CN114136317A - 一种基于纯惯性测量的水下长航程导航定位方法及装置 - Google Patents

一种基于纯惯性测量的水下长航程导航定位方法及装置 Download PDF

Info

Publication number
CN114136317A
CN114136317A CN202210115518.4A CN202210115518A CN114136317A CN 114136317 A CN114136317 A CN 114136317A CN 202210115518 A CN202210115518 A CN 202210115518A CN 114136317 A CN114136317 A CN 114136317A
Authority
CN
China
Prior art keywords
data
carrier
neural network
navigation
acceleration
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
CN202210115518.4A
Other languages
English (en)
Other versions
CN114136317B (zh
Inventor
于化鹏
李子圆
沈同圣
赵德鑫
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.)
National Defense Technology Innovation Institute PLA Academy of Military Science
Original Assignee
National Defense Technology Innovation Institute PLA Academy of Military Science
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 National Defense Technology Innovation Institute PLA Academy of Military Science filed Critical National Defense Technology Innovation Institute PLA Academy of Military Science
Priority to CN202210115518.4A priority Critical patent/CN114136317B/zh
Publication of CN114136317A publication Critical patent/CN114136317A/zh
Application granted granted Critical
Publication of CN114136317B publication Critical patent/CN114136317B/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
    • 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明公开了一种基于纯惯性测量的水下长航程导航定位方法及装置，其中方法包括以下步骤：S1.惯性测量数据预处理，对惯性测量单元的纯惯性测量数据进行数据预处理；S2.运动特征提取,提取数据中隐含的载体运动特征，关联载体导航定位参数；S3.神经网络模型训练，通过神经网络模型训练，来构建惯性数据特征与导航参数的相关量之间的映射模型；S4.神经网络模型预测，将数据输入到训练得到的惯性数据特征与导航参数的相关量之间的映射模型中得到神经网络输出值，即可推算载体导航参数。本方法和装置可实现从惯性数据特征的角度来估计载体的导航参数，进而避免了直接利用惯性测量数据进行传统导航解算带来的误差累积效应。

Description

一种基于纯惯性测量的水下长航程导航定位方法及装置
技术领域
本发明涉及导航系统技术领域，具体涉及一种基于纯惯性测量的水下长航程导航定位方法及装置。
背景技术
惯性测量单元（IMU）是惯性导航系统(INS)的重要组成部分，惯性导航系统是依靠陀螺仪和加速度计等敏感器件，在惯性坐标系下记录载体的运动，借助基本牛顿力学知识提供全天候导航信息的独立自主导航系统。
由于惯性导航系统具备连续输出载体位置速度和姿态信息、短时导航精度高、完全独立自主等突出优点，在车、船、飞机等导航等领域应用广泛。然而，对于长航时、长航程导航任务需求，惯性测量系统的缺陷也十分明显。从惯性导航系统的基本可知，通过对加速度的一次积分获得载体速度量，二次积分获得位置相关量。二次积分过程势必将测量数据中的噪声量不断累积放大，最终导致解算出的导航信息发散，直至无法使用。
目前常用的解决手段是，将惯性导航系统与其他定位技术（全球定位系统、水声定位）结合构成组合导航。例如，使用卫星定位修正惯性导航，可避免其误差随时间的迅速积累。然而，在接收卫星信号的同时也暴露了航行器的当前位置，使航行器丧失隐蔽性。
发明内容
本发明的主要目的是提供一种基于纯惯性测量的水下长航程导航定位方法及装置，以提高长航时、长航程导航精度。该方法利用惯性测量单元的纯惯性测量数据，经数据预处理后，提取数据中隐含的载体运动特征，关联载体导航参数，通过神经网络模型训练，来构建惯性数据特征与导航参数的相关量之间的映射模型，进而可将数据输入到训练得到的惯性数据特征与导航参数的相关量之间的映射模型中得到神经网络输出值，即神经网络模型预测得到航向变化量
Figure DEST_PATH_IMAGE001
和位移变化量
Figure DEST_PATH_IMAGE002
，即可推算载体的导航参数，进而获得载体位置。
基于上述目的，本发明提供一种基于纯惯性测量的水下长航程导航定位方法，包括以下步骤：
S1.惯性测量数据预处理，对惯性测量单元的惯性测量数据进行数据预处理；
S2. 运动特征提取, 提取惯性测量数据中隐含的载体运动特征，关联载体导航参数；
S3. 神经网络模型训练，通过神经网络模型训练，来构建惯性数据特征与导航参数的相关量之间的映射模型；
S4. 神经网络模型预测，将惯性测量数据输入到训练得到的惯性数据特征与导航参数的相关量之间的映射模型中得到神经网络输出值，即可推算载体导航参数。
进一步，步骤S1中，数据预处理包括通过运动加速度误差模型从加速度计测得的表观加速度中分离重力分量和地球自转分量，所述运动加速度误差模型的方程为：
Figure DEST_PATH_IMAGE003
其中，
Figure DEST_PATH_IMAGE004
为载体在导航坐标系下的运动加速度，
Figure DEST_PATH_IMAGE005
为载体坐标系下加速度计测得的表观加速度，
Figure DEST_PATH_IMAGE006
是和姿态有关的载体坐标系与导航坐标系之间的旋转矩阵，
Figure DEST_PATH_IMAGE007
为导航坐标系下重力加速度（其余部分不加坐标系说明均是指在导航坐标系中），
Figure DEST_PATH_IMAGE008
为载体绕地球转动以及地球自转产生的干扰加速度，
Figure DEST_PATH_IMAGE009
表示导航坐标系相对于惯性坐标系的旋转，
Figure DEST_PATH_IMAGE010
表示惯性系统在地球表面附近因地球表面弯曲引起的导航坐标系旋转，是与载体的速度和深度有关量；
随着载体航行位置不同，重力加速度
Figure 415737DEST_PATH_IMAGE007
计算公式为：
Figure DEST_PATH_IMAGE011
其中，
Figure DEST_PATH_IMAGE012
是万有引力系数，
Figure DEST_PATH_IMAGE013
是地球质量，
Figure DEST_PATH_IMAGE014
代表纬度，
Figure DEST_PATH_IMAGE015
代表载体距地心的距离，计算公式为：
Figure DEST_PATH_IMAGE016
式中，a代表地球长半轴，b代表地球短半轴；
由于载体并非一直保持以水平姿态航行，造成重力加速度在载体坐标系X轴、Y轴上有重力分量；
对重力加速度在载体X轴、Y轴的重力分量进行计算公式为：
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE018
为载体纵倾角，
Figure DEST_PATH_IMAGE019
为横滚角，
Figure DEST_PATH_IMAGE020
为重力加速度在载体
Figure DEST_PATH_IMAGE021
轴上的分量，
Figure DEST_PATH_IMAGE022
为重力加速度在载体
Figure DEST_PATH_IMAGE023
轴上的分量；
地球自转对运动加速度的影响计算公式为：
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
为地球自转在纬度
Figure DEST_PATH_IMAGE027
处的投影，
Figure DEST_PATH_IMAGE028
是载体航行深度，
Figure DEST_PATH_IMAGE029
是东向速度，
Figure DEST_PATH_IMAGE030
是北向速度。
进一步，步骤S1中，数据预处理还包括数据降噪，采用零相位数字滤波器对加速度数据和角速度数据做降噪处理，并对加速度数据和角速度数据进行归一化处理；其中，加速度数据包括运动加速度、表观加速度和重力加速度，角速度数据包括航向角速度、俯仰角速度、横滚角速度。
进一步，步骤S2中，选取均值、最大值、最小值、标准差、频域均值、熵、四分位值、频域信号方差、运动强度、峰值、偏度、变异系数、和/或窗口数据之和作为载体导航参数的特征描述量；
利用GPS数据计算出时间窗口内航向变化量
Figure 317833DEST_PATH_IMAGE001
和位移变化量
Figure 628728DEST_PATH_IMAGE002
作为监督学习的训练标签。
进一步，步骤S3中，
通过长短期记忆网络来构建惯性数据特征与导航参数的相关量之间的映射模型；定义网络的损失函数为：
Figure DEST_PATH_IMAGE031
Figure DEST_PATH_IMAGE032
为t时刻网络的输出预测值，
Figure DEST_PATH_IMAGE033
为真实标签值，mean()为对括号中的变量取均值；
设置神经网络输入节点数
Figure DEST_PATH_IMAGE034
，输出节点数
Figure DEST_PATH_IMAGE035
，学习率lr，隐藏层数h_ num，每次训练样本数batch_size，时间步长timestep，迭代次数iter，隐藏层中神经元的数量
Figure DEST_PATH_IMAGE036
；在神经网络参数设置完成后，开始训练，若损失函数收敛到预设的阈值以内，则代表训练完成，终止对神经网络模型的训练。
进一步，步骤S4中，将采集到的数据中的P%作为训练集，Q%作为测试集，其中P + Q= 100，将测试集中的数据输入到训练得到的惯性数据特征与导航参数的相关量之间的映射模型中得到神经网络输出值，神经网络输出值包括神经网络模型预测得到航向变化量
Figure DEST_PATH_IMAGE037
和位移变化量
Figure DEST_PATH_IMAGE038
；
并利用下面公式解算出载体位置；
Figure DEST_PATH_IMAGE039
Figure DEST_PATH_IMAGE040
式中
Figure DEST_PATH_IMAGE041
代表东向位移，
Figure DEST_PATH_IMAGE042
代表北向位移，
Figure DEST_PATH_IMAGE043
代表航向。
进一步，所述载体为自主式水下航行器。
另一方面，本发明提供一种基于纯惯性测量的水下长航程导航定位装置，所述装置用于实现所述基于纯惯性测量的水下长航程导航定位方法，所述装置包括：惯性测量数据输入接口、惯性测量数据预处理模块、运动特征提取模块、历史特征存储模块、神经网络模型训练模块、模型更新判决模块、神经网络模型预测模块和输出或显示接口。
进一步，所述惯性测量数据输入接口用于实时接收和解析惯性测量单元发送的惯性测量数据；
惯性测量数据预处理模块用于实现步骤S1中惯性测量数据预处理；
运动特征提取模块用于实现步骤S2中运动特征提取的算法；
历史特征存储模块用于在装置与惯性测量单元配套安装后，持续记录累积惯性测量单元的惯性测量数据，以逐渐增加模型训练的数据来源；
神经网络模型训练模块用于实现步骤S3中神经网络模型训练的算法；
模型更新判决模块用于神经网络模型训练模块训练得到新的神经网络模型后，判决是否提供给神经网络模型预测模块进行更新；
神经网络模型预测模块用于实现步骤S4中神经网络模型预测的算法；
输出或显示接口，用于将解算得到的载体导航参数以指定格式传输给其他装置，或发送至显示装置用于目视查看；所述导航参数包括载体位置、航向以及载体位置变化量和航向变化量。
进一步，惯性测量数据预处理模块包括运动加速度误差模型子模块和数据降噪子模块。
本发明具有的有益效果：本发明从惯性测量单元原始记录数据与载体的运动特征之间的关系出发，得到载体在时间窗口内的航行状态变化量与惯性数据变化特征的非线性映射关系，通过对时间窗口内的惯性测量数据进行特征提取和对位置、航向变化量解算，引入神经模型网络构建特征量与变化量之间的映射关系，可实现从惯性数据特征的角度来估计载体的导航参数，进而避免了直接利用惯性测量数据进行传统导航解算带来的误差累积效应。
附图说明
图1 为本发明实施例基于纯惯性测量的水下长航程导航定位方法的流程框架示意图；
图2为本发明实施例中运动加速度误差模型中重力分量侧视图；
图3为本发明实施例中运动加速度误差模型中重力分量后视图；
图4为本发明实施例中航向变化量测试结果示意图；
图5为本发明实施例中位移变化量测试结果示意图；
图6为本发明实施例中基于神经网络的惯性测量数据预测航迹与真实航迹示意图；
图7为本发明实施例中基于纯惯性测量的水下长航程导航定位装置架构示意图。
具体实施方式
下面将结合附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1-7所示，本发明一种基于纯惯性测量的水下长航程导航定位方法及装置的优选实施例，介绍如下：
一种基于纯惯性测量的水下长航程导航定位方法（通常航程大于100km称之为长航程）,如图1所示，该方法包括以下步骤：
步骤S1、惯性测量数据预处理，对惯性测量单元（IMU）的纯惯性测量数据进行数据预处理；
惯性测量数据预处理模块包含两个子模块，即运动加速度误差模型子模块和数据降噪子模块。
运动加速度误差模型子模块是用于从加速度计测得的表观加速度中分离重力分量和地球自转分量。
运动加速度误差模型方程为：
Figure 181195DEST_PATH_IMAGE003
其中，
Figure 729988DEST_PATH_IMAGE004
为载体在导航坐标系下的运动加速度，
Figure 83609DEST_PATH_IMAGE005
为载体坐标系下加速度计测量到的表观加速度，
Figure 553904DEST_PATH_IMAGE006
是和姿态有关的载体坐标系与导航坐标系之间的旋转矩阵，
Figure 487225DEST_PATH_IMAGE007
为导航坐标系下重力加速度，
Figure 559699DEST_PATH_IMAGE008
为载体绕地球转动以及地球自转产生的干扰加速度，
Figure 349800DEST_PATH_IMAGE009
表示导航坐标系相对于惯性坐标系的旋转，
Figure 510654DEST_PATH_IMAGE010
表示惯性系统在地球表面附近因地球表面弯曲引起的导航坐标系旋转，是与载体的速度和深度有关量；其中，所述载体为自主式水下航行器（简称AUV）。
可选的，随着载体航行位置不同，重力加速度计算公式为：
Figure 982087DEST_PATH_IMAGE011
其中，
Figure 36631DEST_PATH_IMAGE012
是万有引力系数，
Figure DEST_PATH_IMAGE044
，
Figure 873000DEST_PATH_IMAGE013
是地球质量，
Figure DEST_PATH_IMAGE045
，
Figure 317887DEST_PATH_IMAGE014
代表纬度，R代表载体距地心的距离，计算公式为：
Figure DEST_PATH_IMAGE046
式中a代表地球长半轴a = 6378km，b代表地球短半轴b = 6357km。
由于AUV并非一直保持以水平姿态航行，这就造成重力加速度在载体坐标系X轴、Y轴上有重力分量，如图2所示。
进一步地，对重力加速度在载体X轴、Y轴的重力分量进行计算公式为：
Figure DEST_PATH_IMAGE047
Figure 265115DEST_PATH_IMAGE018
为载体纵倾角，
Figure 705323DEST_PATH_IMAGE019
为横滚角，
Figure 447014DEST_PATH_IMAGE020
为重力加速度在载体
Figure 910357DEST_PATH_IMAGE021
轴上的分量，
Figure 520330DEST_PATH_IMAGE022
为重力加速度在载体
Figure 690411DEST_PATH_IMAGE023
轴上的分量。
可选的，地球自转对运动加速度的影响计算公式为：
Figure 196479DEST_PATH_IMAGE024
Figure 678276DEST_PATH_IMAGE025
其中，
Figure 967306DEST_PATH_IMAGE026
为地球自转在纬度
Figure 116527DEST_PATH_IMAGE027
处的投影，
Figure 468530DEST_PATH_IMAGE028
是载体航行深度，
Figure 437623DEST_PATH_IMAGE029
是东向速度，
Figure 264765DEST_PATH_IMAGE030
是北向速度。
进一步地，数据降噪子模块主要实现滤波降噪和数据归一化功能。
优选的，数据降噪子模块包括零相位数字滤波器，采用零相位数字滤波器对加速度和角速度数据做降噪处理。
设置滤波器参数：“低通”，“滤波器阶数=5”，“HalfPowerFrequency=0.055”，“DesignMethod=butter”。
进一步地，对加速度和角速度数据进行归一化处理，归一化计算公式为：
Figure DEST_PATH_IMAGE048
式中，
Figure DEST_PATH_IMAGE049
代表原始惯性测量数据，
Figure DEST_PATH_IMAGE050
代表归一化后的加速度和角速度数据，min()代表对括号中的变量取最小值，max()代表对括号中的变量取最大值。
步骤S2、运动特征提取，提取数据中隐含的载体运动特征，关联载体导航参数；载体运动特征是对载体运动的宏观描述，例如匀速、匀速直线，加速、减速、匀加速、匀减速、回转等。
优选的，选择均值和窗口数据之和作为航向变化量
Figure 206176DEST_PATH_IMAGE001
的特征描述量，
均值计算公式为：
Figure DEST_PATH_IMAGE051
窗口数据之和计算公式为：
Figure DEST_PATH_IMAGE052
式中，
Figure DEST_PATH_IMAGE053
中i为窗口内航向角速度数据时间序列，i取值为1-N，N是窗口数据量大小，sum()代表对括号中的变量求和。
优选的，本发明中时间窗口取为5秒，惯性测量单元数据采样频率为100HZ，故N=500。
进一步地，利用GPS数据计算出时间窗口内航向变化量
Figure 663833DEST_PATH_IMAGE001
作为监督学习的训练标签。
优选的，选取均值、最大值、最小值、标准差、频域均值、熵、四分位值、频域信号方差、运动强度、峰值、偏度、变异系数、窗口数据之和作为位移变化量
Figure 120222DEST_PATH_IMAGE002
的特征描述量。其中标准差计算公式为：
Figure DEST_PATH_IMAGE054
频域均值计算公式为：
Figure DEST_PATH_IMAGE055
；
熵计算公式为：
Figure DEST_PATH_IMAGE056
；
四分位值计算公式为：
Figure DEST_PATH_IMAGE057
；
频域信号方差计算公式为：
Figure DEST_PATH_IMAGE058
；
运动强度计算公式为：
Figure DEST_PATH_IMAGE059
；
峰值计算公式为：
Figure DEST_PATH_IMAGE060
；
偏度计算公式为：
Figure DEST_PATH_IMAGE061
；
变异系数计算公式为：
Figure DEST_PATH_IMAGE062
窗口数据之和计算公式为：
Figure DEST_PATH_IMAGE063
；
其中，fft()为对括号中的变量做快速傅里叶变换，mean()为对括号中的变量取均值，sum()为对括号中的变量求和， 0.25N代表总数据量N的四分之一，0.75N代表总数据量N的四分之三，var()代表对括号中的变量求方差，std()代表对括号中的变量求标准差。
进一步地，利用GPS记录的数据计算出时间窗口内位移变化量
Figure 826754DEST_PATH_IMAGE002
作为监督学习的训练标签。通过运动特征提取模块实现上述方法中运动特征提取的算法。
历史特征存储模块，用于持续记录和存储累积惯性测量单元的惯性测量数据，以逐渐增加模型训练的数据来源。
步骤S3、神经网络模型训练，通过神经网络模型训练，来构建惯性数据特征与导航参数的相关量之间的映射模型。
惯性数据特征是对惯性数据变化的描述，当载体匀速直线运动时，惯性测量单元测量到的加速度、角速度是以0为中心上下震荡的，这种以0为中心，上下震荡即是惯性数据特征。当载体从匀速变为加速时，惯性测量单元测量到的加速度应从以0为中心上下震荡变为逐渐增大。这种以0为中心上下震荡变为逐渐增大也是惯性数据特征。再如，当载体突然转向时，惯性测量单元测量到的航向角速度会有一个瞬间峰值信号，这种瞬间峰值信号也是惯性数据特征。
惯性测量单元所记录的惯性测量数据有严格的时间序列，虽然对记录的数据划分了窗口，但窗口之间依然存在时间依赖性。本发明选择对时间序列有较好预测能力的长短期记忆网络（LSTM）来构建惯性数据特征与导航参数的相关量之间的映射模型。
进一步地，定义本发明网络的损失函数。本发明定义网络的损失函数为：
Figure 294775DEST_PATH_IMAGE031
Figure 375864DEST_PATH_IMAGE032
为t时刻网络的输出预测值，
Figure 194915DEST_PATH_IMAGE033
为真实标签值，mean()为对括号中的变量取均值。
进一步地，设置神经网络输入节点数
Figure 957335DEST_PATH_IMAGE034
，输出节点数
Figure 670076DEST_PATH_IMAGE035
，学习率lr，隐藏层数h_num，每次训练样本数batch_size，时间步长timestep，迭代次数iter，隐藏层中神经元的数量
Figure 266273DEST_PATH_IMAGE036
。
进一步地，设置神经网络中航向变化量预测中输入节点数
Figure 962834DEST_PATH_IMAGE034
为2，位移变化量预测中输入节点数
Figure 935469DEST_PATH_IMAGE034
为70，航向变化量与位移变化量预测输出节点数
Figure 971558DEST_PATH_IMAGE035
均为1，学习率lr=0.001，隐藏层数h_num=2, 每次训练样本数batch_size=30，时间步长timestep=2，迭代次数iter=2000，隐藏层中神经元的数量
Figure 863291DEST_PATH_IMAGE036
，优选的，根据公式计算隐藏层神经元数为2和48（四舍五入取整数）：
Figure DEST_PATH_IMAGE064
在神经网络参数设置完成后，开始训练，若损失函数收敛到预设的阈值以内，则代表训练完成，终止对神经网络模型的训练。
步骤S4、神经网络模型预测，将数据输入到训练得到的惯性数据特征与导航参数的相关量之间的映射模型中得到神经网络输出值，即可推算载体位置。
本发明中，将惯性测量单元所记录的惯性测量数据的70%作为训练集，30%作为测试集，将测试集中的数据输入到训练得到的惯性数据特征与导航参数的相关量之间的映射模型中得到神经网络输出值，航向变化量
Figure 453672DEST_PATH_IMAGE001
和位移变化量
Figure 557894DEST_PATH_IMAGE002
，如图4，图5所示。其中图4中，横轴代表计算时间点，本方法中时间窗口为5秒，横轴中一个时间点代表5秒。纵轴代表每5秒载体的航向变化量。上子图显示了用本方法得到的预测值，下子图显示了载体的真实航向变化量。图5中横轴代表计算时间点，本方法中时间窗口为5秒，横轴中一个时间点代表5秒。纵轴代表每5秒载体的位移变化量。上子图显示了用本方法得到的预测值，下子图显示了载体的真实位移变化量。
根据图4、图5得到的位移变化量和航向变化量，利用以下公式解算出载体位置，最终结果如图6所示。其中设置载体初始坐标 (L x , L y )为（0，0），初始航向
Figure 855015DEST_PATH_IMAGE043
=0，
Figure 448807DEST_PATH_IMAGE039
Figure 464168DEST_PATH_IMAGE040
式中
Figure 372081DEST_PATH_IMAGE041
代表东向位移，
Figure 913921DEST_PATH_IMAGE042
代表北向位移，
Figure 545191DEST_PATH_IMAGE043
代表航向。
最后，将经训练与测试后的惯性数据特征与导航参数的相关量之间的映射模型嵌入用于纯惯性测量的水下长航程导航的开发板中，即可用于实际使用。
根据本发明的第2方面，一种基于纯惯性测量的水下长航程导航定位装置，包括惯性测量数据输入接口、惯性测量数据预处理模块、运动特征提取模块、历史特征存储模块、神经网络模型训练模块、模型更新判决模块、神经网络模型预测模块和载体位置、航向等导航参数输出或显示接口，惯性测量数据输入接口、历史特征存储模块、模型更新判决模块、载体导航参数输出或显示接口均为使得上述所提出的一种基于纯惯性测量的水下长航程导航定位方法在硬件装置中在线实现。其中，
惯性测量数据输入接口用于实时接收和解析惯性测量单元发送的惯性测量数据；
惯性测量数据预处理模块包括但不限于两个子模块，即运动加速度误差模型子模块和数据降噪子模块，实现上述方法中步骤S1、惯性测量数据预处理的算法；
运动特征提取模块实现上述方法中步骤S2、运动特征提取的算法；
历史特征存储模块用于在装置与某惯性测量单元配套安装后，持续记录累积该惯性测量单元的惯性测量数据，以逐渐增加模型训练的数据来源；
神经网络模型训练模块实现上述方法中步骤S3、神经网络模型训练的算法；
模型更新判决模块用于神经网络模型训练模块训练得到新的神经网络模型后，是否提供给神经网络模型预测模块进行更新。模型更新判决模块可采用定时更新、定启动次数更新等多种判决机制；
神经网络模型预测模块实现上述方法步骤S4中神经网络模型预测的算法；
载体位置、航向等导航参数的导航参数输出或显示接口，将解算得到的载体位置、航向等导航参数以指定格式数据给其他装置，或发送至显示装置用于目视查看。
在本说明书的描述中，参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，本领域的技术人员可以在不产生矛盾的情况下，将本说明书中描述的不同实施例或示例以及其中的特征进行结合或组合。
上述内容虽然已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型等更新操作。

Claims (10)

1.一种基于纯惯性测量的水下长航程导航定位方法，其特征在于，包括以下步骤：
S1.惯性测量数据预处理，对惯性测量单元的惯性测量数据进行数据预处理；
S2. 运动特征提取, 提取惯性测量数据中隐含的载体运动特征，关联载体导航参数；
S3. 神经网络模型训练，通过神经网络模型训练，来构建惯性数据特征与导航参数的相关量之间的映射模型；
S4. 神经网络模型预测，将惯性测量数据输入到训练得到的惯性数据特征与导航参数的相关量之间的映射模型中得到神经网络输出值，即推算载体导航参数。
2.根据权利要求1所述的基于纯惯性测量的水下长航程导航定位方法，其特征在于，步骤S1中，数据预处理包括通过运动加速度误差模型从加速度计测得的表观加速度中分离重力分量和地球自转分量，所述运动加速度误差模型的方程为：
Figure 180859DEST_PATH_IMAGE001
其中，
Figure 160316DEST_PATH_IMAGE002
为载体在导航坐标系下的运动加速度，
Figure 408895DEST_PATH_IMAGE003
为载体坐标系下加速度计测得的表观加速度，
Figure 397579DEST_PATH_IMAGE004
是和姿态有关的载体坐标系与导航坐标系之间的旋转矩阵，
Figure 680793DEST_PATH_IMAGE005
为导航坐标系下重力加速度，
Figure 831152DEST_PATH_IMAGE006
为载体绕地球转动以及地球自转产生的干扰加速度，
Figure 691660DEST_PATH_IMAGE007
表示导航坐标系相对于惯性坐标系的旋转，
Figure 952878DEST_PATH_IMAGE008
表示惯性系统在地球表面附近因地球表面弯曲引起的导航坐标系旋转，是与载体的速度和深度有关量；
随着载体航行位置不同，重力加速度
Figure 684073DEST_PATH_IMAGE005
计算公式为：
Figure 760262DEST_PATH_IMAGE009
其中，
Figure 576908DEST_PATH_IMAGE010
是万有引力系数，
Figure 376237DEST_PATH_IMAGE011
是地球质量，
Figure 961939DEST_PATH_IMAGE012
代表纬度，
Figure 595045DEST_PATH_IMAGE013
代表载体距地心的距离，计算公式为：
Figure 898988DEST_PATH_IMAGE014
式中，a代表地球长半轴，b代表地球短半轴；
由于载体并非一直保持以水平姿态航行，造成在重力加速度在X轴、Y轴上有重力分量；
对重力加速度在载体X轴、Y轴的重力分量进行计算公式为：
Figure 236428DEST_PATH_IMAGE015
Figure 535691DEST_PATH_IMAGE016
为载体纵倾角，
Figure 936104DEST_PATH_IMAGE017
为横滚角，
Figure 992922DEST_PATH_IMAGE018
为重力加速度在载体
Figure 602895DEST_PATH_IMAGE019
轴上的分量，
Figure 163189DEST_PATH_IMAGE020
为重力加速度在载体
Figure 731574DEST_PATH_IMAGE021
轴上的分量；
地球自转对运动加速度的影响计算公式为：
Figure 744529DEST_PATH_IMAGE022
Figure 548406DEST_PATH_IMAGE023
其中，
Figure 104152DEST_PATH_IMAGE024
为地球自转在纬度
Figure 965142DEST_PATH_IMAGE025
处的投影，
Figure 668656DEST_PATH_IMAGE026
是载体航行深度，
Figure 151590DEST_PATH_IMAGE027
是东向速度，
Figure 545531DEST_PATH_IMAGE028
是北向速度。
3.根据权利要求2所述的基于纯惯性测量的水下长航程导航定位方法，其特征在于，步骤S1中，数据预处理还包括数据降噪，采用零相位数字滤波器对加速度数据和角速度数据做降噪处理，并对加速度数据和角速度数据进行归一化处理；其中，加速度数据包括运动加速度、表观加速度和重力加速度，角速度数据包括航向角速度、俯仰角速度、横滚角速度。
4.根据权利要求1所述的基于纯惯性测量的水下长航程导航定位方法，其特征在于，步骤S2中，
选取均值、最大值、最小值、标准差、频域均值、熵、四分位值、频域信号方差、运动强度、峰值、偏度、变异系数、和/或窗口数据之和作为载体导航参数的特征描述量；
利用GPS数据计算出时间窗口内航向变化量
Figure 721298DEST_PATH_IMAGE029
和位移变化量
Figure 708845DEST_PATH_IMAGE030
作为监督学习的训练标签。
5.根据权利要求1所述的基于纯惯性测量的水下长航程导航定位方法，其特征在于，步骤S3中，
通过长短期记忆网络来构建惯性数据特征与导航参数的相关量之间的映射模型；定义网络的损失函数为：
Figure 136415DEST_PATH_IMAGE031
Figure 122214DEST_PATH_IMAGE032
为t时刻网络的输出预测值，
Figure 609827DEST_PATH_IMAGE033
为真实标签值，mean()为对括号中的变量取均值；
设置神经网络输入节点数
Figure 943725DEST_PATH_IMAGE034
，输出节点数
Figure 174986DEST_PATH_IMAGE035
，学习率lr，隐藏层数h_num，每次训练样本数batch_size，时间步长timestep，迭代次数iter，隐藏层中神经元的数量
Figure 418886DEST_PATH_IMAGE036
；在神经网络参数设置完成后，开始训练，若损失函数收敛到预设的阈值以内，则代表训练完成，终止对神经网络模型的训练。
6.根据权利要求1所述的基于纯惯性测量的水下长航程导航定位方法，其特征在于，步骤S4中，将采集到的数据中的P%作为训练集，Q%作为测试集，其中P + Q = 100，将测试集中的数据输入到训练得到的惯性数据特征与导航参数的相关量之间的映射模型中得到神经网络输出值，神经网络输出值包括神经网络模型预测得到航向变化量
Figure 264351DEST_PATH_IMAGE037
和位移变化量
Figure 226491DEST_PATH_IMAGE038
；
并利用下面公式解算出载体位置：
Figure 586409DEST_PATH_IMAGE039
Figure 950394DEST_PATH_IMAGE040
式中
Figure 966761DEST_PATH_IMAGE041
代表东向位移，
Figure 557142DEST_PATH_IMAGE042
代表北向位移，
Figure 989260DEST_PATH_IMAGE043
代表航向。
7.根据权利要求1-6任一项所述的基于纯惯性测量的水下长航程导航定位方法，其特征在于，所述载体为自主式水下航行器。
8.一种基于纯惯性测量的水下长航程导航定位装置，其特征在于，所述装置用于实现权利要求1-7任一项所述的基于纯惯性测量的水下长航程导航定位方法，所述装置包括：惯性测量数据输入接口、惯性测量数据预处理模块、运动特征提取模块、历史特征存储模块、神经网络模型训练模块、模型更新判决模块、神经网络模型预测模块和输出或显示接口。
9.根据权利要求8所述的基于纯惯性测量的水下长航程导航定位装置，其特征在于，
所述惯性测量数据输入接口用于实时接收和解析惯性测量单元发送的惯性测量数据；
惯性测量数据预处理模块用于实现步骤S1中惯性测量数据预处理；
运动特征提取模块用于实现步骤S2中运动特征提取的算法；
历史特征存储模块用于在装置与惯性测量单元配套安装后，持续记录累积惯性测量单元的惯性测量数据，以逐渐增加模型训练的数据来源；
神经网络模型训练模块用于实现步骤S3中神经网络模型训练的算法；
模型更新判决模块用于神经网络模型训练模块训练得到新的神经网络模型后，判决是否提供给神经网络模型预测模块进行更新；
神经网络模型预测模块用于实现步骤S4中神经网络模型预测的算法；
输出或显示接口，用于将解算得到的载体导航参数以指定格式传输给其他装置，或发送至显示装置用于目视查看；所述导航参数包括载体位置、航向以及载体位置变化量和航向变化量。
10.根据权利要求9所述的基于纯惯性测量的水下长航程导航定位装置，其特征在于，惯性测量数据预处理模块包括运动加速度误差模型子模块和数据降噪子模块。
CN202210115518.4A 2022-02-07 2022-02-07 一种基于纯惯性测量的水下长航程导航定位方法及装置 Active CN114136317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210115518.4A CN114136317B (zh) 2022-02-07 2022-02-07 一种基于纯惯性测量的水下长航程导航定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210115518.4A CN114136317B (zh) 2022-02-07 2022-02-07 一种基于纯惯性测量的水下长航程导航定位方法及装置

Publications (2)

Publication Number Publication Date
CN114136317A true CN114136317A (zh) 2022-03-04
CN114136317B CN114136317B (zh) 2022-04-19

Family

ID=80381902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210115518.4A Active CN114136317B (zh) 2022-02-07 2022-02-07 一种基于纯惯性测量的水下长航程导航定位方法及装置

Country Status (1)

Country Link
CN (1) CN114136317B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120221244A1 (en) * 2011-02-28 2012-08-30 Trusted Positioning Inc. Method and apparatus for improved navigation of a moving platform
CN106352880A (zh) * 2016-10-28 2017-01-25 中国电子科技集团公司第五十四研究所 一种基于非线性网络的惯性导航算法架构的确定方法
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
CN112113566A (zh) * 2020-09-24 2020-12-22 电子科技大学 一种基于神经网络的惯性导航数据修正方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120221244A1 (en) * 2011-02-28 2012-08-30 Trusted Positioning Inc. Method and apparatus for improved navigation of a moving platform
CN106352880A (zh) * 2016-10-28 2017-01-25 中国电子科技集团公司第五十四研究所 一种基于非线性网络的惯性导航算法架构的确定方法
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
CN112113566A (zh) * 2020-09-24 2020-12-22 电子科技大学 一种基于神经网络的惯性导航数据修正方法

Also Published As

Publication number Publication date
CN114136317B (zh) 2022-04-19

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
CN110118560B (zh) 一种基于lstm和多传感器融合的室内定位方法
CN111121768B (zh) 一种机器人位姿估计方法、装置、可读存储介质及机器人
Gao et al. Smartphone-based real time vehicle tracking in indoor parking structures
CN107796391A (zh) 一种捷联惯性导航系统/视觉里程计组合导航方法
CN106780699A (zh) 一种基于sins/gps和里程计辅助的视觉slam方法
CN111854740B (zh) 能够在交通工具中进行航位推算的惯性导航系统
JP4984659B2 (ja) 自車両位置推定装置
JP2010509585A (ja) ２次元及び３次元の正確な場所及び方位を判定する装置及び方法
US8467612B2 (en) System and methods for navigation using corresponding line features
CN107255474B (zh) 一种融合电子罗盘和陀螺仪的pdr航向角确定方法
CN110715659A (zh) 零速检测方法、行人惯性导航方法、装置及存储介质
CN110260885B (zh) 一种卫星/惯性/视觉组合导航系统完好性评估方法
CN107990901B (zh) 一种基于传感器的用户方向定位方法
CN113252033A (zh) 基于多传感器融合的定位方法、定位系统及机器人
CN115685292B (zh) 一种多源融合导航系统的导航方法和装置
CN112964291A (zh) 一种传感器标定的方法、装置、计算机存储介质及终端
CN104061930B (zh) 一种基于捷联惯性制导和多普勒计程仪的导航方法
CN115135963A (zh) 用于在场景地图中生成3d参考点的方法
CN111832690A (zh) 基于粒子群优化算法的惯导系统的陀螺测量值计算方法
CN115183762A (zh) 一种机场仓库内外建图方法、系统、电子设备及介质
CN109579830A (zh) 智能机器人的导航方法和导航系统
CN114608568A (zh) 一种基于多传感器信息即时融合定位方法
CN112860823B (zh) 终端指向的显示方法、装置和存储介质及电子设备
Ghose et al. An enhanced automated system for evaluating harsh driving using smartphone sensors

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