CN106352880B

CN106352880B - 一种基于非线性网络的惯性导航算法架构的确定方法

Info

Publication number: CN106352880B
Application number: CN201610965647.7A
Authority: CN
Inventors: 贾瑞才; 王博远; 贾浩男; 智奇楠; 刘鹏飞; 王青江; 马国驹; 李枭楠
Original assignee: CETC 54 Research Institute
Current assignee: CETC 54 Research Institute
Priority date: 2016-10-28
Filing date: 2016-10-28
Publication date: 2019-04-12
Anticipated expiration: 2036-10-28
Also published as: CN106352880A

Abstract

本发明公开了一种基于非线性网络的惯性导航算法架构的确定方法，无力学编排体现在摒弃了传统利用牛顿力学方程计算位置与速度的导航计算方式；认知主要体现在针对不同惯性器件，基于神经网络等工具，自主化建立导航计算模型。其主要优点一、精度更高，由于认知惯性导航的非线性网络模型通过大量数据分析挖掘所建立，该模型是定制化的，与原力学编排通用模型相比，能够更好的适应惯性器件，因此能够具备更高精度；优点二、能力自提升，神经网络训练模型在后台处理，随着训练数据，训练方法的优化，认知惯性导航系统能力是不断提高的，可以具备在线升级能力。

Description

一种基于非线性网络的惯性导航算法架构的确定方法

技术领域

本发明涉及一种非线性网络的惯性导航算法架构，属于惯性导航、人工智能技术领域。

背景技术

(1)惯性导航技术现状

惯性导航的基本原理很简单，早在三百多年前就提出来了，它以牛顿力学定律为基础，在运载体内用导航加速度表测量运载体运动的加速度，通过积分运算得到运载体的速度和位置信息。惯性导航系统包含平台式惯性导航系统和捷联式惯性导航系统，算法架构如附图1所示。

平台式捷联惯性导航算法。在惯性导航系统(简称惯导系统)中安装一个稳定平台，用该平台模拟当地水平面，建立一个空间直角坐标系，指北方位惯导系统的三个坐标轴分别指向东向E、北向N及天顶方向U，通常称为东北天坐标系。在载体运动过程中，利用陀螺使平台始终跟踪当地水平面，三个轴始终指向东北天方向，在这三个轴上分别安装上东向加速度计、北向加速度计和垂直加速度计，东向加速度计测量载体沿东西方向的比力加速度北向加速度计测量载体沿南北方向的比力加速度而垂直加速度计测量载体沿天顶方向的比力加速度由惯导系统的基本方程比力方程可解得载体沿东北天三个方向上的速度，由惯导系统基本方程，即可计算东北天三个方向的速度：

欲求得载体在地球上的位置，纬度L，经度λ和高度h，通过对速度积分可得到载体的瞬时位置，即

式中R_M、R_N分别表示地球椭球的子午圈和卯酉圈曲率半径。

捷联式惯性导航系统。捷联惯导的陀螺和加速度计被直接安装在载体上，惯性元件敏感轴安装在载体系三轴方向上。在载体运动过程中，陀螺测定载体相对于惯性参考系的运动角速度，经导航计算得到载体坐标系至导航坐标系的坐标变换矩阵，即姿态矩阵，通过姿态矩阵把加速度计测得的比力加速度信息变换为导航坐标系统然后进行导航计算。捷联惯导系统中用如下两式计算求得载体姿态和速度：

而载体的位置算法同平台式惯导系统算法。区别是，在平台式惯导系统中由平台模拟当地水平面，加速度计直接测得沿导航轴向的比力加速度，而在捷联惯导系统中通过计算姿态矩阵，作为比力变换的参考。

(2)存在的问题

传统惯导算法依赖经典牛顿力学，属于通用化算法，然而不同惯性测量器件，工作原理不同、误差源不同，利用通用算法处理时，难以发挥出其最有性能，惯性导航精度存在大幅上升空间。

发明内容

本发明的目的在于针对上述问题，依据“定制化”思路，在惯性导航算法架构层面提出一种无力学编排的非线性网络的认知惯性导航算法架构。无力学编排体现在摒弃了传统利用牛顿力学方程计算位置与速度的导航计算方式；认知主要体现在针对不同惯性器件，自主化建立导航计算模型。

为实现上述目的，本发明采取以下技术方案：

一种基于非线性网络的惯性导航算法架构的确定方法，包括惯性导航算法训练阶段和惯性导航算法应用阶段，所述的惯性导航算法训练阶段具体包括以下步骤：

(1)粗对准：确定载体坐标系与地理坐标系间的角度关系；

(2)精对准：提升载体坐标系与地理坐标系间的对准精度；

(3)姿态计算：基于步骤(2)中精对准的结果及陀螺测量值，计算载体姿态角和载体姿态矩阵，利用载体姿态矩阵将加速度计的测量值由载体坐标系变换至地理坐标系，得到地理坐标系加速度；

(4)非线性网络模型建立：设定非线性网络中各神经元的输入输出参数及各神经元间的连接权值，完成载体的地理坐标系加速度与载体的位置变化量和速度变化量的非线性网络模型的建立；

(5)非线性网络训练：在外部训练样本的驱动下不断改变非线性网络的连接权值,使非线性网络的输出不断地接近预设期望值，完成非线性网络的训练；所述的训练样本为实时差分定位模块测量的载体的位置变化量和速度变化量以及地理系加速度的三维加速度；

完成基于非线性网络的惯性导航算法架构的确定。

其中，步骤(5)之后还包括惯性导航算法应用阶段，具体包括以下步骤：

(6)粗对准：确定载体坐标系与地理坐标系间的角度关系；

(7)精对准：提升载体坐标系与地理坐标系间的对准精度；

(8)姿态计算：基于步骤(7)中精对准的结果及陀螺测量值，计算载体姿态角和载体姿态矩阵，利用载体姿态矩阵将加速度计的测量值由载体坐标系变换至地理坐标系，得到地理坐标系加速度；

(9)根据地理坐标系加速度和训练完成的非线性网络计算惯性导航解。

其中，步骤(4)具体为：

非线性网络由输入层、隐含层和输出层构成，其中输入层有4个神经元，隐含层有n个神经元,输出层有6个神经元，n为大于1的整数；输入层的输入为地理坐标系加速度与采样周期，表示为：式中，为地理坐标系下东向加速度，为地理坐标系下北向加速度，为地理坐标系下垂直加速度，T为采样周期；

隐含层第j个神经元的输入为：隐含层第j个神经元输出为：式中h_ij为隐含层第j个神经元的输入，h_oj为隐含层第j个神经元的输出，m₀为输入层的第m₀个神经元，为输入层神经元与隐含层第j个神经元的权值；b_h为隐含层第j个神经元阈值，h＝1,2,3,...n；

输出层第j个神经元的输入为：输出层第j个神经元输出：式中，为隐含层第n个神经元与输出层第j个神经元之间的连接权值；m₁为隐含层的第m₁个神经元，b_o为输出层第j个神经元阈值,o＝1,2,3,...6；误差函数为：d_oj为d_o的第j个元素。

其中，步骤(5)具体包括以下步骤：

(500)非线性网络初始化：给输入层各神经元到隐含层各神经元的连接权值和隐含层各神经元到输出层各神经元的连接权值分别赋一个区间(-1，1)内的随机数，设定期望精度值和最大学习次数，将初始学习次数设为零；

(501)选取一组训练样本，将训练样本中地理坐标系加速度的三维加速度作为输入层神经元的输入,计算隐含层各神经元的输入和输出，然后计算输出层各神经元的输入和输出；

(502)根据误差函数、输出层各神经元的输出和选取训练样本中的位置变化量和速度变化量计算误差值；学习次数增加一次；

(503)判断误差值是否达到期望精度值或学习次数是否大于设定的最大学习次数，若是，则执行步骤(509)，否则，执行步骤(504)；

(504)利用位置变化量、速度变化量和输出层神经元的输出分别计算误差函数对输出层的各神经元的偏导数；

(505)利用隐含层各神经元到输出层各神经元的连接权值、输出层各神经元的偏导数和隐含层各神经元的输出，分别计算误差函数对隐含层各神经元的偏导数；

(506)利用误差函数对输出层各神经元的偏导数和隐含层各神经元的输出，分别修正隐含层各神经元与输出层各神经元之间的连接权值；

(507)利用误差函数对隐含层各神经元的偏导数和输入层各神经元的输入，分别修正输入层与隐含层各神经元之间的连接权值；

(508)重新选取一组训练样本，将训练样本中地理坐标系加速度的三维加速度作为输入层神经元的输入，计算隐含层各神经元的输入和输出，然后计算输出层各神经元输入和输出；跳转到步骤(502)；

(509)保存训练完成的非线性网络；

完成非线性网络建模。

其中，非线性网络的隐含层为多层。

其中，具有非线性建模能力的人工智能算法均适用于该算法架构。

本发明相比背景技术具有以下优点：

1、认知惯性导航系统精度更高。由于认知惯性导航的非线性网络模型通过大量数据分析挖掘所建立，该模型是定制化的，与原力学编排通用模型相比，能够更好的适应惯性器件，因此能够具备更高精度。

2、认知惯性导航算法能力自提升。神经网络训练模型在后台处理，随着训练数据，训练方法的优化，认知惯性导航系统能力是不断提高的，可以在线升级，原力学编排惯性导航算法不具备该项能力。

附图说明

图1是基于力学编排的传统惯性导航算法框架；

图2是本发明基于神经网络的认知惯性导航算法训练架构；

图3是本发明基于神经网络的认知惯性导航算法应用架构；

图4是本发明非线性神经网络模型；

图5是本发明姿态计算流程。

具体实施方式

下面结合附图和实施例对本发明的进行详细的描述。

认知惯性导航算法架构包含训练与应用两部分，首先依据大量实测数据，对神经网络训练架构进行建模；然后依据训练的神经网络计算惯性导航结果，即应用架构。神经网络能够建立加速度测量值与惯性导航的复杂非线性模型，而无需事先了解描述映射关系的数学方程。其应用大量数据对非线性网络进行学习训练，便能完成由n维输入空间到m维输出空间的非线性映射；当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射。输入数据中带有较大的误差甚至个别错误对网络的输入输出规律影响很小。

一、惯性导航算法训练阶段

如图2所示，惯性测量器件包括三轴加速度计和三轴陀螺，实时差分定位模块GNSSRTK测量值为网络训练时的参考数据；其中加速度计输出为载体坐标系下加速度经变换后为地理坐标系下加速度陀螺输出为载体坐标系下角速率训练阶段，神经网络的输入为实时差分定位模块GNSS RTK测量的位置变化量、速度变化量以及载体的地理坐标系下三维加速度。训练阶段包括惯导粗对准、精对准、姿态计算、非线性网络模型建立和非线性网络训练五个步骤。

1、粗对准：在静态情况下，忽略载体晃动干扰，将陀螺和加速度计的输出近似看成地球自转角速度ω_ie和重力加速度g量测值，近似确定载体系与地理坐标系两个坐标系间的角度关系。

2、精对准：在静态情况下，根据粗对准姿态阵和陀螺实时输出解算出姿态阵，然后计算出速度，由于载体静止，输出实际是速度误差，它含有姿态信息，从中估计出失准角，提升两坐标系对准的精度，精对准方法有解析法和卡尔曼滤波法。

3、姿态计算：结合图5所示，描述如下：

步骤一、由陀螺输出角增量Δθ，通过下式，计算等效旋转矢量Φ(h)。

(直线拟合角增量)

式中，Δθ₁、Δθ₂为相邻时间间隔内的角增量，Φ(h)为等效旋转矢量。

(抛物线拟合角增量)

式中，Δθ₁、Δθ₂、Δθ₃为相邻时间间隔内的角增量，Φ(h)为等效旋转矢量。

步骤二、由等效旋转矢量Φ计算姿态变化四元数q(h)，如下：

步骤三：由姿态变化四元数计算姿态四元数，如下：

式中，Q(t_k)为t_k时刻姿态四元数，Q(t_k+1)为t_k+1时刻姿态四元数。

步骤四：由姿态四元数Q计算姿态矩阵如下：

式中，Q＝[q₀ q₁ q₂ q₃]^T，q₀\q₁\q₂\q₃为四元数分量。

步骤五：由姿态矩阵计算姿态角，如下：

姿态包括航向角、横滚、俯仰。其中，航向角Ψ为北偏东的角度，范围0～360。俯仰θ为载体纵轴与纵向水平轴的夹角，向上为正，下为负，范围-90～+90。横滚γ为纵向对称面与纵向铅垂面间的夹角，右倾为正，左为负，范围-180～+180。姿态矩阵为载体坐标系b到导航坐标系n的变换矩阵，其定义如下：

根据姿态矩阵，可得到载体姿态信息：

其中航向角，横滚角真值还需相关转换得到，在此不再描述。

4、非线性网络模型建立：

设定非线性网络中各神经元的输入输出参数及各神经元间的连接权值，完成载体的地理坐标系加速度与位置变化量和速度变化量的非线性网络模型的建立；

5、非线性网络训练：在外部训练样本的驱动下不断改变非线性网络的连接权值,使非线性网络的输出不断地接近预设期望值，完成非线性网络的训练；所述的训练样本为实时差分定位模块测量的测量的位置变化量和速度变化量以及地理系加速度的三维加速度；

如图4所示，非线性网络由输入层、隐含层和输出层构成，其中输入层有4个神经元，隐含层有n个神经元,输出层有6个神经元，n为大于1的整数；输入层输入为地理系加速度测量值与采样时间，表示为：式中，为地理系下东向加速度，为地理系下北向加速度，为地理系下垂直加速度，T为采样周期；

隐含层第j个神经元的输入为：隐含层第j个神经元输出为：式中h_ij为隐含层第j个神经元的输入，h_oj为隐含层第j个神经元的输出，m_o为输入层的第m_o个神经元，为输入层神经元与隐含层第j个神经元的权值；b_h为隐含层第j个神经元阈值；

输出层第j个神经元的输入为：输出层第j个神经元输出：式中，为隐含层第n个神经元与输出层第j个神经元之间的连接权值；m₁为隐含层的第m₁个神经元，b_o为输出层第j个神经元阈值；

参考值为实时差分定位模块GNSS RTK测量的位置变化量和速度变化量：d_o＝(ΔL,Δλ,Δh,Δv_e,Δv_n,Δv_u)；ΔL，Δλ，Δh分别为纬度变化量、经度变化量和高度变化量，Δv_e，Δv_n,Δv_u分别为东向速度变化量、北向速度变化量和垂直速度变化量；样本数据个数为：k＝1,2,…m；误差函数：d_oj为d_o的第j个元素。

非线性网络训练的步骤如下：

(500)非线性网络初始化

给输入层各神经元到隐含层各神经元的连接权值隐含层各神经元到输出层各神经元的连接分别赋一个区间(-1，1)内的随机数，设定期望精度值ε和最大学习次数M，将初始学习次数设为零；

(501)选取第k组训练样本，将训练样本中地理坐标系加速度、采样周期及位置变化量和速度变化量，表示为：

d_o(k)＝(ΔL(k)，Δλ(k)，Δh(k)，v_e(k)，Δv_n(k)，Δv_u(k))

计算隐含层各神经元的输入和输出，计算输出层各神经元的输入和输出；

h_oj(k)＝f(h_ij(k))

y_oj(k)＝f(y_ij(k))

其中，m₀表示输入层的第m₀个神经元，b_h为隐含层神经元阈值，m₁表示隐含层的第m₁个神经元，b_o为输出层神经元阈值；

(502)根据误差函数、输出层各神经元的输出和选取训练样本的位置变化量和速度变化量计算误差值；学习次数增加一次；

d_oj(k)为d_o(k)的第j个元素。

(504)利用训练样本的位置变化量和速度变化量和输出层神经元的输出y_oj(k)分别计算误差函数对输出层的各神经元的偏导数δ_o(k)；

(505)利用隐含层各神经元到输出层各神经元的连接权值、输出层各神经元的偏导数δ_o(k)和隐含层各神经元的输出，分别计算误差函数对隐含层各神经元的偏导数δ_h(k)；

(506)利用误差函数对输出层各神经元的偏导数δ_o(k)和隐含层各神经元的输出，分别修正隐含层各神经元与输出层各神经元之间的连接权值；

(507)利用误差函数对隐含层各神经元的偏导数δ_h(k)和输入层各神经元的输入，分别修正输入层与隐含层各神经元之间的连接权值；

(508)重新选取一组训练样本，计算隐含层各神经元的输入和输出，计算输出层各神经元输入和输出；跳转到步骤(502)；

(509)保存训练完成的网络结构和各神经元之间的连接权值；

完成非线性网络建模。

二、认知惯性导航算法应用架构

如图3所示，不同于训练架构，认知惯性导航算法应用架构仅使用加速度与陀螺数据，不再应用实时差分定位模块GNSS RTK等外部数据。应用阶段，认知惯性导航算法包括惯导粗对准、精对准、姿态计算、基于神经网络的惯导计算四个步骤，其中前三个步骤与训练阶段相同，基于神经网络的惯导计算如下：

(1)初始化载体的位置p₀和速度v₀；

(2)使用训练完成的非线性神经网络，输入地理坐标系加速度与采样周期，输出位置变化量Δp(k)＝[ΔL Δλ Δh]和速度变化量Δv(k)＝[Δv_E Δv_N Δv_U]；

(3)当前时刻，惯性计算的位置p、速度v为：

p＝p₀+∑Δp(k)

v＝v₀+∑Δv(k)

完成惯性导航的求解。

具有非线性建模能力的人工智能算法均适用于本发明的算法架构。

Claims

1.一种基于非线性网络的惯性导航算法架构的确定方法，其特征在于，包括惯性导航算法训练阶段，所述的惯性导航算法训练阶段具体包括以下步骤：

(1)粗对准：在静态情况下，忽略载体晃动干扰，将陀螺和加速度计的输出近似看成地球自转角速度ω_ie和重力加速度g量测值，近似确定载体坐标系与地理坐标系间的角度关系；

(2)精对准：在静态情况下，根据粗对准姿态阵和陀螺实时输出解算出姿态阵，然后计算出速度，从中估计出失准角，提升载体坐标系与地理坐标系间的对准精度；

步骤(4)具体为：

输出层第j个神经元的输入为：输出层第j个神经元输出：式中，为隐含层第n个神经元与输出层第j个神经元之间的连接权值；m₁为隐含层的第m₁个神经元，b_o为输出层第j个神经元阈值,o＝1,2,3,...6；误差函数为：d_oj为d_o的第j个元素，d_o为参考值；

步骤(5)具体包括以下步骤：

(509)保存训练完成的非线性网络；

完成基于非线性网络的惯性导航算法架构的确定。

2.根据权利要求1所述的一种基于非线性网络的惯性导航算法架构的确定方法，其特征在于，步骤(5)之后还包括惯性导航算法应用阶段，具体包括以下步骤：

(6)粗对准：确定载体坐标系与地理坐标系间的角度关系；

(7)精对准：提升载体坐标系与地理坐标系间的对准精度；

3.根据权利要求2所述的一种基于非线性网络的惯性导航算法架构的确定方法，其特征在于，非线性网络的隐含层为多层。

4.根据权利要求1所述的一种基于非线性网络的惯性导航算法架构的确定方法，其特征在于，具有非线性建模能力的人工智能算法均适用于该算法架构。