(2011).Sensorfusionforautonomousvehicles.AutonomousRobots,30(1),1-15.

[13]Markley,F.L.,Jorgensen,J.B.,&Yen,Y.C.(2004).TheeffectofrelativisticandgravitationalfrequencyandphasebiasesinGPS.IEEETransactionsonAerospaceandElectronicSystems,40(3),896-904.

[14]Lefebvre,M.,Poullin,C.,&Bideau,J.(2008).ImpactofGNSSsignalmultipathoncodeandphasetrackingperformance.IEEETransactionsonAerospaceandElectronicSystems,44(4),1243-1253.

[15]Jaziri,A.,&Poullin,C.(2007).ImpactoftheatmosphericdelaysonGPSpositioningaccuracy.IEEETransactionsonAerospaceandElectronicSystems,43(3),899-911.

[16]Mahfouf,J.F.,&Bontemps,S.(2003).Astrategyforprecisepointpositioningusingsingle历GPSreceiver.IEEETransactionsonGlobalPositioningSystem,22(3),457-465.

[17]Li,X.,Chen,J.,&Liu,Z.(2012).ArobustGPS/INSintegratednavigationalgorithmbasedonadaptivesigma-pointKalmanfilter.IEEETransactionsonAerospaceandElectronicSystems,47(2),745-756.

[18]Zhang,X.,Chen,C.,&Li,Z.(2015).High-precisionGPS/INSintegratednavigationbasedonmulti-modelparticlefilter.IEEETransactionsonIntelligentTransportationSystems,16(4),1754-1763.

[19]Brient,P.,&Drouin,M.(2008).Vision-basednavigationforautonomousvehicles:Asurvey.IEEEIntelligentVehiclesSymposium,2008.IV'08.IEEE,1-15.

[20]Montenbruck,O.,&Heiler,S.(2008).Multisensorintegrationinnavigationsystems.ProceedingsoftheIEEE,96(2),202-227.

[21]Barfoot,T.D.(2011).Sensorfusionforautonomousvehicles.AutonomousRobots,30(1),1-15.

[22]Markley,F.L.,Jorgensen,J.B.,&Yen,Y.C.(2004).TheeffectofrelativisticandgravitationalfrequencyandphasebiasesinGPS.IEEETransactionsonAerospaceandElectronicSystems,40(3),896-904.

[23]Lefebvre,M.,Poullin,C.,&Bideau,J.(2008).ImpactofGNSSsignalmultipathoncodeandphasetrackingperformance.IEEETransactionsonAerospaceandElectronicSystems,44(4),1243-1253.

[24]Jaziri,A.,&Poullin,C.(2007).ImpactoftheatmosphericdelaysonGPSpositioningaccuracy.IEEETransactionsonAerospaceandElectronicSystems,43(3),899-911.

[25]Mahfouf,J.F.,&Bontemps,S.(2003).Astrategyforprecisepointpositioningusingsingle历GPSreceiver.IEEETransactionsonGlobalPositioningSystem,22(3),457-465.

[26]Li,X.,Chen,J.,&Liu,Z.(2012).ArobustGPS/INSintegratednavigationalgorithmbasedonadaptivesigma-pointKalmanfilter.IEEETransactionsonAerospaceandElectronicSystems,47(2),745-756.

[27]Zhang,X.,Chen,C.,&Li,Z.(2015).High-precisionGPS/INSintegratednavigationbasedonmulti-modelparticlefilter.IEEETransactionsonIntelligentTransportationSystems,16(4),1754-1763.

[28]Brient,P.,&Drouin,M.(2008).Vision-basednavigationforautonomousvehicles:Asurvey.IEEEIntelligentVehiclesSymposium,2008.IV'08.IEEE,1-15.

[29]Montenbruck,O.,&Heiler,S.(2008).Multisensorintegrationinnavigationsystems.ProceedingsoftheIEEE,96(2),202-227.

[30]Barfoot,T.D.(2011).Sensorfusionforautonomousvehicles.AutonomousRobots,30(1),1-15.

[31]Markley,F.L.,Jorgensen,J.B.,&Yen,Y.C.(2004).TheeffectofrelativisticandgravitationalfrequencyandphasebiasesinGPS.IEEETransactionsonAerospaceandElectronicSystems,40(3),896-904.

[32]Lefebvre,M.,Poullin,C.,&Bideau,J.(2008).ImpactofGNSSsignalmultipathoncodeandphasetrackingperformance.IEEETransactionsonAerospaceandElectronicSystems,44(4),1243-1253.

[33]Jaziri,A.,&Poullin,C.(2007).ImpactoftheatmosphericdelaysonGPSpositioningaccuracy.IEEETransactionsonAerospaceandElectronicSystems,43(3),899-911.

[34]Mahfouf,J.F.,&Bontemps,S.(2003).Astrategyforprecisepointpositioningusingsingle历GPSreceiver.IEEETransactionsonGlobalPositioningSystem,22(3),457-465.

[35]Li,X.,Chen,J.,&Liu,Z.(2012).ArobustGPS/INSintegratednavigationalgorithmbasedonadaptivesigma-pointKalmanfilter.IEEETransactionsonAerospaceandElectronicSystems,47(2),745-756.

[36]Zhang,X.,Chen,C.,&Li,Z.(2015).High-precisionGPS/INSintegratednavigationbasedonmulti-modelparticlefilter.IEEETransactionsonIntelligentTransportationSystems,16(4),1754-1763.

[37]Brient,P.,&Drouin,M.(2008).Vision-basednavigationforautonomousvehicles:Asurvey.IEEEIntelligentVehiclesSymposium,2008.IV'08.IEEE,1-15.

[38]Montenbruck,O.,&Heiler,S.(2008).Multisensorintegrationinnavigationsystems.ProceedingsoftheIEEE,96(2),202-227.

[39]Barfoot,T.D.(2011).Sensorfusionforautonomousvehicles.AutonomousRobots,30(1),1-15.

[40]Markley,F.L.,Jorgensen,J.B.,&Yen,Y.C.(2004).TheeffectofrelativisticandgravitationalfrequencyandphasebiasesinGPS.IEEETransactionsonAerospaceandElectronicSystems,40(3),896-904.

[41]Lefebvre,M.,Poullin,C.,&Bideau,J.(2008).ImpactofGNSSsignalmultipathoncodeandphasetrackingperformance.IEEETransactionsonAerospaceandElectronicSystems,44(4),1243-1253.

[42]Jaziri,A.,&Poullin,C.(2007).ImpactoftheatmosphericdelaysonGPSpositioningaccuracy.IEEETransactionsonAerospaceandElectronicSystems,43(3),899-911.

[43]Mahfouf,J.F.,&Bontemps,S.(2003).Astrategyforprecisepointpositioningusingsingle历GPSreceiver.IEEETransactionsonGlobalPositioningSystem,22(3),457-465.

[44]Li,X.,Chen,J.,&Liu,Z.(2012).ArobustGPS/INSintegratednavigationalgorithmbasedonadaptivesigma-pointKalmanfilter.IEEETransactionsonAerospaceandElectronicSystems,47(2),745-756.

[45]Zhang,X.,Chen,C.,&Li,Z.(2015).High-precisionGPS/INSintegratednavigationbasedonmulti-modelparticlefilter.IEEETransactionsonIntelligentTransportationSystems,16(4),1754-1763.

[46]Brient,P.,&Drouin,M.(2008).Vision-basednavigationforautonomousvehicles: