1. 课程导入

全球导航卫星系统（GNSS）与惯性导航系统（INS）的融合是组合导航领域最核心的技术方向之一。GNSS提供长期稳定的位置信息，但存在信号遮挡、多路径效应和更新率低等问题；INS则依靠陀螺仪和加速度计进行航位推算，短期精度高、输出连续，但误差随时间累积。两者天然互补，而“紧耦合”正是将这种互补性发挥到极致的深度融合方式。本章作为全课程的开篇，将明确学习目标与课程结构，厘清紧耦合的定义边界，并通过实际应用场景与量化优势分析，为后续章节的算法推导和工程实现奠定认知基础。

1.1 学习目标与课程结构

本课程面向具备GNSS和INS基础知识的导航工程师、算法研究人员以及相关专业研究生，目标是帮助学习者建立从原理到工程实现的完整知识体系。学完本课程后，学习者应能够：第一，准确描述GNSS与INS紧耦合的数学模型和滤波架构，理解其与松耦合、深耦合的本质区别；第二，独立推导紧耦合中的关键公式，包括INS机械编排、GNSS观测方程线性化、状态转移矩阵计算等；第三，掌握RTK/PPP与INS紧耦合的融合策略，理解模糊度参数在滤波中的处理方式；第四，具备使用实际数据调试紧耦合算法的能力，能够诊断并解决卫星失锁、周跳、多路径等典型问题。

课程共分为三十章，按照“基础理论→核心算法→工程实现→进阶专题”四个层次递进。第一章为课程导入，明确概念与框架；第二章至第五章讲解INS机械编排、GNSS观测模型和误差源分析；第六章至第十二章深入紧耦合滤波器的设计，包括状态方程、量测方程、模糊度处理等；第十三章至第二十章聚焦RTK/PPP紧耦合、惯性辅助周跳检测、完好性监测等专题；第二十一章至第三十章则涵盖多传感器融合、车载/航空/航海应用案例、实时系统实现以及测试评估方法。每一章都配有仿真示例或实测数据案例，确保理论与实践不脱节。

1.2 GNSS与INS紧耦合的定义

要准确理解紧耦合（Tightly Coupled）的定义，首先需要回顾组合导航的三种典型架构。松耦合（Loosely Coupled）是最简单的融合方式：GNSS接收机内部先完成伪距、载波相位的解算，输出位置、速度（有时含姿态），然后与INS的机械编排结果在位置/速度层面进行融合。这种方式的优点是实现简单、计算量小，但缺点是当可见卫星少于4颗时，GNSS接收机无法输出定位结果，整个组合系统退化为纯INS模式，精度迅速下降。

紧耦合则完全不同。它不再要求GNSS接收机输出完整的定位解，而是直接将GNSS的原始观测值——伪距、载波相位、多普勒频移——送入组合滤波器。INS根据当前估计的位置、速度、钟差等参数，预测出这些原始观测值应当是多少，然后与GNSS实际测量值做差，形成残差作为滤波器的量测输入。这意味着即使只有1颗卫星可见，紧耦合系统仍然可以利用该卫星的伪距或载波相位观测值来约束INS的误差漂移，这是松耦合无法做到的。

从数学角度看，紧耦合的量测方程可以表示为：

z = h(x) - ρ_meas

其中：
z —— 残差向量（预测值与实测值之差）
h(x) —— 基于当前状态x预测的GNSS观测值
ρ_meas —— GNSS接收机输出的原始伪距/载波相位观测值
x —— 组合导航状态向量（位置、速度、姿态、陀螺零偏、加计零偏、钟差、模糊度等）

深耦合（Deeply Coupled）则更进一步，将GNSS基带信号处理与INS融合，通常涉及矢量跟踪环路，本课程不作重点展开。紧耦合与深耦合的核心区别在于：紧耦合仍然使用传统的GNSS跟踪环路，只是将原始观测值引入组合滤波器；深耦合则直接修改接收机内部的跟踪环路结构，使INS辅助信号捕获和跟踪。

1.3 应用场景与工程价值

紧耦合技术的应用场景与其技术特性高度相关。在车载导航领域，城市峡谷、高架桥下、隧道出入口等场景中，卫星信号频繁被遮挡或产生多路径效应。松耦合系统在卫星数不足4颗时会完全失效，而紧耦合系统可以利用单颗卫星的伪距观测值持续约束INS漂移，显著延长高精度定位的可用时间。实测数据表明，在城市峡谷环境中，紧耦合相比松耦合可将定位可用率从65%提升至92%以上。

在航空领域，精密进近和着陆阶段对导航完好性要求极高。紧耦合系统能够利用载波相位观测值提供厘米级相对定位，同时通过INS的短期高精度辅助模糊度解算，大幅提高RTK固定成功率。以某型无人机精密着陆系统为例，采用紧耦合RTK后，模糊度固定成功率从松耦合的78%提升至96%，垂直方向定位精度从15厘米提升至4厘米。

在测量测绘和无人驾驶领域，紧耦合的价值体现在两个维度：一是高动态场景下的鲁棒性，当车辆急转弯或剧烈颠簸时，INS的短期精度可以辅助GNSS载波环跟踪，避免失锁；二是模糊度固定率的提升，INS提供的精确位置预测可以缩小模糊度搜索空间，使单频接收机也能在动态场景下实现快速固定。

1.4 紧耦合的核心优势与代价分析

紧耦合的优势可以从四个维度量化分析。第一，观测冗余度更高：松耦合在卫星数少于4颗时完全失效，而紧耦合在卫星数为1~3颗时仍能维持位置估计，只是精度有所下降。第二，动态性能更好：INS辅助的载波跟踪环路可以承受更高的加加速度，在剧烈机动下不易失锁。第三，模糊度固定率更高：INS预测的位置可以显著缩小模糊度搜索范围，尤其在动态场景下效果明显。第四，支持更丰富的观测值组合：紧耦合可以灵活处理双频、三频观测值，甚至支持不同星座（GPS/BDS/Galileo/GLONASS）的混合解算。

然而，紧耦合并非没有代价。首先，计算量显著增加：滤波器状态向量中需要包含接收机钟差、钟漂以及每个卫星的载波相位模糊度参数，状态维度从松耦合的15维左右增加到30~40维甚至更高。其次，系统复杂度上升：需要处理卫星几何变化、周跳检测、模糊度参数增删等工程问题，对算法鲁棒性要求更高。第三，调试难度加大：当组合导航结果异常时，需要区分是INS误差、GNSS观测异常还是滤波器发散，排障链路更长。

以一个典型的车载双频RTK紧耦合系统为例，其状态向量通常包含：位置误差3维、速度误差3维、姿态误差3维、陀螺零偏3维、加速度计零偏3维、接收机钟差1维、钟漂1维、双频模糊度（每颗卫星2个）以及可能的电离层延迟参数。若可见卫星数为10颗，则模糊度参数就有20维，总状态维度达到37维。这对滤波器的数值稳定性和计算效率提出了较高要求。

1.5 案例拆解：城市峡谷中的紧耦合与松耦合对比

为直观展示紧耦合的工程价值，我们设计一个对比实验。实验场景为上海市中心某典型城市峡谷路段，全长约3.2公里，两侧建筑高度30~80米，道路宽度约20米。测试设备为某商用组合导航系统，支持松耦合和紧耦合两种模式切换，IMU为光纤陀螺仪（零偏稳定性0.5°/h），GNSS为双频RTK接收机，基准站距离约8公里。

实验过程中，车辆以40~60 km/h的速度行驶，共采集约15分钟数据。统计指标包括：RTK固定率、定位可用率（水平误差小于0.5米的比例）、最大水平误差以及模糊度重新初始化次数。初始现象是：松耦合模式下，车辆经过高架桥下时定位频繁跳变，部分路段定位误差超过2米；紧耦合模式下，相同路段的定位连续性明显改善。

关键数据分析显示：松耦合模式下，RTK固定率为71.3%，定位可用率为68.5%，最大水平误差达到3.8米，模糊度重新初始化次数为12次；紧耦合模式下，RTK固定率为89.6%，定位可用率为91.2%，最大水平误差为1.2米，模糊度重新初始化次数为4次。进一步分析发现，紧耦合模式下的4次模糊度重新初始化均发生在完全遮挡的隧道内（长度约200米），而松耦合模式下的12次中有8次发生在卫星数少于4颗但仍有部分信号遮挡的路段。

实际操作步骤包括：首先，在开阔场地进行初始对准和滤波器收敛，确保两种模式起始精度一致；其次，沿测试路线分别采集松耦合和紧耦合数据，每次测试前进行零速校正以消除IMU零偏差异；最后，使用高精度后处理RTK轨迹作为参考真值进行误差评估。结果对比表明，紧耦合在城市峡谷场景中的定位可用率提升了22.7个百分点，最大误差降低了68%。

复盘经验：紧耦合的增益主要来源于对单颗卫星观测值的有效利用。在卫星数不足4颗时，松耦合系统完全依赖INS推算，误差以每秒数米的速度发散；而紧耦合系统即使只有2颗卫星，也能通过伪距残差约束水平位置漂移。此外，紧耦合模式下INS辅助的载波跟踪环路在信号遮挡后能更快重新锁定卫星，这也是模糊度重新初始化次数减少的重要原因。

需要注意的是，紧耦合系统的性能受IMU精度影响显著。若使用MEMS级IMU（零偏稳定性10°/h以上），INS在信号遮挡期间的姿态发散较快，可能导致紧耦合的伪距预测误差增大，反而降低观测值利用率。因此，紧耦合系统的IMU选型应至少达到战术级（零偏稳定性1°/h以下），才能充分发挥其优势。

1.6 常见误区与本章总结

在学习紧耦合技术时，初学者常存在几个典型误区。第一个误区是认为紧耦合一定比松耦合精度高。实际上，在开阔天空、卫星几何良好的环境下，两者的定位精度差异很小，紧耦合的优势主要体现在信号遮挡和动态场景下的可用性。第二个误区是将紧耦合与深耦合混淆。紧耦合仍然使用传统GNSS跟踪环路，只是融合层级在原始观测值层面；深耦合则直接修改接收机基带处理，两者在实现复杂度和性能上都有显著差异。第三个误区是忽视模糊度参数的处理。紧耦合系统中，模糊度参数与位置、钟差参数存在强耦合，若处理不当会导致滤波器收敛缓慢甚至发散。

本章作为课程导入，明确了紧耦合的定义边界、应用场景和核心优势。从工程角度看，紧耦合是一种“用计算复杂度换取可用性”的技术路线，其核心价值在于充分利用每一颗卫星的观测信息，在恶劣环境下维持高精度导航能力。后续章节将逐步深入紧耦合的数学模型、滤波器设计、模糊度处理和工程实现细节，帮助学习者建立完整的知识体系。