CN114777771A - 一种室外无人车组合导航定位方法 - Google Patents

一种室外无人车组合导航定位方法 Download PDF

Info

Publication number
CN114777771A
CN114777771A CN202210386829.4A CN202210386829A CN114777771A CN 114777771 A CN114777771 A CN 114777771A CN 202210386829 A CN202210386829 A CN 202210386829A CN 114777771 A CN114777771 A CN 114777771A
Authority
CN
China
Prior art keywords
navigation
positioning
unmanned vehicle
information
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
CN202210386829.4A
Other languages
English (en)
Inventor
邓军
柳一洋
吕汶
杨文欣
王重月
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202210386829.4A priority Critical patent/CN114777771A/zh
Publication of CN114777771A publication Critical patent/CN114777771A/zh
Pending legal-status Critical Current

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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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

Landscapes

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

Abstract

本发明公开一种室外无人车组合导航定位方法，解决了室外无人车组合导航定位中导航定位精度不高及实时性较低的问题。实现步骤：组建无人车组合导航定位系统；导航解算与信息融合；构建IELM神经网络；判断卫星信号是否有效；有效时训练IELM神经网络；卫星信号失锁时预测误差补偿值；用补偿值对惯导系统的输出修正进行定位。本发明采用包含有时变渐消因子的强跟踪卡尔曼滤波，在卫星有效时用IELM神经网络对样本集训练，用训练好的网络预测导航信息误差值，修正导航信息，进行室外无人车的实时导航定位。本发明与现有技术相比，减小了室外无人车的定位误差，提高了定位精度和实时性。

Description

一种室外无人车组合导航定位方法
技术领域
本发明属于无线通信技术领域，更进一步涉及导航定位技术，具体是一种室外无人车组合导航定位方法。可用于室外无人车运动的实时导航定位。
背景技术
在导航定位技术方面，目前应用最多且较为成熟的方式有卫星导航系统和惯性导航系统。卫星导航系统的优点是具有全球性、全天候、长时间定位精度高的特点，但缺点是信号易受干扰和遮挡。在某些恶劣的环境条件下，卫星信号质量变差，输出不连续，在室外无人车这种需要快速更新信息的场合，卫星导航系统的缺点便凸显出来。而惯性导航系统是一种全自主式的导航方式，因此具有很强的隐蔽性和抗干扰的能力，并且输出信息连续，短时间内定位精度高。但是，由于惯性导航系统中的惯性测量器件自身的特点，陀螺仪和加速度计有初始零偏、随机漂移等误差，随着时间的累计其误差越来越大，长时间定位精度较差，最终无法准确反映无人车实时位置信息。
中铁第四勘察设计院集团有限公司在其申请的专利文献“一种GNSS与惯导组合导航位置输出的滤波校正方法”(申请号:202010584388.X，申请公布号：CN 111947681 A，申请日：2020年6月24日)中公开了一种GNSS与惯导组合导航位置输出的滤波校正实现室外无人车定位的方法。该方法的步骤包括：先建立GNSS/INS组合导航系统的误差状态方程；然后建立GNSS/INS组合导航系统的量测方程，系统采用松组合的方式，利用GNSS与INS提供的位置之差作为卡尔曼滤波的量测信息；最后采用卡尔曼滤波方法对系统状态进行估计，并根据滤波估计结果，对INS输出的位置进行校正，得到最终的卡尔曼滤波结果并交替采用反馈校正以及输出校正对系统的位置进行校正。该方法存在的不足之处是：无人车的工作环境中，通常会发生卫星信号短暂失锁，交替采用反馈校正的方法只是进行多次信息融合，惯性导航系统独立工作导致定位误差会随时间累积而不断增大，对定位精度的误差补偿不够精确。
李小燕等人在其发表的论文“基于BP神经网络辅助的组合导航算法研究”(《电子器件》2018年第41卷第6期)中公开了一种基于BP神经网络辅助的组合导航定位系统实现室外无人车定位的方法。该方法的步骤包括：在GPS信号有效的时候，采用卡尔曼滤波对INS/GPS信号进行数据融合得到无人车实时运动的精确位置，同时利用组合导航输出信息对BP神经网络进行实时在线训练，一旦GPS失锁，利用之前训练好的BP神经网络对INS系统进行误差补偿，解决在GPS信号失锁时无人车运动的定位精度迅速下降问题。该方法存在的不足之处是：无人车的导航定位需要高实时性，BP神经网络是采用梯度下降法，利用反向传播的方式进行的学习，需要不断地进行迭代来更新权重和阈值，容易陷入局部最优，收敛速度慢，导致卫星信号失锁情况下无人车运动时的定位实时性不高。
综上，现有技术中交替使用卡尔曼滤波算法进行信息融合，但是会存在卫星信号失锁的情况，在这种情况下卫星信号无效影响信息融合的结果，导致系统的导航定位精度不高；而利用BP神经网络辅助组合导航定位系统，在对网络进行训练时需要采用梯度下降法不停地迭代更新权重和阈值，存在实时性不高的问题。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种导航定位精度更高、实时性更好的基于IELM神经网络辅助的室外无人车组合导航定位方法。
本发明是一种室外无人车组合导航定位方法，将卫星模块和惯性导航模块安装在无人车上构成无人车组合导航定位系统，其特征在于，在卫星信号有效的情况下，卫星导航定位系统和惯性导航系统通过强跟踪卡尔曼滤波进行信息融合，利用滤波输出对惯性导航系统的导航定位信息进行修正得到无人车的定位信息；同时改进的极限学习机(IELM)神经网络工作在训练阶段，惯性导航系统采集到的加速度和角速度信息作为网络输入进行训练，在卫星信号失锁的情况下，利用训练好的IELM神经网络预测系统的导航定位信息的误差来修正惯性导航系统输出的导航定位信息；该室外无人车组合导航定位方法的步骤包括如下：
步骤1,组建无人车组合导航定位系统：将卫星模块和惯性导航模块固定安装在无人车上，微处理器通过接口接收卫星模块和惯性导航模块的数据并作为样本数据传输至上位机，组建无人车组合导航定位系统；
步骤2,导航解算与信息融合：对微处理器采集到的样本中卫星和惯导数据分别进行解算，并采用强跟踪卡尔曼滤波算法对解算后的数据进行信息融合，得到导航定位误差补偿值，并将惯导数据作为输入，导航定位误差补偿值作为输出，生成训练集；
步骤3,构建IELM神经网络：构建IELM神经网络，该网络依次包含输入层、隐含层、输出层三层结构，其中输入层包含6个节点，分别代表三轴加速度信息和三轴角速度信息，隐含层包含10个节点，输出层包含6个节点，分别代表三轴速度误差值和三轴位置误差值，激活函数采用傅里叶正交基函数；
步骤4,判断卫星信号是否有效：如果卫星信号有效，执行步骤5，通过训练集对IELM神经网络进行训练；如果卫星信号失锁，执行步骤6，利用训练好的IELM神经网络预测导航定位误差补偿值；
步骤5,在卫星信号有效时训练IELM神经网络：在卫星信号有效时，利用强跟踪卡尔曼滤波后的输出对惯性导航系统输出的导航定位信息进行修正得到无人车的实时导航定位信息，同时将训练集输入到IELM神经网络中，根据连续的概率分布随机生成输入层权重和隐含层的偏置，利用最小化平方差公式，计算输出层的权重，利用正交投影法更新网络的隐含层的输出，将更新后的隐含层的输出与输出层的权重构成网络的输出，更新迭代隐含层的输出直到网络输出与样本标签的最小化平方差最小时停止迭代，得到训练好的IELM神经网络，执行步骤7；
步骤6,预测卫星信号失锁时的误差补偿值：将卫星信号失锁的时间范围内采集到的惯导数据输入到训练好的IELM神经网络中，网络预测输出系统正常工作时经过强跟踪卡尔曼滤波后的导航信息误差值，执行步骤7；
步骤7,利用误差补偿后的导航信息进行定位：将导航定位信息误差值反馈回惯性导航系统对其进行修正，得到修正后的定位信息。
本发明解决了在卫星信号失锁的情况下单一的惯性导航系统工作导致无人车导航精度迅速下降和BP神经网络收敛速度慢导致无人车导航定位实时性不高的问题。
本发明与现有技术相比，具有以下优点：
提高了导航定位精度：由于本发明利用构建并训练好的IELM神经网络预测导航信息误差值，辅助组合导航系统进行室外无人车实时导航定位，在卫星信号失锁时可以将采集到的惯导数据作为网络输入，网络输出预测的导航定位信息误差值并反馈回惯性导航系统对其进行修正，克服了在卫星短暂失锁情况下单一的惯性导航系统在工作时定位精度会随着时间而发散的不足，使得本发明可以修正在卫星信号短暂失锁情况下惯性导航系统输出的导航信息，提高了室外无人车运动时的导航定位精度。
提高了实时性：由于本发明通过构建IELM神经网络对样本集中加速度和角速度值进行训练，得到训练好的IELM神经网络预测卫星信号短暂失锁情况下的卫星信息和惯性导航信息的导航信息误差值，来补偿惯性导航系统的导航误差。本发明采用的IELM神经网络训练参数少、学习速度快、泛化性能好，克服了现有技术中存在的BP神经网络容易陷入局部最优，收敛速度慢的不足，提高了在卫星信号短暂失锁情况下无人车导航定位的实时性。
附图说明
图1为本发明的实现流程框图；
图2为本发明与现有技术定位经度误差的仿真结果对比图；
图3为本发明与现有技术定位纬度误差的仿真结果对比图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步的详细描述。
实施例1
目前无人车组合导航定位技术主要采用标准卡尔曼滤波进行信息融合，利用滤波后的输出对惯性导航系统的输出进行修正得到修正后的导航定位信息，但在卫星信号失锁时卫星信号失去参考性，此时的卫星信号影响信息融合的结果从而导致导航定位精度不高；而采用BP神经网络辅助的无人车组合导航定位系统在训练BP神经网络时需要不断地迭代更新权值和阈值，收敛速度慢且计算量较大，存在系统实时性不好的问题。针对此现状，本发明展开了研究与探讨，提出一种室外无人车组合导航定位方法。
本发明是一种室外无人车组合导航定位方法，本发明将卫星模块和惯性导航模块安装在无人车上构成无人车组合导航定位系统，参见图1，图1为本发明的实现流程框图，本发明在卫星信号有效的情况下，卫星导航定位系统和惯性导航系统通过强跟踪卡尔曼滤波进行信息融合，利用滤波输出对惯性导航系统的导航定位信息进行修正得到无人车的定位信息；同时本发明的IELM神经网络工作在训练阶段，惯性导航系统采集到的加速度和角速度信息作为网络输入进行训练，在卫星信号失锁的情况下，利用训练好的IELM神经网络预测系统的导航定位信息的误差值来修正惯性导航系统输出的导航定位信息。该室外无人车组合导航定位方法的步骤包括如下：
步骤1,组建无人车组合导航定位系统：将卫星模块和惯性导航模块固定安装在无人车上，微处理器通过接口接收卫星模块的经纬度数据和惯性导航模块的加速度和角速度数据，这些数据作为样本数据传输至上位机，组建成无人车组合导航定位系统。
步骤2,导航解算与信息融合：对微处理器采集到的样本数据中卫星模块的经纬度数据和惯导模块的加速度、角速度数据分别进行解算，采用强跟踪卡尔曼滤波算法对解算后的数据进行信息融合得到导航定位误差补偿值，本发明采用的强跟踪卡尔曼滤波相比于标准卡尔曼滤波，其时变渐消因子可以随着系统噪声特性实时调整，使得滤波器对无人车组合导航定位系统实际状态的跟踪能力变强，因此提高了组合导航定位系统的稳定性和可靠性。本发明将惯导的加速度和角速度数据作为训练集输入，导航定位误差补偿值作为训练集输出，生成无人车导航定位所需的训练集。
步骤3,构建IELM神经网络：构建IELM神经网络，该网络依次包含输入层、隐含层、输出层三层结构，由于惯性导航模块的输出与滤波器输出的估计值之间存在某种数学关系，这种关系很难通过人为建模表述，但是利用神经网络的拟合能力可以将二者间的数学关系模拟出来，本发明可以构建出IELM神经网络的输入输出模型，本发明构建的IELM神经网络,其中输入层包含6个节点，输入层的6个节点分别代表三轴加速度信息和三轴角速度信息，隐含层包含10个节点，输出层包含6个节点，输出层的6个节点分别代表三轴速度误差值和三轴位置误差值，本发明的激活函数采用傅里叶正交基函数。IELM神经网络对隐含层中的每个节点具有不同的激活功能，提高了网络的训练收敛速度，保证了训练的准确性。
步骤4,判断卫星信号是否有效：通过上位机判断卫星信号是否有效，如果卫星信号有效，执行步骤5，通过训练集对IELM神经网络进行训练；如果卫星信号失锁，执行步骤6，利用训练好的IELM神经网络预测导航定位误差补偿值。
步骤5,在卫星信号有效时训练IELM神经网络：在卫星信号有效时，利用强跟踪卡尔曼滤波后的输出对惯性导航系统输出的导航定位信息进行修正得到无人车的实时导航定位信息，同时将无人车组合导航定位所需的训练集输入到IELM神经网络中，根据连续的概率分布随机生成输入层权重和隐含层的偏置，利用最小化平方差公式，计算输出层的权重，利用正交投影法更新网络的隐含层的输出，将更新后的隐含层的输出与输出层的权重构成网络的输出，更新迭代隐含层的输出直到网络输出与样本标签的最小化平方差最小时停止迭代，得到训练好的IELM神经网络，执行步骤7，利用训练好的IELM神经网络预测导航定位误差值对惯性导航系统的输出进行修正得到导航定位信息。
步骤6,预测卫星信号失锁时的误差补偿值：卫星信号失锁时，将卫星信号失锁的时间范围内采集到的惯导数据输入到训练好的IELM神经网络中，网络根据输入的惯导数据预测输出系统正常工作时经过强跟踪卡尔曼滤波后的导航信息误差值，执行步骤7。
步骤7,利用误差补偿后的导航信息进行定位：将导航定位信息误差值反馈至惯性导航系统对其导航定位信息进行修正，从而抑制了卫星信号失锁时系统工作在单一的惯性导航系统模式下导航定位精度的发散，得到经过修正后精度较高的导航定位信息。
本发明给出了一个实现室外无人车组合导航定位方法的整体技术方案。
实现本发明目的的技术思路是，本发明构建了IELM神经网络，该网络仅设置了隐含层节点的个数，通过求解一个最小平方差，得到IELM神经网络的输出层权重。利用构建的IELM神经网络在卫星信号短暂失锁情况下通过对样本集中加速度和角速度值进行训练，得到训练好的IELM神经网络。再利用该训练好的网络预测卫星信息和惯性导航信息的导航信息误差值，以修正惯性导航系统输出的导航信息，进行室外无人车的实时导航定位，达到卫星信号短暂失锁情况下替代卫星导航系统的作用，解决了现有技术中卫星信号失锁情况下单一的惯性导航系统工作导致无人车导航精度迅速下降的问题。本发明在构建IELM神经网络过程中，随机产生输入层的权值和隐含层的偏置，在对IELM神经网络训练过程中，只需设置隐含层节点的个数，求解一个最小化平方差得到IELM神经网络的输出层权重，不需要像梯度学习法一样通过迭代反复调整刷新网络各层的参数，提高了训练速度。因此，本发明采用的IELM神经网络训练参数少、学习速度快、泛化性能好，解决了现有技术中BP神经网络收敛速度慢导致无人车导航定位实时性不高的问题。
实施例2
无人车组合导航定位方法同实施例1，步骤2中所述的导航解算与信息融合具体包括有以下步骤：
(2a)采集室外无人车运动500s时间内的导航数据组成样本数据，总共采集的加速度和角速度数据各自至少包含50000个。实际采集过程中时间和数据量均可以根据实际情况进行调整。
(2b)对样本数据中的导航数据进行解算后得到速度和位置信息，再经过包含有时变渐消因子的强跟踪卡尔曼滤波算法进行滤波，得到室外无人车运动的导航信息误差补偿值。
(2c)将样本数据及其对应的导航信息误差补偿值组成训练集。
现有技术中在导航解算后通常使用标准卡尔曼滤波进行信息融合，在对室外无人车组合导航定位系统的状态变量进行状态估计时，测量模块会受到振动、温湿度等因素的干扰使得其量测噪声误差特性发生变化，使得滤波精度可能会降低乃至发散，使得系统不稳定。本发明中采用包含有时变渐消因子的强跟踪卡尔曼滤波进行信息融合，可以随着系统噪声特性实时调整，使得滤波器对无人车组合导航定位系统实际状态的跟踪能力变强，因此提高了组合导航定位系统的稳定性和可靠性。
实施例3
无人车组合导航定位方法同实施例1-2，步骤2中所述的强跟踪卡尔曼滤波算法中一步预测均方误差是由下式实现的：
Figure BDA0003594039520000071
其中，Pk/k-1为k-1到k时刻的一步预测均方误差，λk为时变渐消因子，φk/k-1为k-1时刻到k时刻的状态转移矩阵，
Figure BDA0003594039520000072
为φk/k-1的转置，Γk-1为噪声矩阵，
Figure BDA0003594039520000073
为Γk-1的转置，Qk-1为系统噪声。
本发明采用的时间渐消因子λk可以根据下式进行计算：
Figure BDA0003594039520000081
其中，λi(k)为第i个时变渐消因子，当λ0大于等于1时，λi(k)为λ0，否则，λi(k)为1。λ0根据下式进行计算：
Figure BDA0003594039520000082
其中，tr[·]表示求迹运算，N(k)和M(k)分别为新息序列的两种方差阵。
本发明采用的强跟踪卡尔曼滤波包含的时变渐消因子可以随着系统噪声特性实时调整，使得滤波器对无人车组合导航定位系统实际状态的跟踪能力变强，因此提高了组合导航定位系统的稳定性和可靠性。
实施例4
无人车组合导航定位方法同实施例1-3，步骤3中所述的激活函数如下：
Figure BDA0003594039520000083
其中，i表示隐含层的第i个节点，gi(x)表示隐含层第i个节点的激活函数，cos(·)表示求余弦操作，sin(·)表示求正弦操作，π表示圆周率，l表示隐含层节点数。
本发明采用的激活函数可以使IELM神经网络对隐含层中的每个节点具有不同的激活功能，可用于室外无人车运动的实时导航定位，且在卫星信号短暂失锁的情况下通过IELM神经网络的预测输出补偿惯性导航系统的误差。提高了网络的训练收敛速度，保证了训练的准确性。
下边给出一个更加详细的例子，对本发明进一步详细说明：
实施例5
无人车组合导航定位方法同实施例1-4，在卫星信号有效的情况下，通过强跟踪卡尔曼滤波对卫星数据和惯导数据进行信息融合，利用滤波输出对惯性导航系统的导航定位信息进行修正得到无人车的定位信息；同时IELM神经网络工作在训练阶段，利用采集到的惯导数据作为网络输入进行训练，在卫星信号失锁的情况下，利用训练好的IELM神经网络预测系统的导航定位信息的误差值来修正惯性导航系统输出的导航定位信息。
步骤1，组建无人车组合导航定位系统。
将卫星模块UM220和惯性导航模块JY901固定安装在无人车上，通过微处理器接收卫星模块和惯性导航模块的数据并作为样本数据传输至上位机，组建无人车组合导航定位系统。
步骤2，导航解算与信息融合。
通过无人车组合导航定位系统采集无人车运动500s时间内的导航数据组成样本集，其中，加速度和角速度数据各自包含50000个。
无人车的初始时刻位置坐标的经度为东经108°54'49″，纬度为北纬34°13'55″，高度为420m。
对样本集中的导航数据进行解算后再进行强跟踪卡尔曼滤波，得到无人车运动的每个加速度和角速度的导航数据误差补偿值。
对样本集中的导航数据进行解算是由下式实现的：
Figure BDA0003594039520000091
其中，L、A、H分别表示第t个时刻无人车位置的坐标经度、纬度和高度，L0、A0、H0分别表示初始时刻无人车位置的坐标经度为东经108°54'49″，纬度为北纬34°13'55″，高度为420m，Rm和Rn分别表示地球子午圈曲率半径为和地球卯酉圈曲率半径，vE,vN,vU分别表示东北天坐标系下的三个方向的速度分量由样本集中的加速度和角速度数据计算得到，sec(·)表示求正割操作。
将样本集及其对应的导航数据误差补偿值组成训练集。
步骤3，构建IELM神经网络。
构建IELM神经网络，该网络依次包含输入层、隐含层、输出层三层结构，其中输入层包含6个节点，分别代表三轴加速度信息和三轴角速度信息，隐含层包含10个节点，输出层包含6个节点，分别代表三轴速度误差值和三轴位置误差值，激活函数采用傅里叶正交基函数。
激活函数采用的傅里叶正交基函数如下：
Figure BDA0003594039520000101
其中，i表示隐含层的第i个节点，gi(x)表示隐含层第i个节点的激活函数，cos(·)表示求余弦操作，sin(·)表示求正弦操作，π表示圆周率，l表示隐含层节点数。
步骤4，判断卫星信号是否有效。
如果卫星信号有效，执行步骤5，通过训练集对IELM神经网络进行训练；如果卫星信号失锁，执行步骤6，利用训练好的IELM神经网络预测导航定位误差补偿值。
步骤5，在卫星信号有效情况下训练IELM神经网络。
利用强跟踪卡尔曼滤波后的输出对惯性导航系统输出的导航定位信息进行修正得到无人车的实时导航定位信息，同时将训练集中采集到的500s的加速度和角速度数据各自50000个输入到IELM神经网络中，根据连续的概率分布随机生成输入层权重和隐含层的偏置，利用最小化平方差公式，计算输出层的权重，利用正交投影法更新网络的隐含层的输出，将更新后的隐含层的输出与输出层的权重构成网络的输出，更新迭代隐含层的输出直到网络输出与样本标签的最小化平方差最小时停止迭代，得到训练好的IELM神经网络，执行步骤7。
最小化平方差公式如下：
min||Hβ-Ti||2，β∈RL×m
其中，min表示取最小值操作，||·||2表示求平方差操作，H表示IELM神经网络隐含层的输出，β表示IELM神经网络输出层的权重，Ti表示IELM神经网络训练数据的第i个加速度和角速度的导航数据误差补偿值，L表示IELM神经网络隐含层节点的总数，m表示IELM神经网络输出层节点的总数。
步骤6，预测卫星信号失锁情况下的误差补偿值。
在卫星模块UM220断电导致的模拟卫星信号失锁的情况下，将惯性导航模块JY901采集到的每个加速度、角速度信息输入到训练好的IELM神经网络中，网络输出组合导航系统正常工作时经过强跟踪卡尔曼滤波后的卫星信息和惯性导航信息的导航信息误差值，执行步骤7。
步骤7，利用误差补偿后的导航信息进行定位。
将导航定位信息误差值反馈回惯性导航系统进行补偿，得到补偿后的导航定位信息。
下面结合仿真实验对本发明的效果在做说明：
实施例6
室外无人车组合导航定位方法同实施例1-5。
仿真条件和内容：本发明的仿真实验的硬件平台为：惯性导航模块为JY901，卫星模块为UM220，微控制器为STM32F103，处理器为Intel I5 9300H CPU，主频为2.8GHz，内存为16GB。
本发明的仿真实验的软件平台为：Windows 10操作系统和MATLAB R2020a。
本发明仿真实验所用到的数据，采集自西安电子科技大学北校区，采集时间为2022年3月，样本集的内容为500秒内的导航定位数据。
仿真内容及其结果分析：
本发明仿真实验是采用本发明和两个现有技术(基于GNSS和惯导组合导航的室外无人车定位方法、基于BP神经网络辅助的GNSS和惯导组合导航的室外无人车定位方法)，分别对本发明所采集的500秒内每一秒的导航定位数据进行导航解算，得到室外无人车的定位结果，再将每个定位结果减去与其对应的实际定位结果，得到定位误差并绘制成定位误差曲线，如图2和图3所示。
在仿真实验中，采用的两个现有技术是指：
现有技术基于GNSS和INS组合导航的室外无人车定位方法是指，中铁第四勘察设计院集团有限公司在其申请的专利文献“一种GNSS与惯导组合导航位置输出的滤波校正方法”(申请号:202010584388.X，申请公布号：CN 111947681A)中提到的室外无人车定位方法。
现有技术基于BP神经网络辅助的GNSS和INS组合导航的室外无人车定位方法是指，李小燕等人在其发表的论文“基于BP神经网络辅助的组合导航算法研究”(《电子器件》2018年第41卷第6期)中提到的室外无人车定位方法。
下面结合图2和图3的仿真图对本发明的效果做进一步的描述。
图2和图3中以“实线”标示的曲线表示室外无人车组合导航定位方法的仿真曲线，图2和图3中以“虚线”标示的曲线表示基于BP神经网络辅助的组合导航的室外无人车定位方法的仿真曲线，图2和图3中以“点划线”标示的曲线表示本发明所提到的室外无人车组合导航定位方法的仿真曲线。
图2是本发明与现有技术定位误差的仿真结果经度误差对比图，横坐标表示定位时间，纵坐标表示经度的定位精度误差值。由图2可以看出，在500秒的时间内，基于传统卡尔曼滤波组合导航的室外无人车定位方法在前100秒内定位精度误差维持在20米附近，在后400秒定位精度误差便随着时间推移越来越大。基于BP神经网络辅助的组合导航的室外无人车定位方法在250秒内，定位精度误差维持在20米附近，在后250秒定位精度误差随着时间推移开始越来越大。只有本发明的方法在500秒时间内定位精度误差始终稳定在20米附近，验证了本发明经度的准确性，本发明相比于传统的卡尔曼滤波组合导航的室外无人车定位方法和基于BP神经网络辅助的组合导航的室外无人车定位方法更优，在更长的时间内保持稳定性和可靠性。
实施例7
室外无人车组合导航定位方法同实施例1-5，仿真条件和仿真内容同实施例6。
仿真结果分析：
图3是本发明与现有技术定位误差的仿真结果纬度误差对比图，横坐标表示时间，纵坐标表示纬度的定位精度误差值。由图3可以看出，在500秒的时间内，基于传统卡尔曼滤波组合导航的室外无人车定位方法在前80秒内定位精度误差维持在20米附近，在后400秒定位精度误差便随着时间推移越来越大。基于BP神经网络辅助的组合导航的室外无人车定位方法在200秒内，定位精度误差维持在20米附近，在后300秒定位精度误差随着时间推移开始越来越大。本发明所提出的方法定位精度误差稳定在20米附近。验证了本发明纬度的准确性，本发明相比于传统的卡尔曼滤波组合导航的室外无人车定位方法和基于BP神经网络辅助的组合导航的室外无人车定位方法更优，在更长的时间内保持稳定性和可靠性。
实施例8
室外无人车组合导航定位方法同实施例1-5，为了本发明与基于BP神经网络辅助的组合导航的室外无人车定位方法的计算成本，本发明对具有相同隐含层节点数的BP神经网络和IELM神经网络进行测试实验，实验PC的性能参数为Intel i5-9300H CPU、NVIDIAGTX1660Ti GPU和16G运行内存等，测试实验中将训练样本数据的个数设置为100，以便于观察比较。
仿真结果分析：
表1中列出了实施例8中每种算法运行过程中的平均时间消耗。
表1不同算法间的耗时比较
Figure BDA0003594039520000131
表1中本发明IELM神经网络的训练耗时为7.81ms，现有技术的BP神经网络的训练耗时为11.76ms，表明本发明的IELM神经网络的训练速度要快于BP神经网络，其性能相比BP神经网络也有了大大提升。
以上仿真实验表明：本发明方法利用构建的IELM神经网络，该网络仅设置了隐含层节点的个数，通过求解一个最小平方差，得到IELM神经网络的输出层权重。利用构建的IELM神经网络在卫星信号短暂失锁情况下通过对样本集中加速度和角速度值进行训练，得到训练好的IELM神经网络。再利用该训练好的网络预测卫星信息和惯性导航信息的导航信息误差值，以修正惯性导航系统输出的导航信息，进行室外无人车的实时导航定位，达到卫星信号短暂失锁情况下替代卫星导航系统的作用，解决了现有技术中卫星信号失锁情况下单一的惯性导航系统工作导致无人车导航精度迅速下降的问题，本发明在构建IELM神经网络过程中，随机产生输入层的权值和隐含层的偏置并采用傅里叶正交基函数作为隐含层的激活函数，在对IELM神经网络训练过程中，只需设置隐含层节点的个数，求解一个最小平方差得到IELM神经网络的输出层权重，不需要像梯度学习法一样通过迭代反复调整刷新网络各层的参数，提高了训练速度，是一种非常实用的室外无人车定位方法。
综上所述，本发明的一种室外无人车组合导航定位方法，解决了室外无人车组合导航定位中导航定位精度不高以及实时性较低的问题。实现步骤为：组建无人车组合导航定位系统；导航解算与信息融合；构建IELM神经网络；判断卫星信号是否有效；在卫星信号有效情况下训练IELM神经网络；预测卫星信号失锁情况下的误差补偿值；利用导航定位误差补偿值后对惯导系统的输出进行修正得到定位信息，完成室外无人车组合导航定位。本发明在信息融合算法中采用包含有时变渐消因子的强跟踪卡尔曼滤波，利用构建的IELM神经网络在卫星信号短暂失锁情况下通过对样本集中加速度和角速度值进行训练，利用该训练好的网络预测卫星信息和惯性导航信息的导航信息误差值，以修正惯性导航系统输出的导航信息，进行室外无人车的实时导航定位。本发明与现有技术相比，减小了室外无人车的定位误差，提高了定位精度和实时性。

Claims (4)

1.一种室外无人车组合导航定位方法，将卫星模块和惯性导航模块安装在无人车上构成无人车组合导航定位系统，其特征在于，在卫星信号有效的情况下，卫星导航定位系统和惯性导航系统通过强跟踪卡尔曼滤波进行信息融合，利用滤波输出对惯性导航系统的导航定位信息进行修正得到无人车的定位信息；同时改进的极限学习机(IELM)神经网络工作在训练阶段，惯性导航系统采集到的加速度和角速度信息作为网络输入进行训练，在卫星信号失锁的情况下，利用训练好的IELM神经网络预测系统的导航定位信息的误差来修正惯性导航系统输出的导航定位信息；该室外无人车组合导航定位方法的步骤包括如下：
步骤1,组建无人车组合导航定位系统：将卫星模块和惯性导航模块固定安装在无人车上，微处理器通过接口接收卫星模块和惯性导航模块的数据并作为样本数据传输至上位机，组建无人车组合导航定位系统；
步骤2,导航解算与信息融合：对微处理器采集到的样本中卫星和惯导数据分别进行解算，并采用强跟踪卡尔曼滤波算法对解算后的数据进行信息融合，得到导航定位误差补偿值，并将惯导数据作为输入，导航定位误差补偿值作为输出，生成训练集；
步骤3,构建IELM神经网络：构建IELM神经网络，该网络依次包含输入层、隐含层、输出层三层结构，其中输入层包含6个节点，分别代表三轴加速度信息和三轴角速度信息，隐含层包含10个节点，输出层包含6个节点，分别代表三轴速度误差值和三轴位置误差值，激活函数采用傅里叶正交基函数；
步骤4,判断卫星信号是否有效：如果卫星信号有效，执行步骤5，通过训练集对IELM神经网络进行训练；如果卫星信号失锁，执行步骤6，利用训练好的IELM神经网络预测导航定位误差补偿值；
步骤5,在卫星信号有效时训练IELM神经网络：在卫星信号有效时，利用强跟踪卡尔曼滤波后的输出对惯性导航系统输出的导航定位信息进行修正得到无人车的实时导航定位信息，同时将训练集输入到IELM神经网络中，根据连续的概率分布随机生成输入层权重和隐含层的偏置，利用最小化平方差公式，计算输出层的权重，利用正交投影法更新网络的隐含层的输出，将更新后的隐含层的输出与输出层的权重构成网络的输出，更新迭代隐含层的输出直到网络输出与样本标签的最小化平方差最小时停止迭代，得到训练好的IELM神经网络，执行步骤7；
步骤6,预测卫星信号失锁时的误差补偿值：将卫星信号失锁的时间范围内采集到的惯导数据输入到训练好的IELM神经网络中，网络预测输出系统正常工作时经过强跟踪卡尔曼滤波后的导航信息误差值，执行步骤7；
步骤7,利用误差补偿后的导航信息进行定位：将导航信息误差值反馈回惯性导航系统对其进行修正，得到修正后的定位信息。
2.根据权利要求1所述的室外无人车组合导航定位方法，其特征在于，步骤2中所述的导航解算与信息融合具体包括有以下步骤：
(2a)采集室外无人车运动500s时间内的导航数据组成样本数据，总共采集的加速度和角速度数据各自至少包含50000个；
(2b)对样本数据中的导航数据进行解算后得到速度和位置信息，再经过强跟踪卡尔曼滤波算法进行滤波，得到室外无人车运动的导航信息误差补偿值；
(2c)将样本数据及其对应的导航信息误差补偿值组成训练集。
3.根据权利要求1所述的室外无人车组合导航定位方法，其特征在于，步骤2中所述的强跟踪卡尔曼滤波算法中一步预测均方误差是由下式实现的：
Figure FDA0003594039510000021
其中，Pk/k-1为k-1到k时刻的一步预测均方误差，λk为时变渐消因子，φk/k-1为k-1时刻到k时刻的状态转移矩阵，
Figure FDA0003594039510000022
为φk/k-1的转置，Γk-1为噪声矩阵，
Figure FDA0003594039510000023
为Γk-1的转置，Qk-1为系统噪声。
4.根据权利要求1所述的室外无人车组合导航定位方法，其特征在于，步骤3中所述的激活函数如下：
Figure FDA0003594039510000031
其中，i表示隐含层的第i个节点，gi(x)表示隐含层第i个节点的激活函数，cos(·)表示求余弦操作，sin(·)表示求正弦操作，π表示圆周率，l表示隐含层节点数。
CN202210386829.4A 2022-04-13 2022-04-13 一种室外无人车组合导航定位方法 Pending CN114777771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210386829.4A CN114777771A (zh) 2022-04-13 2022-04-13 一种室外无人车组合导航定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210386829.4A CN114777771A (zh) 2022-04-13 2022-04-13 一种室外无人车组合导航定位方法

Publications (1)

Publication Number Publication Date
CN114777771A true CN114777771A (zh) 2022-07-22

Family

ID=82428248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210386829.4A Pending CN114777771A (zh) 2022-04-13 2022-04-13 一种室外无人车组合导航定位方法

Country Status (1)

Country Link
CN (1) CN114777771A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115143954A (zh) * 2022-09-05 2022-10-04 中国电子科技集团公司第二十八研究所 一种基于多源信息融合的无人车导航方法
CN116625409A (zh) * 2023-07-14 2023-08-22 享刻智能技术(北京)有限公司 动态定位性能评价方法、设备以及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115143954A (zh) * 2022-09-05 2022-10-04 中国电子科技集团公司第二十八研究所 一种基于多源信息融合的无人车导航方法
CN115143954B (zh) * 2022-09-05 2022-11-29 中国电子科技集团公司第二十八研究所 一种基于多源信息融合的无人车导航方法
CN116625409A (zh) * 2023-07-14 2023-08-22 享刻智能技术(北京)有限公司 动态定位性能评价方法、设备以及系统
CN116625409B (zh) * 2023-07-14 2023-10-20 享刻智能技术(北京)有限公司 动态定位性能评价方法、设备以及系统

Similar Documents

Publication Publication Date Title
CN106871928B (zh) 基于李群滤波的捷联惯性导航初始对准方法
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
Chen et al. A hybrid prediction method for bridging GPS outages in high-precision POS application
CN109883426B (zh) 基于因子图的动态分配与校正多源信息融合方法
CN105589064A (zh) Wlan位置指纹数据库快速建立和动态更新系统及方法
CN114777771A (zh) 一种室外无人车组合导航定位方法
CN110823217A (zh) 一种基于自适应联邦强跟踪滤波的组合导航容错方法
CN109471146B (zh) 一种基于ls-svm的自适应容错gps/ins组合导航方法
CN105509739A (zh) 采用固定区间crts平滑的ins/uwb紧组合导航系统及方法
CN111337029B (zh) 基于自学习多速率残差校正的偏振光惯性严密组合导航方法
CN109945895B (zh) 基于渐消平滑变结构滤波的惯性导航初始对准方法
CN109059911B (zh) 一种gnss、ins和气压计的数据融合方法
CN110346821B (zh) 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统
CN106840211A (zh) 一种基于kf和stupf组合滤波的sins大方位失准角初始对准方法
CN114216459B (zh) Elm辅助的gnss/ins组合导航无人靶车定位方法
CN111366156A (zh) 基于神经网络辅助的变电站巡检机器人导航方法及系统
CN108759825B (zh) 面向有数据缺失INS/UWB行人导航的自适应预估Kalman滤波算法及系统
CN115451952B (zh) 一种故障检测及抗差自适应滤波的多系统组合导航方法和装置
Xiao et al. Residual attention network-based confidence estimation algorithm for non-holonomic constraint in GNSS/INS integrated navigation system
CN114689047A (zh) 基于深度学习的组合导航方法、装置、系统及存储介质
CN115265532A (zh) 一种用于船用组合导航中的辅助滤波方法
CN114777812A (zh) 一种水下组合导航系统行进间对准与姿态估计方法
CN113375664B (zh) 基于点云地图动态加载的自主移动装置定位方法
CN109655060A (zh) 基于kf/fir和ls-svm融合的ins/uwb组合导航算法及系统
CN110864688A (zh) 一种用于车载方位开环水平姿态角闭环的航姿方法

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