多星座组合导航可以提高ARAIM在LPV-200下的可用性,目前,已有****提出基于北斗(BDS)、Galileo和GPS等多星座组合的ARAIM算法以改善ARAIM在LPV-200服务下的可用性[5-7]。Bang等[8]研究了ARAIM故障检测测试和位置误差的时间相关性对完好性风险(PHMI)的影响,提出了一种方法,估计给定时间间隔内的实际PHMI以改善ARAIM可用性;Sun等[9]提出了一种EA-ARAIM方法,改善了ARAIM覆盖区域的可用性。近年来,有****分析了卫星几何分布对完好性的影响,在保证连续性风险(PFA)的前提下降低了PHMI,分析了ARAIM可用性[10]。这些改进在不同程度上优化了保护级,提高了ARAIM可用性。另外,PHMI和PFA的分配影响垂直保护级(VPL),传统的ARAIM算法中PHMI和PFA分配方法存在保守分配的问题,将导致ARAIM难以满足LPV-200的服务要求。针对此问题,Blanch和Walter等[11]先后研究了ARAIM算法中PHMI和PFA的分配问题,提出了一种基于拉格朗日乘数法的分配方法以优化VPL,但计算过程相对复杂。
本文提出将粒子群优化(PSO)算法引入到PHMI和PFA的分配过程中,通过优化VPL,将算法基于BDS/GPS双星座对全球VPL和ARAIM可用性进行分析和验证。
1 ARAIM技术 1.1 LPV-200性能要求 ARAIM以实现全球LPV-200服务为目标,用于评估ARAIM可用性的LPV-200服务要求如下[12]:
1) 垂直保护级小于垂直告警限(VAL),即VPL < VAL,对于LPV-200,VAL=35 m。
2) 水平保护级(HPL)小于水平告警限(HAL),即HPL < HAL,其中HAL=40 m。
3) 有效检测阈值EMT≤15 m。
4) 95%的垂直定位精度≤4 m。
当第1个条件满足时就可确定ARAIM可用,因此,可通过最小化VPL, 提高ARAIM可用性[13]。
1.2 完好性支持信息 ARAIM技术小组建议在ARAIM算法中使用ISM,其是反映核心星座固有性能的参数[14],主要包括以下内容:
1) σURE, i:用于评估精度和连续性的卫星i的时钟和星历误差的标准差。
2) σURA, i:用于评估完好性的卫星i的时钟和星历误差的标准差。
3) Psat, i:卫星i发生故障的先验概率。
4) bcont, i:用于评估精度和连续性的卫星i的最大标准差。
5) bnom, i:用于评估完好性的卫星i的最大标准差。
2 VPL的计算方法 传统的ARAIM算法根据飞行阶段对导航系统完好性要求来计算保护级,基于多假设解分离(MHSS)算法的VPL计算可以表示为[14]
(1) |
式中:VPLk表示故障子集k对应的VPL;k=0表示无故障子集对应的VPL。
(2) |
(3) |
其中:Nsat为卫星的个数;S0为无故障子集的加权最小二乘投影矩阵;Sk为故障子集k的加权最小二乘投影矩阵;Dk为故障子集k对应的检测阈值,表示为
(4) |
(5) |
式中:σv, 0、σv, k和σdv, k为相应故障子集的检测统计量在垂直方向的标准差;Kmd, k和Kfa, k由完好性风险PHMI和连续性风险PFA确定,表示如下:
(6) |
(7) |
(8) |
(9) |
其中:Q为标准正态分布尾部累计概率密度函数;Nset为故障子集个数;在传统的ARAIM算法中,PFA平均分配给每个故障子集,无故障时不分配连续性风险,因此Kfa, 0=0。
根据式(1)可知,VPL由最大值函数确定,平均分配PHMI和PFA不是最优的分配策略。
3 基于PSO算法分配PHMI和PFA 3.1 适应度函数选取 根据式(1)~式(9),故障子集k对应的VPL的计算方法可以表示为
(10) |
将PSO算法引入到PHMI和PFA的分配过程,需选取合理的优化目标,即适应度函数。根据式(10),选取VPL作为优化目标,分配给各故障子集的PHMI和PFA作为优化参数,建立优化目标为
(11) |
式中:PHMI, k为分配给故障子集k的完好性风险;Pfa, k为分配给故障子集k的连续性风险;Pfa为连续性风险总和。理想情况下,存在各故障子集对应的VPL都相等[8]。
从而,优化目标的计算可以表示为
(12) |
定义:
(13) |
则各故障子集对应的VPL表示为
(14) |
根据多目标优化理论[15],将多目标优化转化为单目标优化,取VPLk的加权和为优化目标:
(15) |
3.2 PHMI和PFA分配优化方法 将PSO算法引入到PHMI和PFA的分配过程中,具体步骤如下:
步骤1????算法参数初始化。
步骤2????形成初始种群。根据故障子集个数Nset,在0~PHMI和0~PFA范围内各自生成M组随机数,形成初始种群G0m。
(16) |
式中:m=1, 2,…, M,M为种群个数,且存在:
(17) |
步骤3????计算适应度函数。根据上述选取的适应度函数min F,将初始种群中的每个粒子代入到适应度函数中,计算每个粒子对应的适应度值,将适应度值最小的粒子位置设为初始全局最优位置gbest,每个粒子自身的位置设置为初始个体最优位置pbestm。粒子速度和位置更新如下:
(18) |
(19) |
式中:ω为惯性权因子;c1和c2为正的加速系数;r1和r2为0~1之间均匀分布的随机数;vm为粒子m的运动速度。
参数值的选取影响算法的性能,本文中基于Shi和Russell[16]的研究进行多次仿真实验,选取PSO算法参数:种群大小M=50;最大迭代次数Mt=50;加速系数c1=c2=1.2,粒子最大移动速度vmax=4,最小移动速度vmin=-1;惯性权因子引入自适应值,其表示为
(20) |
式中:t为迭代次数;ωmax=0.9和ωmax=0.4分别为最大和最小惯性系数。
步骤4????迭代更新。通过判断初始迭代时每个粒子的个体最优值,确定每次迭代过程中每个粒子经过的个体最优位置pbestm和群体中的全局最优位置gbest。每个粒子根据上次迭代得到gbest和pbestm,基于式(18)和式(19)更新自身的位置和速度,并计算更新后的位置对应的适应度值,直到满足条件,得到优化的分配策略和VPL。
4 仿真验证与结果分析 为验证本文方法的性能,采用BDS/GPS双星座,仿真时长为3 h,对ISM参数在合理的范围内设置不同的4组参数,如表 1所示。表中: Pconst表示卫星星座故障概率。全球ARAIM可用性覆盖率以仿真时间段内服务可用时间比率超过99.5%的用户占总用户的比率表示。
表 1 ISM参数设置 Table 1 ISM parameter setting
组号 | 星座 | Psat | Pconst | bcont | bnom | σURA | σURE |
1 | GPS | 10-5 | 10-8 | 0 | 3/4 | 1 | 2/3 |
BDS | 10-4 | 10-8 | 0 | 3/4 | 1 | 2/3 | |
2 | GPS | 10-4 | 10-8 | 0 | 3/4 | 1 | 2/3 |
BDS | 10-5 | 10-8 | 0 | 3/4 | 1 | 2/3 | |
3 | GPS | 10-5 | 10-8 | 0 | 3/4 | 3/2 | 1 |
BDS | 10-4 | 10-8 | 0 | 3/4 | 1 | 2/3 | |
4 | GPS | 10-4 | 10-8 | 0 | 3/4 | 1 | 2/3 |
BDS | 10-5 | 10-8 | 0 | 3/4 | 3/2 | 1 |
表选项
针对ARAIM所覆盖区域,使用仿真时间内ARAIM可用时间占总仿真时间的比值作等高线图,在不同的4组参数下,传统的PHMI和PFA分配方法与基于PSO算法的PHMI和PFA分配方法对应的全球VPL和ARAIM全球可用性如图 1~图 4所示。
图 1 第1组参数下全球VPL和ARAIM全球可用性 Fig. 1 Global VPL and ARAIM global availability under the first set of parameters |
图选项 |
图 2 第2组参数下全球VPL和ARAIM全球可用性 Fig. 2 Global VPL and ARAIM global availability under the second set of parameters |
图选项 |
图 3 第3组参数下的全球VPL和ARAIM全球可用性 Fig. 3 Global VPL and ARAIM global availability under the third set of parameters |
图选项 |
图 4 第4组参数下的全球VPL和ARAIM全球可用性 Fig. 4 Global VPL and ARAIM global availability under the fourth set of parameters |
图选项 |
图 1~图 4给出了传统分配方法和本文分配方法在不同ISM参数下BDS/GPS双星座下的全球VPL和ARAIM可用性,每组图中左图对应传统分配方法;右图对应本文方法。分析图 1~图 4可知,在传统的分配方法中,部分ARAIM用户区域的VPL值大于VAL,而在优化后的本文方法中,对应的一部分区域的VPL值被优化,使其小于VAL,满足LPV-200服务要求。例如,图 1(a)中,纬度-60°以下、经度0°附近的区域;图 2(a)中,纬度-60°~-20°、经度0°~100°附近的区域;图 3(a)中,纬度-60°~-20°、经度-100°附近的区域;图 4(a)中,纬度-60°~-20°、经度-100°附近的区域。分析以上区域对应的ARAIM可用性得知,传统分配方法对应的VPL值越大,本文方法优化VPL更明显,对应区域ARAIM可用性覆盖率改善更明显。因此,本文方法降低了ARAIM用户区域的VPL,提高了相应区域的ARAIM可用性覆盖率。
表 2对比了4组参数下2种分配方法对应的ARAIM全球可用性。结果表明,本文方法可以提高ARAIM在全球的可用性覆盖率。
表 2 优化前后的ARAIM全球可用性对比 Table 2 Global availability comparison of ARAIM before and after optimization
组号 | ARAIM全球可用性/% | |
传统分配方法 | 本文方法 | |
1 | 90.77 | 92.44 |
2 | 92.10 | 93.49 |
3 | 77.62 | 79.40 |
4 | 79.23 | 81.01 |
表选项
5 结论 本文提出将各故障子集对应的VPL加权和作为优化目标,选取完好性风险和连续性风险为优化参数,建立了基于PSO算法的PHMI和PFA优化分配过程,对研究的算法进行了BDS/GPS双星座下的仿真实验和分析,研究结果表明:
1) 可以降低ARAIM覆盖区域的VPL,且VPL值越大,基于PSO算法的分配方法优化VPL更明显。
2) 可以改善BDS/GPS双星座下的ARAIM全球可用性覆盖率。
参考文献
[1] | 刘金鑫, 滕继涛, 李锐, 等. 基于子集包含减少ARAIM子集数量的方法[J]. 北京航空航天大学学报, 2020, 46(8): 1592-1660. LIU J X, TENG J T, LI R, et al. Method for reducing the number of ARAIM subsets[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(8): 1592-1660. (in Chinese) |
[2] | BLANCH J, WALTER T, ENGE P, et al. Advanced RAIM user algorithm description: Integrity support message processing, fault detection, exclusion, and protection level calculation[C]//ION Global Navigation Satellite Systems Conference, 2012: 2828-2849. |
[3] | MENG Q, LIU J Y, ZENG Q H, et al. Improved ARAIM fault modes determination scheme based on feedback structure with probability accumulation[J]. GPS Solutions, 2019, 23(1): 16. DOI:10.1007/s10291-018-0809-8 |
[4] | 王尔申, 杨迪, 宏晨, 等. ARAIM技术研究进展[J]. 电信科学, 2019, 35(8): 128-138. WANG E S, YANG D, HONG C, et al. Research progress of ARAIM technology[J]. Telecommunications Science, 2019, 35(8): 128-138. (in Chinese) |
[5] | JOERGER M, PERVAN B. Multi-constellation ARAIM exploiting satellite motion[J]. Navigation, 2020, 67(2): 235-253. DOI:10.1002/navi.334 |
[6] | ZHAI Y W, ZHAN X Q, CHANG J, et al. ARAIM with more than two constellations[C]//ION 2019 Pacific PNT Meeting, 2019: 925-941. |
[7] | LUO S L, WANG L, TU R, et al. Satellite selection methods for multi-constellation advanced RAIM[J]. Advances in Space Research, 2020, 65(5): 1503-1517. DOI:10.1016/j.asr.2019.12.015 |
[8] | BANG E, MILNER C, MACABIAU C, et al. ARAIM temporal correlation effect on PHMI[C]//International Technical Meeting of the Satellite Division of the Institute of Navigation, 2018: 2682-2694. |
[9] | SUN X, XU L, JI Y, et al. An extremum approximation ARAIM algorithm based on GPS and BDS[J]. IEEE Access, 2020, 8: 30027-30036. DOI:10.1109/ACCESS.2020.2972766 |
[10] | SUN Y, WANG T S, WANG Z P, et al. Optimal risk allocation for BDS/GPS advanced receiver autonomous integrity monitoring[C]//Proceedings of the 2015 International Technical Meeting of the Institute of Navigation, 2015: 687-695. |
[11] | BLANCH J, WALTER T, ENGE P. RAIM with optimal integrity and continuity allocations under multiple failures[J]. IEEE Transactions on Aerospace and Electronic Systems, 2010, 46(3): 1235-1247. DOI:10.1109/TAES.2010.5545186 |
[12] | EL-MOWAFY A, YANG C. Limited sensitivity analysis of ARAIM availability for LPV-200 over Australia using real data[J]. Advances in Space Research, 2016, 57(2): 659-670. DOI:10.1016/j.asr.2015.10.046 |
[13] | Working Group C, EU-U.S. ARAIM technical subgroup milestone 3 report[EB/OL]. (2016-02-25)[2019-09-20]. https://www.gps.gov/policy/cooperation/europe/2016/working-group-c/ARAIM-milestone-3-report.pdf. |
[14] | Working Group C, EU-U.S. ARAIM concept of operation[EB/OL]. [2019-09-20]. https://portal.icao.int/nsp/meetingdocuments/NSP4-10-20-October2017/NSP4_ip18_HARAIMConOps-final.docx. |
[15] | 刘若辰, 李建霞, 刘静, 等. 动态多目标优化研究综述[J]. 计算机学报, 2020, 43(7): 1246-1278. LIU R C, LI J X, LIU J, et al. A survey on dynamic multi-objective optimization[J]. Chinese Journal of Computers, 2020, 43(7): 1246-1278. (in Chinese) |
[16] | RUSSELL C E, SHI Y. Particle swarm optimization: Developments, applications and resources[C]//Congress on Evolutionary Computation, 2002: 81-86. |