CN111854741A - 一种gnss/ins紧组合滤波器及导航方法 - Google Patents

一种gnss/ins紧组合滤波器及导航方法 Download PDF

Info

Publication number
CN111854741A
CN111854741A CN202010549660.0A CN202010549660A CN111854741A CN 111854741 A CN111854741 A CN 111854741A CN 202010549660 A CN202010549660 A CN 202010549660A CN 111854741 A CN111854741 A CN 111854741A
Authority
CN
China
Prior art keywords
ins
error
errors
gnss
hidden layer
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
Application number
CN202010549660.0A
Other languages
English (en)
Other versions
CN111854741B (zh
Inventor
肖凯
孙付平
张伦东
朱新慧
李万里
何劢航
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.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202010549660.0A priority Critical patent/CN111854741B/zh
Publication of CN111854741A publication Critical patent/CN111854741A/zh
Application granted granted Critical
Publication of CN111854741B publication Critical patent/CN111854741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • 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
    • 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

本发明涉及一种GNSS/INS紧组合滤波器及导航方法，属于卫星导航技术领域。本发明在现有GNSS/INS紧组合滤波器的基础上增加了一个深度神经网络模型，利用该深度神经网络模型根据GNSS的伪距误差和INS上一时刻的状态误差预测当前时刻INS的状态误差，得到当前时刻INS的状态误差对Kalman滤波器进行修正，用修正后的Kalman滤波器输出的INS状态误差校正值对当前时刻的INS的状态量进行校正，将校正后的INS状态量作为当前时刻的定位信息，以此实现GNSS/INS的紧组合导航。本发明在利用深度神经网络模型对Kalman滤波器进行修正时，充分考虑了卫星定位的误差，大大提高了GNSS/INS紧组合滤波器导航定位的精度。

Description

一种GNSS/INS紧组合滤波器及导航方法
技术领域
本发明涉及一种GNSS/INS紧组合滤波器及导航方法，属于卫星导航技术领域。
背景技术
为得到用户所感兴趣的导航参数，卫星/惯性组合导航系统(GNSS/INSIntegrated Navigation System)需要进行状态估计。应用最为广泛的状态估计方法是1972年Kalman R E所提出的Kalman滤波算法。经典的Kalman滤波算法基于INS系统的动力学方程建立状态方程，并基于GNSS观测模型建立观测方程。其状态估计的精度和可靠性受INS系统动力学模型的了解程度和观测噪声统计特性的准确度所决定。假如可以对INS系统和GNSS系统的所有误差都能够准确建模，未建模误差仅剩下随机误差，Kalman滤波凭借先验知识，可以得到理想的状态估计精度。然而，惯性传感器件(IMU)的有色噪声等往往难以精确建模，特别是对于低等精度的IMU，有色噪声的影响十分明显。此外，在卫星信号丢失后，INS系统单独导航时，这一缺点体现地更为明显。在以上情形下，Kalman滤波的效果并不理想。基于人工智能的滤波算法从数学域的角度，可以对未建模误差进行精确逼近，十分适合描述非线性关系。可以弥补Kalman滤波并不适用的场景。
神经网络从20世纪80年代起，真正被应用于各个技术领域。神经网络在GNSS/INS组合导航中的应用，是通过基于神经网络的滤波算法来实现的，具体说来，有以下两种形式：
(1)仅使用神经网络来进行卫星导航子系统和惯性导航子系统的融合滤波。这种形式受限于神经网络的固有缺点：训练时间长、不确定性因素影响，并不实用。往往需要其它技术方法来进一步弥补神经网络的固有缺陷。
(2)神经网络辅助Kalman滤波。在这种方式下，神经网络与Kalman滤波并存于GNSS/INS组合系统结构里，两者在两方面相互协作：一方面，利用Kalman滤波的状态估计输出值辅助神经网络进行训练，并使用训练完成后的神经网络校正Kalman滤波输出值；另一方面，当惯性导航系统单独导航时，利用神经网络来预测导航参数。
目前，神经网络辅助Kalman滤波形式主要应用在松组合模型上，紧组合模型在卫星数少于四颗时能够持续导航，可靠性更强。但是，关于紧组合的神经网络应用技术还未开展。公布号为CN110487271A的专利申请文件，该文件公开了一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，该方法虽然将神经网络应用于紧组合，但采用的训练模型仍然是基于位置、速度的松组合形式，仅采用位置、速度信息来训练神经网络，只考虑了系统状态方程的模型误差，未考虑卫星定位的误差。特别是对于低成本的卫星导航接收机，其输出的伪距观测值隐含有卫星钟差、接收机钟差，以及接收机自身各种复杂误差源，若不考虑卫星定位的误差，必然会影响整个组合导航的精度。
发明内容
本发明的目的是提供一种GNSS/INS紧组合滤波器及组合导航方法，以解决目前GNSS/INS紧组合导航系统定位精度低的问题。
本发明为解决上述技术问题而提供该紧组合滤波器包括Kalman滤波器和深度神经网络模型；所述Kalman滤波器用于根据GNSS的伪距、多普勒数据和INS预测星地距离、相对速度进行实时滤波解算；所述深度神经网络模型用于根据GNSS的伪距误差和INS的状态误差进行预测得到位置误差、速度误差、姿态误差，并基于得到的位置误差、速度误差、姿态误差对所述Kalman滤波器进行修正。
本发明在现有GNSS/INS紧组合滤波器的基础上增加了一个深度神经网络模型，该深度神经网络模型基于GNSS的伪距误差、INS状态误差，预测当前时刻INS的状态误差；本发明利用当前时刻INS的状态误差对原始的INS输出位置、速度、姿态结果进行校正，将校正后的INS导航结果作为当前时刻的定位信息，以此实现GNSS/INS的紧组合导航。本发明在利用深度神经网络模型对Kalman滤波器进行修正时，充分考虑了卫星定位的误差，大大提高了GNSS/INS紧组合滤波器导航定位的精度。
进一步地，所述的深度神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括第一隐藏层和第二隐藏层；其中输入层的神经元为INS的位置误差、速度误差、姿态误差和各颗卫星的伪距观测误差；第一隐藏层分为伪距误差部分和INS误差部分，两者相互独立，伪距误差部分与输入层中各颗卫星伪距观测误差对应的神经元全连接，第一隐藏层的INS误差部分与输入层中INS的位置误差、速度误差、姿态误差对应的神经元全连接，第二隐藏层中各神经元与第一隐藏层中的各神经元全连接；输出层的神经元为INS的位置误差、速度误差、姿态误差。
进一步地，为了更好描述INS预测位置与星地距离之间的关系，所述的第二隐藏层中的神经元的数量为3，用于体现INS预测位置与星地距离之间的隐含关系。
进一步地，为了更好描述INS预测速度与星地距离之间的关系，所述的第二隐藏层中的神经元的数量为6，用于体现INS预测速度与星地距离之间的隐含关系。
进一步地，为了更好提高导航的定位精度，所述输出层的数据还包括加速度计和陀螺的零偏误差值。
进一步地，所述深度神经网络模型训练时采用的参考输出值为理想输出值或者Kalman滤波器的状态估计输出值。
进一步地，所述的Kalman滤波器的状态方程和量测方程分别为：
Figure BDA0002541996520000041
Figure BDA0002541996520000042
其中[δr,δv,δψ,δba,δbg]里的元素分别表示位置误差、速度误差、姿态误差、加速度零偏误差、陀螺零偏误差；
Figure BDA0002541996520000043
表示由载体b系到地心地固e系的方向余弦矩阵；
Figure BDA0002541996520000044
表示加速度计比力输出；
Figure BDA0002541996520000045
表示陀螺角速率输出；δψ表示姿态失准角误差；
Figure BDA0002541996520000046
表示由地球自转角速率
Figure BDA0002541996520000047
构造的斜对称阵；εa表示加速度计噪声；εg表示陀螺仪噪声；P表示伪距观测值；ρINS表示惯导预测接收机和卫星的距离(星地距离)；λ表示载波波长；D表示多普勒观测值；
Figure BDA0002541996520000048
表示惯导预测接收机和卫星的相对速度；E表示方向余弦矢量，具体表达式是由线性化伪距定位方程中的位置对应项确定的；δtr表示接收机钟差；εP表示伪距观测随机噪声；εD表示多普勒观测随机噪声。
本发明还提供了一种GNSS/INS紧组合的导航方法，该导航方法采用深度神经网络模型对GNSS/INS紧组合中的Kalman滤波器进行修正，所述深度神经网络模型用于根据GNSS的伪距误差和INS的状态误差进行预测得到位置误差、速度误差、姿态误差，并基于得到的位置误差、速度误差、姿态误差实现对所述Kalman滤波器的修正，以修正后的Kalman滤波器的输出的INS状态误差校正量对INS的定位信号进行进行校正。
本发明在现有GNSS/INS紧组合滤波器的基础上增加了一个深度神经网络模型，该深度神经网络模型基于GNSS的伪距误差、INS状态误差，预测当前时刻INS的状态误差；本发明利用当前时刻INS的状态误差对原始的INS输出位置、速度、姿态结果进行校正，将校正后的INS导航结果作为当前时刻的定位信息，以此实现GNSS/INS的紧组合导航。本发明在利用深度神经网络模型对Kalman滤波器进行修正时，充分考虑了卫星定位的误差，大大提高了GNSS/INS紧组合滤波器导航定位的精度。
进一步地，所述的深度神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括第一隐藏层和第二隐藏层；其中输入层的神经元为INS的位置误差、速度误差、姿态误差和各颗卫星的伪距观测误差；第一隐藏层分为伪距误差部分和INS误差部分，两者相互独立，第一隐藏层的伪距误差部分与输入层中各颗卫星伪距观测误差对应的神经元全连接，第一隐藏层的INS误差部分与输入层中INS的位置误差、速度误差、姿态误差对应的神经元全连接，第二隐藏层中各神经元与第一隐藏层中的各神经元全连接；输出层的神经元为INS的位置误差、速度误差、姿态误差。
附图说明
图1是现有GNSS/INS紧组合滤波器的结构示意图；
图2是本发明GNSS/INS紧组合滤波器的结构示意图；
图3是目前神经元的结构示意图；
图4是目前神经元的工作原理图；
图5是本发明GNSS/INS紧组合滤波器中深度神经网络模型的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步地说明。
GNSS/INS紧组合滤波器的实施例
传统的GNSS/INS紧组合滤波器的结构如图1所示，采用Kalman滤波器，Kalman滤波器根据惯性导航系统(INS)的输出(包括INS预测星地距离和INS预测接收机与卫星相对速度)和GNSS的输出(包括GNSS的观测伪距和多普勒数据)进行实时滤波解算，输出INS的位置、速度、姿态误差校正值，以该校正值对原始的惯性导航系统输出的INS预测位置、速度、姿态进行修正。
本发明在上述结构的基础上增加了深度神经网络模型，如图2所示，深度神经网络模型用于根据GNSS的伪距误差和INS的状态误差进行预测得到位置误差、速度误差、姿态误差，并基于得到的位置误差、速度误差、姿态误差对Kalman滤波器进行修正。其中，伪距误差使用星地距离与GNSS伪距观测值作差求得，INS状态误差可使用两种模式。(1)本时刻Kalman滤波器输出的INS状态误差，若采用此种方式，需要有另外的手段确定载体的更高精度的位置、速度、姿态信息，以构建输出层。例如，可采用：事先建设导轨并精确测定导轨上行驶的载体姿态信息，并在进行GNSS/INS组合任务时，通过其它技术手段(如利用全站仪测距)反算出载体的精确位置、速度、姿态信息；配置高精度的INS系统同步测得相对精度更高的位置、速度、姿态信息。(2)使用上一时刻的INS误差估计值，同时，本时刻Kalman滤波器的输出值用于构建输出层。此种模式适用于不具备其它高精度参考信息来训练神经网络的用户。Kalman滤波器采用的状态方程和观测方程的简单形式分别为：
Figure BDA0002541996520000061
L＝Hδx+e
其中，H表示观测矩阵，δx＝[δr,δv,δψ,δba,δbg]表示待估计的状态参数，e表示观测噪声向量。
本发明GNSS/INS紧组合导航系统的目的在于获取用户所需要的导航参数，即位置、速度、姿态三类导航参数；作为对惯性导航系统INS影响最大的误差源，加速度零偏和陀螺仪零偏也需要一并估计。
因此本发明采用间接法滤波来进行状态估计，并不直接对上述参数进行直接估计，而是通过估计状态参数的误差向量来实现，这样可以避免不同参数数量级的不同对滤波解算的影响。其中状态参数是以误差向量的形式出现的，即δx，将状态参数以误差向量的形式来参与计算，也有利于进一步的神经网络构建。
惯性导航系统基于递推运算得到位置、速度、姿态结构，本发明根据惯性导航的误差方程得到误差状态方程如下：
Figure BDA0002541996520000071
式中[δr,δv,δψ,δba,δbg]T里的元素分别表示位置误差、速度误差、姿态误差、加速度零偏误差、陀螺零偏误差。
Figure BDA0002541996520000072
表示由载体b系到地心地固e系的方向余弦矩阵；
Figure BDA0002541996520000073
表示加速度计比力输出；
Figure BDA0002541996520000074
表示陀螺角速率输出；δψ表示姿态失准角误差；
Figure BDA0002541996520000075
表示由地球自转角速率
Figure BDA0002541996520000076
构造的斜对称阵；其中，H表示观测矩阵，δx＝[δr,δv,δψ,δba,δbg]表示待估计的状态参数；εa表示加速度计噪声，εg表示陀螺仪噪声。
本发明GNSS/INS紧组合导航系统是基于卫星导航系统提供的伪距、多普勒观测值进行紧组合，其观测方程由伪距定位方程和多普勒测速方程转换而来，具有如下形式：
Figure BDA0002541996520000081
式中，P表示伪距观测值；ρINS表示惯导预测接收机和卫星的距离(星地距离)；λ表示载波波长；D表示多普勒观测值；
Figure BDA0002541996520000082
表示惯导预测接收机和卫星的相对速度；E表示方向余弦矢量，具体表达式是由线性化伪距定位方程中的位置对应项确定的；δtr表示接收机钟差；εP表示伪距观测随机噪声；εD表示多普勒观测随机噪声。
利用深度神经网络模型对Kalman滤波器进行修正，增强滤波效果的核心在与构建深度神经网络模型。神经网络的基本单位是神经元。神经元工作时，除神经元本体外，还有输入与输出。神经元的实质是输入到输出的函数映射关系，神经元的结构如图3所示，其中，x表示相互独立的输入值，它们一同进入神经元；y表示神经元的输出。如图4所示，神经元对每个x值都有对应的权重值，记作w，并且，对输入的总和存在一个偏置值，记作b。为确保输出值连续，还需要经过一级函数处理，即δ。
将权重(w1,w2,…,wn)与输入(x1,x2,…,xn)用矢量表示，则映射关系用函数δ(wx)表示。根据函数映射关系的不同，神经元分很多种，本专利使用S型神经元，即输出y与输入x之间存在如下函数式：
Figure BDA0002541996520000083
以上是单个神经元的工作过程，在实际应用中，往往使用多个神经元构成网络的隐藏层，所有输入值构成输入层，所有输出值构成输出层。隐藏层通过数个神经元的协作，精确逼近输入与输出之间的非线性关系。因此神经网络可用于模拟任意具备输入与输出的系统。这里描述了仅有1层隐藏层的情况，假如隐藏层多于1层，则该神经网络成为深度神经网络。
本发明针对的是紧组合导航系统，因此必须以紧组合的观测量为基础构建深度神经网络模型，本实施例GNSS/INS紧组合滤波器中所采用的深度神经网络模型如图5所示，包括输入层，第一隐藏层、第二隐藏层和输出层。各层的构建过程如下：
1)输入层
由于GNSS/INS紧组合所使用的GNSS原始观测值是伪距观测值和多普勒观测值，而INS状态参数和GNSS伪距是构建惯性预测星地(卫星天线中心和接收机天线中心)距离的基本参数，INS状态和GNSS伪距必然需要在神经网络的某一层级建立联系，因此，本发明将INS状态误差和GNSS伪距误差作为神经网络输入层的神经元，其中INS状态误差包括INS的位置误差、速度误差和姿态误差，GNSS伪距误差包括GNSS系统中各颗卫星的伪距误差。
2)隐藏层
隐藏层的构建是深度神经网络模型的核心，体现着深度神经网络的构建哲学。根据INS的动力学模型和误差方程可知：INS状态估计误差与载体的速度、姿态紧密相关，当载体作匀速直线运动时，其特征可描述为：①速度、姿态无改变，位置增量不变；②位置坐标短时间内可视作是线性变化的；③接收机与卫星之间的几何距离增量是规则的。这种情况下，INS状态估计误差较小。假如载体作变速、拐弯运动时，位置增量不再是线性变化，接收机与卫星之间的几何距离增量也不规则。此种载体运动情况下的INS状态估计误差显著增大。由此可见，必须重视接收机-卫星之间伪距观测值与载体运动状态之间的联系。因此，在隐藏层构建时必须体现伪距观测值与载体运动状态之间的联系。另一方面，在紧组合的观测方程中进行量测更新使用的观测量是伪距观测值、多普勒观测值，因此，INS预测星地距离和伪距观测值必须在隐藏层中的某一层建立联系，且只能是最后一层。
因此上述原因，本实施例中建立隐藏层有两层，分别为第一隐藏层和第二隐藏层，其中第一隐藏层为非全连接层，分为伪距误差部分和INS误差部分，两者相互独立，伪距误差部分与输入层中各颗卫星伪距观测误差对应的神经元全连接，INS误差部分与输入层中INS的位置误差、速度误差、姿态误差对应的神经元全连接，第二隐藏层中各神经元与第一隐藏层中的各神经元全连接，建立上述两者的关系。
两层隐藏层的神经元数量根据实际需要来选择。神经元越少，则学习训练成本越低；神经元越多，越能对误差精细建模。但是，过多的神经元产生的边际效果不明显。其中，对本实施例而言，第一隐藏层的神经元数量不少于可观测卫星数与INS状态参数的总个数；第二隐藏层的神经元数量可设置为3或6。设置为3的目的在于体现INS预测位置与星地距离之间的隐含联系；设置为6，则进一步体现出INS预测速度与星地距离之间的隐含联系。
3)输出层
输出层的构建与输入层相关，输入层的形式确定了输出层的形式。对本发明而言，深度神经网络模型需要保持与紧组合观测量一致，所以，本发明将位置误差、速度误差、姿态误差都将作为输出层的神经元。此外，考虑到惯性导航系统INS最大误差源的影响，还可以将加速度计零偏和陀螺仪零偏作为输出层的神经元。
本发明在采用上述深度神经网络模型对惯性导航系统INS状态误差进行预测之前，需要对深度神经网络模型进行训练，训练时所用的训练集中需要确定用于深度神经网络模型输出层神经元比较的参考输出。本发明中的参考输出可以采用理想输出值或者Kalman滤波器的输出值。
其中理想输出值指的是相对真值。例如，可采用：(1)事先建设导轨并精确测定导轨上行驶的载体姿态信息，并在进行GNSS/INS组合任务时，通过其它技术手段(如利用全站仪测距)反算出载体的精确位置、速度、姿态信息；(2)配置高精度的INS系统同步测得相对精度更高的位置、速度、姿态信息；(3)Kalman滤波器输出值。
方法实施例
本发明的导航方法采用深度神经网络模型对GNSS/INS紧组合中的Kalman滤波器进行修正，其中深度神经网络模型用于根据GNSS的伪距误差和INS的状态误差进行预测得到位置误差、速度误差、姿态误差，并基于得到的位置误差、速度误差、姿态误差实现对Kalman滤波器的修正，以修正后的Kalman滤波器的输出的INS状态误差校正量对INS的定位信号进行进行校正。其中深度神经网络模型的具体结构和Kalman滤波器的观测方程与系统误差方程已在滤波器的实施例中进行了详细说明，这里不再赘述。
本发明在利用深度神经网络模型对Kalman滤波器进行修正时，充分考虑了卫星定位的误差，大大提高了GNSS/INS紧组合滤波器导航定位的精度。

Claims (9)

1.一种GNSS/INS紧组合滤波器，其特征在于，该紧组合滤波器包括Kalman滤波器和深度神经网络模型；所述Kalman滤波器用于根据GNSS的伪距、多普勒数据和INS预测星地距离、相对速度进行实时滤波解算；所述深度神经网络模型用于根据GNSS的伪距误差和INS的状态误差进行预测得到位置误差、速度误差、姿态误差，并基于得到的位置误差、速度误差、姿态误差对所述Kalman滤波器进行修正。
2.根据权利要求1所述的GNSS/INS紧组合滤波器，其特征在于，所述的深度神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括第一隐藏层和第二隐藏层；其中输入层的神经元为INS的位置误差、速度误差、姿态误差和各颗卫星的伪距观测误差；第一隐藏层分为伪距误差部分和INS误差部分，两者相互独立，伪距误差部分与输入层中各颗卫星伪距观测误差对应的神经元全连接，第一隐藏层的INS误差部分与输入层中INS的位置误差、速度误差、姿态误差对应的神经元全连接，第二隐藏层中各神经元与第一隐藏层中的各神经元全连接；输出层的神经元为INS的位置误差、速度误差、姿态误差。
3.根据权利要求2所述的GNSS/INS紧组合滤波器，其特征在于，所述的第二隐藏层中的神经元的数量为3，用于体现INS预测位置与星地距离之间的隐含关系。
4.根据权利要求2所述的GNSS/INS紧组合滤波器，其特征在于，所述的第二隐藏层中的神经元的数量为6，用于体现INS预测速度与星地距离之间的隐含关系。
5.根据权利要求2所述的GNSS/INS紧组合滤波器，其特征在于，所述输出层的数据还包括加速度计和陀螺的零偏误差值。
6.根据权利要求2-5中任一项所述的GNSS/INS紧组合滤波器，其特征在于，所述深度神经网络模型训练时采用的参考输出值为理想输出值或者Kalman滤波器的状态估计输出值。
7.根据权利要求2-5中任一项所述的GNSS/INS紧组合滤波器，其特征在于，所述的Kalman滤波器的状态方程和量测方程分别为：
Figure FDA0002541996510000021
Figure FDA0002541996510000022
其中[δr,δv,δψ,δba,δbg]里的元素分别表示位置误差、速度误差、姿态误差、加速度零偏误差、陀螺零偏误差；
Figure FDA0002541996510000023
表示由载体b系到地心地固e系的方向余弦矩阵；
Figure FDA0002541996510000024
表示加速度计比力输出；
Figure FDA0002541996510000025
表示陀螺角速率输出；δψ表示姿态失准角误差；
Figure FDA0002541996510000026
表示由地球自转角速率
Figure FDA0002541996510000027
构造的斜对称阵；εa表示加速度计噪声；εg表示陀螺仪噪声；P表示伪距观测值；ρINS表示惯导预测接收机和卫星的距离(星地距离)；λ表示载波波长；D表示多普勒观测值；
Figure FDA0002541996510000028
表示惯导预测接收机和卫星的相对速度；E表示方向余弦矢量，具体表达式是由线性化伪距定位方程中的位置对应项确定的；δtr表示接收机钟差；εP表示伪距观测随机噪声；εD表示多普勒观测随机噪声。
8.一种GNSS/INS紧组合的导航方法，其特征在于，该导航方法采用深度神经网络模型对GNSS/INS紧组合中的Kalman滤波器进行修正，所述深度神经网络模型用于根据GNSS的伪距误差和INS的状态误差进行预测得到位置误差、速度误差、姿态误差，并基于得到的位置误差、速度误差、姿态误差实现对所述Kalman滤波器的修正，以修正后的Kalman滤波器的输出的INS状态误差校正量对INS的定位信号进行进行校正。
9.根据权利要求8所述的GNSS/INS紧组合的导航方法，其特征在于，所述的深度神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括第一隐藏层和第二隐藏层；其中输入层的神经元为INS的位置误差、速度误差、姿态误差和各颗卫星的伪距观测误差；第一隐藏层分为伪距误差部分和INS误差部分，两者相互独立，其中，第一隐藏层的伪距误差部分与输入层中各颗卫星伪距观测误差对应的神经元全连接，第一隐藏层的INS误差部分与输入层中INS的位置误差、速度误差、姿态误差对应的神经元全连接，第二隐藏层中各神经元与第一隐藏层中的各神经元全连接；输出层的神经元为INS的位置误差、速度误差、姿态误差。
CN202010549660.0A 2020-06-16 2020-06-16 一种gnss/ins紧组合滤波器及导航方法 Active CN111854741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010549660.0A CN111854741B (zh) 2020-06-16 2020-06-16 一种gnss/ins紧组合滤波器及导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010549660.0A CN111854741B (zh) 2020-06-16 2020-06-16 一种gnss/ins紧组合滤波器及导航方法

Publications (2)

Publication Number Publication Date
CN111854741A true CN111854741A (zh) 2020-10-30
CN111854741B CN111854741B (zh) 2022-08-09

Family

ID=72986558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010549660.0A Active CN111854741B (zh) 2020-06-16 2020-06-16 一种gnss/ins紧组合滤波器及导航方法

Country Status (1)

Country Link
CN (1) CN111854741B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112902989A (zh) * 2021-05-07 2021-06-04 腾讯科技（深圳）有限公司 数据误差标定方法、装置、电子设备和存储介质
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
RU2635825C1 (ru) * 2016-06-29 2017-11-16 Открытое акционерное общество Московский научно-производственный комплекс "Авионика" имени О.В. Успенского (ОАО МНПК "Авионика") Способ формирования самоорганизующейся структуры навигационного комплекса
CN107390246A (zh) * 2017-07-06 2017-11-24 电子科技大学 一种基于遗传神经网络的gps/ins组合导航方法
US20190004518A1 (en) * 2017-06-30 2019-01-03 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and system for training unmanned aerial vehicle control model based on artificial intelligence
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
CN110487271A (zh) * 2019-09-26 2019-11-22 哈尔滨工程大学 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法
CN110990505A (zh) * 2019-11-24 2020-04-10 中国电子科技集团公司第二十研究所 一种基于神经网络的Loran-C ASF修正方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2635825C1 (ru) * 2016-06-29 2017-11-16 Открытое акционерное общество Московский научно-производственный комплекс "Авионика" имени О.В. Успенского (ОАО МНПК "Авионика") Способ формирования самоорганизующейся структуры навигационного комплекса
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
US20190004518A1 (en) * 2017-06-30 2019-01-03 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and system for training unmanned aerial vehicle control model based on artificial intelligence
CN107390246A (zh) * 2017-07-06 2017-11-24 电子科技大学 一种基于遗传神经网络的gps/ins组合导航方法
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
CN110487271A (zh) * 2019-09-26 2019-11-22 哈尔滨工程大学 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法
CN110990505A (zh) * 2019-11-24 2020-04-10 中国电子科技集团公司第二十研究所 一种基于神经网络的Loran-C ASF修正方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张静娴等: "基于卡尔曼滤波-神经网络预测的GNSS/INS误差反馈校正的研究", 《电子设计工程》 *
李晶: "基于RBFNN的复杂环境下车载组合导航系统研究及实现", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
白相文等: "神经网络辅助的组合导航算法研究", 《导航定位学报》 *
肖凯，孙付平，王浩源等: "北斗/INS 紧组合的惯性辅助三频周跳探测和修复", 《中国惯性技术学报》 *
陈怀宇等: "LSTM网络提高MEMS惯导定位精度的分析及验证", 《中国惯性技术学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112902989A (zh) * 2021-05-07 2021-06-04 腾讯科技（深圳）有限公司 数据误差标定方法、装置、电子设备和存储介质
CN112902989B (zh) * 2021-05-07 2021-07-16 腾讯科技（深圳）有限公司 数据误差标定方法、装置、电子设备和存储介质
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

Also Published As

Publication number Publication date
CN111854741B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN108731670B (zh) 基于量测模型优化的惯性/视觉里程计组合导航定位方法
CN108226980B (zh) 基于惯性测量单元的差分gnss与ins自适应紧耦合导航方法
CN108827310B (zh) 一种船用星敏感器辅助陀螺仪在线标定方法
CN111156987B (zh) 基于残差补偿多速率ckf的惯性/天文组合导航方法
Jiancheng et al. Study on innovation adaptive EKF for in-flight alignment of airborne POS
KR101209667B1 (ko) 네비게이션 어플리케이션을 위한 개선된 지피에스 ａｄｒ처리 방법
CN101949703B (zh) 一种捷联惯性/卫星组合导航滤波方法
EP1585939B1 (en) Attitude change kalman filter measurement apparatus and method
Zaidner et al. A novel data fusion algorithm for low-cost localisation and navigation of autonomous vineyard sprayer robots
CN108387227B (zh) 机载分布式pos的多节点信息融合方法及系统
Stančić et al. The integration of strap-down INS and GPS based on adaptive error damping
CN101982732B (zh) 一种基于esoqpf和ukf主从滤波的微小卫星姿态确定方法
CN106052685A (zh) 一种两级分离融合的姿态和航向估计方法
CN108387236B (zh) 一种基于扩展卡尔曼滤波的偏振光slam方法
CN110567455B (zh) 一种求积更新容积卡尔曼滤波的紧组合导航方法
CN112146655B (zh) 一种BeiDou/SINS紧组合导航系统弹性模型设计方法
CN106772524A (zh) 一种基于秩滤波的农业机器人组合导航信息融合方法
CN112798021B (zh) 基于激光多普勒测速仪的惯导系统行进间初始对准方法
Nourmohammadi et al. Design and experimental evaluation of indirect centralized and direct decentralized integration scheme for low-cost INS/GNSS system
CN111854741B (zh) 一种gnss/ins紧组合滤波器及导航方法
JP5164645B2 (ja) カルマンフィルタ処理における繰り返し演算制御方法及び装置
CN115933641A (zh) 基于模型预测控制指导深度强化学习的agv路径规划方法
Chiang et al. An ANN embedded RTS smoother for an INS/GPS integrated positioning and orientation system
CN111982126B (zh) 一种全源BeiDou/SINS弹性状态观测器模型设计方法
CN116224407B (zh) 一种gnss和ins组合导航定位方法及系统

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