紧耦合
紧组合代表了一种先进的数据融合策略，对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。这种方法通过直接在一个估计器（通常是卡尔曼滤波器）中融合两者的核心测量值，结合了两个系统的优势——来自 GNSS 的长期稳定性和来自 INS 的高采样率、短期精度。性能得到了显著提升，特别是当 GNSS 信号被部分阻挡或退化时。
GNSS 接收机通过测量信号从多颗卫星传播的时间来确定位置。此过程产生绝对定位，其精度取决于卫星的能见度和几何分布。然而，GNSS 在城市峡谷或森林等环境中容易受到信号中断的影响，从而导致数据空白和导航丢失（漂移）。
紧组合系统使用辅助信号参数的测量值来减轻 INS 中的漂移。与松组合系统相比，紧组合会更新 INS 的误差状态，即使在没有足够的 GNSS 数据来固定位置时也是如此。当可见的 GNSS 卫星少于四颗，无法仅凭 GNSS 信息确定定位解时，就会出现这种情况。
在松组合系统中，这种情况会导致完整的数据中断。然而，紧组合系统可以使用有限的 GNSS 测量值，从而使它们能够部分减轻 INS 误差漂移。
为了实现此目标，紧组合系统必须实时校准 IMU（惯性测量单元），尤其要关注 GNSS 信号畅通无阻的时期。这种校准可确保对 IMU 偏差有精确的了解，并训练 IMU 预测 GNSS 信号的未来位置（预测建模）。
通过使 IMU 能够评估 GNSS 信号的有效性和精度，并选择与其预测相对应的 GNSS 信号，系统在 IMU 和 GNSS 之间建立了牢固的连接。
紧耦合架构
紧密组合的核心概念是将 GNSS 伪距和载波相位测量值直接用于卡尔曼滤波器的观测更新步骤。这与松散组合有着显著区别，在松散组合中，卡尔曼滤波器使用的是经过完全处理的独立 GNSS 位置和速度解算结果。
在紧密组合系统中，卡尔曼滤波器的状态向量通常包含 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。该步骤利用高频 IMU 数据向前传播 INS 状态。
紧耦合的优势
紧耦合具有若干强大的优势，特别是对于在任务结束后可获取所有传感器数据的后处理应用而言。与需要至少四个 GNSS 卫星的解算来计算 3D 位置的松耦合不同，紧耦合只需要一颗可见卫星。通过单个伪距测量，卡尔曼滤波仍然可以推导出有效地抑制 INS 漂移的误差校正向量。此功能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内建模并估计 GNSS 接收机钟差。这种深层次的集成可带来更准确、更精密的整体导航解决方案，尤其是在结合载波相位测量进行实时运动学 (RTK) 或精密单点定位 (PPP) 后处理技术时。
无缝、集成的校正过程确保了更平滑、更一致的导航质量。算法将高精度 INS 数据与通常带有噪声的 GNSS 观测数据进行最优加权。在 GNSS 信号中断期间，经过良好校准的 INS（由于持续的偏置估计）可提供出色的推算定位解决方案。
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）。然后，后向滤波反向处理数据，将最终的前向估计值用作初始条件。固定区间平滑器（例如 Rauch-Tung-Striebel 平滑器）对两个滤波器的结果进行平滑处理。该平滑步骤利用整个任务时间线中所有可用的数据，提供最准确、统计上最优的轨迹解。这使得紧耦合成为测绘等高精度应用的标准。
