CN114239376A - 一种gnss信号中断期间使用gru神经网络辅助导航的算法 - Google Patents
一种gnss信号中断期间使用gru神经网络辅助导航的算法 Download PDFInfo
- Publication number
- CN114239376A CN114239376A CN202111271228.0A CN202111271228A CN114239376A CN 114239376 A CN114239376 A CN 114239376A CN 202111271228 A CN202111271228 A CN 202111271228A CN 114239376 A CN114239376 A CN 114239376A
- Authority
- CN
- China
- Prior art keywords
- gnss
- ins
- information
- gru
- neural network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种GNSS信号中断期间使用GRU神经网络辅助导航的算法,当GNSS信号可用时,INS的速度,航向和IMU的输出将用作训练GRU模型的输入特征,GNSS的位置增量为模型的输出。一旦丢失了GNSS信号,INS的信息将被馈送到GRU模型中以生成伪GNSS增量。累积伪GNSS增量后,会将伪GNSS位置发送到卡尔曼滤波器,以校正INS导航解算结果。另外考虑到在复杂场景下,难以获得大量GNSS观测良好的数据,部分地段的可观测卫星数可能在1至3颗,此时使用紧耦合模型仍然可以进行组合导航,一定程度上保障了更有效的定位结果,可以为神经网络提供更好的训练数据。因此本发明选择GRU辅助紧耦合的模式。
Description
技术领域
本发明涉及一种应用于在全球导航卫星系统(Global Navigation SatelliteSystem,简称GNSS)信号中断期间,通过估计伪GNSS位置来提升GNSS/INS紧耦 合组合导航系统中惯性导航系统(Inertial Navigation System,简称INS)导航精度 的基于门控循环单元(Gated Recurrent Unit,简称GRU)的人工智能(Artificial Intelligence,简称AI)算法。
背景技术
目前常见的导航定位手段主要有两种,分别是捷联惯性导航系统(StrapdownInertial Navigation System,SINS)和全球卫星定位系统(Global NavigationSatellite System,GNSS)。捷联惯性导航系统可以通过自身加速度计、陀螺仪等惯性元器件的数据进行解算,获得载体的导航信息,能够在短时间内保持高精度的导航。 随着微机电系统(MEMS)技术的发展,惯性元器件的体积逐渐变小,成本变得更 低,也使得相应的惯导系统应用越来越广泛,在手机、儿童手表、无人机等众 多产品中都有使用。但是由于MEMS传感器存在较大噪声,且不稳定,很难将 噪声剔除,因此单一的MEMS惯性导航系统的推算会随着时间快速发散。而 GNSS具有精度高、覆盖广、使用方便、全天候等特点,在观测条件良好时, GNSS可以满足载体高精度的定位需求。然而一旦信号受到遮挡,载体无法收到GNSS信号,就会导致只靠单一的GNSS定位模块无法导航定位的结果。因此将 SINS和GNSS组合就可以构建一个低成本,小体积,高精度,易实现的组合导 航系统,也是目前业内使用最普遍的定位技术。
但是在城市的复杂场景中,GNSS信号很容易受到建筑物、树木、隧道等物 体的遮挡。在这种情况下,传统的卡尔曼滤波缺少了GNSS的观测修正,组合 导航系统就会简化为纯惯导解算。此时由于MEMS传感器的输出数据精度有限, 噪声很大,导航定位精度发散迅速,因此需要引入新的传感器进行组合修正, 例如里程计、激光雷达等,然而这样会增加额外的器件成本。因此也有很多学 者研究了通过神经网络的形式辅助组合导航,抑制SINS结果发散。具体为在 GNSS信号良好时,选择合适的导航数据训练模型;GNSS信号失锁后,利用训 练好的神经网络输出GNSS的伪观测量,继续用于组合滤波,以抑制SINS误差 发散。因此为了训练出效果良好的模型,需要在GNSS信号良好时提供大量的 导航数据用于训练。但是在复杂场景下,难以获得大量GNSS观测良好的数据, 部分地段的可观测卫星数可能在1至3颗,此时使用紧耦合模型仍然可以进行 组合导航,一定程度上保障了更有效的定位结果,可以为神经网络提供更好的 训练数据。
发明内容
为了解决现有技术的问题,以在GNSS中断之后抑制INS的误差发散,本发 明提供了一种利用GRU循环神经网络辅助紧耦合的方法。
一种GNSS信号中断期间使用GRU神经网络辅助导航的算法,其特征在于: 包括:
步骤1、当全球导航卫星系统(GNSS)信号可用时,AI模块将在训练模式 下工作,INS的速度,航向和IMU的输出将用作训练GRU神经网络的输入特征, 输入特征参数选择为陀螺仪输出加速度计输出INS速度Vn,INS航向角 ψ,输出选择为GNSS位置增量ΔPGNSS,GNSS的位置增量为模型的输出。
步骤2、GNSS中断丢失GNSS信号时,AI模块将在预测模式下工作,INS 的信息将被馈送到GRU神经网络中以生成伪GNSS增量。累积伪GNSS增量 后,会将伪GNSS位置发送到KF,以校正INS导航解算结果。
在上述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法, GRU神经网络包括2个门结构,更新门和重置门。更新门可以改变当前时刻 受前一时刻状态的影响程度,输出为rt。更新门的值与保留的信息多少成正 比,更新门输出越小,则保留的状态信息越少。重置门的作用是丢弃部分隐 藏状态信息,输出为zt,重置门的值与丢弃信息的数量呈反比,该值越小, 则过去的状态信息丢弃越多。
在上述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法, 当GNSS信号可用时,AI模块将在训练模式下工作,对GRU神经网络进行训 练,输入为IMU输出的三轴加速度计数据fb,三轴陀螺仪数据ωb,INS解算 得到的速度信息VINS和航向角信息ψINS。因此在GNSS信号良好时GRU神经网 络找到IMU,INS信息与GNSS增量信息之间的映射关系,使得GRU神经网 络获取类似于GNSS模块的功能。权力2所述的门结构,丢弃了部分过去的无 用状态信息,避免了梯度爆炸和梯度消失的问题,也保留了对连续轨迹预测 的优势。训练时的组合导航模型为紧耦合模型,可在GNSS卫星数为1-3颗时 继续组合导航。
在上述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法, 当GNSS中断之后,系统切换为预测模式,GNSS模块无法继续提供位置信 息,所以预测模型中没有了GNSS模块。此时IMU和INS模块继续向GRU
神经网络输入导航信息,已训练好的GRU神经网络根据输入来预测GNSS 增量ΔPGNSS。将该增量信息进行积分得到一个预测的GNSS位置信息,预测的 GNSS位置信息是伪GNSS位置信息,用于模拟GNSS信号良好时的定位结果。 将该结果与INS解算的位置PINS作差后送入KF模块即可进行卡尔曼滤波,此时 就可如GNSS信号良好时一样继续输出位置、速度、姿态的误差,用来对INS 结果进行反馈修正。
有益效果:本发明提出了一种利用GRU循环神经网络辅助紧耦合的方法, 用于减少GNSS信号中断之后的累积INS误差,提升了GNSS信号中断期间的导航 精度。与传统的静态神经网络MLP算法相比,GRU算法在处理连续过程时具有 极好的性能,能够更加准确,稳定地预测导航结果。与同为循环神经网络的LSTM 算法相比,GRU性能相近,训练时间更短,因此,在GNSS信号中断期间,应用 GRU算法开发的导航方案更加准确可靠。另外在复杂场景下可能存在很多卫星 观测数1至3颗的场景,松耦合无法获取GNSS定位信息,而紧耦合仍可继续进行 组合导航,能够获取更好的训练集数据,对比了GRU辅助紧耦合和GRU辅助松 耦合的效果。结果表明,训练集时间段采用紧耦合的组合导航结果精确度更高, 训练出的网络更加优秀,测试集预测误差更小,实际辅助导航结果也更好。
附图说明
结合附图参考本发明的详细说明,本发明的上述以及其他特征、实现这些 特征的方法将更加清楚。本发明本身也会变得更加容易理解,其中:
附图1是紧耦合下GRU辅助组合导航训练模型。
附图2是紧耦合下GRU辅助组合导航预测模型。
附图3是导航设备。
附图4是GNSS中断200秒时不同算法的位置误差。
附图5是GNSS中断200秒时不同算法的地图轨迹对比。
附图6是GRU辅助紧耦合与GRU辅助松耦合效果直线路段对比。
附图7是GRU辅助紧耦合与GRU辅助松耦合效果直线路段轨迹图。
附图8是GRU辅助紧耦合与GRU辅助松耦合效果弯道路段对比。
附图9是GRU辅助紧耦合与GRU辅助松耦合效果弯道路段轨迹图。
附图10是GRU与LSTM训练效果对比。
具体实施方式:
首先介绍本发明的方法原理。
当GNSS信号可用时,INS的速度,航向和IMU的输出将用作训练GRU神经 网络的输入特征,GNSS的位置增量为模型的输出。
一旦丢失了GNSS信号,INS的信息将被馈送到GRU神经网络中以生成伪 GNSS增量。累积伪GNSS增量后,会将伪GNSS位置发送到KF,以校正INS导航 解算结果。并且相较于GRU辅助松耦合模式,GRU辅助紧耦合模式可以在卫星 数1至3颗时继续组合导航,提高了训练数据的精度,也提高了网络训练的效果。
技术方案:为实现上述目的,本发明采用的技术方案为:利用基于GRU单 元的循环神经网络作为附加模型来在GNSS中断之后抑制INS的误差发散,训 练模型中的组合导航模型选择为紧耦合。GRU循环神经网络可以在时间维度和 网络深度两个方向训练神经网络,与静态神经网络相比可以更好的捕捉输入数 据的时间动态性能。而相较于同为循环神经网络的LSTM,GRU网络训练性能 相近,训练速度更快。
目前在GNSS失锁时使用神经网络辅助组合导航的模型主要有三种,分别 是OINS-δPINS模型,OINS-Xk模型和OINS-ΔPGNSS模型,都可以起到抑制惯导精度发 散的作用。OINS-δPINS模型选择INS信息作为输入,GNSS和INS的位置误差作 为输出;OINS-Xk模型选择INS信息作为输入,Kalman滤波的状态向量作为输 出;OINS-ΔPGNSS模型选择INS信息作为输入,GNSS位置增量信息作为输出。第 二种模型输出向量的维度相较于另外两种较大,预测效果也较差,且可能混入 滤波的误差,一般较少使用。第一种模型的输出向量同时包含INS信息和GNSS 信息,而第三种模型的输出向量仅与GNSS位置信息相关,可以减少额外的混 合误差,所以本发明采用OINS-ΔPGNSS模型。ΔPGNSS可以由一些INS信息直接推导 得到,具体如公式1所示。
进一步分析重力向量Gn主要和经纬度相关。和表达式如公式(2)所示, 由于纬度L,地球子午圈半径RM和卯酉圈半径RN在车载环境下变化缓慢,因此 二者主要由Vn影响,因此影响ΔPGNSS的主要因素为Vn。而由姿态角 决定,如公式(3),理想姿态矩阵微分方程如公式(4)。
因此受姿态角φ(横滚角),θ(俯仰角),ψ(航向角),(陀螺仪输 出)影响,但在车载环境中,φ,θ一般近似为0,且变化极小,所以本文最终 训练模型的输入特征参数选择为Vn,ψ,输出选择为ΔPGNSS。
GRU神经网络训练模型的输入为IMU的三轴陀螺仪数据,三轴加速度计数 据,INS解算的三轴速度以及航向角信息,总维度为10维,输出为GNSS增量 信息。训练时由于输入的IMU传感器数据,速度,航向角等INS信息和GNSS 增量信息的频率不同,其中IMU数据和INS信息频率为1秒200次,而GNSS 增量信息1秒只能输出1次,因此训练时需要整合高频的IMU和INS信息,将 1秒内的IMU和INS信息一起作为输入层的输入,以对应低频的GNSS增量。另外,GRU神经网络具有时间上的维度,反映在数据上就是存在time step参数。 结合前文所说训练数据特征为10维,训练集的数据长度为3000秒,采样频率 为200HZ,可知输入层的数据大小为(3000,time step,2000);同时,输出端的数 据为对应的GNSS增量信息,大小为(3000,3)。训练的数据量巨大,因此需要设 置合适的隐藏层神经元个数和time step参数,否则会影响到训练的速度和准确 度。为了加快训练时的收敛速度并防止过拟合,在训练前对训练的数据进行了 归一化处理,使用预测模型进行预测时要对预测结果反归一化。针对几个相关 参数的调节进行了实验,因此最终time step参数选择为4,隐藏层单元数选择为128。
AI模块的工作模式包括训练模式和预测模式两种:在GNSS信号良好时,对 GRU神经网络进行训练,输入为IMU输出的三轴加速度计数据fb,三轴陀螺仪 数据ωb,INS解算得到的速度信息VINS和航向角信息ψINS。因此在GNSS信号良好 时GRU神经网络可以找到IMU,INS等导航信息与GNSS增量信息之间的映射关 系。当GNSS信号失锁后,GNSS模块无法继续提供位置信息,所以预测模型中 没有了GNSS模块。此时IMU和INS模块继续向GRU神经网络输入导航信息,已 训练好的GRU神经网络根据输入来预测GNSS增量ΔPGNSS。将该增量信息进行积 分,就可以得到一个预测的GNSS位置信息,也叫做伪GNSS位置信息,用于模 拟GNSS信号良好时的定位结果。将该结果与INS解算的位置PINS作差后送入KF 模块即可进行卡尔曼滤波,继续输出位置、速度、姿态的误差,用来对INS结果 进行反馈修正。通过这种方式,在GNSS失锁的情况下原本只能利用纯INS解算 的组合导航系统,有了伪GNSS信息进行修正,抑制了惯导的误差发散速度。
下面结合附图对本案进行说明。
附图1是紧耦合下GRU辅助组合导航训练模型,在GNSS信号良好时,对 GRU神经网络进行训练,输入为IMU输出的三轴加速度计数据fb,三轴陀螺仪 数据ωb,INS解算得到的速度信息VINS和航向角信息ψINS。因此在GNSS信号良 好时GRU神经网络可以找到IMU,INS等导航信息与GNSS增量信息之间的映 射关系。只是由于紧耦合下GNSS提供的是原始观测量,不直接给出定位结果, 因此训练时直接将组合结果的位置增量输入到GRU神经网络。
附图2是紧耦合下GRU辅助组合导航预测模型。当GNSS中断之后,系统 切换为预测模式,在这种情况下,GNSS不再输出位置信息,但Vn,ψ这些 值还可以继续从IMU以及INS中获得,结合在训练模式下训练好的网络,可以 得到每一时刻的预测位置增量ΔP。每一时刻的位置增量ΔP在累加之后,便可以 得到每个时刻的GNSS伪量测值。这个由神经网络得到的伪位置观测量将代替 原有的GNSS信号作为新的观测量,继续参与卡尔曼滤波的过程,以抑制纯惯 导推算的误差快速发散。
附图3是导航设备。其中数据采集设备为M39,IMU采样频率为200HZ, 参考设备为SPAN-CPT,二者的IMU性能参数对比如表1所示。
表1M39与SPAN-CPT的IMU性能参数对比
附图4是GNSS中断200秒时不同算法的误差。其中纯惯导解算的纬度, 经度,水平方向最大误差分别达到394.51m,294.66m和492.40m;MLP辅助组 合导航的纬度,经度,水平方向最大误差分别为370.23m,166.78m和406.06m; GRU辅助组合导航的纬度,经度,水平方向最大误差分别为86.88m,69.07m和 87.14m。GRU辅助组合导航的结果展现了预期的效果,与纯惯导解算相比,各 方向位置精度均有巨大的提升,纬度、经度和水平方向的最大位置误差分别下 降了78.0%,76.6%和82.3%。同时,与MLP辅助组合导航的结果对比也获得了与图5-6相同的结论,纬度、经度和水平方向最大位置误差分别降低了76.5%, 58.6%和78.5%。
附图5为GNSS中断200秒时不同算法的地图轨迹对比。图中分别用不同 颜色的图标来表示不同算法的导航轨迹,其中紫色图标表示的为真实轨迹,红 色图标表示的是GRU辅助组合导航的轨迹,绿色图标表示的是MLP辅助组合 导航的轨迹,蓝色图标表示的是纯惯导解算的轨迹。从图中可以看出用于实验 的路段足够复杂,既包含了很长的直线道路,还包含了三个拐弯。三种算法在 初始的直线路段差距并不明显,都保持着接近车道级的精度。但是经过第2个 弯道后,其他三种失去GNSS信号的方法的轨迹与真实轨迹已经有了明显的差 别,其中GRU辅助组合导航的轨迹最为接近,MLP辅助组合导航的轨迹次优, 而纯惯导推算的轨迹最差。经过第3个弯道后其他两种算法误差发散严重,轨 迹与真实轨迹相差甚远,只有GRU辅助组合导航的轨迹仍与真实轨迹趋势接近。
附图6为GRU辅助紧耦合与GRU辅助松耦合效果直线路段对比。三种算 法的纬度方向最大误差分别为296.33m,24.44m和8.77m。经度方向最大误差分 别为68.84m,9.39m和8.95m。水平方向最大误差分别为304.22m,25.46m和 12.26m。GRU辅助紧耦合和松耦合的结果相较于纯惯导解算都有明显提升,对 比两种GRU辅助组合导航结果,二者在经度方向性能相近,而在纬度方向GRU 辅助紧耦合导航误差更小。该直线路段GNSS信号失锁100秒,三种方法的最 大误差总结如表5-9所示。和纯惯导解算相比,GRU辅助紧耦合的水平方向最大误差下降了95.97%;同时,与GRU辅助松耦合相比,GRU辅助紧耦合的水 平方向最大误差也下降了51.8%。
附图7为GRU辅助紧耦合与GRU辅助松耦合效果直线路段轨迹图。其中 纯惯导解算的轨迹与真实的直线轨迹相差甚远。由于直线路段轨迹的时间关联 性更强,训练集直线路段的数据也较为丰富,两种GRU辅助组合导航模型在直 线路段效果良好,进一步比较,GRU紧耦合的轨迹与真实轨迹更加吻合。
附图8为GRU辅助紧耦合与GRU辅助松耦合效果弯道路段对比。三种算 法的纬度方向最大误差分别为361.60m,45.61m和39.74m。经度方向最大误差 分别为285.06m,118.72m和20.51m。水平方向最大误差分别为460.45m,124.39m 和44.33m。和速度误差类似,两种GRU辅助组合导航模型在纬度方向性能相近, 而在经度方向GRU辅助紧耦合有明显的性能提升。反映在水平位置误差上,和 纯惯导解算相比,GRU辅助紧耦合的最大误差下降了90.3%;同时,与GRU辅 助松耦合相比,GRU辅助紧耦合的最大水平误差也下降了64.4%。
附图9为GRU辅助紧耦合与GRU辅助松耦合效果弯道路段轨迹图。真实 轨迹包含两段直路和一个拐弯,三种算法的轨迹均有不同程度的发散。其中纯 惯导解算的轨迹发散最严重,完全看不出明显的拐弯处,速度的巨大漂移使得 纯惯导解算的位置与实际位置相差甚远;GRU辅助松耦合的轨迹可以看出拐弯 处,航向的偏移也没有纯惯导解算那么严重;GRU辅助紧耦合的轨迹与真实轨 迹最接近,拐弯的棱角也最清晰,拐弯后的航向也更符合真实轨迹。
图10为GRU与LSTM训练效果对比。其中LSTM训练结果纬度预测误差 MSE为3.13e-6°,经度预测误差MSE为3.22e-6°,每个epoch时间为9.11秒; GRU训练结果纬度预测误差MSE为3.12e-6°,经度预测误差MSE为3.17e-6°, 每个epoch时间为7.17秒,证明了GRU与LSTM训练性能相近,但训练时间更 短。
最后应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限 制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解, 可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的 精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
2.根据权利要求1所述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法,其特征在于:GRU神经网络包括2个门结构,更新门和重置门;更新门可以改变当前时刻受前一时刻状态的影响程度,输出为rt;更新门的值与保留的信息多少成正比,更新门输出越小,则保留的状态信息越少;重置门的作用是丢弃部分隐藏状态信息,输出为zt,重置门的值与丢弃信息的数量呈反比,该值越小,则过去的状态信息丢弃越多。
3.根据权利要求2所述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法,其特征在于:当GNSS信号可用时,AI模块将在训练模式下工作,对GRU神经网络进行训练,输入为IMU输出的三轴加速度计数据fb,三轴陀螺仪数据ωb,INS解算得到的速度信息VINS和航向角信息ψINS;因此在GNSS信号良好时GRU神经网络找到IMU,INS信息与GNSS增量信息之间的映射关系,使得GRU神经网络获取类似于GNSS模块的功能。
4.根据权利要求2所述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法,其特征在于:当GNSS中断之后,系统切换为预测模式,GNSS模块无法继续提供位置信息,所以预测模型中没有了GNSS模块;此时IMU和INS模块继续向GRU神经网络输入导航信息,已训练好的GRU神经网络根据输入来预测GNSS增量ΔPGNSS;将该增量信息进行积分得到一个预测的GNSS位置信息,预测的GNSS位置信息是伪GNSS位置信息,用于模拟GNSS信号良好时的定位结果;将该结果与INS解算的位置PINS作差后送入KF模块即可进行卡尔曼滤波,此时就可如GNSS信号良好时一样继续输出位置、速度、姿态的误差,用来对INS结果进行反馈修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271228.0A CN114239376A (zh) | 2021-10-29 | 2021-10-29 | 一种gnss信号中断期间使用gru神经网络辅助导航的算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271228.0A CN114239376A (zh) | 2021-10-29 | 2021-10-29 | 一种gnss信号中断期间使用gru神经网络辅助导航的算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239376A true CN114239376A (zh) | 2022-03-25 |
Family
ID=80743373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111271228.0A Pending CN114239376A (zh) | 2021-10-29 | 2021-10-29 | 一种gnss信号中断期间使用gru神经网络辅助导航的算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239376A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114972073A (zh) * | 2022-04-24 | 2022-08-30 | 武汉大学 | 基于超分辨率生成对抗网络srgan的图像去马赛克方法 |
CN116931028A (zh) * | 2023-09-18 | 2023-10-24 | 航天宏图信息技术股份有限公司 | 基于智能终端惯性导航的gnss数据处理方法及装置 |
-
2021
- 2021-10-29 CN CN202111271228.0A patent/CN114239376A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972073A (zh) * | 2022-04-24 | 2022-08-30 | 武汉大学 | 基于超分辨率生成对抗网络srgan的图像去马赛克方法 |
CN114972073B (zh) * | 2022-04-24 | 2024-04-30 | 武汉大学 | 基于超分辨率生成对抗网络srgan的图像去马赛克方法 |
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 |
CN114689047B (zh) * | 2022-06-01 | 2022-09-13 | 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 |
CN116931028A (zh) * | 2023-09-18 | 2023-10-24 | 航天宏图信息技术股份有限公司 | 基于智能终端惯性导航的gnss数据处理方法及装置 |
CN116931028B (zh) * | 2023-09-18 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 基于智能终端惯性导航的gnss数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114239376A (zh) | 一种gnss信号中断期间使用gru神经网络辅助导航的算法 | |
CN109521454B (zh) | 一种基于自学习容积卡尔曼滤波的gps/ins组合导航方法 | |
AU2020101268A4 (en) | The initial alignment method for sway base | |
CN106767787A (zh) | 一种紧耦合gnss/ins组合导航装置 | |
CN103743414B (zh) | 一种里程计辅助车载捷联惯导系统行进间初始对准方法 | |
CN109000640B (zh) | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 | |
CN101900573B (zh) | 一种实现陆用惯性导航系统运动对准的方法 | |
CN104181574A (zh) | 一种捷联惯导系统/全球导航卫星系统组合导航滤波系统及方法 | |
CN109945895B (zh) | 基于渐消平滑变结构滤波的惯性导航初始对准方法 | |
CN113029139B (zh) | 基于运动检测的机场飞行区车辆差分北斗/sins组合导航方法 | |
Nourmohammadi et al. | Design and experimental evaluation of indirect centralized and direct decentralized integration scheme for low-cost INS/GNSS system | |
CN111006675B (zh) | 基于高精度重力模型的车载激光惯导系统自标定方法 | |
Gao et al. | An integrated land vehicle navigation system based on context awareness | |
Liu et al. | Interacting multiple model UAV navigation algorithm based on a robust cubature Kalman filter | |
Zhang et al. | Research on accuracy enhancement of low-cost MEMS INS/GNSS integration for land vehicle navigation | |
Iqbal et al. | Experimental results on an integrated GPS and multisensor system for land vehicle positioning | |
CN104482942A (zh) | 一种基于惯性系的最优两位置对准方法 | |
Wang et al. | A novel positioning system of UAV based on IMA-GPS three-layer data fusion | |
Guan et al. | Multi-sensor fusion vehicle positioning based on Kalman Filter | |
CN103616026A (zh) | 一种基于h∞滤波的auv操纵模型辅助捷联惯导组合导航方法 | |
Wang et al. | An adaptive cascaded Kalman filter for two-antenna GPS/MEMS-IMU integration | |
CN112985368B (zh) | 水下航行器在移动运载平台发射前的快速罗经对准方法 | |
CN113405549A (zh) | 车辆定位方法、组件、电子设备及存储介质 | |
Bristeau et al. | Navigation system for ground vehicles using temporally interconnected observers | |
Shien et al. | Integrated navigation accuracy improvement algorithm based on multi-sensor fusion |
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 |