در سامانه ناوبری تلفیقی GPS و INS، از دو سامانه موقعیت یابی مستقل برای تعیین موقعیت و وضعیت یک جسم استفاده می شود. سامانه GPS از سیگنال های ماهواره ای برای تعیین موقعیت و سرعت استفاده می کند. سامانه INS از حسگرهای اینرسی، مانند شتاب سنج و ژیروسکوپ، برای تعیین موقعیت و وضعیت استفاده می کند.
یکی از روش های متداول برای تلفیق داده های GPS و INS، استفاده از فیلتر کالمن توسعه یافته (EKF) است. EKF یک فیلتر خطی برای تخمین مقادیر حالت یک سیستم غیرخطی است. در EKF، مدل غیرخطی سیستم با استفاده از خطی سازی در اطراف نقطه تخمین فعلی، به یک مدل خطی تبدیل می شود.
با این حال، EKF در شرایطی که مدل سیستم به درستی شناخته نشده باشد، یا زمانی که نویز سیستم ناشناخته باشد، عملکرد دقیقی ندارد. در این شرایط، روش های فیلترینگ غیر مستقیم، مانند روش فیلتر کالمن غیرخطی (NLKF)، می توانند عملکرد بهتری داشته باشند.
در روش فیلتر کالمن غیرخطی، مدل سیستم به صورت غیرخطی باقی می ماند و برای تخمین مقادیر حالت از روش های تکراری استفاده می شود. با این حال، NLKF نیز دارای محدودیت هایی است، از جمله پیچیدگی محاسباتی زیاد و حساسیت به انتخاب پارامترهای اولیه.
در سال های اخیر، روش های جدیدی برای فیلترینگ مستقیم در سامانه ناوبری تلفیقی GPS و INS ارائه شده است. این روش ها با استفاده از روش های یادگیری ماشین، مانند شبکه های عصبی مصنوعی (ANN)، سعی می کنند دقت تخمین را بهبود بخشند.
یکی از این روش ها، روش فیلتر کالمن توسعه یافته ردیابی قوی تصحیح شده مدل چندگانه تعاملی (IMM-RSTEKF) است. این روش با استفاده از ترکیبی از چند مدل EKF، سعی می کند دقت تخمین را بهبود بخشد.
در روش IMM-RSTEKF، ابتدا یک مدل EKF برای هر حالت ممکن از سیستم ایجاد می شود. سپس، یک مدل IMM برای ترکیب خروجی های این مدل ها استفاده می شود. در نهایت، از یک مدل EKF اصلاح شده برای تخمین مقادیر حالت استفاده می شود.
در مدل EKF اصلاح شده، از روش ردیابی قوی تصحیح شده برای مقاوم سازی فیلتر در مقابل خطای مدل سازی استفاده می شود.
در یک مطالعه اخیر، روش IMM-RSTEKF با استفاده از داده های جمع آوری شده در یک آزمایش میدانی واقعی توسط هواپیما راستی آزمایی شد. نتایج نشان دادند که این روش عملکرد دقیق تر و پایدارتری نسبت به روش های فیلترینگ سنتی، مانند EKF و NLKF، دارد.
در ادامه، به تشریح اجمالی هر یک از اجزای روش IMM-RSTEKF می پردازیم.
مدل های EKF
در روش IMM-RSTEKF، ابتدا یک مدل EKF برای هر حالت ممکن از سیستم ایجاد می شود. حالت های ممکن سیستم عبارتند از:

حالت GPS: حالتی که در آن سیگنال های GPS در دسترس هستند.
حالت INS: حالتی که سیگنال های GPS در دسترس نیستند.
حالت ترکیبی: حالتی که هم سیگنال های GPS و هم INS در دسترس هستند.

برای هر حالت، مدل EKF معادلات حالت سیستم را به صورت خطی تبدیل می کند. سپس، از این معادلات برای تخمین مقادیر حالت استفاده می شود.
مدل IMM
مدل IMM برای ترکیب خروجی های مدل های EKF استفاده می شود. این مدل با استفاده از تابع های احتمالی، وزن مدل های EKF را محاسبه می کند.
مدل EKF اصلاح شده
در مدل EKF اصلاح شده، از روش ردیابی قوی تصحیح شده برای مقاوم سازی فیلتر در مقابل خطای مدل سازی استفاده می شود. این روش با استفاده از یک تابع غیرخطی، تخمین های فیلتر را اصلاح می کند.
مزایا و معایب روش IMM-RSTEKF
مزایا:

دقت تخمین بالاتر نسبت به روش های فیلترینگ سنتی، مانند EKF و NLKF.
پایداری بیشتر در شرایطی که مدل سیستم به درستی شناخته نشده باشد، یا زمانی که نویز سیستم ناشناخته باشد.

معایب:

پیچیدگی محاسباتی بیشتر نسبت به روش های فیلترینگ سنتی.
نیاز به آموزش مدل IMM.

در مجموع، روش IMM-RSTEKF یک روش فیلترینگ مستقیم جدید است که می تواند دقت تخمین را در سامانه ناوبری تلفیقی GPS و INS بهبود بخشد.