CN111337029A - 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 - Google Patents

Abstract

本发明公开了一种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，当偏振光系统正常工作时，将惯性导航系统输出的航向角转换为载体体轴相对于太阳子午线的方位角并作为状态量，以偏振光导航系统解算的载体体轴相对于太阳子午线方位角作为观测量，利用CKF‑ERC进行两数据的融合；将时间信息和z轴角速率作为长短时记忆神经网络的输入、以偏振光导航系统解算的数据作为网络输出，对其进行训练，实现自学习功能；当偏振光系统不可用，进入误差补偿阶段，通过LSTM预测偏振光的数据，并将预测值与惯性解算的方位角进行数据融合，提高复杂环境下载体长时间导航精度。本发明可有效提高导航定向的自主性，进而提高无人机的智能化程度。

Description

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

技术领域

本发明涉及深度学习与导航定位技术领域，具体涉及一种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。

背景技术

惯性导航系统(Inertial Navigation System,INS)以其抗干扰、高自主、输出效率高等优点已广泛应用于航空航天、智能汽车、无人机等军用民用行业，但其利用积分获得导航参数的同时也带来了累积误差的存在，从而使得长航时条件下精度发散严重，偏振光导航系统是利用稳定的大气偏振模式实现载体航向角获取，具有精度高、体积小、无累积误差等优点，是一种新兴的导航方式。但其受遮挡、阴雨天的影响较大，从而很难满足载体对航向角的获取精度要求。偏振光/惯性严密组合导航系统在充分发挥二者的优势的同时弥补各自的不足，即偏振光导航系统可校正惯性导航系统的累积误差，惯性导航系统可在阴雨天等不利条件下为载体提供导航信息，进而提高组合导航系统的可靠性与精度。但是在偏振光导航不可用时，组合导航系统的精度便难以保持。无人机在情报侦察、精确打击、遥感绘图、航拍建模等军用民用领域获得了广泛的应用。导航定位是无人机的关键技术之一，但在单一惯性导航模式下，很难满足无人机的导航需求。总而言之，目前长时工作条件下惯性导航技术还不够智能化，从而无法提供高精度导航信息。

发明内容

发明目的：为了解决现有技术中，偏正光导航系统不可用时，且在长航时工作条件下，组合导航系统的精度发散的问题，本发明提供一种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。

技术方案：一种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，包括以下步骤：

(1)利用偏振光导航系统解算出载体体轴相对于太阳子午线的方位角，作为观测量；同时利用惯性导航系统解算出载体体轴相对于太阳子午线的方位角，作为状态量；将观测量与状态量输入基于多速率残差校正的容积卡尔曼滤波器，进行数据的差速融合；

(2)当偏振光导航系统正常工作时，将计时器输出的时间信息、惯性导航系统输出的Z轴角速率与偏振光导航系统解算出的数据作为训练样本，对长短时记忆神经网络进行训练；

(3)当偏振光导航系统不可正常工作时，利用训练完成的长短时记忆神经网络根据计时器输出的时间信息与惯性导航系统输出的Z轴角速率预测得出偏振光导航系统的预测数据，将偏振光导航系统的预测数据与惯性导航系统解算出的数据进行融合；

(4)将融合后得到的载体体轴相对于太阳子午线的方位角，与天文公式进行结合，转化为绝对航向信息。

进一步地，步骤(1)中，基于多速率残差校正的容积卡尔曼滤波器的滤波过程为：当状态量与观测量同时输入时，进行完整的滤波操作，既进行时间更新也进行观测更新；当在高频惯性导航系统解算出的数据输出间隔时，只进行时间更新，并使用估计的残差对滤波状态量进行校正。

进一步地，步骤(2)训练的过程为：将计时器输出的时间信息、惯性导航系统输出的Z轴角速率以及偏振光导航系统解算出的数据作为训练样本，输入到长短时记忆神经网络中存储单元的输入门中进行训练，经过输出门和遗忘门的解算后，输出为偏振光导航系统的预测数据。

进一步地，步骤(3)的具体方法为：

当偏振光导航系统不可正常工作时，将计时器输出的时间信息与惯性导航系统输出的z轴角速率同时输入给训练好的长短时记忆神经网络，对偏振光导航系统的数据进行预测，并将得到的偏振光导航系统的预测数据与惯性导航系统解算出的数据进行同频率数据融合，得到融合后载体体轴相对于太阳子午线的方位角，实现载体的高精度导航信息获取。

进一步地，步骤(1)中，还包括计算状态估计误差和残差：

其中，x_t为惯性导航系统在t时刻解算出载体体轴相对于太阳子午线的方位角，

为t时刻惯性系统的最优估计，y_t为t时刻偏振光导航系统解算出载体体轴相对于太阳子午线的方位角，H_t为观测矩阵，

为t-1时刻对t时刻惯性系统状态的估计值；

将(2)式展开，并与(1)式结合：

其中，Φ_t-1为状态转移矩阵，式(3)可被记为σ_t＝f(e_t-1)，即残差可由状态误差表示，相反的，状态误差也可由残差表示：

其中：

考虑观测噪声的状态估计误差的自传播过程具有以下形式：

当惯性导航系统的数据与偏振光导航系统的数据同时存在时，利用公式(2)和公式(4)进行残差和状态估计误差的计算；当只存在惯性导航系统的数据时，由于观测量的缺失，导致无法直接进行残差的计算，由公式(5)得，状态估计误差可连续进行自更新，且R_t→∞，k_t→0，因此公式(5)可变为：

e_t≈Φ_t-1e_t-1. (6)

在一般的滤波算法中，状态最优估计可表示为：

但在偏振光输出数据的间隔，滤波增益由于非常小，将状态最优估计调整为：

其中，κ_t＝diag([κ_1,t,κ_2,t,···κ_n,t])，相当于一般滤波算法中的滤波增益，在此为很小的增益因子，而

为残差的估计值。

进一步地，步骤(4)绝对航向信息的转化方法为：

设融合后得到的载体体轴相对于太阳子午线的方位角为

利用天文公式求解太阳子午线相对于地理北的方位角

而后得到载体体轴相对于地理北的航向角

最后经过下式的值域变换即可得到绝对航向信息

有益效果：本发明提供一种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，可以在偏振光导航不可用时，解决导航系统的精度发散问题，且在长航时工作条件下，依然能够保持较高的航向精度，尤其满足无人机对航向高精度获取的需求，可用于城市、山地等易受遮挡或天气多变条件下的无人机长时高精度导航。

与现有的组合导航系统相比，本发明利用多速率残差校正容积卡尔曼滤波器实现了偏振光与惯性导航数据的差速融合，由于惯性数据的利用率的提高，提升了偏振光惯性导航信息融合精度；本发明对偏振光导航系统解算出的载体体轴相对于太阳子午线的方位角与惯性导航系统解算出的载体体轴相对于太阳子午线的方位角，进行了严密组合，进一步提高了导航系统的航向获取精度；本发明利用LSTM学习陀螺仪z轴角速率与偏振光解算的载体体轴相对于太阳子午线方位角之间的关系，完成了偏振光不可用时的数据预测，实现了偏振光导航系统在阴天、遮挡等拒止条件下，偏振光惯性严密组合导航系统仍能保持长时间的航向获取精度。

附图说明

图1是本发明训练阶段的流程图；

图2是本发明偏振光导航系统不可正常工作时的流程图；

图3是融合模型航向角误差示意图；

图4不同预测模型的预测效果示意图；

图5不同预测模型的航向预测误差示意图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步说明。

一种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，利用偏振光解算出的载体体轴相对于太阳子午线方位角作为观测量，惯性导航系统解算出的载体体轴相对于太阳子午线的方位角作为状态量，输入给基于多速率残差校正的容积卡尔曼滤波器(CKF-ERC)，进行二者数据的差速融合。

同时，利用LSTM(Long Short Term Memory，长短时记忆神经网络)学习陀螺仪z轴角速率与偏振光解算的载体体轴相对于太阳子午线方位角之间的关系，实现自学习功能。当偏振光由于遮挡、阴雨天导致不可用时，将计时器输出的时间信息t与陀螺仪z轴角速率同时输入给训练完成的LSTM，此时LSTM预测出可信任的基于偏振光的载体体轴相对于太阳子午线方位角数据，并与惯性导航系统数据进行融合，继续输出高精度方位角信息，而后经过天文公式的解算，即可转化为相对于地理正北的绝对航向角，完成最终的导航信息获取。

组合导航系统为偏振光、惯性严密组合方式，如图1所示，利用基于多速率残差校正的容积卡尔曼滤波器(CKF-ERC)，以偏振光导航系统输出的载体体轴相对于太阳子午线的方位角

作为观测量，惯性导航系统输出的载体体轴相对于太阳子午线的方位角

作为状态量，进行数据融合，输出精度较高的方位角

同时，利用LSTM学习时间t、陀螺仪z轴角速率(ω_z)与

的关系，完成自学习功能。

当偏振光不可用时，如图2所示，将当前时刻的t和ω_z输入给LSTM，LSTM网络会输出预测的偏振光载体体轴相对于太阳子午线方位角

而后与

进行组合，即可输出

最后利用天文公式求解太阳子午线相对于地理北的方位角

而后可以得到载体体轴相对于地理北的航向角。

在具体实施中，在CKF-ERC中：我们可计算状态估计误差和残差：

其中，x_t为惯性导航系统在t时刻解算出载体体轴相对于太阳子午线的方位角，

为t时刻惯性系统的最优估计，y_t为t时刻偏振光导航系统解算出载体体轴相对于太阳子午线的方位角，H_t为观测矩阵，

为t-1时刻对t时刻惯性系统状态的估计值。

将(2)式展开，并与(1)式结合：

其中，Φ_t-1为状态转移矩阵，式(3)可被记为σ_t＝f(e_t-1)，即残差可由状态误差表示，相反的，状态误差也可由残差表示：

其中：

考虑观测噪声的状态估计误差的自传播过程具有以下形式：

由于惯性导航系统输出速率远远大于偏振光导航系统输出速率，因此，可认为惯性与偏振光数据存在重叠和不重叠部分。当惯性数据与偏振光数据同时存在时，可利用公式(2)和公式(4)进行残差和状态估计误差的计算。当只存在惯性数据时，由于观测数据的缺失，导致无法直接进行残差的计算。由公式(5)可得，状态估计误差可连续进行自更新，且R_t→∞，k_t→0，因此公式(5)可变为：

e_t≈Φ_t-1e_t-1. (6)

在一般的滤波算法中，状态最优估计可表示为：

但在偏振光输出数据的间隔，滤波增益由于非常小，因此我们可将状态最最优估计调整为：

其中，κ_t＝diag([κ_1,t,κ_2,t,···κ_n,t])，相当于一般滤波算法中的滤波增益，在此为很小的增益因子，而

为残差的估计值。

当偏振光与惯性导航数据同时存在时，利用基于残差校正(公式(2)和公式(4))的完整CKF对偏振光和惯性数据进行滤波融合，并为下一时刻估计误差和残差的更新周期做好准备，在没有偏振光数据的情况下，可用公式(6)进行状态估计误差更新，而后用公式(3)计算残差，最后在增益因子和残差的共同作用下(公式(7))来计算状态量的估计。

在进行数据融合的同时，利用LSTM学习时间、陀螺仪z轴角速率(ω_z)与偏振光导航系统解算出的载体体轴相对于太阳子午线的方位角

之间的关系，将t、ω_z以及

作为训练样本，输入到LSTM中存储单元的输入门(i_g)中进行训练，经过输出门(o_g)和遗忘门(f_g)的解算后，即可得到最优的训练结果，输出为偏振光导航的预测数据

其中，LSTM单元的更新可分为以下步骤：

i_t＝sigmoid(W_xix_t+W_hih_t-1+W_cic_t-1+b_i) (9)

f_t＝sigmoid(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f) (10)

o_t＝sigmoid(W_xox_t+W_hoh_t-1+W_coc_t-1+b_o) (12)

为候选记忆单元值，x为输入数据集，h_t为输出门状态，i_t表示输入门的输出状态，f_t为遗忘门输出状态，b_c,b_i,b_f,b_o为偏差量，W_xc,W_hc,W_xi,W_hi,W_ci,W_xf,W_hf,W_cf,W_xo,W_ho,W_co为连接权重集。

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的优点在于：(1)通过

与

的严密组合，相对于传统的偏振光/惯性松组合导航系统，可进一步提高航向解算精度。(2)通过引入多速率残差校正的容积卡尔曼滤波器，实现偏振光与惯性导航数据的差速融合，在进一步提高高频惯性数据的利用率的同时，提高了融合精度。(3)利用LSTM的自学习功能，完成了偏振光导航系统在不可用时的数据预测，实现了严密组合导航系统的航向信息无缝融合。

在融合完成获得

之后，可利用天文公式求解太阳子午线相对于地理北的方位角

而后可以得到载体体轴相对于地理北的航向角

最后经过下式的值域变换即可得到载体航向

其中，求解

的过程如下：

sin(h_s)＝sin βsinλ+cos βcos λcosγ (14)

h_s为太阳高度角，β代表太阳赤纬角，λ为观测点处的纬度，γ为太阳时角。因此

可由当地经纬度、观测时刻推算得出。

以下通过对比实验验证本方法的效果。偏振光导航系统是基于索尼偏振芯片搭建而成，惯性导航系统由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。图1，图2分别为训练和误差补偿阶段算法流程图，为对比分析本发明提出的方法的有效性，给出了自学习多速率残差校正的偏振光惯性严密组合导航方法对比实验结果。对比实验中基于偏振光可用环境，采用不同融合算法对载体航向信息进行融合解算，可得图3中融合模型航向角误差。基于偏振光导航系统失锁环境，采用不同的神经网络误差补偿模型对载体航向做预测补偿，可得如图4中的各个模型预测效果和图5中的各个模型预测航向误差，对比采用的融合算法包括：经典扩展卡尔曼滤波算法(EKF)、经典容积卡尔曼滤波算法(CKF)、多速率融合扩展卡尔曼滤波算法(EKF-M)、多速率融合容积卡尔曼滤波算法(CKF-M)、多速率残差校正扩展卡尔曼滤波算法(EKF-ERC)、多速率残差校正容积卡尔曼滤波算法(CKF-ERC)。对比采用的误差补偿模型包括：纯惯性系统模型、基于BP神经网络的预测模型，基于Elman神经网络的预测模型和基于LSTM神经网络的预测模型。从图3中可以看出，由于载体航向角的非线性，导致EKF精度最低，采用多速率残差校正后的EKF虽融合精度有所提升，但由于CKF在非线性融合上的优越性，所提出的CKF-ERC算法精度较其他五种算法精度最高。由图4、图5中可以看出，由于惯性导航系统的累积误差的存在，导致其精度随时间发散，因此在无偏振光数据时，纯惯导精度最低，而LSTM由于可以充分利用时间数据，精度较其他两种预测模型最高，航向预测误差最低。

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)

1.一种基于自学习多速率残差校正的偏振光惯性严密组合导航方法，其特征在于，包括以下步骤：

(1)利用偏振光导航系统解算出载体体轴相对于太阳子午线的方位角，作为观测量；同时利用惯性导航系统解算出载体体轴相对于太阳子午线的方位角，作为状态量；将观测量与状态量输入基于多速率残差校正的容积卡尔曼滤波器，进行数据的差速融合；

(2)当偏振光导航系统正常工作时，将计时器输出的时间信息、惯性导航系统输出的Z轴角速率与偏振光导航系统解算出的数据作为训练样本，对长短时记忆神经网络进行训练；

(3)当偏振光导航系统不可正常工作时，利用训练完成的长短时记忆神经网络根据计时器输出的时间信息与惯性导航系统输出的Z轴角速率预测得出偏振光导航系统的预测数据，将偏振光导航系统的预测数据与惯性导航系统解算出的数据进行融合；

(4)将融合后得到的载体体轴相对于太阳子午线的方位角，与天文公式进行结合，转化为绝对航向信息。

2.根据权利要求1所述的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，其特征在于，步骤(1)中，基于多速率残差校正的容积卡尔曼滤波器的滤波过程为：当状态量与观测量同时输入时，进行完整的滤波操作，既进行时间更新也进行观测更新；当在高频惯性导航系统解算出的数据输出间隔时，只进行时间更新，并使用估计的残差对滤波状态量进行校正。

3.根据权利要求1或2所述的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，其特征在于，步骤(2)训练的过程为：将计时器输出的时间信息、惯性导航系统输出的Z轴角速率以及偏振光导航系统解算出的数据作为训练样本，输入到长短时记忆神经网络中存储单元的输入门中进行训练，经过输出门和遗忘门的解算后，输出为偏振光导航系统的预测数据。

4.根据权利要求1或2所述的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，其特征在于，步骤(3)的具体方法为：

当偏振光导航系统不可正常工作时，将计时器输出的时间信息与惯性导航系统输出的z轴角速率同时输入给训练好的长短时记忆神经网络，对偏振光导航系统的数据进行预测，并将得到的偏振光导航系统的预测数据与惯性导航系统解算出的数据进行同频率数据融合，得到融合后载体体轴相对于太阳子午线的方位角，实现载体的高精度导航信息获取。

5.根据权利要求1或2所述的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，其特征在于，步骤(1)中，还包括计算状态估计误差和残差：

其中，x_t为惯性导航系统在t时刻解算出载体体轴相对于太阳子午线的方位角，

为t时刻惯性系统的最优估计，y_t为t时刻偏振光导航系统解算出载体体轴相对于太阳子午线的方位角，H_t为观测矩阵，

为t-1时刻对t时刻惯性系统状态的估计值；

将(2)式展开，并与(1)式结合：

其中，Φ_t-1为状态转移矩阵，式(3)可被记为σ_t＝f(e_t-1)，即残差可由状态误差表示，相反的，状态误差也可由残差表示：

其中：

考虑观测噪声的状态估计误差的自传播过程具有以下形式：

当惯性导航系统的数据与偏振光导航系统的数据同时存在时，利用公式(2)和公式(4)进行残差和状态估计误差的计算；当只存在惯性导航系统的数据时，由于观测量的缺失，导致无法直接进行残差的计算，由公式(5)得，状态估计误差可连续进行自更新，且R_t→∞，k_t→0，因此公式(5)可变为：

e_t≈Φ_t-1e_t-1. (6)

在一般的滤波算法中，状态最优估计可表示为：

但在偏振光输出数据的间隔，滤波增益由于非常小，将状态最优估计调整为：

其中，κ_t＝diag([κ_1,t,κ_2,t,…κ_n,t])，相当于一般滤波算法中的滤波增益，在此为很小的增益因子，而

为残差的估计值。

6.根据权利要求1或2所述的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，其特征在于，步骤(4)绝对航向信息的转化方法为：

设融合后得到的载体体轴相对于太阳子午线的方位角为

利用天文公式求解太阳子午线相对于地理北的方位角

而后得到载体体轴相对于地理北的航向角

最后经过下式的值域变换即可得到绝对航向信息

Images