CN109521454A - 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 - Google Patents
一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 Download PDFInfo
- Publication number
- CN109521454A CN109521454A CN201811486041.0A CN201811486041A CN109521454A CN 109521454 A CN109521454 A CN 109521454A CN 201811486041 A CN201811486041 A CN 201811486041A CN 109521454 A CN109521454 A CN 109521454A
- Authority
- CN
- China
- Prior art keywords
- ins
- gps
- ckf2
- error
- optimal estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
- G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/52—Determining velocity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,将GPS/INS组合导航系统运行阶段分成训练阶段和误差补偿阶段,训练阶段为GPS信号有效阶段,利用由两个循环滤波子系统构成的自学习卡尔曼滤波器,以INS与GPS的速度之差、位置之差为观测量对INS的速度误差、位置误差进行最优估计,实现自学习功能;误差补偿阶段为GPS信号失锁阶段,此时卡尔曼滤波器已通过自学习具备了对观测量进行预测的功能,可充分信任LSTM网络的预测结果,实现GPS信号失锁情况下的无缝导航,并对卡尔曼滤波器最优估计误差值进行补偿,提高复杂环境下智能车辆导航定位精度。本发明可用于复杂城市环境下车辆导航定位等场合,可有效提高导航定位的自主性,进而提升车辆智能化程度。
Description
技术领域
本发明涉及导航定位与深度学习技术领域,具体涉及一种基于自学习容积卡尔曼滤波的GPS/INS组合方法。
背景技术
惯性导航系统(Inertial Navigation System,INS)具有全自主、导航参数完备、短时精度高的优点,但其误差会随时间积累,长航时情况下将导致精度严重下降。全球卫星定位系统(Global Positioning System,GPS)能够提供全时间、连续的实时信息,但GPS信号动态性能差、易受外部信息干扰,在无GPS信号地区,如室内、高层建筑密集的市区、地下隧道或建筑物内部等观测环境较差的地域,会导致导航定位精度大大下降,无法满足用户对系统定位精度的要求。GPS/INS组合导航系统能克服二者单独定位的缺点,提高导航系统的精度和可靠性。智能车辆是电子信息最新科技成果与现代汽车工业相结合的产物,通常具有自动驾驶、路径规划等功能。导航定位是智能车辆的关键核心技术之一,但面对依赖GPS导航的某些特殊环境,车载导航定位技术具有一定的局限性。总之,目前针对GPS信号失锁情况下的组合导航定位技术不够智能化,且无法提供实时高精度定位信息。
发明内容
发明目的:本发明提出一种基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,克服了GPS失锁环境下,组合导航精度下降的问题,且该方法在长航失锁环境下,能够提供持久的高精度导航。与常规基于神经网络的组合导航方法相比,本发明中提出的基于卡尔曼滤波的组合导航方法具有“自学习”的特性,在工作过程中,学习滤波器参数和滤波系统观测量之间的关系,以便在GPS拒止条件下提供预测的观测量信息,实现连续无缝导航。
技术方案:为了实现上述目标,本发明采用如下的技术方案:
一种基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,包括以下步骤:
(1)训练步骤:当GPS正常工作时,利用两个循环滤波网络,以INS与GPS的速度之差、位置之差为观测量对INS的速度误差、位置误差进行最优估计;所述两个循环滤波网络的每一个均包含一个LSTM神经网络和一个CKF滤波器,用于实现自学习功能;
(2)误差预测补偿步骤:当GPS信号失锁时,基于第一个循环滤波网络中的LSTM1对系统观测量进行预测,将预测的系统观测量提供给第二个循环滤波网络中的CKF2,实现GPS信号失锁时的无缝导航;同时基于第二个循环滤波网络中的LSTM2对CKF2的最优估计误差值进行预测并补偿;
(3)将步骤2中误差补偿之后的最优估计提供给INS,最终实现INS速度误差和位置误差的校正。
优选地,所述步骤1中循环滤波网络自学习的过程如下:
在GPS信号可用时,第一个循环滤波网络利用CKF1对INS误差进行最优估计,其系统状态量为INS输出的k时刻位置和速度(PINS(k),VINS(k)),系统观测量为INS和GPS的速度之差、位置之差(Dp,Dv),输出的最优估计为(δp1,δv1);并利用LSTM1学习过去时刻CKF1增益和当前时刻系统观测量之间的关系,从而对系统观测量进行预测,其输入为t-n,t-(n-1),...t-1时刻CKF1的增益(K′t-n(p,v),...K′t-1(p,v)),输出为t时刻的系统观测量(Dp′,Dv′);
LSTM1预测产生的(Dp′,Dv′)作为第二个循环滤波网络中CKF2的系统观测量,CKF2的系统状态量与CKF1相同,输出的最优估计为(δp′,δv′);并且第二循环滤波网络利用LSTM2学习当前时刻CKF2增益和当前时刻CKF2最优估计误差值之间的关系,并预测CKF2输出的最优估计的误差值(δp″,δv″):
优选地,所述LSTM1的训练过程为:将设定的前n个时刻的滤波器增益xt=[K′t-n(p,v),...K′t-1(p,v)]输入到LSTM1神经网络中存储单元的输入门(it)中训练,经过遗忘门(ft),输出门(ot)的解算后,得到最优训练结果,输出ot=[Dt-n(p,v),...Dvt-1(p,v)],其中,所述前n个时刻的滤波器增益通过将INS和GPS输出的位置之差、速度之差值作为观测信息经过容积卡尔曼滤波器处理后得到。
所述LSTM2的训练过程为:将CKF2的增益xt=[Kt(p)′,Kt(v)′]输入LSTM2的存储单元的输入门(it)中训练,经过遗忘门(ft),输出门(ot)的解算后,得到最优训练结果,输出ot=[δp″,δv″]。
优选地,所述步骤2的具体操作方法如下:
当GPS信号失锁时,CKF1停止工作,而CKF2、LSTM1和LSTM2正常工作,其中CKF2的状态量和预测量与步骤1中相同,得到最优估计δp′,δv′;LSTM1的输入变为t-n,t-(n-1),...t-1时刻CKF2的增益K″t-n(p,v),...K″t-1(p,v),输出为预测的t时刻的系统观测量Dp′,Dv′;LSTM2的输入和输出与步骤1相同,实现对CKF2最优估计误差值(δp″,δv″)的预测;
对CKF2的最优估计误差值进行预测并补偿,即:
优选地,所述步骤3的具体操作方法如下:
记惯性系统的位置和速度为PINS(k),VINS(k),经最优估计补偿之后的位置和速度记为P′INS(k),V′INS(k),对CKF2的最优估计误差值进行预测并补偿后,即可作为INS误差的最优估计并为INS进行误差补偿,最终得到补偿之后的位置和速度信息如下:
有益效果:
(1)本发明利用两个紧组合形式的循环滤波网络对INS误差进行最优估计,提高了无缝导航定位精度。
(2)本发明将容积卡尔曼滤波(CKF)与深度学习结合,建立两个CKF和LSTM组成的循环滤波网络,在GPS信号可用时分别对滤波器参数和观测量之间的关系,滤波器参数和滤波估计结果之间的关系进行学习,进而建立滤波器参数与观测量之间的模型,当GPS信号失锁时,即可以基于滤波器参数对观测量进行预测,实现容积卡尔曼滤波的自学习特性。在城市、室内等复杂密闭卫星信号拒止环境下,仍能保持长距离高精度导航定位效果。
附图说明
图1是本发明的工作示意图(a),此时组合系统处于训练阶段;
图2是本发明的工作示意图(b),此时组合系统处于GPS失锁阶段;
图3是基于不同误差补偿方法的导航系统轨迹图;
图4(a)和4(b)是不同的误差补偿模型对应的位置误差示意图;
图5(a)和5(b)是不同的误差补偿模型对应的速度误差示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明面向智能车辆对导航定位技术智能化的需求,为解决卫星信号失锁条件下GPS/INS无缝导航问题,提出了一种基于自学习容积卡尔曼滤波的GPS/INS组合导航方法。该方法将INS/GPS组合导航系统运行阶段分成训练阶段和误差补偿阶段,训练阶段为GPS信号有效的阶段,在GPS信号良好的情况下利用LSTM(Long Short Term Memory)网络分别建立导航系统观测量预测模型和最优估计误差模型,利用由两个循环滤波子系统构成的自学习卡尔曼滤波器,以INS与GPS的速度之差、位置之差为观测量对INS的速度误差、位置误差进行最优估计,实现自学习功能;误差补偿阶段为面对复杂环境GPS信号失锁阶段,此时卡尔曼滤波器已具有自学习的功能,可充分信任长短时记忆神经网络的预测结果,并对导航系统进行补偿,提高GPS失锁环境下传统智能车辆导航定位方法的精度。可用于城市、室内、地下矿井等复杂密闭卫星信号拒止环境下的长距离高精度导航定位。
车载导航系统组合方式为位置、速度误差的松组合方式。如图1所示,在训练阶段,第一个循环滤波网络中,CKF1用于GPS信号可用时的INS误差最优估计,其系统状态量为(PINS(k),VINS(k)),系统观测量为INS和GPS的速度之差、位置之差(Dp,Dv),输出的最优估计为(δp1,δv1);LSTM1用于学习过去时刻CKF1增益和当前时刻系统观测量之间的关系,从而实现对系统观测量的预测,其输入为t-n,t-(n-1),...t-1时刻CKF1的增益(K′t-n(p,v),...K′t-1(p,v)),输出为t时刻的系统观测量(Dp′,Dv′);
第二个循环滤波网络中,CKF2的系统状态量与CKF1相同,系统观测量为LSTM1预测产生的(Dp′,Dv′),输出的最优估计为(δp′,δv′);LSTM2用于学习当前时刻CKF2增益和当前时刻CKF2最优估计误差值之间的关系,并预测CKF2输出的最优估计的误差值(δp″,δv″),其中
在具体实施中,在第一个和第二个循环滤波网络中,使用惯性导航系统读取导航模块采集的载体数据,包括角速度、加速度,定义状态空间方程:
其中,X(k)表示状态空间的状态向量,F(k)为状态矩阵,在非线性滤波系统中该状态矩阵为误差模型的非线性转移矩阵,G(k)为噪声驱动矩阵,W(k)为状态噪声矩阵;H(k)为融合位置和速度的测量矩阵,V(k)为测量噪声矩阵。
在第一个循环滤波网络中,组合系统中X(k)表示系统的位置和速度状态,即X(k)=[PINS(k),VINS(k)],Z(k)为惯性导航系统输出的位置速度与GPS输出的位置速度信息的差值,即Z(k)=[Dp,Dv]。根据之前所述,CKF2与CKF1具有相同的系统参数,但观测量不同,所以在CKF2滤波器中观测量可表示为:Z(k)=[Dp′,Dv′]。再将以上连续系统的状态方程和观测方程离散化得到:
其中,φk,k-1为系统离散化后的系统状态转移矩阵,I为单位矩阵,Δk为时间间隔。
分别获取惯性导航系统和GPS输出的位置速度差值作为观测信息,通过容积卡尔曼滤波器获得优化的导航信息:
(1)预测阶段:已知初始状态设定容积点(i=1,2,...2n),再通过状态转移模型得到传播容积点:
(2)计算k时刻的状态预测和协方差:
是在k-1时刻对k时刻系统状态的估计值;Pk|k-1是系统在k-1时刻对下一时刻k的一步预测均方误差;Qk-1是系统的噪声矩阵。
(3)更新阶段:求解容积点并分解协方差矩阵(i=1,2,...2n):
(4)更新k时刻状态方程,状态协方差和预测互相关协方差:
zi,k|k-1=h(xi,k|k-1) (10)
是在k-1时刻对k时刻的观测预测值;Pzz,k|k-1,Pxz,k|k-1表示自相关和互相关协方差阵。
(5)更新系统的滤波增益,状态方程和对应的状态协方差:
Kk=Pxz,k|k-1/Pzz,k|k-1 (13)
Kk是k时刻系统的增益矩阵,是在k时刻系统状态的最优估计值,Pk|k是均方误差方程。
在CKF1中,状态量的最优估计值为同理,因为CKF1和CKF2的结构一致,所以在CKF2中,
得到对应时刻的滤波增益之后,设定LSTM网络的初始权值向量(Wf)和偏置向量(bf)。设定在两个循环滤波系统中,LSTM1与LSTM2的初始化和信号传递的工作过程保持一致。所以,在LSTM1中,给定输入xt=[K′t-n(p,v),...K′t-1(p,v)],输出ot=[Dt-n(p,v),...Dvt-1(p,v)]。将设定的前n个时刻的CKF1增益输入到LSTM1神经网络中存储单元(Memorycell)的输入门(it)中训练,经过遗忘门(ft),输出门(ot)的解算后,得到最优训练结果,其中St表示输入门的输出状态,ht表示输出门的输出状态,即LSTM存储核心单元的输出。同理,在第二个循环滤波网络中,当前CKF2最优估计误差值作为LSTM2的训练目标,即xt=[Kt(p)′,Kt(v)′],ot=[δp″,δv″]。其实际计算处理过程如下:
ft=sigmoid(Wf,xxt+Wf,hht-1+bf) (16)
it=sigmoid(Wi,xxt+Wi,hht-1+bi) (18)
ot=sigmoid(Wo,xxt+Wo,hht-1+bo) (20)
ht=otοtanh(St) (21)
ft是遗忘门的输入状态;St表示输入门的输出状态,是存储单元中输出门的候选值;ht表示输出门的输出状态,即LSTM存储核心单元的输出;是权值矩阵;是偏差向量。
传统卡尔曼滤波解决非线性系统精度受到很大限制,且基于传统卡尔曼滤波方法改进的扩展卡尔曼滤波器对于非线性误差很敏感,需要雅可比矩阵约束,增加了计算量。为了解决这一系列滤波问题,本发明提出的容积卡尔曼滤波算法有效提高了导航精度,且具有很好的滤波效果。
自学习卡尔曼滤波优点在于:(1)自学习卡尔曼滤波可以学习滤波器增益与当前观测量之间的关系,在卫星信号拒止的条件下,实现连续无缝导航定位;(2)与一般卡尔曼滤波与神经网络结合的单一预测模型相比,自学习卡尔曼滤波方法结合了深度学习的算法,增加了一个循环滤波网络用于对最优估计误差差值的预测和补偿,从而提高导航精度。
在误差预测补偿过程中,CKF1停止工作,而CKF2、LSTM1和LSTM2正常工作,其中CKF2的状态量和预测量与训练阶段中相同,得到最优估计δp′,δv′;LSTM1的输入变为t-n,t-(n-1),...t-1时刻CKF2的增益K″t-n(p,v),...K″t-1(p,v),输出为预测的t时刻的系统观测量Dp′,Dv′;LSTM2的输入和输出与训练阶段中相同,实现对CKF2最优估计误差值(δp″,δv″)的预测;
对CKF2的最优估计误差值进行预测并补偿,即:
记惯性系统的位置和速度为PINS(k),VINS(k),经惯性补偿之后的位置和速度记为P′INS(k),V′INS(k),将CKF2的最优估计误差值作为INS的误差补偿,即可得到补偿之后的位置和速度信息:
在本预测误差补偿过程中,LSTM1可产生预测的观测量,作为CKF2的系统参数,同时,LSTM2可产生预测的最优估计误差值,作为CKF2输出的最优估计的误差补偿。传统卡尔曼滤波和神经网络组合的模型中,一般是将卡尔曼滤波器输出的最优估计直接补偿给惯性系统。与传统方法相比,在本发明提出的方法中,增加了对最优估计误差值的训练和预测,相当于进一步提高了补偿项的精度,从而提到导航定位精度。
根据本发明的一个实施例,车载组合导航系统工作在松组合模式,惯性系统由STIM202陀螺仪、Model1521L加速度计组成。基准GPS选用高精度NovAtel ProPak6,定位精度为1cm(RTK),工作频率设置为100HZ。系统共运行5000秒,其中有100秒时间处于失锁状态。为对比分析本发明提出的方法的有效性,给出了基于组合补偿机理的自学习容积卡尔曼滤波方法对比实验结果。对比实验中基于GPS失锁环境,采用不同的误差补偿模型对轨迹做预测补偿,可得如图3、4、5中的位置轨迹和位置、速度误差,对比采用的误差补偿模型包括:纯惯性系统模型、只有第一个循环滤波系统工作时的模型和传统的优化模型,传统优化模型指的是利用智能算法预测导航系统状态量与观测量之间差值的方法。从图4、5中可以看出,纯惯性系统模型结果为误差纯发散状态,传统优化模型鲁棒性较差,对于卫星短时间失锁条件下,位置和速度误差较大。只有第一个循环滤波系统工作时的模型计算出的位置和速度误差较小。与只有一个循环滤波系统工作时的模型比较,自学习容积卡尔曼滤波方法通过附加的第二个循环滤波系统提供更精确的滤波器估计结果,补偿给INS,提高组合导航精度。
图3为位置轨迹的比较图,其中给出了基准的轨迹,从图3中可看出,基于自学习卡尔曼滤波方法的轨迹与基准轨迹最为接近,即导航定位误差最小,可得到高精度的导航信息。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明精神和原则之内所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,其特征在于,包括以下步骤:
(1)训练步骤:当GPS正常工作时,利用两个循环滤波网络,以INS与GPS的速度之差、位置之差为观测量对INS的速度误差、位置误差进行最优估计;所述两个循环滤波网络的每一个均包含一个LSTM神经网络和一个CKF滤波器,用于实现自学习功能;
(2)误差预测补偿步骤:当GPS信号失锁时,基于第一个循环滤波网络中的LSTM1对系统观测量进行预测,将预测的系统观测量提供给第二个循环滤波网络中的CKF2,实现GPS信号失锁时的无缝导航;同时基于第二个循环滤波网络中的LSTM2对CKF2的最优估计误差值进行预测并补偿;
(3)将步骤2中误差补偿之后的最优估计提供给INS,最终实现INS速度误差和位置误差的校正。
2.根据权利要求1所述的基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,其特征在于,所述步骤1中循环滤波网络自学习的过程如下:
在GPS信号可用时,第一个循环滤波网络利用CKF1对INS误差进行最优估计,其系统状态量为INS输出的k时刻位置和速度(PINS(k),VINS(k)),系统观测量为INS和GPS的速度之差、位置之差(Dp,Dv),输出的最优估计为(δp1,δv1);并利用LSTM1学习过去时刻CKF1增益和当前时刻系统观测量之间的关系,从而对系统观测量进行预测,其输入为t-n,t-(n-1),...t-1时刻CKF1的增益(K′t-n(p,v),...K′t-1(p,v)),输出为t时刻的系统观测量(Dp′,Dv′);
LSTM1预测产生的(Dp′,Dv′)作为第二个循环滤波网络中CKF2的系统观测量,CKF2的系统状态量与CKF1相同,输出的最优估计为(δp′,δv′);并且第二循环滤波网络利用LSTM2学习当前时刻CKF2增益和当前时刻CKF2最优估计误差值之间的关系,并预测CKF2输出的最优估计的误差值(δp″,δv″):
3.根据权利要求2所述的基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,其特征在于,所述LSTM1的训练过程为:将设定的前n个时刻的滤波器增益xt=[K′t-n(p,v),...K′t-1(p,v)]输入到LSTM1神经网络中存储单元的输入门(it)中训练,经过遗忘门(ft),输出门(ot)的解算后,得到最优训练结果,输出ot=[Dt-n(p,v),...Dvt-1(p,v)],其中,所述前n个时刻的滤波器增益通过将INS和GPS输出的位置之差、速度之差值作为观测信息经过容积卡尔曼滤波器处理后得到。
4.根据权利要求2所述的基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,其特征在于,所述LSTM2的训练过程为:将CKF2的增益xt=[Kt(p)′,Kt(v)′]输入LSTM2的存储单元的输入门(it)中训练,经过遗忘门(ft),输出门(ot)的解算后,得到最优训练结果,输出ot=[δp″,δv″]。
5.根据权利要求2所述的基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,其特征在于,所述步骤2的具体操作方法如下:
当GPS信号失锁时,CKF1停止工作,而CKF2、LSTM1和LSTM2正常工作,其中CKF2的状态量和预测量与步骤1中相同,得到最优估计δp′,δv′;LSTM1的输入变为t-n,t-(n-1),...t-1时刻CKF2的增益K″t-n(p,v),...K″t-1(p,v),输出为预测的t时刻的系统观测量Dp′,Dv′;LSTM2的输入和输出与步骤1相同,实现对CKF2最优估计误差值(δp″,δv″)的预测;
对CKF2的最优估计误差值进行预测并补偿,即:
6.根据权利要求5所述的基于自学习容积卡尔曼滤波的GPS/INS组合导航方法,其特征在于,所述步骤3的具体操作方法如下:
记惯性系统的位置和速度为PINS(k),VINS(k),经最优估计补偿之后的位置和速度记为P′INS(k),V′INS(k),对CKF2的最优估计误差值进行预测并补偿后,作为INS误差的最优估计并为INS进行误差补偿,补偿后的位置和速度信息为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811486041.0A CN109521454B (zh) | 2018-12-06 | 2018-12-06 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811486041.0A CN109521454B (zh) | 2018-12-06 | 2018-12-06 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521454A true CN109521454A (zh) | 2019-03-26 |
CN109521454B CN109521454B (zh) | 2020-06-09 |
Family
ID=65794819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811486041.0A Active CN109521454B (zh) | 2018-12-06 | 2018-12-06 | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521454B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110208740A (zh) * | 2019-07-09 | 2019-09-06 | 北京智芯微电子科技有限公司 | Tdoa-imu数据自适应融合定位装置及方法 |
CN110232169A (zh) * | 2019-05-09 | 2019-09-13 | 北京航空航天大学 | 基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法 |
CN110346821A (zh) * | 2019-07-17 | 2019-10-18 | 贵州理工学院 | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 |
CN110631592A (zh) * | 2019-10-28 | 2019-12-31 | 华南理工大学 | 基于lstm模型的室内自主导航agv运动轨迹融合方法 |
CN110688729A (zh) * | 2019-08-26 | 2020-01-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN110865403A (zh) * | 2019-10-18 | 2020-03-06 | 浙江天尚元科技有限公司 | 一种基于神经网络预学习和轮式里程计融合的定位方法 |
CN111103325A (zh) * | 2019-12-19 | 2020-05-05 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN111288988A (zh) * | 2020-02-20 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种架空机器人组合定位方法 |
CN111337029A (zh) * | 2020-01-10 | 2020-06-26 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN111366156A (zh) * | 2020-04-17 | 2020-07-03 | 云南电网有限责任公司电力科学研究院 | 基于神经网络辅助的变电站巡检机器人导航方法及系统 |
CN111709517A (zh) * | 2020-06-12 | 2020-09-25 | 武汉中海庭数据技术有限公司 | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 |
CN111854741A (zh) * | 2020-06-16 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种gnss/ins紧组合滤波器及导航方法 |
CN111913175A (zh) * | 2020-07-02 | 2020-11-10 | 哈尔滨工程大学 | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 |
CN113252031A (zh) * | 2021-04-28 | 2021-08-13 | 燕山大学 | 一种narx神经网络辅助组合导航的方法 |
CN113703025A (zh) * | 2021-08-23 | 2021-11-26 | 东南大学 | 一种面向gnss多种失效状态的车辆定位误差智能预测方法 |
CN114415224A (zh) * | 2022-01-25 | 2022-04-29 | 东北大学 | 一种复杂受限环境中车辆融合定位系统及方法 |
CN114689047A (zh) * | 2022-06-01 | 2022-07-01 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、系统及存储介质 |
CN116149338A (zh) * | 2023-04-14 | 2023-05-23 | 哈尔滨工业大学人工智能研究院有限公司 | 一种自动驾驶控制方法、系统及喷雾机 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149580A (zh) * | 2013-02-04 | 2013-06-12 | 东南大学 | 一种基于stkf和wnn的gps/ins组合导航方法 |
CN105204050A (zh) * | 2015-10-20 | 2015-12-30 | 东南大学 | 一种惯性辅助的多通道混合型矢量跟踪方法 |
US20160146616A1 (en) * | 2014-11-21 | 2016-05-26 | Alpine Electronics, Inc. | Vehicle positioning by map matching as feedback for ins/gps navigation system during gps signal loss |
CN106871905A (zh) * | 2017-03-02 | 2017-06-20 | 哈尔滨工业大学 | 一种非理想条件下高斯滤波替代框架组合导航方法 |
-
2018
- 2018-12-06 CN CN201811486041.0A patent/CN109521454B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149580A (zh) * | 2013-02-04 | 2013-06-12 | 东南大学 | 一种基于stkf和wnn的gps/ins组合导航方法 |
US20160146616A1 (en) * | 2014-11-21 | 2016-05-26 | Alpine Electronics, Inc. | Vehicle positioning by map matching as feedback for ins/gps navigation system during gps signal loss |
CN105204050A (zh) * | 2015-10-20 | 2015-12-30 | 东南大学 | 一种惯性辅助的多通道混合型矢量跟踪方法 |
CN106871905A (zh) * | 2017-03-02 | 2017-06-20 | 哈尔滨工业大学 | 一种非理想条件下高斯滤波替代框架组合导航方法 |
Non-Patent Citations (2)
Title |
---|
YU ZHANG, CHONG SHEN , JUN TANG, AND JUN LIU: ""Hybrid Algorithm Based on MDF-CKF and RF forGPS/INS System During GPS Outages "", 《IEEE ACCESS》 * |
岳哲,廉保旺,唐成凯: ""基于加权自适应平方根容积卡尔曼滤波的GPS/INS 组合导航方法"", 《电子与信息学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232169A (zh) * | 2019-05-09 | 2019-09-13 | 北京航空航天大学 | 基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法 |
CN110208740A (zh) * | 2019-07-09 | 2019-09-06 | 北京智芯微电子科技有限公司 | Tdoa-imu数据自适应融合定位装置及方法 |
CN110346821A (zh) * | 2019-07-17 | 2019-10-18 | 贵州理工学院 | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 |
CN110688729A (zh) * | 2019-08-26 | 2020-01-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN110688729B (zh) * | 2019-08-26 | 2023-07-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN110865403B (zh) * | 2019-10-18 | 2024-03-05 | 尚元智行(宁波)科技有限公司 | 一种基于神经网络预学习和轮式里程计融合的定位方法 |
CN110865403A (zh) * | 2019-10-18 | 2020-03-06 | 浙江天尚元科技有限公司 | 一种基于神经网络预学习和轮式里程计融合的定位方法 |
CN110631592B (zh) * | 2019-10-28 | 2022-03-29 | 华南理工大学 | 基于lstm模型的室内自主导航agv运动轨迹融合方法 |
CN110631592A (zh) * | 2019-10-28 | 2019-12-31 | 华南理工大学 | 基于lstm模型的室内自主导航agv运动轨迹融合方法 |
CN111103325A (zh) * | 2019-12-19 | 2020-05-05 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN111103325B (zh) * | 2019-12-19 | 2022-03-29 | 南京益得冠电子科技有限公司 | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 |
CN111337029A (zh) * | 2020-01-10 | 2020-06-26 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN111337029B (zh) * | 2020-01-10 | 2021-08-31 | 中北大学 | 基于自学习多速率残差校正的偏振光惯性严密组合导航方法 |
CN111288988A (zh) * | 2020-02-20 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种架空机器人组合定位方法 |
CN111366156A (zh) * | 2020-04-17 | 2020-07-03 | 云南电网有限责任公司电力科学研究院 | 基于神经网络辅助的变电站巡检机器人导航方法及系统 |
CN111709517A (zh) * | 2020-06-12 | 2020-09-25 | 武汉中海庭数据技术有限公司 | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 |
CN111854741A (zh) * | 2020-06-16 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种gnss/ins紧组合滤波器及导航方法 |
CN111854741B (zh) * | 2020-06-16 | 2022-08-09 | 中国人民解放军战略支援部队信息工程大学 | 一种gnss/ins紧组合滤波器及导航方法 |
CN111913175A (zh) * | 2020-07-02 | 2020-11-10 | 哈尔滨工程大学 | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 |
CN113252031A (zh) * | 2021-04-28 | 2021-08-13 | 燕山大学 | 一种narx神经网络辅助组合导航的方法 |
CN113703025A (zh) * | 2021-08-23 | 2021-11-26 | 东南大学 | 一种面向gnss多种失效状态的车辆定位误差智能预测方法 |
CN113703025B (zh) * | 2021-08-23 | 2023-11-07 | 东南大学 | 一种面向gnss多种失效状态的车辆定位误差智能预测方法 |
CN114415224A (zh) * | 2022-01-25 | 2022-04-29 | 东北大学 | 一种复杂受限环境中车辆融合定位系统及方法 |
CN114415224B (zh) * | 2022-01-25 | 2023-11-24 | 东北大学 | 一种复杂受限环境中车辆融合定位系统及方法 |
CN114689047A (zh) * | 2022-06-01 | 2022-07-01 | 鹏城实验室 | 基于深度学习的组合导航方法、装置、系统及存储介质 |
CN116149338A (zh) * | 2023-04-14 | 2023-05-23 | 哈尔滨工业大学人工智能研究院有限公司 | 一种自动驾驶控制方法、系统及喷雾机 |
Also Published As
Publication number | Publication date |
---|---|
CN109521454B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521454A (zh) | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 | |
Shen et al. | Dual-optimization for a MEMS-INS/GPS system during GPS outages based on the cubature Kalman filter and neural networks | |
Dai et al. | An INS/GNSS integrated navigation in GNSS denied environment using recurrent neural network | |
Heo et al. | EKF-based visual inertial navigation using sliding window nonlinear optimization | |
CN109459040B (zh) | 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法 | |
Georgy et al. | Modeling the stochastic drift of a MEMS-based gyroscope in gyro/odometer/GPS integrated navigation | |
Noureldin et al. | Optimizing neuro-fuzzy modules for data fusion of vehicular navigation systems using temporal cross-validation | |
CN107015238A (zh) | 基于三维激光雷达的无人车自主定位方法 | |
CN108362288B (zh) | 一种基于无迹卡尔曼滤波的偏振光slam方法 | |
CN108387236B (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
Nourmohammadi et al. | Design and experimental evaluation of indirect centralized and direct decentralized integration scheme for low-cost INS/GNSS system | |
Lee et al. | Fuzzy-logic-assisted interacting multiple model (FLAIMM) for mobile robot localization | |
CN112254728A (zh) | 基于关键路标增强ekf-slam全局优化的方法 | |
Jingsen et al. | Integrating extreme learning machine with Kalman filter to bridge GPS outages | |
Du et al. | A hybrid fusion strategy for the land vehicle navigation using MEMS INS, odometer and GNSS | |
CN109387198A (zh) | 一种基于序贯检测的惯性/视觉里程计组合导航方法 | |
Saadeddin et al. | Optimization of intelligent-based approach for low-cost INS/GPS navigation system | |
Glavine et al. | Gps integrated inertial navigation system using interactive multiple model extended kalman filtering | |
Mahdi et al. | IMU-Error Estimation and Cancellation Using ANFIS for Improved UAV Navigation | |
CN113029123A (zh) | 一种基于强化学习的多auv协同导航方法 | |
Paul et al. | Dual Kalman filters for autonomous terrain aided navigation in unknown environments | |
Gao et al. | A hybrid RISS/GNSS method during GNSS outage in the land vehicle navigation system | |
Wang et al. | Online-SVR for vehicular position prediction during GPS outages using low-cost INS | |
Zhou et al. | IMU dead-reckoning localization with RNN-IEKF algorithm | |
Wang et al. | The aiding of MEMS INS/GPS integration using artificial intelligence for land vehicle navigation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |