CN109059911A - 一种gnss、ins和气压计的数据融合方法 - Google Patents

Abstract

本发明公开了一种GNSS、INS和气压计的数据融合方法，该方法分别用惯性导航系统和气压计、GPS进行初步融合，再将初步融合后的数据进行二次融合，使用径向基神经网络对二次融合的数据进行修正，修正后的结果一方面结合惯性导航作为本系统的输出，另一方面用来调节接收机跟踪环路复制信号的频率；基于径向基神经网络的分级滤波系统通过误差反馈机制进行信号对准，实现了系统的自我调节和反馈，加之气压计高度信息的加入使定位精度和高度精度有了极大的提高，为实际应用提供了更多的可能性。

Description

一种GNSS、INS和气压计的数据融合方法

技术领域

本发明一种GNSS、INS和气压计的数据融合方法，属于卫星导航定位技术领域。

背景技术

在日益多变和复杂的城市环境中，车载导航已经成为了GNSS的一种重要的应用领域，但是在如今多变的城市高架桥道路之中，由于GPS无法提供足够的精度的高度信息，车载导航系统无法准确的判断车辆处在高架桥的哪一层，目前对于信息的融合大多采用扩展卡尔曼滤波的方式，也无法满足如此高精度的定位要求。

发明内容

为解决现有技术存在的不足，本发明公开了一种基于径向基神经网络辅的 GNSS、MEMU和气压计信息融合方式进行定位和载体姿态测量，能够为车辆在城市道路和高架桥导航中提供更为精准的位置和高度信息。

本发明所采用的技术方案如下：

一种GNSS、INS和气压计的数据融合方法，包括如下步骤：

第一步，多源信息初步融合：

将气压计、GPS产生的同类数据分别输入到级联式子滤波器中，通过分级滤波分别与惯性导航系统产生的数据进行汇总融合，达到对该类数据的最优估计。

第二步，径向基神经网络RBFNN对自适应无迹卡尔曼滤波UKF多信息融合滤波进行校正：

将初步融合后的数据输入自适应无迹卡尔曼UKF主滤波器，进行二次融合，使用径向基神经网络RBFNN对二次融合的数据进行修正，修正后的结果一方面结合惯性导航作为本系统的输出，另一方面用来调节接收机跟踪环路复制信号的频率；

第三步，基于径向基神经网络RBFNN的分级滤波系统通过误差反馈机制进行信号对准：

使用系统滤波结果对GPS信号跟踪环路进行反馈控制，GPS接收机接收到卫星信号后经过下变频处理、A/D转换进入跟踪环路，在跟踪环路中进行载波剥离和伪码剥离得到基带信号，处理后基带信号输入到级联式子滤波器中与INS的数据融合，最后进入主滤波器，主滤波输出的信息结合星历数据对跟踪环路中复制的伪距和伪距率进行校正，通过主滤波器的反馈调节NCO使其输出的载波和伪码频率对准，实现系统的自我调节和反馈。

所述多源信息融合包括如下部分：

1)高度信息融合滤波，将惯性导航系统z轴信息z_h和气压计高度h信息相结合，通过卡尔曼滤波融合，得到高度及垂直新型，建立气压计和INS的融合模型：

上式中：X_k＝[h_k V_k]^T是状态向量，T为单位更新时间，U_k-1为垂直方向运动加速度，Z_k为测量值，H＝[1 0]，v_k为测量噪声； 2)GPS和INS输出速度和位置信息，通过卡尔曼滤波用GPS的定位信息来辅助 INS在各种情况下获得准确的位置和速度信息，建立GPS和INS融合模型：

其中：X_k＝[X_KY_KV_xKV_xK]^T为状态向量，

U_k-1为XY轴方向的运动加速度，Z_k为测量值，v_k为测量噪声。

所述径向基神经网络RBFNN对自适应无迹卡尔曼滤波UKF多信息融合滤波的校正，包括如下步骤：

步骤1，确定RBFNN的输入、输出和隐含层，RBFNN的输入设置为状态向量预测值与UKF滤波估计值之差、系统量测值与滤波估计值之差和卡尔曼滤波增益；RBFNN的输出为系统状态向量的UKF预测值与真实值之差；

步骤2，当GPS和气压计信号稳定可靠时，使用UKF的滤波结果作为参看样本对RBFNN进行训练，如果RBFNN的输出满足了所需精度要求，即完成训练；

步骤3，将车辆的动态测量数据经过上述一系列融合后输入UKF，再把第一步中UKF的参量输入到训练好的RBFNN，通过RBFNN的输出，在GPS和气压计精度不够时也能够逼近真实值，最后RBFNN的输出值结合UKF的输出形成最后定位结果。

所述无迹卡尔曼滤波UKF是在卡尔曼滤波的基础上引入无迹变换加以改进得到的，包括如下步骤：

选取东、北、天坐标系，以前一级子滤波器的输出速度信息v_E,v_N,v_U、位置信息L,λ,h、一级高度信息h_E,h_N,h_U作为状态变量： X＝[v_E,v_N,v_U,L,λ,h,φ_E,φ_N,φ_U,h_E,h_N,h_U]，选择INS的输出的载体姿态信息建立状态方程：

X(t)＝F(t)X(t)+W(t)＝f(x(t),w(t))

上式中W(t)为系统状态噪声；

选取BDS输出的姿态信息建立观测方程：

Z(t)＝H(t)X(t)+V(t)＝h(x(t),v(t))

上式中V(t)为观测噪声；

将状态方程和观测方程离散化：

x_k＝f(x_k-1,w_k-1)

z_k＝f(x_k,v_k)

对离散化后的状态方程和观测方程进行UT变换得到sigma采样点：

所述UKF时间更新过程如下：

Sigma点更新:

计算状态量的一步预测值：

计算一步预测值：

所述UKF观测量更新过程如下：

计算协方差：

计算卡尔曼增益系数：

计算估计值：

最后令k＝k+1递增，重复以上步骤获得系统的最优滤波估计值。

本发明与现有技术相比具有以下有益效果：

本发明提出一种新的数据融合方式，利用径向基神经网络辅助下的卡尔曼滤波将现有的GNSS、INS和气压计等系统进行信息融合，进行定位和载体姿态测量，充分发挥每一种系统的优点，以解决测量高度时存在数据不稳定以及精度不够等问题，以达到在水平、垂直方向上满足日常车载导航的需求，解决车道和层次判断错误的问题。本方法预计可以达到亚米级精度，能够为车辆在城市道路和高架桥导航中提供更为精准的位置和高度信息。

附图说明

图1为INS和气压计海拔信息融合方式示意图；

图2为GPS和INS融合方式示意图；

图3为径向基函数神经网络示意图；

图4为RBFNN辅助下的UKF主滤波器示意图；

图5为本发明流程图；

图6为实验例水平位置误差图；

图7为实验例高度信息误差图。

图中，z_k为系统测量值，x_k/k为滤波估计值，x_k/k-1为状态向量预测值，K_k为增益矩阵。

具体实施方式

下面结合具体实施例和附图对本发明做进一步的详细说明，但是本发明的保护范围并不限于这些实施例，凡是不背离本发明构思的改变或等同替代均包括在本发明的保护范围之内。

实施例

一种GNSS、INS和气压计的数据融合方法，包括如下步骤：

第一步，多源信息初步融合：

将气压计、GPS产生的同类数据分别输入到级联式子滤波器中，通过分级滤波分别与惯性导航系统产生的数据进行汇总融合，达到对该类数据的最优估计。

所述多源信息融合包括如下部分：

1)在高度测量方面最常用的是气压计，但是气压计的高度信息受环境的影响误差较大，在高精度车载定位需求中无法直接使用，结合惯性导航的特点，本模块设计了一种将惯性导航系统z轴信息z_h和气压计高度h信息相结合的方法。高度信息融合滤波，将惯性导航系统z轴信息z_h和气压计高度h信息相结合，通过卡尔曼滤波融合，得到高度及垂直新型，建立气压计和INS的融合模型：

上式中：X_k＝[h_k V_k]^T是状态向量，T为单位更新时间，U_k-1为垂直方向运动加速度，Z_k为测量值，H＝[1 0]，v_k为测量噪声； 2)GPS和INS输出速度和位置信息，通过卡尔曼滤波用GPS的定位信息来辅助INS在各种情况下获得准确的位置和速度信息，建立GPS和INS融合模型：

其中：X_k＝[X_KY_KV_xKV_xK]^T为状态向量，

U_k-1为XY轴方向的运动加速度，Z_k为测量值，v_k为测量噪声。

第二步，径向基神经网络RBFNN对自适应无迹卡尔曼滤波UKF多信息融合滤波进行校正：

将初步融合后的数据输入自适应无迹卡尔曼UKF主滤波器，进行二次融合，使用径向基神经网络RBFNN对二次融合的数据进行修正，修正后的结果一方面结合惯性导航作为本系统的输出，另一方面用来调节接收机跟踪环路复制信号的频率；

所述无迹卡尔曼滤波UKF是在卡尔曼滤波的基础上引入无迹变换加以改进得到的，包括如下步骤：

选取东、北、天坐标系，以前一级子滤波器的输出速度信息v_E,v_N,v_U、位置信息L,λ,h、一级高度信息h_E,h_N,h_U作为状态变量： X＝[v_E,v_N,v_U,L,λ,h,φ_E,φ_N,φ_U,h_E,h_N,h_U]，选择INS的输出的载体姿态信息建立状态方程：

X(t)＝F(t)X(t)+W(t)＝f(x(t),w(t))

上式中W(t)为系统状态噪声；

选取BDS输出的姿态信息建立观测方程：

Z(t)＝H(t)X(t)+V(t)＝h(x(t),v(t))

上式中V(t)为观测噪声；

将状态方程和观测方程离散化：

x_k＝f(x_k-1,w_k-1)

z_k＝f(x_k,v_k)

对离散化后的状态方程和观测方程进行UT变换得到sigma采样点：

所述UKF时间更新过程如下：

Sigma点更新:

计算状态量的一步预测值：

计算一步预测值：

所述UKF观测量更新过程如下：

计算协方差：

计算卡尔曼增益系数：

计算估计值：

最后令k＝k+1递增，重复以上步骤获得系统的最优滤波估计值。

所述径向基函数神经网络(Radical Basis Function Neural Network，RBFNN)是一种基于径向基函数提出的一种三层前馈神经网络，RNFNN的拓扑结构如图3 所示。

RBFNN的设计方法通常有两种：第一种是根据网络输入确定数据中心以，第二种是根据学习过程动态调节数据中心。第一种数据中心在开始设定后就不再改变；第二种数据中心位置是可以动态调节。本发明采用K-Mean聚类算法训练 RBFNN。

在无迹卡尔曼滤波的过程中会出现大量的野值，这些野值是导致滤波发散的重要原因，通过调节滤波增益矩阵系数可以抑制滤波发散。RBFNN具有良好的非线性逼近特性，这里将卡尔曼增益、状态预测值与最优估计值之差作为RBFNN 的输入，将滤波后的误差设置为RBFNN的输出，输出的误差对UKF主滤波器调节以输出最后的组合滤波结果。如图4所示，为RBFNN辅助下的UKF主滤波器，图中z_k为系统测量值，x_k/k为滤波估计值，x_k/k-1为状态向量预测值，K_k为增益矩阵。

所述径向基神经网络RBFNN对自适应无迹卡尔曼滤波UKF多信息融合滤波的校正，包括如下步骤：

步骤1，确定RBFNN的输入、输出和隐含层，RBFNN的输入设置为状态向量预测值与UKF滤波估计值之差x_k/k-1-x_k/k、系统量测值与滤波估计值之差z_k-x_k/k和卡尔曼滤波增益K_k；RBFNN的输出为系统状态向量的UKF预测值与真实值之差e＝z_k-x_k/k。

步骤2，当GPS和气压计信号稳定可靠时，使用UKF的滤波结果作为参看样本对RBFNN进行训练，如果RBFNN的输出满足了所需精度要求，即完成训练；

步骤3，将车辆的动态测量数据经过上述一系列融合后输入UKF，再把第一步中UKF的参量输入到训练好的RBFNN，通过RBFNN的输出，在GPS和气压计精度不够时也能够逼近真实值，最后RBFNN的输出值结合UKF的输出形成最后定位结果。

第三步，矢量跟踪环路反馈，基于径向基神经网络RBFNN的分级滤波系统通过误差反馈机制进行信号对准：

使用系统滤波结果对GPS信号跟踪环路进行反馈控制，GPS接收机接收到卫星信号后经过下变频处理、A/D转换进入跟踪环路，在跟踪环路中进行载波剥离和伪码剥离得到基带信号，处理后基带信号输入到级联式子滤波器中与INS的数据融合，最后进入主滤波器，主滤波输出的信息结合星历数据对跟踪环路中复制的伪距和伪距率进行校正，通过主滤波器的反馈调节载波和伪码NCO使其输出的载波和伪码频率对准，实现系统的自我调节和反馈。

图5为本发明的整体流程图，本文提出的数据融合方式，分别用惯性导航系统和气压计、GPS进行初步融合，再将初步融合后的数据进行二次融合，使用径向基神经网络对二次融合的数据进行修正，修正后的结果一方面结合惯性导航作为本系统的输出。另一方面用来调节接收机跟踪环路复制信号的频率。基于径向基神经网络的分级滤波系统通过误差反馈机制进行信号对准，实现了系统的自我调节和反馈，加之气压计高度信息的加入使定位精度和高度精度有了极大的提高，为实际应用提供了更多的可能性。

实验例

为了对本发明进行验证，设计了一种车载实验，采用两台GPS接收机和一台惯性测量仪器以及数字气压计，IMU的数据采样频率为50Hz。实验场地选择太原理工大学校园，校园内有各种建筑物,高度不一,有信号遮挡区域。

首先对气压计进行校准，选择开阔的地带采集GPS、INS和气压计系统模型训练。整理分析数据，分别绘制只有GPS工作和基于RBFNN的信息融合的位置和高度误差图，如图6、7所示。从数据分析图中可以看出，经本设计后得到的位置误差可以控制在1米以内，高度误差可以控制在2米以内，极大的提高了GPS独立工作时的精度。

本发明不会限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖性特点相一致的最宽范围。

Claims (3)

1.一种GNSS、INS和气压计的数据融合方法，其特征在于，包括如下步骤：

第一步，多源信息初步融合：

将气压计、GPS产生的同类数据分别输入到级联式子滤波器中，通过分级滤波分别与惯性导航系统产生的数据进行汇总融合，达到对该类数据的最优估计；

第二步，径向基神经网络RBFNN对自适应无迹卡尔曼滤波UKF多信息融合滤波进行校正：

将初步融合后的数据输入自适应无迹卡尔曼UKF主滤波器，进行二次融合，使用径向基神经网络RBFNN对二次融合的数据进行修正，修正后的结果一方面结合惯性导航作为本系统的输出，另一方面用来调节接收机跟踪环路复制信号的频率；

第三步，基于径向基神经网络RBFNN的分级滤波系统通过误差反馈机制进行信号对准：

使用系统滤波结果对GPS信号跟踪环路进行反馈控制，GPS接收机接收到卫星信号后经过下变频处理、A/D转换进入跟踪环路，在跟踪环路中进行载波剥离和伪码剥离得到基带信号，处理后基带信号输入到级联式子滤波器中与INS的数据融合，最后进入主滤波器，主滤波输出的信息结合星历数据对跟踪环路中复制的伪距和伪距率进行校正，通过主滤波器的反馈调节NCO使其输出的载波和伪码频率对准，实现系统的自我调节和反馈。

2.如权利要求1所述的一种GNSS、INS和气压计的数据融合方法，其特征在于，所述多源信息融合包括如下部分：

1)高度信息融合滤波，将惯性导航系统z轴信息z_h和气压计高度h信息相结合，通过卡尔曼滤波融合，得到高度及垂直新型，建立气压计和INS的融合模型：

上式中：X_k＝[h_k V_k]^T是状态向量，T为单位更新时间，U_k-1为垂直方向运动加速度，Z_k为测量值，H＝[1 0]，v_k为测量噪声；

2)GPS和INS输出速度和位置信息，通过卡尔曼滤波用GPS的定位信息来辅助INS在各种情况下获得准确的位置和速度信息，建立GPS和INS融合模型：

其中：X_k＝[X_KY_KV_xKV_xK]^T为状态向量，

U_k-1为XY轴方向的运动加速度，Z_k为测量值，v_k为测量噪声。

3.如权利要求1所述的一种GNSS、INS和气压计的数据融合方法，其特征在于，所述径向基神经网络RBFNN对自适应无迹卡尔曼滤波UKF多信息融合滤波的校正，包括如下步骤：

步骤1，确定RBFNN的输入、输出和隐含层，RBFNN的输入设置为状态向量预测值与UKF滤波估计值之差、系统量测值与滤波估计值之差和卡尔曼滤波增益；RBFNN的输出为系统状态向量的UKF预测值与真实值之差；

步骤2，当GPS和气压计信号稳定可靠时，使用UKF的滤波结果作为参看样本对RBFNN进行训练，如果RBFNN的输出满足了所需精度要求，即完成训练；

步骤3，将车辆的动态测量数据经过上述一系列融合后输入UKF，再把第一步中UKF的参量输入到训练好的RBFNN，通过RBFNN的输出，在GPS和气压计精度不够时也能够逼近真实值，最后RBFNN的输出值结合UKF的输出形成最后定位结果。