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 PDF

Info

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
Application number
CN202111271228.0A
Other languages
English (en)
Inventor
江金光
唐亚男
张超
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202111271228.0A priority Critical patent/CN114239376A/zh
Publication of CN114239376A publication Critical patent/CN114239376A/zh
Pending legal-status Critical Current

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

一种GNSS信号中断期间使用GRU神经网络辅助导航的算法
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
Figure BDA0003328815080000021
加速度计输出
Figure BDA0003328815080000022
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。
Figure BDA0003328815080000061
公式(1)中
Figure BDA0003328815080000062
为方向余弦矩阵，
Figure BDA0003328815080000063
为比力，即加速度计输出，
Figure BDA0003328815080000064
是e系相 对于i系的角速率，
Figure BDA0003328815080000065
是n系相对于e系的角速率，Vn为速度，Gn为重力向量。
进一步分析重力向量Gn主要和经纬度相关。
Figure BDA0003328815080000066
和
Figure BDA0003328815080000067
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
Figure BDA0003328815080000068
Vn。而
Figure BDA0003328815080000069
由姿态角 决定，如公式(3)，理想姿态矩阵微分方程如公式(4)。
Figure BDA00033288150800000610
Figure BDA00033288150800000611
Figure BDA00033288150800000612
因此
Figure BDA00033288150800000613
受姿态角φ(横滚角)，θ(俯仰角)，ψ(航向角)，
Figure BDA00033288150800000614
(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
Figure BDA00033288150800000615
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
Figure RE-GDA0003508669810000081
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
Figure BDA0003328815080000082
Figure BDA0003328815080000091
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)

1.一种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
Figure FDA0003328815070000011
加速度计输出
Figure FDA0003328815070000012
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。
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。
CN202111271228.0A 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 Pending CN114239376A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (6)

* Cited by examiner, † Cited by third party
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