CN112304309A - 一种基于心动阵列的高超飞行器组合导航信息解算方法 - Google Patents

Abstract

本发明公开了一种基于心动阵列的高超飞行器组合导航信息解算方法，分别获取INS输出的系统状态信息、GNSS输出的速度和位置信息、以及CNS输出的姿态信息；将系统状态信息和速度和位置信息输入第一局部滤波器进行滤波；将系统状态信息和姿态信息输入第二局部滤波器进行滤波；将惯导/卫星组合导航子系统的状态信息和惯导/天文组合导航子系统的状态信息均分解为若干个子状态；将每个子状态分别与主滤波器输出的系统预测值进行数据融合，得出HV的最终系统状态信息；本发明采用基于Faddeeva算法的心动阵列结构，实现HV导航系统的实时性。

Description

一种基于心动阵列的高超飞行器组合导航信息解算方法

技术领域

本发明属于高超飞行器导航技术领域，尤其涉及一种基于心动阵列的高超飞行器组合导航信息解算方法。

背景技术

高超飞行器(Hypersonic Vehicle,HV)指飞行速度大于5倍音速的空天飞行器。由于HV具有极广的飞行空域、极快的飞行速度和极强的机动能力等时空特性，使得HV巨大的军事和民用价值受到世界航空航天强国的广泛重视和深入研究，被誉为“未来空天领域的战略制高点”。然而，随着HV实用化进程的不断加快，HV的速度优势也对导航系统的精确性和实时性提出了新的要求，适用于HV的高性能导航技术将成为未来HV领域的研究重点。

目前，HV的导航通常采用由惯性导航系统(Inertial Navigation System,INS)、全球导航卫星系统(Global Navigation Satellite System,GNSS)和天文导航系统(Celestial Navigation System,CNS)所构建的INS/GNSS/CNS组合系统，该系统由于可以同时实现INS速度误差、位置误差和姿态误差的修正，不仅精度高而且自主性强，被认为是HV最理想的组合导航方案。INS/GNSS/CNS组合系统已在HV中得到探索性的应用，如德国2012年进行的高超声速尖前缘飞行试验SHEFEX-2，其试飞器就采用了INS/GNSS/CNS组合导航系统，验证了该系统的可用性；在后续的高超声速可重复飞行实验ReFEx中，其试飞器仍将采用该组合导航方式。

对HV导航来说，只有提供高精度的导航信息，才能确保HV在安全飞行的基础上完成既定的任务。然而，导航信息解算的实时性与精度之间存在矛盾，导航算法的解算精度越高，往往其计算复杂度越大，实时性越差。对适用于HV的INS/GNSS/CNS组合系统而言，通常采用联邦滤波结构对INS、GNSS和CNS输出的异类导航信息进行综合处理。然而，在联邦滤波的局部滤波器和主滤波器中，涉及大量与系统状态相关的矩阵运算，导致计算复杂度高；特别的，由于INS/GNSS/CNS组合系统状态维度较高，计算量更是急剧增加，使得HV对导航解算的高实时性要求难以满足，进而掣肘了HV导航系统整体性能的进一步提升。

发明内容

本发明的目的是提供一种基于心动阵列的高超飞行器组合导航信息解算方法，以解决导航信息解算过程中实时性差的问题。

本发明采用以下技术方案：一种基于心动阵列的高超飞行器组合导航信息解算方法，包括以下步骤：

分别获取INS输出的系统状态信息、GNSS输出的速度和位置信息、以及CNS输出的姿态信息；

将系统状态信息和速度和位置信息输入第一局部滤波器进行滤波，得到惯导/卫星组合导航子系统的状态信息并发送至主滤波器；

将系统状态信息和姿态信息输入第二局部滤波器进行滤波，得到惯导/天文组合导航子系统的状态信息并发送至主滤波器；

将惯导/卫星组合导航子系统的状态信息和惯导/天文组合导航子系统的状态信息均分解为若干个子状态；

将每个子状态分别与主滤波器输出的状态预测值进行数据融合，得出HV的最终系统状态信息；

其中，第一局部滤波器、第二局部滤波器和主滤波器中的矩阵运算均采用心动阵列实现。

进一步地，第一局部滤波器和第二局部滤波器的量测方程为：

z_i(k)＝H_i(k)x(k)+v_i(k)(i＝1,2)，

其中，z_i(k)为第k时刻第i个局部滤波器的量测向量，H_i(k)为量测矩阵，x(k)为离散后的系统状态向量，v_i(k)为量测噪声，方差为R_i(k)(i＝1,2)；

第一局部滤波器和第二局部滤波器的滤波方法为：

其中，

为第k时刻第i个局部滤波器得到的局部状态估计值，

为第k时刻第i个局部滤波器的预测值，

F(k)为第k时刻离散后的状态转移矩阵，

为第(k-1)时刻第i个局部滤波器得到的局部状态估计值，

为

的误差协方差阵，I_n为n阶的单位矩阵，

为第k时刻第i个局部滤波器的预测值的误差协方差阵，

为

的误差协方差矩阵，Q_i(k)为第i个局部滤波器的系统噪声方差，R_i(k)为第k时刻第i个局部滤波器的两侧噪声方差。

进一步地，将每个子状态分别与主滤波器输出的状态预测值进行数据融合包括：

根据每个子状态，将主滤波器输出的状态预测值分解为与子状态对应的子状态预测值；

将每个子状态和子部状态预测值进行融合，得到子状态融合解；

将得到的子状态融合解进行组合，得到HV的最终系统状态信息。

进一步地，子状态为姿态误差、速度位置误差或陀螺加速计的常值误差。

进一步地，将每个子状态和子状态预测值进行融合包括：

其中，

为第k时刻第j个子状态的融合解，

为

对应的误差协方差阵，。

进一步地，将得到的子状态融合解进行组合后包括：

采用融合后的状态信息对主滤波器和局部滤波器的状态估值进行重置，并对INS的误差进行校正

进一步地，第一局部滤波器、第二局部滤波器和主滤波器中的矩阵运算均采用基于Faddeev算法的心动阵列结构实现：

其中，心动阵列结构包含多个相互连接的处理单元；

Faddeev算法包括：

将A，B，C和D四个输入矩阵组合成一个新的矩阵M，

对矩阵M进行以下变换，使A变为上三角矩阵，-C变为零矩阵，D的下三角元素不再消去，即

其中，D+CA^-1B为输出矩阵，矩阵变换利用高斯消元法实现。

本发明的有益效果是：本发明采用基于Faddeeva算法的心动阵列结构，可以提高联邦滤波所涉及的矩阵运算的计算速度；同时对组合导航联邦滤波的主滤波器进行改进，采用状态量分类处理的方法，减小主滤波器输入状态的维数，进一步降低了主滤波器数据融合过程的计算复杂度；进而实现HV导航系统的实时性。

附图说明

图1为本发明一种基于心动阵列的高超飞行器组合导航信息解算方法的流程示意图；

图2为本发明实施例中Faddeeva算法的心动阵列实现结构图；

图3为本发明实施例方法与INS/GNSS/CNS组合导航方法的水平位置误差对比图；

图4为本发明实施例方法与INS/GNSS/CNS组合导航方法滤波耗时和数据融合耗时对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于心动阵列的高超飞行器组合导航信息解算方法，如图1所示，包括以下步骤：

分别获取INS输出的系统状态信息、GNSS输出的速度和位置信息、以及CNS输出的姿态信息；将INS输出的系统状态信息和GNSS输出的速度和位置信息输入第一局部滤波器进行滤波，得到惯导/卫星组合导航子系统的状态信息并发送至主滤波器；将INS输出的系统状态信息和CNS输出的姿态信息输入第二局部滤波器进行滤波，得到惯导/天文组合导航子系统的状态信息并发送至主滤波器；将惯导/卫星组合导航子系统的状态信息和惯导/天文组合导航子系统的状态信息均分解为若干个子状态；将每个子状态分别与主滤波器输出的状态预测值进行数据融合，得出HV的最终系统状态信息；其中，第一局部滤波器、第二局部滤波器和主滤波器中的矩阵运算均采用心动阵列实现。

本发明采用基于Faddeeva算法的心动阵列结构，可以提高联邦滤波所涉及的矩阵运算的计算速度；同时对组合导航联邦滤波的主滤波器进行改进，采用状态量分类处理的方法，减小主滤波器输入状态的维数，进一步降低了主滤波器数据融合过程的计算复杂度；进而提高HV导航系统的实时性。

在本发明实施例中，将滤波器分为局部滤波器和主滤波器，局部滤波器对导航子系统的状态进行估计。在本实施例中，包括两个导航子系统，即INS/GNSS导航子系统和INS/CNS导航子系统。

首先，根据INS导航系统的误差方程，建立INS/GNSS/CNS组合导航系统状态方程。

选取东-北-天地理坐标系(g系)为导航坐标系(n系)，并记惯性坐标系为i系，地球坐标系为e系，载体坐标系为b系，计算导航坐标系为n′系。INS姿态误差方程和速度误差方程为：

其中，

为姿态误差，

为

在计算导航坐标系的投影，

为地球自转角速度，

为高超飞行器自身运动产生的角速度，φ＝(φ_E,φ_N,φ_U)^T为高超飞行器(HV)的姿态角误差，

为

的计算误差，

为姿态变换矩阵，

为陀螺仪量测误差，

为连续速度误差，

为加速度计比力输出，δf^b为加速度计量测误差，

为

在计算导航坐标系的投影，

为

在计算导航坐标系的投影，δvⁿ＝(δv_E,δv_N,δv_U)^T为高超飞行器(HV)的速度误差，

为

的计算误差，

为

的计算误差。

INS的位置误差方程为：

其中，δp＝(δL,δλ,δh)为HV的位置误差，

和

为HV的东、北向速度；

和

为HV的纬度和高度，δL和δh为纬度误差和经度误差；R_M与R_N为地球子午圈和卯酉圈的主曲率半径；δv_N、δv_E、δv_U分别表示北、东、天方向的速度误差。

通常，对应于陀螺仪和加速度计的常值漂移ε^b与常值偏置▽^b可采用随机常数描述，即：

定义系统状态：

x(t)＝[φ,δvⁿ,δp,ε^b,▽^b]^T (5)

根据所定义的系统状态，结合式(1)～(4)，可建立高超飞行器组合导航系统的状态方程：

其中，F(t)为系统状态转移矩阵，

为系统噪声向量，

和

为姿态变换矩阵，

分别表示加速度计和陀螺仪的噪声。

其次，建立高超飞行器INS/GNSS导航子系统的量测方程(即第一局部滤波器的量测方程)：

将GNSS与INS输出的速度与位置的差值作为量测，则INS/GNSS子系统的量测方程可表示为：

其中，z₁(k)为第k时刻第一局部滤波器的量测向量，x(k)为离散化的系统状态，v₁(k)为量测噪声，

v_v(k)和v_p(k)为量测噪声，分别对应于GNSS接收机的速度误差和位置误差，H_v＝[0_3×3,diag(1,1,1),0_3×9]。

再次，建立高超飞行器INS/CNS导航子系统的量测方程：

将CNS与INS输出的姿态的差值作为量测，则INS/CNS子系统的量测方程可表示为：

z₂(k)＝H₂(k)x(k)+v₂(k) (8)

其中，z₂(k)为第k时刻第二局部滤波器的量测向量，H₂(k)＝[I_3×3,0_3×12]；v₂(k)为量测噪声，对应于星传感器的量测误差，I_3×3是3*3阶单位矩阵。

在本发明实施例中，设计了一种具有降维归类特征的联邦滤波结构，如附图1所示。在所设计的联邦滤波结构的第一层中，分别采用卡尔曼滤波算法以并行方式求取INS/GNSS和INS/CNS导航子系统的局部状态估值。具体如下：

对高超飞行器组合导航系统的状态方程(6)式进行离散化处理，可得离散型的系统状态方程为

x(k)＝F(k)x(k-1)+w(k) (9)

式中，x(k)为系统状态，F(k)为离散化后的状态转移矩阵，w(k)为系统噪声，方差为Q(k)。

INS/GNSS和INS/CNS导航子系统的量测方程可表示为：

z_i(k)＝H_i(k)x(k)+v_i(k)(i＝1,2) (10)

其中，

为第i个局部滤波器的量测向量；H_i(k)为量测矩阵；v_i(k)为量测噪声，方差为R_i(k)(i＝1,2)。

采用卡尔曼滤波分别获取INS/GNSS和INS/CNS导航子系统的局部状态估值。为去除局部滤波解之间的相关性，对系统噪声方差与状态估计误差协方差应用方差上界技术，即

Q_i(k)＝β_i ^-1Q(k) (11)

式中β_i(i＝1,2)为信息分配因子。

具体的，第一局部滤波器和第二局部滤波器的滤波方法为：

其中，

为第k时可第i个局部滤波器得到的局部状态估计值，

为第k时刻第i个局部滤波器的预测值，

F(k)为第k时刻离散后的状态转移矩阵，

为第(k-1)时刻第i个局部滤波器得到的局部状态估计值，

为

的误差协方差阵，

为第k时刻第i个局部滤波器的预测值的误差协方差阵，

为

的误差协方差矩阵，Q_i(k)为第i个局部滤波器的系统噪声方差，R_i(k)为第k时刻第i个局部滤波器的量测噪声方差。

在INS/GNSS/CNS组合导航系统的联邦滤波结构中，采用卡尔曼滤波算法(Kalmanfilter，KF)对INS/GNSS子系统和INS/CNS子系统的导航信息进行滤波处理，以并行方式获取上述导航子系统的局部状态估值；其中，在卡尔曼滤波计算过程中，采用基于Faddeev算法的心动阵列结构进行相应的矩阵运算。

在该最后的步骤中，将由上述得到的INS/GNSS和INS/CNS子系统的局部状态估计值分别输入到联邦滤波的主滤波器中，并根据导航子系统状态分量间的相关性分析结果，将系统状态向量分解为三个子状态；针对每个子状态，将各导航子系统输出的状态估计与主滤波器的输出分别进行数据融合，得到各子状态估计值的数据融合结果；对得到的子状态数据融合解进行重组，获取系统状态的全局估计，采用融合后的状态信息对主滤波器和局部滤波器的状态估值进行重置，并对INS的误差进行校正。

在完成两个局部滤波器的并行计算之后，可得到局部状态估值

及其误差协方差阵

将得到的局部状态估值与主滤波器输出的时间更新解进行数据融合，即可获得系统状态的全局估计。必须指出的是，在上述卡尔曼滤波过程中，均采用基于Faddeev算法的心动阵列结构处理相关的矩阵运算。

由于在INS/GNSS和INS/CNS子系统中，姿态误差的估计与速度、位置误差的估计相互影响非常弱。因此，如图2所示，首先将系统状态向量中的姿态误差和速度、位置误差分解为两个不同的子状态。在工程应用中，为追求实时性，有时并不将陀螺常值漂移和加速度计零偏列入组合导航系统的状态向量。因而将陀螺常值漂移和加速度计零偏列为第三个子状态以供用户选择。

将系统状态向量重写为

式中，x⁽¹⁾＝(φ_E,φ_N,φ_U)^T，x⁽²⁾＝(δv_E,δv_N,δv_U,δL,δλ,δh)^T，x⁽³⁾＝(ε_x,ε_y,ε_z,▽_x,▽_y,▽_z)^T。

于是，各局部滤波器得到的状态估值可表示为

记

的误差协方差阵为

式中，

为对应于局部状态估值

的误差协方差阵。

此时，局部状态估值

及其误差协方差阵

被分解为三个子状态，即

和

类似的，主滤波器的时间更新解(即预测值)

及其误差协方差阵

也可被分解为

和

在对系统状态向量进行分解之后，将INS/GNSS和INS/CNS导航子系统输出的局部状态估值与主滤波器时间更新解输出的子局部态估值进行数据融合，即可得到局部状态估值的融合解，进而获得INS/GNSS/CNS组合导航系统状态的全局估计。

上述的将每个子状态和子状态预测值进行融合包括：

其中，

为第k时刻第j个子状态的融合解，

为

对应的误差协方差阵。

在上述基础上，对子状态估值的融合解

和

进行重组，便可获得系统状态的全局估计

即：

由于

的误差协方差阵可表示为

以及

将(19)式代入(22)式，

可容易求得。

最后，通过全局状态估计将局部滤波器和主滤波器输出的系统状态估值进行重置：

同时，对INS的误差进行校正。

在上述数据融合过程中，同样采用心动阵列结构提高相应矩阵运算的计算效率。本发明实施例设计的Faddeeva算法的心动阵列实现结构，可以提高导航解算所涉及的矩阵运算的运算效率。

设计Faddeeva算法的心动阵列实现结构，为提高导航解算所涉及的矩阵运算效率提供强有力工具。

Faddeev算法通过将四个输入矩阵组合成一个新的矩阵，然后对矩阵进行高斯消元来实现矩阵运算。其算法如下

假设A，B，C，D为四个矩阵，其中A为非奇异矩阵。记矩阵M为：

Faddeev算法是通过对矩阵M进行以下变换，使A变为上三角矩阵，-C变为零矩阵，而即D的下三角元素不再消去，即

其中，D+CA^-1B为输出矩阵，矩阵变换可利用高斯消元法实现。因而，通过适当选择A，B，C和D，就可以利用Faddeev算法解决诸如加(减)、乘、求逆等矩阵运算。例如：若D为0矩阵，B、C为单位矩阵，则D+CA^-1B＝A^-1，既实现了矩阵求逆运算。

在对矩阵M进行高斯消元的过程中，采用心动阵列结构进行运算，从而提高算法的计算速度。心动阵列由一组简单的、重复的处理单元(Processing element,PE)构成，输入输出数据与边界PE、边界PE与内部PE相连，形成超大规模集成电路进行计算。心动阵列最大的优点就是提高计算速度，例如传统结构采用一个PE的计算速度为500万次/s，如果由n个具有同样时钟频率PE构成心动阵列，则计算速度为500×n万次/s。矩阵的计算，特别是矩阵的乘法特别适合于心动阵列的计算。基于这样的特点，设计了如附图1所示心动阵列实现方案，以提高Faddeev算法的计算速度。

图2是本发明所设计的Faddeeva算法的心动阵列实现结构，其中包含p个相互连接的PE单元。以矩阵乘法运算为例进行说明：假设矩阵A为n×p阶，矩阵B为p×m阶，矩阵A、B相乘得到n×m阶矩阵C。以上矩阵相乘涉及的乘法运算次数为n×p×m，加法运算次数为n×p×m。由于所设计的心动阵列实现单元包含p个PE，以上每个PE单元所需处理的乘法运算仅为n×m次，加法运算也为n×m次，因此矩阵乘法运算效率提高了p倍。

验证实施例：

以INS/GNSS/CNS组合导航系统为例，通过计算机仿真对提出的本发明方法的性能进行了评估。在仿真实验中，高超飞行器的初始位置设定为东经106.022°，北纬34.246°，高度45km；在东、北、天方向的初始速度为150m/s，2100m/s和0m/s；加速度计零偏及白噪声分别为10^-3g和

陀螺常值漂移及白噪声为0.1°/h和

陀螺仪和加速度计的数据更新率为100Hz；GNSS水平定位精度为5m,高度误差为8m,速度误差为0.05m/s，数据更新率为20Hz；CNS的姿态误差均方根为5″，数据更新率为10Hz。INS/GNSS和INS/CNS导航子系统的滤波周期分别为0.05s和0.1s,主滤波器的数据融合周期为0.1s，仿真时间为1000s。

在仿真实验中，采用含2个PE的心动阵列结构处理导航信息解算过程中所涉及的矩阵运算。

定义高超飞行器INS/GNSS/CNS组合导航系统的水平位置误差为：

式中，L和δL为高超飞行器的纬度和纬度估计误差，δλ为高超飞行器的经度估计误差。

图3给出了根据联邦滤波和提出的导航信息解算方法计算得到的高超飞行器水平位置误差。可以看到，本发明方法的定位精度与联邦滤波相近，几乎没有精度损失。主要原因在于：1)本发明所设计心动阵列实现结构在进行矩阵运算时并不存在精度损失；2)本发明所设计的具有降维归类特征的联邦滤波结构虽然在主滤波器中对系统状态进行了分解和重组，但由于在INS/GNSS和INS/CNS子系统中，姿态误差估计与速度、位置误差估计相互影响非常弱，以上分解与重组过程精度损失很小。

图4给出了采用联邦联邦滤波和提出的导航信息解算方法进行导航解算的计算耗时，其中，图4(a)为导航子系统(INS/GNSS和INS/CNS系统)的滤波解算耗时对比图；图4(b)为主滤波器数据融合过程的计算耗时对比图。可以看到，由于采用了心动阵列结构进行相关的矩阵运算，并根据状态量分类处理的方法减小主滤波器输入状态的维数，提出的导航信息解算方法在滤波过程和数据融合过程的计算耗时相比联邦滤波分别减少了54.7％和78.5％，显著提高了联邦滤波的计算效率，改善了高超飞行器INS/GNSS/CNS组合导航系统的实时性表现。

本发明以INS/GNSS/CNS组合系统为对象，提出了一种HV组合导航信息的快速解算方法，以解决HV导航解算过程中精确性与实时性之间的矛盾本发明首先设计了一种Faddeeva算法的心动阵列结构，以提高联邦滤波所涉及的矩阵运算的计算速度；同时对组合导航联邦滤波的主滤波器进行改进，采用状态量分类处理的方法，减小主滤波器输入状态的维数，进一步降低了主滤波器数据融合过程的计算复杂度；本发明能够有效提高HV导航系统的实时性。

Claims (7)

1.一种基于心动阵列的高超飞行器组合导航信息解算方法，其特征在于，包括以下步骤：

分别获取INS输出的系统状态信息、GNSS输出的速度和位置信息、以及CNS输出的姿态信息；

将所述系统状态信息和所述速度和位置信息输入第一局部滤波器进行滤波，得到惯导/卫星组合导航子系统的状态信息并发送至主滤波器；

将所述系统状态信息和所述姿态信息输入第二局部滤波器进行滤波，得到惯导/天文组合导航子系统的状态信息并发送至主滤波器；

将所述惯导/卫星组合导航子系统的状态信息和所述惯导/天文组合导航子系统的状态信息均分解为若干个子状态；

将每个所述子状态分别与主滤波器输出的状态预测值进行数据融合，得出所述HV的最终系统状态信息；

其中，所述第一局部滤波器、第二局部滤波器和主滤波器中的矩阵运算均采用心动阵列实现。

2.如权利要求1所述的一种基于心动阵列的高超飞行器组合导航信息解算方法，其特征在于，所述第一局部滤波器和第二局部滤波器的量测方程为：

z_i(k)＝H_i(k)x(k)+v_i(k) (i＝1,2)，

其中，z_i(k)为第k时刻第i个局部滤波器的量测向量，H_i(k)为量测矩阵，x(k)为离散后的系统状态向量，v_i(k)为量测噪声，方差为R_i(k)(i＝1,2)；

所述第一局部滤波器和第二局部滤波器的滤波方法为：

其中，

为第k时刻第i个局部滤波器得到的局部状态估计值，

为第k时刻第i个局部滤波器的预测值，

F(k)为第k时刻离散后的状态转移矩阵，

为第(k-1)时刻第i个局部滤波器得到的局部状态估计值，

为

的误差协方差阵，I_n为n阶的单位矩阵，

为第k时刻第i个局部滤波器的预测值的误差协方差阵，

为

的误差协方差矩阵，Q_i(k)为第i个局部滤波器的系统噪声方差，R_i(k)为第k时刻第i个局部滤波器的量测噪声方差。

3.如权利要求2所述的一种基于心动阵列的高超飞行器组合导航信息解算方法，其特征在于，将每个所述子状态分别与主滤波器输出的状态预测值进行数据融合包括：

根据每个所述子状态，将所述主滤波器输出的状态预测值分解为与所述子状态对应的子状态预测值；

将每个所述子状态和所述子状态预测值进行融合，得到子状态融合解；

将得到的所述子状态融合解进行组合，得到HV的最终系统状态信息。

4.如权利要求3所述的一种基于心动阵列的高超飞行器组合导航信息解算方法，其特征在于，所述子状态为姿态误差、速度位置误差或陀螺加速计的常值误差。

5.如权利要求4所述的一种基于心动阵列的高超飞行器组合导航信息解算方法，其特征在于，将每个所述子状态和所述子状态预测值进行融合包括：

其中，

为第k时刻第j个子状态的融合解，

为

对应的误差协方差阵。

6.如权利要求5所述的一种基于心动阵列的高超飞行器组合导航信息解算方法，其特征在于，将得到的所述子状态融合解进行组合后包括：

采用融合后的状态信息对主滤波器和局部滤波器的状态估值进行重置，并对INS的误差进行校正。

7.如权利要求2-6任一所述的一种基于心动阵列的高超飞行器组合导航信息解算方法，其特征在于，所述第一局部滤波器、第二局部滤波器和主滤波器中的矩阵运算均采用基于Faddeev算法的心动阵列结构实现；

其中，所述心动阵列结构包含多个相互连接的处理单元；

所述Faddeev算法包括：

将A，B，C和D四个输入矩阵组合成一个新的矩阵M，

对矩阵M进行以下变换，使A变为上三角矩阵，-C变为零矩阵，D的下三角元素不再消去，即

其中，D+CA^-1B为输出矩阵，矩阵变换利用高斯消元法实现。

Images