CN111366156A - 基于神经网络辅助的变电站巡检机器人导航方法及系统 - Google Patents

基于神经网络辅助的变电站巡检机器人导航方法及系统 Download PDF

Info

Publication number
CN111366156A
CN111366156A CN202010304987.1A CN202010304987A CN111366156A CN 111366156 A CN111366156 A CN 111366156A CN 202010304987 A CN202010304987 A CN 202010304987A CN 111366156 A CN111366156 A CN 111366156A
Authority
CN
China
Prior art keywords
navigation system
gps
neural network
inertial
navigation
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.)
Pending
Application number
CN202010304987.1A
Other languages
English (en)
Inventor
于虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202010304987.1A priority Critical patent/CN111366156A/zh
Publication of CN111366156A publication Critical patent/CN111366156A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开一种基于神经网络辅助的变电站巡检机器人导航方法及系统，该方法利用GPS/INS组合导航系统为巡检机器人提供导航定位服务，定位精度高于单纯一种导航设备，利用无迹卡尔曼滤波，对巡检机器人的导航定位系统进行误差估计和校正，相比传统的线性卡尔曼滤波的定位精度有所提高。引入径向基神经网络，用于改善GPS/INS组合导航系统，在GPS信号丢失情况下定位精度变差的问题。在GPS不可用时，系统通过神经网络对导航误差进行预测，并将预测结果用于系统的误差校正，从而提高系统的定位精度和可靠性。对硬件要求低，通过软件编程可以对一系列的算法加以实现，成本较低。

Description

基于神经网络辅助的变电站巡检机器人导航方法及系统
技术领域
本发明涉及导航技术领域，尤其涉及一种基于神经网络辅助的变电站巡检机器人导航方法及系统。
背景技术
高压变电站是否运行良好是关乎经济发展、社会稳定的大事，一旦设备出现运行异常，并且未及时对其进行故障处理，会出现设备损失及人员伤害事故，所以对变电站进行设备巡检是十分重要的。目前我国变电站设备巡检作业还是主要以人工巡检为主，但人工作业对时间、环境等都有一定的要求，且巡检结果会带有一定的人工误差，导致巡检结果不可靠，为了克服上述这些困难以及满足变电站运营维护管理的需要，拥有智能化巡检手段的变电站巡检机器人应运而生。而导航定位是变电站巡检机器人进行巡检作业的基本保障，是巡检机器人在变电站中安全行进的必要条件，只有有了可靠的导航定位保障，机器人才能出色的完成巡检作业任务，因此导航定位对巡检机器人来说是及其重要的。
惯性导航系统(INS)和GPS导航系统是常见的两种导航方式。惯性导航系统是一种自主导航系统，它利用三个正交陀螺仪和三个正交加速度计来测量载体的角速度和加速度，从而提供巡检机器人运行的位置、速度和姿态信息。但是，在运行过程中，随着时间的积累导航系统的误差会越来越大。GPS是一种基于卫星的无线电导航系统，它可以为巡检机器人提供长时间准确的导航定位信息，且定位误差不会随着时间积累。然而，GPS定位解算需要可见星在4颗以上，当巡检机器人行驶在信号容易被遮挡的环境时，会出现GPS信号丢失的情况。为了充分发挥INS和GPS两种导航系统的优势，取长补短，将两种导航系统以适当的方式组合，达到提高系统定位精度以及和改善系统可靠性等目的。
当GPS信号丢失时，巡检机器人的导航定位系统工作在纯惯性导航的状态下，随着时间的推移，导航的误差会越来越大，导致定位结果不可靠。所以研究如何在GPS信号出现中断的期间，保持巡检机器人的定位精度，变得尤为重要。
发明内容
本发明提供一种基于神经网络辅助的变电站巡检机器人导航方法及系统，以解决现有技术在GPS信号出现中断的期间，难以保持巡检机器人的定位精度的问题。
第一方面，本发明提供一种基于神经网络辅助的变电站巡检机器人导航方法，所述方法包括：
GPS导航系统对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值；
GPS导航系统将所述GPS导航位置估计值和速度估计值发送至惯性导航系统，作为惯性导航系统初始的位置和速度信息；
惯性导航系统根据惯性测量元件测出的角速度和比力，解算输出惯性导航系统导航信息，所述惯性导航系统导航信息包括变电站巡检机器人的位置、速度和姿态信息；
无迹卡尔曼滤波器对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位；
GPS导航系统检测GPS信号是否可用；
如果所述GPS信号可用，无迹卡尔曼滤波器估计所述GPS导航系统和惯性导航系的组合导航定位的定位偏差；
无迹卡尔曼滤波器将所述定位偏差发送至惯性导航系统，以对惯性导航系统进行误差校正，并将校正后的结果作为惯性导航系统的最终导航结果；
无迹卡尔曼滤波器将所述定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型；
如果所述GPS信号不可用，神经网络根据惯性测量元件实时测得的角速度和比力，以及所述神经网络的模型，预测实时的导航偏差；
神经网络将所述实时的导航偏差输入无迹卡尔曼滤波器，以利用无迹卡尔曼滤波器对所述实时的导航偏差进行滤波估计，得到估计误差；
无迹卡尔曼滤波器将所述估计误差输入惯性导航系统，对惯导系统进行误差校正。
结合第一方面，在第一方面的第一种可实现方式中，GPS导航系统对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值包括：
GPS导航系统对变电站巡检机器人的GPS定位数据进行解算，输出GPS导航位置估计值和速度估计值；
将所述GPS导航位置估计值和速度估计值从LBH坐标系转换为地心地固坐标系；
将所述地心地固坐标系转换为地理坐标系。
结合第一方面的第一种可实现方式，在第一方面的第二种可实现方式中，GPS导航系统对变电站巡检机器人的GPS定位数据进行解算，输出GPS导航位置估计值和速度估计值的步骤中，GPS导航系统采用平滑估计法，利用移动平均算法对变电站巡检机器人的GPS定位数据进行解算。
结合第一方面，在第一方面的第三种可实现方式中，无迹卡尔曼滤波器对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位包括：
无迹卡尔曼滤波器对GPS导航系统和惯性导航系的组合导航定位中的非线性函数进行泰勒级数展开的线性化处理；
利用卡尔曼滤波公式进行计算，利用滤波后的数据对惯性导航系输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位。
结合第一方面，在第一方面的第四种可实现方式中，无迹卡尔曼滤波器将所述定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型的步骤中，所述神经网络为径向基神经网络。
第二方面，本发明提供一种基于神经网络辅助的变电站巡检机器人导航系统，所述系统包括：GPS导航系统、惯性导航系统、惯性测量元件、无迹卡尔曼滤波器以及神经网络；
所述GPS导航系统，用于对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值；将所述GPS导航位置估计值和速度估计值发送至惯性导航系统，作为惯性导航系统初始的位置和速度信息；
所述惯性导航系统，用于根据惯性测量元件测出的角速度和比力，解算输出惯性导航系统导航信息，所述惯性导航系统导航信息包括变电站巡检机器人的位置、速度和姿态信息；
所述无迹卡尔曼滤波器，用于对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位；
所述GPS导航系统还用于检测GPS信号是否可用；
所述无迹卡尔曼滤波器，还用于在所述GPS信号可用的情况下，估计所述GPS导航系统和惯性导航系的组合导航定位的定位偏差；将所述定位偏差发送至惯性导航系统，以对惯性导航系统进行误差校正，并将校正后的结果作为惯性导航系统的最终导航结果；
将所述定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型；
所述神经网络，用于在所述GPS信号不可用的情况下，根据惯性测量元件实时测得的角速度和比力，以及所述神经网络的模型，预测实时的导航偏差；将所述实时的导航偏差输入无迹卡尔曼滤波器，以利用无迹卡尔曼滤波器对所述实时的导航偏差进行滤波估计，得到估计误差；
所述无迹卡尔曼滤波器，还用于将所述估计误差输入惯性导航系统，对惯导系统进行误差校正。
结合第二方面，在第二方面的第一种可实现方式中，所述GPS导航系统用于：对变电站巡检机器人的GPS定位数据进行解算，输出GPS导航位置估计值和速度估计值；将所述GPS导航位置估计值和速度估计值从LBH坐标系转换为地心地固坐标系；将所述地心地固坐标系转换为地理坐标系。
结合第二方面的第一种可实现方式，在第二方面的第二种可实现方式中，所述GPS导航系统用于：采用平滑估计法，利用移动平均算法对变电站巡检机器人的GPS定位数据进行解算。
结合第二方面，在第二方面的第三种可实现方式中，所述无迹卡尔曼滤波器用于：对GPS导航系统和惯性导航系的组合导航定位中的非线性函数进行泰勒级数展开的线性化处理；利用卡尔曼滤波公式进行计算，利用滤波后的数据对惯性导航系输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位。
结合第二方面，在第二方面的第四种可实现方式中，所述无迹卡尔曼滤波器用于，将所述定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型的步骤中，所述神经网络为径向基神经网络。
本发明的有益效果如下：本发明提供的一种基于神经网络辅助的变电站巡检机器人导航方法及系统，利用GPS/INS组合导航系统为巡检机器人提供导航定位服务，定位精度高于单纯一种导航设备，利用无迹卡尔曼滤波，对巡检机器人的导航定位系统进行误差估计和校正，相比传统的线性卡尔曼滤波的定位精度有所提高。引入径向基神经网络，用于改善GPS/INS组合导航系统，在GPS信号丢失情况下定位精度变差的问题。在GPS不可用时，系统通过神经网络对导航误差进行预测，并将预测结果用于系统的误差校正，从而提高系统的定位精度和可靠性。对硬件要求低，通过软件编程可以对一系列的算法加以实现，成本较低。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于神经网络辅助的变电站巡检机器人导航方法的流程图。
图2为本发明实施例提供的一种基于神经网络辅助的变电站巡检机器人导航方法在GPS信号可用时的原理框图。
图3为径向基神经网络原理图。
图4为本发明实施例提供的一种基于神经网络辅助的变电站巡检机器人导航方法在GPS信号不可用时的原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下结合附图，详细说明本发明各实施例提供的技术方案。
请参阅图1，为本发明实施例提供的一种基于神经网络辅助的变电站巡检机器人导航方法，所述方法包括：
步骤S101，GPS导航系统对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值。
在本实施例中，GPS导航系统对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值包括：GPS导航系统对变电站巡检机器人的GPS定位数据进行解算，输出GPS导航位置估计值和速度估计值。将GPS导航位置估计值和速度估计值从LBH坐标系转换为地心地固坐标系。将地心地固坐标系转换为地理坐标系。GPS导航系统具体可以采用平滑估计法，利用移动平均算法对变电站巡检机器人的GPS定位数据进行解算。
本发明采用平滑估计法，利用移动平均算法对GPS定位数据解算，输出GPS导航位置估计值和速度估计值，并将GPS导航估计值从LBH坐标系(经纬高)转换为地心地固坐标系(ECEF)，再由ECEF坐标系转换到地理坐标系(东北天)，同时将惯性测量元件得到的角速度和比力，进行导航数据解算。利用GPS的初始定位信息(位置、速度信息)对INS进行初始对准，详细步骤如下：
步骤1.1：利用移动平均算法对GPS数据进行解算，进而输出GPS导航估计值。假设GPS接收机处理的原始位置、速度数据序列为x1,x2,...，采用移动平均法对GPS数据进行处理，如下式：
Figure BDA0002455425460000051
式中：Xtj为新估计值，X＝{Xtj,j＝1,2,...}为计算后的GPS数据估计值。N＝2n+1为取样个数。N越大，平滑效果越好，但是对序列变动不敏感；N越小，越能够反应序列的波动，但无法有效呈现长期的变化趋势。移动平均法优点：计算量小；移动平均数值能较好的反应时间序列的趋势及其变化。
步骤1.2：将GPS导航估计值从LBH坐标系(经纬高)，转换为地心地固坐标系，转换公式如下：
x＝(N+h)cosφcosλ
y＝(N+h)cosφsinλ
z＝[N(1-e2)+h]sinφ (2)
其中，
Figure BDA0002455425460000061
因为扁率
Figure BDA0002455425460000062
所以e2也可以e2＝2f-f2。λ为经度(-180°～180°)，φ为纬度(-90°～90°)，N为寅卯圈半径，h为高度，e为地球椭圆偏心率，a为椭球长半径，b为椭球短半径。
将GPS导航估计值从地心地固坐标系，转换为地理坐标系，转换公式如下：
Figure BDA0002455425460000063
其中，(x0,y0,z0)为站心(第一个ECEF坐标点)，L,B为站心的经度和纬度。
步骤S102，GPS导航系统将GPS导航位置估计值和速度估计值发送至惯性导航系统，作为惯性导航系统初始的位置和速度信息。
步骤S103，惯性导航系统根据惯性测量元件测出的角速度和比力，解算输出惯性导航系统导航信息，惯性导航系统导航信息包括变电站巡检机器人的位置、速度和姿态信息。
本发明利用IMU输出的角速度和比力，经惯导解算输出惯性导航系统导航信息，包括位置、速度和姿态信息。
步骤S104，无迹卡尔曼滤波器对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位。
在本实施例中，无迹卡尔曼滤波器对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位包括：
无迹卡尔曼滤波器对GPS导航系统和惯性导航系的组合导航定位中的非线性函数进行泰勒级数展开的线性化处理；利用卡尔曼滤波公式进行计算，利用滤波后的数据对惯性导航系输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位。UKF首先对模型中的非线性函数进行泰勒级数(taylor)展开的线性化处理，再利用Kalman滤波公式进行计算。将本发明提出算法应用于GPS/INS松耦合集成系统。其状态方程和测量方程如下:
Figure BDA0002455425460000064
其中，X为导航系统状态向量；F为状态转移矩阵；W为系统误差向量；Z为系统测量向量；H为量测矩阵；V为量测噪声向量。
系统状态向量X包含15个变量，如下所示：
Figure BDA0002455425460000071
其中，φE,N,U为东、北、天三轴方向上的平台失准角；δVE,N,U为东、北、天三轴方向上的速度误差；δL,δλ,δh为东、北、天三轴方向上的位置误差；
Figure BDA0002455425460000072
为加速度计在三轴方向上的偏差；εx,y,z为陀螺仪在三轴方向上的漂移。
系统的状态转移矩阵F，定义如下所示：
Figure BDA0002455425460000073
公式中的非零项如下：
Figure BDA0002455425460000074
Figure BDA0002455425460000075
FN(2,7)＝-ωie·sinL，
Figure BDA00024554254600000713
Figure BDA0002455425460000077
FN(4,2)＝-fu，FN(4,3)＝fn，
Figure BDA0002455425460000078
Figure BDA0002455425460000079
FN(5,1)＝fu，FN(5,3)＝-fe，
Figure BDA00024554254600000714
Figure BDA00024554254600000711
FN(6,1)＝-fn，FN(6,2)＝fe，
Figure BDA00024554254600000715
FN(6,7)＝-2ωie·sinL·Ve，
Figure BDA0002455425460000081
FN(9,6)＝1，
FS为状态向量与误差之间的转换矩阵：
Figure BDA0002455425460000082
FM＝[0]6×6
系统的量测矩阵Z,如下所示:
Figure BDA0002455425460000083
其中，Psins和Pgps分别为惯导系统和GPS的测得的位置，Vsins和Vgps分别为惯导系统和GPS测得的速度；P和V为载体真是的位置和速度；δPsins和δPgps分别为惯导系统和GPS的位置误差；δVsins和δVgps分别为惯导系统和GPS的速度误差；
UKF的基本原理是基于无迹变换(UT)，利用一组确定性采样点来近似后验概率密度。转换过程如下所示：
假设非线性变换函数为y＝f(x)，状态向量x为n维向量，状态向量的平均值和方差矩阵分别为
Figure BDA0002455425460000084
和Px。x的非线性变换的Sigma点为χ，χ为2n+1为向量，ωi为Sigma点对应的权值。无迹变换定义如下:
Figure BDA0002455425460000085
Figure BDA0002455425460000086
Figure BDA0002455425460000087
Figure BDA0002455425460000088
Figure BDA0002455425460000089
Figure BDA0002455425460000091
其中，λ＝α2(n+c)-n为比例因子；α为χi与
Figure BDA0002455425460000092
之间的距离；β的取值取决于状态向量的分布，当状态向量服从高斯分布时，β＝2；c通常取值0；n是状态向量的维数。
UKF的计算过程包括预测和更新两个阶段。预测过程依赖于动态误差模型和过去的信息，更新过程依赖于外部测量数据。
初始化：
Figure BDA0002455425460000093
Figure BDA0002455425460000094
Figure BDA0002455425460000095
Figure BDA0002455425460000096
计算采样点：
Figure BDA0002455425460000097
计算权重系数：
Figure BDA0002455425460000098
Figure BDA0002455425460000099
Figure BDA00024554254600000910
(4)时间更新：
Figure BDA00024554254600000911
Figure BDA00024554254600000912
Figure BDA00024554254600000913
Figure BDA00024554254600000914
(5)测量更新：
Figure BDA0002455425460000101
Figure BDA0002455425460000102
Figure BDA0002455425460000103
Figure BDA0002455425460000104
Figure BDA0002455425460000105
其中，xα＝[xT ωT vT]T,χα＝[(χx)T (χω)T (χv)T]T。
UKF输出GPS与INS测量值之间的差异，并利用输出结果修正INS误差。
步骤S105，GPS导航系统检测GPS信号是否可用。
步骤S106，如果GPS信号可用，神经网络进入训练学习阶段，无迹卡尔曼滤波器估计GPS导航系统和惯性导航系的组合导航定位的定位偏差。
步骤S107，无迹卡尔曼滤波器将定位偏差发送至惯性导航系统，以对惯性导航系统进行误差校正，并将校正后的结果作为惯性导航系统的最终导航结果。
步骤S108，无迹卡尔曼滤波器将定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型。
用于预测系统状态的神经网络有很多，如小波神经网络、径向基神经网络(radialbasis neural network，RBFNN)、反向传播神经网络和自适应谐振理论神经网络。与前面提到的其他神经网络相比，RBF模型比其他模型学习速度更快，设计简单，而且不存在局部极小问题。因此，本发明采用径向基神经网络对无迹卡尔曼滤波进行辅助定位。
RBFNN的工作原理是利用输入向量与参考向量之间的距离来激活相应的隐节点。RBFNN通过之前的输入和输出信息得到径向基函数，通过当前输入和径向基函数来预测当前的输出。径向基函数的特征是其响应随中心参考向量与输入样本向量之间的距离单调的增大或减小。
RBFNN是一种三层神经网络，其基本组成部分包括:1)输入层；2)隐含层；3)输出层。RBFNN的结构如图3所示。RBFNN隐含层的激活函数一般采用高斯函数，其表达式为：
Figure BDA0002455425460000106
其中，
Figure BDA0002455425460000107
为隐含层第j个神经元；X为输入向量；rj为高斯函数的中心参考向量；dj为高斯函数的宽度；||X-rj||为输入向量与中心参考向量之间的距离。
RBFNN输出为隐含层神经元输出的线性组合，其表达式如下:
Figure BDA0002455425460000111
其中，
Figure BDA0002455425460000112
为隐含层输出；Wi＝(wi1,wi2,...,wiP)T为RBF神经网络输出层权重。
将IMU测得的载体的角速度和比力作为输入向量
Figure BDA0002455425460000113
GPS和INS之间的定位偏差ZRBF＝[Psins-Pgps Vsins-Vgps]T作为神经网络的输出，按照一定的训练机制，得到径向基函数的模型参数：隐含层个数P，高斯函数中心向量rj，高斯函数宽度dj，神经网络输出层权重Wi。
步骤S109，如果GPS信号不可用，神经网络进入预测模式，神经网络根据惯性测量元件实时测得的角速度和比力，以及神经网络的模型，预测实时的导航偏差。
步骤S110，神经网络将实时的导航偏差输入无迹卡尔曼滤波器，以利用无迹卡尔曼滤波器对实时的导航偏差进行滤波估计，得到估计误差。
步骤S111，无迹卡尔曼滤波器将估计误差输入惯性导航系统，对惯导系统进行误差校正。
GPS信号丢失时，GPS/INS组合导航系统工作在纯惯性导航模式下，导航信息不可靠。神经网络通过输入的实时的IMU测得的角速度和比力，以及上述步骤建立的模型，预测实时的导航偏差ZRBF，并将其输入给无迹卡尔曼滤波，经滤波估计后，将估计误差输入给惯导系统，对惯导系统进行误差校正，从而保证GPS信号丢失期间的导航精度。
在上述基于神经网络辅助的变电站巡检机器人导航方法的基础上，本发明还提供一种基于神经网络辅助的变电站巡检机器人导航系统，系统包括：GPS导航系统、惯性导航系统、惯性测量元件、无迹卡尔曼滤波器以及神经网络。
GPS导航系统，用于对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值。将GPS导航位置估计值和速度估计值发送至惯性导航系统，作为惯性导航系统初始的位置和速度信息。
惯性导航系统，用于根据惯性测量元件测出的角速度和比力，解算输出惯性导航系统导航信息，惯性导航系统导航信息包括变电站巡检机器人的位置、速度和姿态信息。
无迹卡尔曼滤波器，用于对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位。GPS导航系统还用于检测GPS信号是否可用。无迹卡尔曼滤波器，还用于在GPS信号可用的情况下，估计GPS导航系统和惯性导航系的组合导航定位的定位偏差。将定位偏差发送至惯性导航系统，以对惯性导航系统进行误差校正，并将校正后的结果作为惯性导航系统的最终导航结果。将定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型。神经网络，用于在GPS信号不可用的情况下，根据惯性测量元件实时测得的角速度和比力，以及神经网络的模型，预测实时的导航偏差。将实时的导航偏差输入无迹卡尔曼滤波器，以利用无迹卡尔曼滤波器对实时的导航偏差进行滤波估计，得到估计误差。无迹卡尔曼滤波器，还用于将估计误差输入惯性导航系统，对惯导系统进行误差校正。
GPS导航系统用于：对变电站巡检机器人的GPS定位数据进行解算，输出GPS导航位置估计值和速度估计值。将GPS导航位置估计值和速度估计值从LBH坐标系转换为地心地固坐标系。将地心地固坐标系转换为地理坐标系。GPS导航系统用于：采用平滑估计法，利用移动平均算法对变电站巡检机器人的GPS定位数据进行解算。
无迹卡尔曼滤波器用于：对GPS导航系统和惯性导航系的组合导航定位中的非线性函数进行泰勒级数展开的线性化处理。利用卡尔曼滤波公式进行计算，利用滤波后的数据对惯性导航系输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位。无迹卡尔曼滤波器用于，将定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型的步骤中，神经网络为径向基神经网络。
本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的基于神经网络辅助的变电站巡检机器人导航方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：Read-OnlyMemory，简称：ROM)或随机存储记忆体(英文：RandomAccessMemory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于基于神经网络辅助的变电站巡检机器人导航装系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (10)

1.一种基于神经网络辅助的变电站巡检机器人导航方法，其特征在于，所述方法包括：
GPS导航系统对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值；
GPS导航系统将所述GPS导航位置估计值和速度估计值发送至惯性导航系统，作为惯性导航系统初始的位置和速度信息；
惯性导航系统根据惯性测量元件测出的角速度和比力，解算输出惯性导航系统导航信息，所述惯性导航系统导航信息包括变电站巡检机器人的位置、速度和姿态信息；
无迹卡尔曼滤波器对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位；
GPS导航系统检测GPS信号是否可用；
如果所述GPS信号可用，无迹卡尔曼滤波器估计所述GPS导航系统和惯性导航系的组合导航定位的定位偏差；
无迹卡尔曼滤波器将所述定位偏差发送至惯性导航系统，以对惯性导航系统进行误差校正，并将校正后的结果作为惯性导航系统的最终导航结果；
无迹卡尔曼滤波器将所述定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型；
如果所述GPS信号不可用，神经网络根据惯性测量元件实时测得的角速度和比力，以及所述神经网络的模型，预测实时的导航偏差；
神经网络将所述实时的导航偏差输入无迹卡尔曼滤波器，以利用无迹卡尔曼滤波器对所述实时的导航偏差进行滤波估计，得到估计误差；
无迹卡尔曼滤波器将所述估计误差输入惯性导航系统，对惯导系统进行误差校正。
2.如权利要求1所述的方法，其特征在于，GPS导航系统对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值包括：
GPS导航系统对变电站巡检机器人的GPS定位数据进行解算，输出GPS导航位置估计值和速度估计值；
将所述GPS导航位置估计值和速度估计值从LBH坐标系转换为地心地固坐标系；
将所述地心地固坐标系转换为地理坐标系。
3.如权利要求2所述的方法，其特征在于，GPS导航系统对变电站巡检机器人的GPS定位数据进行解算，输出GPS导航位置估计值和速度估计值的步骤中，GPS导航系统采用平滑估计法，利用移动平均算法对变电站巡检机器人的GPS定位数据进行解算。
4.如权利要求1所述的方法，其特征在于，无迹卡尔曼滤波器对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位包括：
无迹卡尔曼滤波器对GPS导航系统和惯性导航系的组合导航定位中的非线性函数进行泰勒级数展开的线性化处理；
利用卡尔曼滤波公式进行计算，利用滤波后的数据对惯性导航系输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位。
5.如权利要求1所述的方法，其特征在于，无迹卡尔曼滤波器将所述定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型的步骤中，所述神经网络为径向基神经网络。
6.一种基于神经网络辅助的变电站巡检机器人导航系统，其特征在于，所述系统包括：GPS导航系统、惯性导航系统、惯性测量元件、无迹卡尔曼滤波器以及神经网络；
所述GPS导航系统，用于对变电站巡检机器人的GPS定位数据进行估计，计算得到GPS导航位置估计值和速度估计值；将所述GPS导航位置估计值和速度估计值发送至惯性导航系统，作为惯性导航系统初始的位置和速度信息；
所述惯性导航系统，用于根据惯性测量元件测出的角速度和比力，解算输出惯性导航系统导航信息，所述惯性导航系统导航信息包括变电站巡检机器人的位置、速度和姿态信息；
所述无迹卡尔曼滤波器，用于对GPS导航系统和惯性导航系统进行数据融合，对惯性导航系统的输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位；
所述GPS导航系统还用于检测GPS信号是否可用；
所述无迹卡尔曼滤波器，还用于在所述GPS信号可用的情况下，估计所述GPS导航系统和惯性导航系的组合导航定位的定位偏差；将所述定位偏差发送至惯性导航系统，以对惯性导航系统进行误差校正，并将校正后的结果作为惯性导航系统的最终导航结果；
将所述定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型；
所述神经网络，用于在所述GPS信号不可用的情况下，根据惯性测量元件实时测得的角速度和比力，以及所述神经网络的模型，预测实时的导航偏差；将所述实时的导航偏差输入无迹卡尔曼滤波器，以利用无迹卡尔曼滤波器对所述实时的导航偏差进行滤波估计，得到估计误差；
所述无迹卡尔曼滤波器，还用于将所述估计误差输入惯性导航系统，对惯导系统进行误差校正。
7.如权利要求6所述的系统，其特征在于，所述GPS导航系统用于：对变电站巡检机器人的GPS定位数据进行解算，输出GPS导航位置估计值和速度估计值；将所述GPS导航位置估计值和速度估计值从LBH坐标系转换为地心地固坐标系；将所述地心地固坐标系转换为地理坐标系。
8.如权利要求7所述的系统，其特征在于，所述GPS导航系统用于：采用平滑估计法，利用移动平均算法对变电站巡检机器人的GPS定位数据进行解算。
9.如权利要求6所述的系统，其特征在于，所述无迹卡尔曼滤波器用于：对GPS导航系统和惯性导航系的组合导航定位中的非线性函数进行泰勒级数展开的线性化处理；利用卡尔曼滤波公式进行计算，利用滤波后的数据对惯性导航系输出进行校正，实现GPS导航系统和惯性导航系的组合导航定位。
10.如权利要求6所述的系统，其特征在于，所述无迹卡尔曼滤波器用于，将所述定位偏差发送至神经网络，以对神经网络进行参数训练，得到神经网络的模型的步骤中，所述神经网络为径向基神经网络。
CN202010304987.1A 2020-04-17 2020-04-17 基于神经网络辅助的变电站巡检机器人导航方法及系统 Pending CN111366156A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010304987.1A CN111366156A (zh) 2020-04-17 2020-04-17 基于神经网络辅助的变电站巡检机器人导航方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010304987.1A CN111366156A (zh) 2020-04-17 2020-04-17 基于神经网络辅助的变电站巡检机器人导航方法及系统

Publications (1)

Publication Number Publication Date
CN111366156A true CN111366156A (zh) 2020-07-03

Family

ID=71205506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010304987.1A Pending CN111366156A (zh) 2020-04-17 2020-04-17 基于神经网络辅助的变电站巡检机器人导航方法及系统

Country Status (1)

Country Link
CN (1) CN111366156A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111913484A (zh) * 2020-07-30 2020-11-10 杭州电子科技大学 一种变电站巡检机器人在未知环境下的路径规划方法
CN112415558A (zh) * 2021-01-25 2021-02-26 腾讯科技（深圳）有限公司 行进轨迹的处理方法及相关设备
CN112665581A (zh) * 2020-12-04 2021-04-16 山东省计算中心（国家超级计算济南中心） 基于bp神经网络辅助卡尔曼滤波的组合导航方法
CN112762932A (zh) * 2021-04-07 2021-05-07 智道网联科技(北京)有限公司 基于神经网络模型的轨迹推算方法及装置
CN113256690A (zh) * 2021-06-16 2021-08-13 中国人民解放军国防科技大学 一种基于视频监控的行人多目标跟踪方法
CN113739808A (zh) * 2021-09-03 2021-12-03 国网四川省电力公司电力科学研究院 一种组合导航传感器的边缘处理方法、装置及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439731A (zh) * 2013-08-29 2013-12-11 北京空间飞行器总体设计部 基于无迹卡尔曼滤波的gps/ins组合导航方法
CN105258698A (zh) * 2015-10-13 2016-01-20 北京航天控制仪器研究所 一种高动态自旋制导炮弹空中组合导航方法
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及系统
CN109000643A (zh) * 2018-06-01 2018-12-14 深圳市元征科技股份有限公司 导航参数获取方法、车辆急速转弯判断方法、系统、装置
CN109521454A (zh) * 2018-12-06 2019-03-26 中北大学 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法
CN110274591A (zh) * 2019-06-20 2019-09-24 东南大学 深潜载人潜水器adcp辅助sins导航方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439731A (zh) * 2013-08-29 2013-12-11 北京空间飞行器总体设计部 基于无迹卡尔曼滤波的gps/ins组合导航方法
CN105258698A (zh) * 2015-10-13 2016-01-20 北京航天控制仪器研究所 一种高动态自旋制导炮弹空中组合导航方法
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及系统
CN109000643A (zh) * 2018-06-01 2018-12-14 深圳市元征科技股份有限公司 导航参数获取方法、车辆急速转弯判断方法、系统、装置
CN109521454A (zh) * 2018-12-06 2019-03-26 中北大学 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法
CN110274591A (zh) * 2019-06-20 2019-09-24 东南大学 深潜载人潜水器adcp辅助sins导航方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
万娇: "基于GPS/INS的无人机组合导航信息融合方法设计", 《基于GPS/INS的无人机组合导航信息融合方法设计》 *
单国夫: "神经网络辅助的GNSS/SINS超紧组合导航系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
赵雪峰: "卫星信号短暂缺失时的组合导航技术研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
马宏阳: "GPS/INS位置、速度和姿态全组合导航系统研究", 《测绘通报》 *
高君萌: "基于BDS/INS融合的室内外定位关键技术研究", 《中国优秀硕士学位论文全文数据库信息科科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111913484A (zh) * 2020-07-30 2020-11-10 杭州电子科技大学 一种变电站巡检机器人在未知环境下的路径规划方法
CN111913484B (zh) * 2020-07-30 2022-08-12 杭州电子科技大学 一种变电站巡检机器人在未知环境下的路径规划方法
CN112665581A (zh) * 2020-12-04 2021-04-16 山东省计算中心（国家超级计算济南中心） 基于bp神经网络辅助卡尔曼滤波的组合导航方法
CN112415558A (zh) * 2021-01-25 2021-02-26 腾讯科技（深圳）有限公司 行进轨迹的处理方法及相关设备
CN112762932A (zh) * 2021-04-07 2021-05-07 智道网联科技(北京)有限公司 基于神经网络模型的轨迹推算方法及装置
CN112762932B (zh) * 2021-04-07 2021-07-13 智道网联科技(北京)有限公司 基于神经网络模型的轨迹推算方法及装置
CN113256690A (zh) * 2021-06-16 2021-08-13 中国人民解放军国防科技大学 一种基于视频监控的行人多目标跟踪方法
CN113256690B (zh) * 2021-06-16 2021-09-17 中国人民解放军国防科技大学 一种基于视频监控的行人多目标跟踪方法
CN113739808A (zh) * 2021-09-03 2021-12-03 国网四川省电力公司电力科学研究院 一种组合导航传感器的边缘处理方法、装置及设备

Similar Documents

Publication Publication Date Title
CN111366156A (zh) 基于神经网络辅助的变电站巡检机器人导航方法及系统
Shen et al. Dual-optimization for a MEMS-INS/GPS system during GPS outages based on the cubature Kalman filter and neural networks
Xiong et al. Fault-tolerant GNSS/SINS/DVL/CNS integrated navigation and positioning mechanism based on adaptive information sharing factors
Hu et al. A new direct filtering approach to INS/GNSS integration
Hu et al. Model predictive based unscented Kalman filter for hypersonic vehicle navigation with INS/GNSS integration
Chen et al. A hybrid prediction method for bridging GPS outages in high-precision POS application
KR101209667B1 (ko) 네비게이션 어플리케이션을 위한 개선된 지피에스 ａｄｒ처리 방법
CN111337020A (zh) 引入抗差估计的因子图融合定位方法
CN110823217A (zh) 一种基于自适应联邦强跟踪滤波的组合导航容错方法
Hasberg et al. Simultaneous localization and mapping for path-constrained motion
CN110954132B (zh) Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法
Soken et al. Adaptive fading UKF with Q-adaptation: application to picosatellite attitude estimation
CN109471146B (zh) 一种基于ls-svm的自适应容错gps/ins组合导航方法
Xu et al. A novel adaptive filtering for cooperative localization under compass failure and non-gaussian noise
Qin et al. Accuracy improvement of GPS/MEMS-INS integrated navigation system during GPS signal outage for land vehicle navigation
CN109507706B (zh) 一种gps信号丢失的预测定位方法
CN108562290B (zh) 导航数据的滤波方法、装置、计算机设备及存储介质
CN103884340B (zh) 一种深空探测定点软着陆过程的信息融合导航方法
CN111024124B (zh) 一种多传感器信息融合的组合导航故障诊断方法
Khankalantary et al. An adaptive constrained type-2 fuzzy Hammerstein neural network data fusion scheme for low-cost SINS/GNSS navigation system
Jingsen et al. Integrating extreme learning machine with Kalman filter to bridge GPS outages
Wang et al. A robust backtracking CKF based on Krein space theory for in-motion alignment process
Zhang et al. GPS/INS integration based on adaptive interacting multiple model
Liu et al. A covariance shaping filtering method for tightly-coupled MIMU/GNSS of UAV
CN116026325A (zh) 一种基于神经过程与卡尔曼滤波的导航方法及相关装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200703