随着智能交通系统与智慧城市的发展建设,未来更多基于位置的服务将被提供给交通用户,用以提升交通安全和体验。在无人驾驶技术已成为应用趋势的情况下,其对精确位置信息更为依赖。卫星导航系统能提供不依赖于时间的精确位置信息,但在城市环境下,卫星信号受环境的干扰较大,卫星无线信号容易被建筑物遮挡、反射,地面客户端接收到的信号往往信噪比较低并具有多径传输特性,这会产生较大的定位误差。惯性导航系统能在短时间内提供精确的相对位置信息,但受限于误差积累,不能长时间独立工作。基于惯性和卫星的组合导航系统可以为单一系统定位精度差和稳定性差提供有效的解决方案,设计惯性与卫星组合导航系统,利用卫星定位信息对惯性系统周期性校正并抑制误差,保证惯性系统信息输出的长期稳定,本文中将对组合导航系统的原理及方案设计进行详细探究。信息融合滤波算法是组合导航的关键技术,在处理状态估计与噪声滤波问题上,基于最小均方误差准则的滤波方式在处理噪声统计特性为高斯特性的系统中,被证明具有最优效果。但是最小均方误差准则下的滤波方法只能捕捉噪声的一阶和二阶统计特性,当系统噪声统计特性呈现非高斯特性时,特别当出现厚尾(Heavy-tailed)和大野值(Outlier)噪声的情况时,最小均方误差准则下的滤波器性能将变差。车载组合导航系统中的非高斯噪声存在于测量噪声中,在以往的研究中,组合导航系统的测量噪声多被当做高斯白噪声处理,且部分基于非高斯噪声假设的算法具有较大的计算量和实现复杂性。为解决组合导航系统中非高斯噪声有效消除问题,结合实际系统的非线性特性,本文采用最大相关熵准则的无迹卡尔曼滤波算法,并对该算法的自适应策略进行探究。相关熵是衡量两个随机变量之间相似性的统计学概念,区别于最小均方误差准则,其衡量方式中包含了随机变量的统计高阶项。最大相关熵无迹卡尔曼滤波算法通过最小二乘法求解卡尔曼滤波方程,建立相关熵与最优估计的关系,实现相关熵准则的最优估计在滤波模型中迭代。算法选取高斯核函数对噪声的高阶统计信息进行有效捕捉,当系统出现大值偏差,特别是出现脉冲噪声时,高斯核中负指数项和核宽度的阈值作用,使得大值偏差对相关熵的作用被削弱。文章最后对组合导航系统进行模型仿真分析,通过对比传统无迹卡尔曼滤波算法,验证了最大相关熵准则的卡尔曼滤波算法对解决非高斯噪声的有效性。