紧密耦合是一种先进的数据融合策略，对于实现稳健且高精度的全球导航卫星系统（GNSS）与惯性导航系统（INS）集成至关重要。该方法通过在单一估计器（通常为卡尔曼滤波器）中直接融合两套系统的核心测量数据，结合了双方的优势GNSS 长期稳定性GNSS INS GNSS 速、短期精度。 系统性能因此得到显著提升，GNSS 部分受阻或质量下降的情况下。
GNSS 通过测量信号从多颗卫星传播所需的时间来确定位置。该过程可获得绝对位置解，其精度取决于卫星可见性和几何布局。然而，在城市峡谷或森林等环境中，GNSS 信号中断GNSS 从而导致数据缺失和导航丢失（漂移）。
紧密耦合系统利用辅助信号参数的测量值来缓解INS中的漂移。与松耦合系统相比，即使GNSS 不足而无法确定位置，紧密耦合系统仍能INS的误差状态。这种情况通常发生在可见GNSS 少于四颗时，此时仅GNSS 无法确定位置解。
在松耦合系统中，这种情况会导致完全的数据中断。 然而，紧耦合系统能够利用GNSS ，从而部分INS 漂移。
为实现这一目标，紧耦合系统必须实时校准惯性测量单元IMU ），尤其要GNSS 不受阻挡的时段进行校准。这种校准确保了精确IMU ，并IMU GNSS 未来位置（预测建模）。
通过使IMU 评估GNSS 的有效性和精度，并选择与预测结果相符GNSS ，该系统IMU GNSS之间建立了紧密的联系。
紧耦合架构
紧耦合的核心概念是直接在卡尔曼滤波器观测更新步骤中使用 GNSS 伪距和载波相位测量。这与松耦合有很大不同，在松耦合中，卡尔曼滤波器使用完全处理的独立 GNSS 位置和速度解决方案。
在紧耦合系统中，卡尔曼滤波器的状态向量通常包括 INS 误差状态：
- 位置误差 (δr)
- 速度误差 (δv)
- 姿态误差 (δ𝛙)
- IMU 传感器偏差（加速度计和陀螺仪）
卡尔曼滤波器使用 INS 机械编排方程进行时间传播（预测）步骤。这使用高速率 IMU 数据向前传播 INS 状态。
紧耦合的优势
紧耦合提供了几个强大的优势，尤其是在任务完成后可以使用所有传感器数据的后处理应用中。与松耦合不同，松耦合需要至少四个 GNSS 卫星的解算才能计算出 3D 位置，而紧耦合只需要一颗可见卫星。通过单个伪距测量，卡尔曼滤波器仍然可以推导出有效抑制 INS 漂移的误差校正向量。这种能力在部分受阻区域至关重要。
通过利用原始 GNSS 测量值，滤波可以直接在状态向量中建模和估计 GNSS 接收器时钟偏差。这种深度集成可以实现更准确和精确的整体导航解决方案，尤其是在结合载波相位测量以进行实时动态 (RTK) 或精确单点定位 (PPP) 后处理技术时。
无缝的集成校正过程确保了更平滑和更一致的导航质量。这些算法以最佳方式权衡了高精度 INS 数据和通常嘈杂的 GNSS 观测值。在 GNSS 中断期间，经过良好校准的 INS（由于连续的 偏差 估计）提供了卓越的航位推算解决方案。
后处理涉及前向和后向滤波。首先按时间顺序处理数据（前向滤波器）。然后，后向滤波器反向处理数据，使用最终的前向估计作为初始条件。固定间隔平滑器（例如，Rauch-Tung-Striebel 平滑器）平滑来自两个滤波器的结果。此平滑步骤可提供最准确、统计上最佳的轨迹解决方案，从而利用整个任务时间线中的所有可用数据。这使得紧耦合成为测绘和测量等高精度应用的黄金标准。
