CN113804189B - 基于ins/cns的组合导航方法 - Google Patents

基于ins/cns的组合导航方法 Download PDF

Info

Publication number
CN113804189B
CN113804189B CN202111046661.4A CN202111046661A CN113804189B CN 113804189 B CN113804189 B CN 113804189B CN 202111046661 A CN202111046661 A CN 202111046661A CN 113804189 B CN113804189 B CN 113804189B
Authority
CN
China
Prior art keywords
fitting
navigation system
data
output data
cns
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.)
Active
Application number
CN202111046661.4A
Other languages
English (en)
Other versions
CN113804189A (zh
Inventor
王岚
冯立达
黄娟
胡伟
柳笛
张乃星
刘晓飞
孙青�
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.)
Beihai Prediction Center Of State Oceanic Administration Qingdao Ocean Prediction Station Of State Oceanic Administration Qingdao Marine Environment Monitoring Center Station Of State Oceanic Administration
Original Assignee
Beihai Prediction Center Of State Oceanic Administration Qingdao Ocean Prediction Station Of State Oceanic Administration Qingdao Marine Environment Monitoring Center Station Of State Oceanic Administration
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 Beihai Prediction Center Of State Oceanic Administration Qingdao Ocean Prediction Station Of State Oceanic Administration Qingdao Marine Environment Monitoring Center Station Of State Oceanic Administration filed Critical Beihai Prediction Center Of State Oceanic Administration Qingdao Ocean Prediction Station Of State Oceanic Administration Qingdao Marine Environment Monitoring Center Station Of State Oceanic Administration
Priority to CN202111046661.4A priority Critical patent/CN113804189B/zh
Publication of CN113804189A publication Critical patent/CN113804189A/zh
Application granted granted Critical
Publication of CN113804189B publication Critical patent/CN113804189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/02—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means
    • G01C21/025—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means with the use of startrackers
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种基于INS/CNS的组合导航方法，包括以下步骤：训练步骤：基于天文导航系统实际输出的数据进行拟合输出处理，获得基于实际输出数据和拟合输出数据的差值，对神经网络进行训练；误差预测步骤：使用天文导航系统实际输出数据和对应的拟合输出数据之差，作为神经网络的输入，预测天文导航系统拟合误差值；频率及误差补偿步骤：在天文导航系统的采样间隔内，使用预测的拟合误差值对当前及未来时刻的天文导航系统的拟合输出数据进行修正，实现惯性导航系统及天文导航系统采样频率同步；将频率同步处理后的误差补偿后的天文导航系统输出数据，或天文导航系统拟合数据，与惯性导航系统输出数据融合处理，实现对惯性导航系统数据修正。

Description

基于INS/CNS的组合导航方法
技术领域
本发明涉及导航技术领域，具体涉及一种基于INS/CNS的组合导航方法。
背景技术
惯性导航系统(Inertial Navigation System,INS)具有自主性强、短时精度高和输出连续的优点。因此，惯性导航系统是弹道导弹、高空侦察机等航空类武器系统的重要导航系统。但是，INS同时也存在误差随时间积累的缺点。随着人类对导航定位需求的不断提高，单一的INS已经无法满足高精度的导航要求。
天文导航系统(Celestial Navigation System,CNS)，是一种通过星敏感器观测星光可直接解算出载体姿态和位置信息的导航系统，其优点是导航误差不随时间积累、定姿精度高，适用于长航时自主运行类航天航空类飞行系统的导航。但CNS存在更新频率低，和在恶劣天气条件下，定姿精度易受影响等缺点。
可见，INS和CNS都具有各自的优缺点，单独使用时都无法满足航空器长航时、高精度和高稳定性的导航需求。但INS与CNS相结合，可以提高导航系统的定姿定位精度。因此，将INS和CNS相融合组成INS/CNS组合导航系统，通过优势互补，可满足航空器对导航系统高性能的要求。
INS采样频率通常为几百赫兹，而CNS的采样频率为几十赫兹，甚至只有几赫兹。在INS/CNS组合导航系统中，不同的采样频率不可避免地会引起融合不匹配问题，进而导致了INS/CNS组合导航系统估计出的载体姿态和位置信息出现发散的现象。目前，大量基于机器学习的人工智能方法被提出用于解决INS/CNS组合导航系统的稳定性问题，该类方法在组合导航系统的可靠性和准确度之间获得了最佳平衡。但是，在多频率组合导航系统中仍存在局限性。因此，如何实现INS和CNS输出频率的同步是提高INS/CNS组合导航系统表现亟需解决的一个问题。
发明内容
本发明的目的在于解决以上技术问题，提供一种组合式导航方法。
为了实现上述目的，本发明一些实施例中，提供如下技术方案：
一种基于INS/CNS的组合导航方法，包括以下步骤：
训练步骤：基于天文导航系统实际输出的数据进行拟合输出处理，获得拟合输出数据；基于实际输出数据和拟合输出数据的差值，进行学习处理，对神经网络进行训练；
误差预测步骤：使用若干个时刻的天文导航系统实际输出数据和对应的拟合输出数据之差，作为训练后神经网络的输入，预测当前及未来时刻天文导航系统拟合误差值；
频率及误差补偿步骤：在惯性导航系统存在输出的前提下，在天文导航系统的采样间隔内，使用预测的拟合误差值对当前及未来时刻的天文导航系统的拟合输出数据进行修正，实现惯性导航系统及天文导航系统采样频率的同步；
将频率同步处理后的误差补偿后的天文导航系统输出数据，或天文导航系统拟合数据，与惯性导航系统输出数据进行融合处理，实现对惯性导航系统姿态输出数据和位置输出数据的修正。
本发明一些实施例中，所述训练步骤包括：
获取天文导航系统在k'时刻的实际输出数据，所述实际输出数据用于表示目标的真实位置，包括目标姿态数据VCNS(k′)以及目标位置数据PCNS(k′)；
对天文导航系统输出指标进行拟合处理，获得k时刻拟合输出数据，所述拟合输出数据包括目标姿态拟合数据VCNS(k)以及目标位置拟合数据PCNS(k)；
取n个连续时刻的目标姿态数据VCNS(k′)和目标姿态拟合数据VCNS(k)相减，获得速度差值Dv，取n个连续时刻的目标位置数据PCNS(k′)和目标位置拟合数据PCNS(k)相减，获得位置差值Dp；
采用n-1个连续时刻的速度差值Dv和位置差值Dp作为训练样本，采用第n个时刻的速度差值Dv和位置差值Dp作为当前时刻误差值，学习输出数据与拟合输出数据之间的误差值与当前时刻误差值之间的关系；
基于所述关系，训练神经网络。
本发明一些实施例中，对天文导航系统数据进行拟合处理的方法包括：
获得天文导航系统输出拟合方程：
f(x)＝xT(XTWX)-1XTWy；
其中：
f(x)＝[VCNS(k)PCNS(k)]；
x＝[k；k；1]；
k＝1,2,…,k′，k′表示时刻，且k′＝1,1+n,1+2n,...,n为大于2的整数；
W表示对角元素为wk′的对角矩阵，wk′表示高斯核函数；
对拟合方程进行进行求解，获得天文导航系统在k时刻拟合输出的目标姿态数据VCNS(k)以及目标位置数据PCNS(k)。
采用当前时刻的拟合误差值可进行当前时刻的拟合输出数据的修正。
本发明一些实施例中，频率及误差补偿的方法包括：
将n2-n+1个时刻的天文导航拟合数据与修正后的拟合数据之差作为训练后神经网络的输入，神经网络预测k时刻天文导航系统预测拟合误差值
采用预测拟合误差值对k时刻天文导航系统拟合输出值进行校正，获得校正姿态数据及校正位置数据/>
校正后获得同步的采样数据和/>
本发明一些实施例中，预测当前及未来时刻天文导航系统拟合误差值的方法包括：
计算速度差值Dv和位置差值Dp，得：
将k′-n2,k′-(n-1)n,k′-(n-2)n,...,k′-n时刻的拟合数据误差值作为学习输入；经过遗忘门对输入信息的处理和权重更新，再经过输出门的解算，获得k′时刻的学习输出：天文导航系统拟合误差值
本发明一些实施例中，实现对惯性导航系统姿态输出数据和位置输出数据的修正的方法包括：
以平台失准角、速度误差、位置误差、陀螺常值漂移和加速度计常值偏置作为状态量、频率同步后的CNS姿态、位置数据与天文导航系统输出的姿态数据、位置数据之差和折射视高度误差作为系统观测量，通过CKF完成对天文导航系统输出数据的姿态误差δV和位置误差δP的最优估计，根据δV和δP对INS解算出的姿态VINS(k)和位置PINS(k)误差进行校正，获得高精度的INS/CNS组合导航信息VI′NS(k)和PI′NS(k)：
本发明一些实施例中，对天文导航系统输出数据的姿态误差δV和位置误差δP的最优估计的方法包括：
建立INS/CNS系统方程：
其中，Nk表示n维的系统状态量；F(·)表示非线性系统函数；Wk-1表示系统过程噪声且方差矩阵为Q，Zk表示量测量；
其中h*表示折射视高度误差；v表示量测噪声且方差矩阵为R；
CKF对天文导航系统进行误差估计，通过对状态协方差Pk-1进行Cholesky分解计算出容积点：
Sk-1＝Chol(Pk-1)；
其中，Chol(·)表示Cholesky分解，[1]i表示集合[1]的第i列；
通过非线性状态函数计算传播容积点，可得：
对k时刻的状态值进行预测，得：
其中，k时刻状态协方差的预测值可表示为：
根据k时刻的状态预测值及状态协方差预测值生成容积点Ni,k|k-1；
Sk|k-1＝Chol(Pk|k-1)；
Ni,k|k-1＝Sk|k-1ξi+Nk|k-1；
通过量测函数对容积点进行传递：
Zi,k|k-1＝HNi,k|k-1；
分别对k时刻的量测值及量测值协方差进行预测，得：
对k时刻的互协方差阵进行预测：
根据Pzz,k|k-1和Pxz,k|k-1计算k时刻的滤波增益Kk；
k时刻的状态估计值可表示为：
k时刻的状态协方差估计值可表示为：
最后，取CKF算法估计出的状态量的姿态误差δV和位置误差δP。
较现有技术相比，本发明技术方案的有益效果在于：
1、本发明公开了一种基于人工智能算法的INS/CNS组合导航系统方法，解决了INS和CNS在不同采样频率下INS/CNS组合导航系统的导航精度发散的问题；
2、在不改变INS/CNS组合导航系统硬件结构的前提下，通过软件的方式提高了多频INS/CNS组合导航系统的稳定性和导航精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明方法流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一种基于INS/CNS的组合导航方法，包括以下步骤。
S1:训练步骤：基于天文导航系统实际输出的数据进行拟合输出处理，获得拟合输出数据；基于实际输出数据和拟合输出数据的差值，进行学习处理，对LSTM神经网络进行训练。
本发明一些实施例中，所述训练步骤包括：
获取天文导航系统在k'时刻的实际输出数据，所述实际输出数据用于表示目标的真实位置，包括目标姿态数据VCNS(k′)以及目标位置数据PCNS(k′)；
对天文导航系统输出指标进行拟合处理，获得k时刻拟合输出数据，所述拟合输出数据包括目标姿态拟合数据VCNS(k)以及目标位置拟合数据PCNS(k)；
取n个连续时刻的目标姿态数据VCNS(k′)和目标姿态拟合数据VCNS(k)相减，获得速度差值Dv，取n个连续时刻的目标位置数据PCNS(k′)和目标位置拟合数据PCNS(k)相减，获得位置差值Dp；
采用n-1个连续时刻的速度差值Dv和位置差值Dp作为训练样本，采用第n个时刻的速度差值Dv和位置差值Dp作为当前时刻误差值，学习输出数据与拟合输出数据之间的误差值与当前时刻误差值之间的关系；
基于所述关系，训练神经网络。
本发明一些实施例中，前述对天文导航系统数据进行拟合处理的方法包括：
获得天文导航系统输出拟合方程：
f(x)＝xT(XTWX)-1XTWy；
其中：
f(x)＝[VCNS(k)PCNS(k)]；
x＝[k；k；1]；
k＝1,2,…,k′，k′表示时刻，且k′＝1,1+n,1+2n,...,n为大于2的整数；
W表示对角元素为wk′的对角矩阵，wk′表示高斯核函数；
对拟合方程进行进行求解，获得天文导航系统在k时刻拟合输出的目标姿态数据VCNS(k)以及目标位置数据PCNS(k)。
采用当前时刻的拟合误差值可进行当前时刻的拟合输出数据的修正。
S2：误差预测步骤：使用若干个时刻的天文导航系统实际输出数据和对应的拟合输出数据之差，作为训练后神经网络的输入，预测当前及未来时刻天文导航系统拟合误差值。
S3：频率及误差补偿步骤：在惯性导航系统存在输出的前提下，在天文导航系统的采样间隔内，使用预测的拟合误差值对当前及未来时刻的天文导航系统的拟合输出数据进行修正，实现惯性导航系统及天文导航系统采样频率的同步。
本发明一些实施例中，频率及误差补偿的方法包括：
将n2-n+1个时刻的天文导航拟合数据与修正后的拟合数据之差作为训练后神经网络的输入，神经网络预测k时刻天文导航系统预测拟合误差值
采用预测拟合误差值对k时刻天文导航系统拟合输出值进行校正，获得校正姿态数据及校正位置数据/>
校正后获得同步的采样数据和/>
本发明一些实施例中，预测当前及未来时刻天文导航系统拟合误差值的方法包括：
计算速度差值Dv和位置差值Dp，得：
将k′-n2,k′-(n-1)n,k′-(n-2)n,...,k′-n时刻的拟合数据误差值作为学习输入；经过遗忘门对输入信息的处理和权重更新，再经过输出门的解算，获得k′时刻的学习输出：天文导航系统拟合误差值
S4：将频率同步处理后的误差补偿后的天文导航系统输出数据，或天文导航系统拟合数据，与惯性导航系统输出数据进行融合处理，实现对惯性导航系统姿态输出数据和位置输出数据的修正。
本发明一些实施例中，实现对惯性导航系统姿态输出数据和位置输出数据的修正的方法包括：
以平台失准角、速度误差、位置误差、陀螺常值漂移和加速度计常值偏置作为状态量、频率同步后的CNS姿态、位置数据与天文导航系统输出的姿态数据、位置数据之差和折射视高度误差作为系统观测量，通过CKF完成对天文导航系统输出数据的姿态误差δV和位置误差δP的最优估计，根据δV和δP对INS解算出的姿态VINS(k)和位置PINS(k)误差进行校正，获得高精度的INS/CNS组合导航信息VI′NS(k)和PI′NS(k)：
本发明一些实施例中，对天文导航系统输出数据的姿态误差δV和位置误差δP的最优估计的方法包括：
建立INS/CNS系统方程：
其中，Nk表示n维的系统状态量；F(·)表示非线性系统函数；Wk-1表示系统过程噪声且方差矩阵为Q，Zk表示量测量；
其中h*表示折射视高度误差；v表示量测噪声且方差矩阵为R；
取CKF对天文导航系统进行误差估计，通过对状态协方差Pk-1进行Cholesky分解计算出容积点：
Sk-1＝Chol(Pk-1)；
其中，Chol(·)表示Cholesky分解，[1]i表示集合[1]的第i列；通过非线性状态函数计算传播容积点，可得：
对k时刻的状态值进行预测，得：
其中，k时刻状态协方差的预测值可表示为：
根据k时刻的状态预测值及状态协方差预测值生成容积点Ni,k|k-1；
Sk|k-1＝Chol(Pk|k-1)；
Ni,k|k-1＝Sk|k-1ξi+Nk|k-1；
通过量测函数对容积点进行传递：
Zi,k|k-1＝HNi,k|k-1；
分别对k时刻的量测值及量测值协方差进行预测，得：
对k时刻的互协方差阵进行预测：
根据Pzz,k|k-1和Pxz,k|k-1计算k时刻的滤波增益Kk；
k时刻的状态估计值可表示为：
k时刻的状态协方差估计值可表示为：
最后，取CKF算法估计出的状态量的姿态误差δV和位置误差δP。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于INS/CNS的组合导航方法，其特征在于，包括以下步骤：
训练步骤：基于天文导航系统实际输出数据进行拟合输出处理，获得拟合输出数据；基于实际输出数据和拟合输出数据的差值，进行学习处理，对神经网络进行训练；
误差预测步骤：使用若干个时刻的天文导航系统实际输出数据和对应的拟合输出数据之差，作为训练后神经网络的输入，预测当前及未来时刻天文导航系统拟合误差值；
频率及误差补偿步骤：在惯性导航系统存在输出的前提下，在天文导航系统的采样间隔内，使用预测的拟合误差值对当前及未来时刻的天文导航系统的拟合输出数据进行修正，实现惯性导航系统及天文导航系统采样频率的同步；
将频率同步处理后的误差补偿后的天文导航系统输出数据，或天文导航系统拟合数据，与惯性导航系统输出数据进行融合处理，实现对惯性导航系统姿态输出数据和位置输出数据的修正；
所述训练步骤包括：
获取天文导航系统在k'时刻的实际输出数据，所述实际输出数据用于表示目标的真实位置，包括目标姿态数据VCNS(k′)以及目标位置数据PCNS(k′)；
对天文导航系统输出指标进行拟合处理，获得k时刻拟合输出数据，所述拟合输出数据包括目标姿态拟合数据VCNS(k)以及目标位置拟合数据PCNS(k)；
取n个连续时刻的目标姿态数据VCNS(k′)和目标姿态拟合数据VCNS(k)相减，获得速度差值Dv，取n个连续时刻的目标位置数据PCNS(k′)和目标位置拟合数据PCNS(k)相减，获得位置差值Dp；
采用n-1个连续时刻的速度差值Dv和位置差值Dp作为训练样本，采用第n个时刻的速度差值Dv和位置差值Dp作为当前时刻误差值，学习输出数据与拟合输出数据之间的误差值与当前时刻误差值之间的关系；
基于所述关系，训练神经网络；
其中，对天文导航系统数据进行拟合处理的方法包括：
获得天文导航系统输出拟合方程：
f(x)＝xT(XTWX)-1XTWy；
其中：
f(x)＝[VCNS(k) PCNS(k)]；
x＝[k；k；1]；
k′表示时刻，且k′＝1,1+n,1+2n,...,n为大于2的整数；
W表示对角元素为wk′的对角矩阵，wk′表示高斯核函数；
对拟合方程进行进行求解，获得天文导航系统在k时刻拟合输出的目标姿态数据VCNS(k)以及目标位置数据PCNS(k)；
采用当前时刻的拟合误差值可进行当前时刻的拟合输出数据的修正。
2.如权利要求1所述的导航方法，其特征在于，频率及误差补偿的方法包括：
将n2-n+1个时刻的天文导航拟合数据与修正后的拟合数据之差作为训练后神经网络的输入，神经网络预测k时刻天文导航系统预测拟合误差值
采用预测拟合误差值对k时刻天文导航系统拟合输出值进行校正，获得校正姿态数据及校正位置数据/>
校正后获得同步的采样数据和/>
3.如权利要求2所述的导航方法，其特征在于，预测当前及未来时刻天文导航系统拟合误差值的方法包括：
计算速度差值Dv和位置差值Dp，得：
将k′-n2,k′-(n-1)n,k′-(n-2)n,...,k′-n时刻的拟合数据误差值作为学习输入；经过遗忘门对输入信息的处理和权重更新，再经过输出门的解算，获得k′时刻的学习输出：天文导航系统拟合误差值
4.如权利要求3所述的导航方法，其特征在于，实现对惯性导航系统姿态输出数据和位置输出数据的修正的方法包括：
以平台失准角、速度误差、位置误差、陀螺常值漂移和加速度计常值偏置作为状态量、频率同步后的CNS姿态、位置数据与天文导航系统输出的姿态数据、位置数据之差和折射视高度误差作为系统观测量，通过CKF完成对天文导航系统输出数据的姿态误差δV和位置误差δP的最优估计，根据δV和δP对INS解算出的姿态VINS(k)和位置PINS(k)误差进行校正，获得高精度的INS/CNS组合导航信息V′INS(k)和P′INS(k)：
CN202111046661.4A 2021-09-06 2021-09-06 基于ins/cns的组合导航方法 Active CN113804189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111046661.4A CN113804189B (zh) 2021-09-06 2021-09-06 基于ins/cns的组合导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111046661.4A CN113804189B (zh) 2021-09-06 2021-09-06 基于ins/cns的组合导航方法

Publications (2)

Publication Number Publication Date
CN113804189A CN113804189A (zh) 2021-12-17
CN113804189B true CN113804189B (zh) 2024-05-14

Family

ID=78940813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111046661.4A Active CN113804189B (zh) 2021-09-06 2021-09-06 基于ins/cns的组合导航方法

Country Status (1)

Country Link
CN (1) CN113804189B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6131068A (en) * 1999-08-30 2000-10-10 Honeywell International Inc. Accuracy of an inertial measurement unit
CN108664122A (zh) * 2018-04-04 2018-10-16 歌尔股份有限公司 一种姿态预测方法和装置
CN111156987A (zh) * 2019-12-18 2020-05-15 东南大学 基于残差补偿多速率ckf的惯性/天文组合导航方法
CN113137976A (zh) * 2021-02-25 2021-07-20 中国人民解放军海军潜艇学院 惯导系统定位性能评估方法、装置、设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2575971A (en) * 2018-07-23 2020-02-05 Atlantic Inertial Systems Ltd A navigation system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6131068A (en) * 1999-08-30 2000-10-10 Honeywell International Inc. Accuracy of an inertial measurement unit
CN108664122A (zh) * 2018-04-04 2018-10-16 歌尔股份有限公司 一种姿态预测方法和装置
CN111156987A (zh) * 2019-12-18 2020-05-15 东南大学 基于残差补偿多速率ckf的惯性/天文组合导航方法
CN113137976A (zh) * 2021-02-25 2021-07-20 中国人民解放军海军潜艇学院 惯导系统定位性能评估方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于神经网络的联合智能滤波在导航系统中的应用;邓建辉;传感技术学报;20060228;第19卷(第1期);137-141 *
捷联惯导与天文导航组合导航系统仿真研究;陈坡;孙付平;;海洋测绘;20101130;30(6);55-58 *

Also Published As

Publication number Publication date
CN113804189A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN111156987B (zh) 基于残差补偿多速率ckf的惯性/天文组合导航方法
CN108710303B (zh) 含有多源扰动及执行器饱和的航天器相对姿态控制方法
Wang et al. A novel BPNN-based method to overcome the GPS outages for INS/GPS system
CN111238467B (zh) 一种仿生偏振光辅助的无人作战飞行器自主导航方法
CN109211276A (zh) 基于gpr与改进的srckf的sins初始对准方法
CN105737823B (zh) 一种基于五阶ckf的gps/sins/cns组合导航方法
CN109032176B (zh) 一种基于微分代数的地球同步轨道确定和参数确定方法
CN112945225A (zh) 基于扩展卡尔曼滤波的姿态解算系统及解算方法
CN110186478B (zh) 用于捷联式惯导系统的惯性传感器选型方法及系统
CN112325886B (zh) 一种基于重力梯度仪和陀螺仪组合的航天器自主定姿系统
CN108827288A (zh) 一种基于对偶四元数的降维捷联惯性导航系统初始对准方法及系统
Xu et al. A dynamic vector-formed information sharing algorithm based on two-state chi square detection in an adaptive federated filter
US9243914B2 (en) Correction of navigation position estimate based on the geometry of passively measured and estimated bearings to near earth objects (NEOS)
CN113091731A (zh) 一种基于恒星视线相对论效应的航天器自主导航方法
CN113587926A (zh) 一种航天器空间自主交会对接相对导航方法
CN110595434B (zh) 基于mems传感器的四元数融合姿态估计方法
CN115265532A (zh) 一种用于船用组合导航中的辅助滤波方法
CN113804189B (zh) 基于ins/cns的组合导航方法
CN110736459A (zh) 惯性量匹配对准的角形变测量误差评估方法
CN114608588B (zh) 基于脉冲到达时间差的差分x射线脉冲星导航方法
CN115014321A (zh) 一种基于自适应鲁棒滤波的仿生偏振多源融合定向方法
CN115420280A (zh) 一种航天器脉冲星/星光折射组合导航方法
CN112595319A (zh) 一种模型自适应补偿的返回弹道估计算法
CN113324539A (zh) 一种sins/srs/cns多源融合自主组合导航方法
CN112046793A (zh) 复杂扰动下的空间相对状态快速确定方法

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