CN115143954B - 一种基于多源信息融合的无人车导航方法 - Google Patents

一种基于多源信息融合的无人车导航方法 Download PDF

Info

Publication number
CN115143954B
CN115143954B CN202211077344.3A CN202211077344A CN115143954B CN 115143954 B CN115143954 B CN 115143954B CN 202211077344 A CN202211077344 A CN 202211077344A CN 115143954 B CN115143954 B CN 115143954B
Authority
CN
China
Prior art keywords
error
model
unmanned vehicle
extended kalman
source information
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
CN202211077344.3A
Other languages
English (en)
Other versions
CN115143954A (zh
Inventor
李源
朱峰
李磊
姚传明
石畅
邵卫
张义武
唐伟
梅世纪
鲁兴河
冯超
胡耀辉
陈忠
郭锐
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.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
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 CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN202211077344.3A priority Critical patent/CN115143954B/zh
Publication of CN115143954A publication Critical patent/CN115143954A/zh
Application granted granted Critical
Publication of CN115143954B publication Critical patent/CN115143954B/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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于多源信息融合的无人车导航方法，包括：采集无人车车载惯性导航系统、卫星导航系统以及温度传感器的多源信息；处理多源信息，构建无人车的线性化位置、姿态和速度误差模型；根据扩展卡尔曼滤波算法，构建基于扩展卡尔曼滤波的融合模型；将多源信息以及无人车的误差信息进行融合处理，完成扩展卡尔曼滤波中状态向量更新及对误差值的最优估计；构建NARX神经网络误差估计模型；根据卫星导航是否有效，选择使用基于扩展卡尔曼滤波的融合模型或NARX神经网络误差估计模型，实时修正并更新无人车的导航信息，完成基于多源信息融合的无人车导航。本发明设计的方法不受无人车类型的限制，适用性广，可拓展性强。

Description

一种基于多源信息融合的无人车导航方法
技术领域
本发明涉及一种无人车导航方法，特别是一种基于多源信息融合的无人车导航方法。
背景技术
随着无人技术的快速发展，无人领域已经成为我军作战的研究重点，针对无人装备精确定位的要求也逐步提升。目前，无人领域多采用惯性导航与国产化卫星导航组合的方式，为无人车提供位姿解算，支撑无人车的定位与导航，惯性/卫星组合导航系统是我军指挥作战中无人车的重要位置基准。在卫星导航丢失的条件下，惯性导航在一定距离内仍然能够为无人车提供高精度位置信息，同时，利用车体本身行进中的速度和姿态信息，进一步提高无人车位置的精度。但是，惯性导航系统精度严重依赖惯性传感器性能和计算方法，在卫星导航丢失超过一定时间后，惯性导航系统的偏置漂移误差在积分算法下持续累积，并且，无人车在沙漠、高山等野外高、低温环境下作业时，其惯性导航系统输出信息的精度受 温度影响很大，加剧影响解算结果，累积误差持续增加，极有可能导致无人车接收错误位置信号而偏离路径，无法满足无人车的精度要求。随着无人领域的发展，我军对无人车的定位精度要求越来越高。因此，急需解决上述在卫星导航系统丢失和高温、低温条件下，无人车定位误差累积、位置精度显著下降的问题，组合导航系统正面临重大挑战。
多源信息融合技术利用多个传感器获取的信息，按照特定的规则对这些信息进行分类、处理、融合和使用，实现各传感器之间的信息优势互补。随着我军对无人车精准作战、定点辅助需求的日益增加，无人车定位精度要求也随之提高，故本发明引入多源信息融合技术。如果期望得到对各传感器信息的最优互补和估计结果，那么需要选择合适的算法辅助多源信息融合技术，本发明引入卡尔曼滤波算法和神经网络算法，创建合适的模型，修正惯性导航系统中的误差，为系统提供更加安全可靠和精准的位置信息。因此，建立基于多源信息融合的无人车导航方法，为我军精确定位、高效作战提供了有利的手段。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于多源信息融合的无人车导航方法。
为了解决上述技术问题，本发明公开了一种基于多源信息融合的无人车导航方法，包括以下步骤：
步骤1，采集无人车车载惯性导航系统、卫星导航系统以及温度传感器的多源信息；所述多源信息包括：无人车的角速度、速度、加速度、位姿信息以及温度信息；
步骤2，处理步骤1中采集到的多源信息，构建无人车的线性化位置、姿态和速度误差模型；得到无人车的误差信息，包括：位置误差、速度误差和姿态误差；
步骤3，根据扩展卡尔曼滤波算法，构建基于扩展卡尔曼滤波的融合模型；将步骤1中得到的多源信息以及步骤2中得到的无人车的误差信息进行融合处理，获取融合后的误差估计结果；完成扩展卡尔曼滤波中状态向量更新及对误差值的最优估计；
步骤4，构建NARX神经网络误差估计模型：利用NARX神经网络构建以惯性信息（惯性信息包括加速度和角速度）和温度信息为输入的误差估计模型；在卫星导航失效时引入NARX神经网络误差估计模型进行惯性解算，修正由于卫星信号失效、惯性积分算法、环境温度等因素造成的定位误差；
步骤5，根据卫星导航是否有效，选择使用步骤3中所述基于扩展卡尔曼滤波的融合模型或步骤4中所述NARX神经网络误差估计模型，实时修正并更新无人车的导航信息，完成基于多源信息融合的无人车导航。
本发明步骤2中所述构建无人车的线性化位置、姿态和速度误差模型时，对其中的陀螺偏置误差模型进行改进，用受温度影响的非线性模型代替白噪声陀螺偏置误差模型。
步骤2中所述用受温度影响的非线性模型代替白噪声陀螺偏置误差模型的具体方法包括：
Figure DEST_PATH_IMAGE001
上式中，
Figure 820791DEST_PATH_IMAGE002
为改进后的陀螺偏置误差模型，
Figure 333812DEST_PATH_IMAGE003
为车载惯性导航系统的惯性传感器输出得到的陀螺偏置信息，
Figure 342219DEST_PATH_IMAGE004
为温度传感器采集的温度信息，
Figure 533642DEST_PATH_IMAGE005
为惯性传感器信息采集间隔时间，
Figure 107842DEST_PATH_IMAGE006
为白噪声模型，且
Figure 526185DEST_PATH_IMAGE007
，
Figure 959572DEST_PATH_IMAGE008
为零均值高斯白噪声模型，即为过程噪声
Figure 754353DEST_PATH_IMAGE009
。
本发明步骤3中所述的扩展卡尔曼滤波算法包括：
扩展卡尔曼滤波的系统模型为：
Figure 386322DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为第k+1步的状态变量，
Figure 913250DEST_PATH_IMAGE012
为第k步的状态变量，
Figure 164758DEST_PATH_IMAGE013
为第k步的过程噪声；
Figure 497650DEST_PATH_IMAGE014
为扩展卡尔曼滤波中的非线性状态函数；
实现系统矩阵线性化的方法包括：
Figure 984127DEST_PATH_IMAGE015
其中，
Figure 9851DEST_PATH_IMAGE016
为
Figure 214568DEST_PATH_IMAGE014
对
Figure DEST_PATH_IMAGE017
偏导的雅克比矩阵，
Figure 492096DEST_PATH_IMAGE018
为第k-1步的后验状态估计，
Figure 95729DEST_PATH_IMAGE017
为状态变量；假设传播间隔足够小，状态转移矩阵
Figure 292355DEST_PATH_IMAGE019
近似为：
Figure 718788DEST_PATH_IMAGE020
其中，
Figure 393483DEST_PATH_IMAGE021
为传播间隔，即传感器更新频率的倒数，
Figure 854551DEST_PATH_IMAGE022
表示指数函数；
扩展卡尔曼滤波的观测模型为：
Figure DEST_PATH_IMAGE023
其中，
Figure 159762DEST_PATH_IMAGE024
为观测变量，
Figure 73491DEST_PATH_IMAGE025
为观测噪声，
Figure 566525DEST_PATH_IMAGE026
为扩展卡尔曼滤波中的量测函数；
实现观测矩阵线性化的方法包括：
Figure DEST_PATH_IMAGE027
其中，
Figure 882100DEST_PATH_IMAGE028
为
Figure 358212DEST_PATH_IMAGE029
对
Figure 24817DEST_PATH_IMAGE017
偏导的雅可比矩阵，
Figure 41314DEST_PATH_IMAGE030
为第k步的状态估计。
步骤3中所述的融合处理方法包括：
根据扩展卡尔曼滤波的系统模型和观测模型，将步骤2中得到的误差信息作为系统状态变量，将步骤2中改进后的陀螺偏置误差模型
Figure 742554DEST_PATH_IMAGE002
作为过程噪声
Figure 186305DEST_PATH_IMAGE009
中的陀螺偏置项；将卫星导航系统测量得到的位置和速度信息与惯性导航系统测量得到的位置和速度信息的差值作为观测模型的变量；完成扩展卡尔曼滤波中状态向量的更新及对误差值的最优估计。
步骤3中所述的扩展卡尔曼滤波中状态向量更新的方法，包括以下步骤：
步骤3-1，一步状态预测更新：
Figure 337276DEST_PATH_IMAGE031
其中，
Figure 157465DEST_PATH_IMAGE032
为上一状态的最优值，
Figure 447632DEST_PATH_IMAGE033
为当前状态的一步预测值；
步骤3-2，一步预测估计误差协方差矩阵更新：
Figure 327863DEST_PATH_IMAGE034
其中，
Figure 703481DEST_PATH_IMAGE035
为
Figure 61781DEST_PATH_IMAGE032
对应的协方差一步预测值，
Figure 472033DEST_PATH_IMAGE036
为状态转移矩阵，
Figure DEST_PATH_IMAGE037
为
Figure 198200DEST_PATH_IMAGE032
对应的协方差，
Figure 61113DEST_PATH_IMAGE038
为
Figure 223104DEST_PATH_IMAGE036
的转置，
Figure 487864DEST_PATH_IMAGE039
为过程噪声协方差矩阵；
步骤3-3，计算扩展卡尔曼滤波增益：
Figure 709898DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
为扩展卡尔曼滤波增益矩阵，
Figure 997791DEST_PATH_IMAGE042
为观测矩阵，
Figure 697893DEST_PATH_IMAGE043
为观测矩阵的转置，
Figure 17492DEST_PATH_IMAGE044
为测量噪声协方差矩阵；
步骤3-4，由观测向量计算新息，并更新状态估计：
Figure 207165DEST_PATH_IMAGE045
其中，
Figure 44671DEST_PATH_IMAGE046
为当前状态的最优估计值，
Figure 548464DEST_PATH_IMAGE047
为当前观测值，
Figure 522237DEST_PATH_IMAGE048
为当前观测预测值。
步骤3-5，更新估计误差协方差：
Figure 289335DEST_PATH_IMAGE049
其中，
Figure 410875DEST_PATH_IMAGE050
为
Figure 656043DEST_PATH_IMAGE046
对应的协方差，
Figure 741112DEST_PATH_IMAGE051
为单位矩阵。
本发明步骤4中所述NARX神经网络误差估计模型，以步骤3中所述的基于扩展卡尔曼滤波的融合模型的状态误差值作为所述NARX神经网络误差估计模型的输出，以步骤1中所述多源信息中无人车的加速度、角速度以及温度信息作为输入。
此外，考虑到NARX神经网络的动态延时反馈特性，步骤4中所述NARX神经网络误差估计模型的输入信息还包括k步延时输入反馈和n步延时输出反馈（k，n大小根据多源信息特点选取）。
本发明步骤5中所述的选择使用模型的方法包括：
在卫星导航有效时，选用扩展卡尔曼滤波融合模型估计的误差作为解算结果；
在卫星导航失效时，利用NARX神经网络误差估计模型预测的误差作为解算结果；
使用所述解算结果完成无人车定位及导航。
有益效果：
1、改进传统的陀螺偏置误差模型，并在扩展卡尔曼滤波模型中引入，降低温度信息对状态估计值的精度影响。
2、构建具备延时反馈、准确性高的NARX神经网络误差估计模型，保证无人车在卫星导航失效时导航定位精度不下降。
3、基于多源信息融合的无人车导航方法能够提高无人车导航定位效率和精度。
4、本发明中的模型和方法能够适用于各种无人车导航系统。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明总体流程示意图。
图2为扩展卡尔曼滤波融合模型构建流程示意图。
图3为NARX神经网络误差估计模型构建过程示意图。
具体实施方式
实现本发明目的的技术解决方案为一种基于多源信息融合的无人车导航方法。具体方法技术点如下：
1.提供线性化位姿误差模型构建功能
能够通过通用数据采集软件获取导航系统内所有的传感器信息，通过选择位置、姿态、速度信息，构建位姿误差模型。
2.扩展卡尔曼滤波融合模型构建功能
利用建立的误差模型，通过扩展卡尔曼滤波算法融合位置、姿态等信息，计算出实时位姿误差结果。
3. NARX神经网络误差估计模型构建功能
基于上述模型的误差估计结果，在卫星导航信号正常时，考虑到环境温度对惯性器件精度的影响，利用NARX神经网络，构建以惯性导航系统的角速度、加速度、温度传感器输出的温度为输入，误差信息为输出的误差估计神经网络训练模型。
4.基于多源信息融合的无人车导航方法
在上述三个模型构建完成后，基于多源信息融合的无人车导航方法基本生成。在卫星导航失效时在惯性解算时引入该神经网络模型，预测误差，实时修正各种因素对惯性导航系统造成的定位误差，提高无人车的定位精度。
一种基于多源信息融合的无人车导航方法，在具体实施时，如图1所示，包括：
1、位姿误差模型构建方法：
多源信息融合技术的关键在于确定多源信息之间的关系。在导航系统中，多源信息主要包括三轴角速度、加速度、位置、姿态、温度等，确定多源信息间的误差关系是解决惯性器件误差累积的主要方向，也是考虑到环境温度对器件精度的影响以及卫星导航信号丢失的情况下，提升惯性导航系统定位精度最高效的手段。
如表1所示，表1是将非线性的导航状态方程线性化后得到的位置、速度、姿态误差模型：
Figure 272587DEST_PATH_IMAGE052
表1 线性化误差模型方程表
由于姿态误差是误差模型中不可缺少的，因此也需要对惯性器件中陀螺误差
Figure 819106DEST_PATH_IMAGE053
、
Figure 930282DEST_PATH_IMAGE054
、
Figure 878646DEST_PATH_IMAGE055
(b代表载体坐标系，x，y，z代表三轴)和加速度计误差
Figure 784285DEST_PATH_IMAGE056
、
Figure 818100DEST_PATH_IMAGE057
、
Figure 201808DEST_PATH_IMAGE058
建模并扩充为误差模型的状态变量。为防止破坏误差模型的稳定性，传统的
Figure 267329DEST_PATH_IMAGE053
、
Figure 343869DEST_PATH_IMAGE054
、
Figure 864980DEST_PATH_IMAGE055
均为零均值高斯白噪声模型，以
Figure 52379DEST_PATH_IMAGE008
代称。但是，考虑到无人车在高山、沙漠等极端野外环境下工作，陀螺等惯性器件的偏置受温度影响大，温度因素不可避免，本发明对原有的陀螺误差模型进行改进，用受温度影响的非线性模型代替原有的白噪声陀螺模型，具体表达式如下：
Figure DEST_PATH_IMAGE059
上式中，
Figure 913019DEST_PATH_IMAGE002
为新的陀螺偏置误差模型，
Figure 160461DEST_PATH_IMAGE060
为惯性器件输出得到的陀螺偏置信息，
Figure 903289DEST_PATH_IMAGE004
为温度传感器采集的温度信息，
Figure 162887DEST_PATH_IMAGE005
为惯性器件信息采集间隔时间，
Figure 940350DEST_PATH_IMAGE006
也为白噪声模型，但
Figure 358693DEST_PATH_IMAGE007
。
2、基于扩展卡尔曼滤波的融合模型构建方法：
在惯性导航和卫星导航组合工作下，卡尔曼滤波可以从受噪声干扰的测量值中最优地估计出系统误差的状态，这里的噪声既包括白噪声，也包括因温度影响的非线性噪声。传统卡尔曼滤波仅适用于线性系统，而扩展卡尔曼滤波器是卡尔曼滤波算法的一种，是将传统卡尔曼滤波应用到非线性领域中，传统卡尔曼滤波中的系统矩阵F和观测矩阵H将被
Figure 588818DEST_PATH_IMAGE061
和
Figure 383598DEST_PATH_IMAGE062
替代，随后将非线性系统按照一阶泰勒展开进行线性化。
扩展卡尔曼滤波的系统模型为：
Figure 218830DEST_PATH_IMAGE063
其中，
Figure 604812DEST_PATH_IMAGE011
为第k+1步的状态变量，
Figure 322233DEST_PATH_IMAGE012
为第k步的状态变量，
Figure 917774DEST_PATH_IMAGE013
为过程噪声；
Figure 138671DEST_PATH_IMAGE014
为扩展卡尔曼滤波中的非线性状态函数；
实现系统矩阵线性化的方法包括：
Figure 164396DEST_PATH_IMAGE064
其中，
Figure 634692DEST_PATH_IMAGE016
为
Figure 240117DEST_PATH_IMAGE065
对
Figure 315520DEST_PATH_IMAGE017
偏导的雅克比矩阵，
Figure 308884DEST_PATH_IMAGE018
为第k-1步的后验状态估计，
Figure 735317DEST_PATH_IMAGE017
为状态变量；假设传播间隔足够小，状态转移矩阵
Figure 690240DEST_PATH_IMAGE019
近似为：
Figure 151308DEST_PATH_IMAGE020
其中，
Figure 253256DEST_PATH_IMAGE021
为传播间隔，即传感器更新频率的倒数，
Figure 432565DEST_PATH_IMAGE022
表示指数函数；
扩展卡尔曼滤波的观测模型为：
Figure 910951DEST_PATH_IMAGE066
其中，
Figure 226525DEST_PATH_IMAGE024
为观测变量，
Figure 968217DEST_PATH_IMAGE025
为观测噪声，
Figure 165980DEST_PATH_IMAGE026
为扩展卡尔曼滤波中的量测函数；
实现观测矩阵线性化的方法包括：
Figure 648389DEST_PATH_IMAGE067
其中，
Figure 880787DEST_PATH_IMAGE028
为
Figure 324538DEST_PATH_IMAGE029
对
Figure 478439DEST_PATH_IMAGE017
偏导的雅可比矩阵，
Figure 298627DEST_PATH_IMAGE030
为第k步的状态估计。
如图2所示，图2给出了本发明的扩展卡尔曼滤波融合模型构建过程。在本发明中，首先确定与误差模型紧密相关的多源信息，本发明除了利用角速度、加速度、位置、姿态等多源信息来构建误差模型，还考虑到影响上述多源信息结果的温度信息，将温度作为构建误差模型的多源信息之一。随后，本发明根据上述误差模型构建了卡尔曼滤波的系统模型和观测模型，以惯性导航解算的位置、姿态、速度误差值作为系统状态变量，将上节中
Figure 588794DEST_PATH_IMAGE002
作为
Figure 406709DEST_PATH_IMAGE009
中的陀螺偏置项，替代传统的陀螺偏置白噪声模型，以卫星测量的位置、速度与惯性导航解算的位置、速度差值作为观测模型变量。具体的扩展卡尔曼滤波更新主要包括以下五个步骤：
步骤1：一步预测目标状态更新：
Figure 782327DEST_PATH_IMAGE068
其中，
Figure 205873DEST_PATH_IMAGE032
为上一状态的最优值，
Figure 350547DEST_PATH_IMAGE033
为当前状态的一步预测值；
步骤2：一步预测估计误差协方差：
Figure 401679DEST_PATH_IMAGE069
其中，
Figure 264593DEST_PATH_IMAGE035
为
Figure 426584DEST_PATH_IMAGE032
对应的协方差一步预测值，
Figure 894606DEST_PATH_IMAGE036
为状态转移矩阵，
Figure 116640DEST_PATH_IMAGE037
为
Figure 201270DEST_PATH_IMAGE032
对应的协方差，
Figure 960760DEST_PATH_IMAGE038
为
Figure 548868DEST_PATH_IMAGE036
的转置，
Figure 941803DEST_PATH_IMAGE039
为过程噪声协方差矩阵；
步骤3：计算扩展卡尔曼滤波增益：
Figure 779309DEST_PATH_IMAGE070
其中，
Figure 283103DEST_PATH_IMAGE041
为扩展卡尔曼滤波增益矩阵，
Figure 256875DEST_PATH_IMAGE042
为观测矩阵，
Figure 555132DEST_PATH_IMAGE043
为观测矩阵的转置，
Figure 614355DEST_PATH_IMAGE044
为测量噪声协方差矩阵；
步骤4：由观测向量计算新息，并更新状态估计：
Figure 913050DEST_PATH_IMAGE071
其中，
Figure 6908DEST_PATH_IMAGE046
为当前状态的最优估计值，
Figure 741646DEST_PATH_IMAGE047
为当前观测值，
Figure 288165DEST_PATH_IMAGE048
为当前观测预测值；
步骤5：更新协方差估计：
Figure 133761DEST_PATH_IMAGE072
其中，
Figure 82126DEST_PATH_IMAGE050
为
Figure 987765DEST_PATH_IMAGE046
对应的协方差，
Figure 21580DEST_PATH_IMAGE073
为单位矩阵。
基于以上五个步骤，完成了扩展卡尔曼滤波中状态向量的更新及对误差值的最优估计。
3、NARX神经网络误差估计模型构建方法
本发明的误差模型充分考虑了极端环境中温度对无人车惯性器件输出精度的影响，故在卫星导航有效时，基于惯性/卫星的组合导航系统已足够满足精度要求。然而，在偏远的条件下，卫星导航存在被遮蔽或者失锁的情况，无人车在短时间内可以仅依靠惯性导航系统进行定位，然后长时间下惯性导航系统的定位误差累积明显，会严重影响无人车的定位精度。为解决此问题，本发明在基于多源信息融合技术的前提下，引入一种NARX神经网络，在卫星导航有效时，构建NARX神经网络误差估计模型。
如图3所示，图3给出了基于多源信息融合的NARX神经网络误差估计模型构建过程。在卫星导航有效时，卫星导航与惯性导航组合工作，利用扩展卡尔曼滤波求解位置、姿态、速度误差值。同时，本发明设计了一种NARX神经网络误差估计模型，以扩展卡尔曼滤波融合模型的状态误差值作为神经网络误差估计模型的输出，考虑到温度对惯性器件的直接影响，以惯性传感器输出的加速度、角速度、温度传感器输出的温度作为输入，此外，神经网络的输入信息还包括k步延时输入反馈和n步延时输出反馈（k，n的值根据多源信息的特点选取），以上共同构成了误差的神经网络训练模型。当卫星导航信息受遮蔽或者失锁时，引入该NARX神经网络误差估计模型，利用惯性传感器的输出，对导航系统的姿态、位置、速度误差进行精确估计，降低由于惯性解算造成的累积误差，大大提高无人车导航系统的定位精度。
4、基于多源信息融合的无人车导航方法
在扩展卡尔曼滤波融合模型及NARX神经网络误差估计模型构建完成之后，本发明提出的基于多源信息融合的无人车导航方法基本完成，具体的流程图如图1所示。在无人车导航系统中，利用多源信息构建好扩展卡尔曼滤波融合模型及NARX神经网络误差估计模型，在卫星导航有效时，选用扩展卡尔曼滤波融合模型估计的误差作为解算结果，在卫星导航失效时，利用NARX神经网络误差估计模型预测的误差作为解算结果。最后，将无人车导航系统的信息传输到控制系统，供无人车控制系统对无人车位置进行定位和控制。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，ROM）或随机存储记忆体（randomaccess memory，RAM）等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种基于多源信息融合的无人车导航方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (8)

1.一种基于多源信息融合的无人车导航方法，其特征在于，包括以下步骤：
步骤1，采集无人车车载惯性导航系统、卫星导航系统以及温度传感器的多源信息；所述多源信息包括：无人车的角速度、速度、加速度、位姿信息以及温度信息；
步骤2，处理步骤1中采集到的多源信息，构建无人车的线性化位置、姿态和速度误差模型；得到无人车的误差信息，包括：位置误差、速度误差和姿态误差；
步骤3，根据扩展卡尔曼滤波算法，构建基于扩展卡尔曼滤波的融合模型；将步骤1中得到的多源信息以及步骤2中得到的无人车的误差信息进行融合处理，获取融合后的误差估计结果；完成扩展卡尔曼滤波中状态向量更新及对误差值的最优估计；
步骤4，构建NARX神经网络误差估计模型：利用NARX神经网络构建以惯性信息和温度信息为输入的误差估计模型；在卫星导航失效时引入NARX神经网络误差估计模型进行惯性解算，修正定位误差；
步骤5，根据卫星导航是否有效，选择使用步骤3中所述基于扩展卡尔曼滤波的融合模型或步骤4中所述NARX神经网络误差估计模型，实时修正并更新无人车的导航信息，完成基于多源信息融合的无人车导航；
步骤2中所述构建无人车的线性化位置、姿态和速度误差模型时，对其中的陀螺偏置误差模型进行改进，用受温度影响的非线性模型代替白噪声陀螺偏置误差模型；
步骤2中所述用受温度影响的非线性模型代替白噪声陀螺偏置误差模型的具体方法包括：
Figure 885576DEST_PATH_IMAGE001
上式中，
Figure 4842DEST_PATH_IMAGE002
为改进后的陀螺偏置误差模型，
Figure 663357DEST_PATH_IMAGE003
为车载惯性导航系统的惯性传感器输出得到的陀螺偏置信息，T为温度传感器采集的温度信息，t为惯性传感器信息采集间隔时间，
Figure 766442DEST_PATH_IMAGE004
为白噪声模型，且
Figure 535815DEST_PATH_IMAGE005
，
Figure 11052DEST_PATH_IMAGE006
为零均值高斯白噪声模型，即为过程噪声
Figure 840468DEST_PATH_IMAGE007
。
2.根据权利要求1所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤3中所述的扩展卡尔曼滤波算法包括：
扩展卡尔曼滤波的系统模型为：
Figure 430849DEST_PATH_IMAGE008
其中，
Figure 472754DEST_PATH_IMAGE009
为第k+1步的状态变量，
Figure 832191DEST_PATH_IMAGE010
为第k步的状态变量，
Figure 65464DEST_PATH_IMAGE011
为第k步的过程噪声；
Figure 611983DEST_PATH_IMAGE012
为扩展卡尔曼滤波中的非线性状态函数；
实现系统矩阵线性化的方法包括：
Figure 988738DEST_PATH_IMAGE013
其中，
Figure 202682DEST_PATH_IMAGE014
为
Figure 373900DEST_PATH_IMAGE012
对
Figure 926758DEST_PATH_IMAGE015
偏导的雅克比矩阵，
Figure 576045DEST_PATH_IMAGE016
为第k-1步的后验状态估计，
Figure 644495DEST_PATH_IMAGE015
为状态变量；假设传播间隔足够小，状态转移矩阵
Figure 986615DEST_PATH_IMAGE017
近似为：
Figure 6261DEST_PATH_IMAGE018
其中，
Figure 193660DEST_PATH_IMAGE019
为传播间隔，即传感器更新频率的倒数，
Figure 382196DEST_PATH_IMAGE020
表示指数函数；
扩展卡尔曼滤波的观测模型为：
Figure 629638DEST_PATH_IMAGE021
其中，
Figure 139510DEST_PATH_IMAGE022
为观测变量，
Figure 130600DEST_PATH_IMAGE023
为观测噪声，
Figure 908063DEST_PATH_IMAGE024
为扩展卡尔曼滤波中的量测函数；
实现观测矩阵线性化的方法包括：
Figure 591985DEST_PATH_IMAGE025
其中，
Figure 822109DEST_PATH_IMAGE026
为
Figure 381004DEST_PATH_IMAGE027
对
Figure 544132DEST_PATH_IMAGE015
偏导的雅可比矩阵，
Figure 133377DEST_PATH_IMAGE028
为第k步的状态估计。
3.根据权利要求2所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤3中的融合处理方法包括：
根据扩展卡尔曼滤波的系统模型和观测模型，将步骤2中得到的误差信息作为系统状态变量，将步骤2中改进后的陀螺偏置误差模型
Figure 116376DEST_PATH_IMAGE029
作为过程噪声
Figure 714848DEST_PATH_IMAGE030
中的陀螺偏置项；将卫星导航系统测量得到的位置和速度信息与惯性导航系统测量得到的位置和速度信息的差值作为观测模型的变量；完成扩展卡尔曼滤波中状态向量的更新及对误差值的最优估计。
4.根据权利要求3所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤3中所述的扩展卡尔曼滤波中状态向量更新的方法，包括以下步骤：
步骤3-1，一步状态预测更新：
Figure 696929DEST_PATH_IMAGE031
其中，
Figure 988233DEST_PATH_IMAGE032
为上一状态的最优值，
Figure 458529DEST_PATH_IMAGE033
为当前状态的一步预测值；
步骤3-2，一步预测估计误差协方差矩阵更新：
Figure 329533DEST_PATH_IMAGE034
其中，
Figure 700209DEST_PATH_IMAGE035
为
Figure 896835DEST_PATH_IMAGE032
对应的协方差一步预测值，
Figure 323269DEST_PATH_IMAGE036
为状态转移矩阵，
Figure 794701DEST_PATH_IMAGE037
为
Figure 255770DEST_PATH_IMAGE032
对应的协方差，
Figure 124762DEST_PATH_IMAGE038
为
Figure 304071DEST_PATH_IMAGE036
的转置，
Figure 782456DEST_PATH_IMAGE039
为过程噪声协方差矩阵；
步骤3-3，计算扩展卡尔曼滤波增益：
Figure 363610DEST_PATH_IMAGE040
其中，
Figure 400574DEST_PATH_IMAGE041
为扩展卡尔曼滤波增益矩阵，
Figure 67179DEST_PATH_IMAGE042
为观测矩阵，
Figure 614835DEST_PATH_IMAGE043
为观测矩阵的转置，
Figure 50496DEST_PATH_IMAGE044
为测量噪声协方差矩阵；
步骤3-4，由观测向量计算新息，并更新状态估计：
Figure 494246DEST_PATH_IMAGE045
其中，
Figure 143753DEST_PATH_IMAGE046
为当前状态的最优估计值，
Figure 963941DEST_PATH_IMAGE047
为当前观测值，
Figure 519687DEST_PATH_IMAGE048
为当前观测预测值。
5.根据权利要求4所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤3中所述的扩展卡尔曼滤波中状态向量更新的方法，还包括：
步骤3-5，更新估计误差协方差：
Figure 134339DEST_PATH_IMAGE049
其中，
Figure 8492DEST_PATH_IMAGE050
为
Figure 632372DEST_PATH_IMAGE046
对应的协方差，
Figure 777045DEST_PATH_IMAGE051
为单位矩阵。
6.根据权利要求5所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤4中所述NARX神经网络误差估计模型，以步骤3中所述的基于扩展卡尔曼滤波的融合模型的状态误差值作为所述NARX神经网络误差估计模型的输出，以步骤1中所述多源信息中无人车的加速度、角速度以及温度信息作为输入。
7.根据权利要求6所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤4中所述NARX神经网络误差估计模型的输入信息还包括k步延时输入反馈和n步延时输出反馈。
8.根据权利要求7所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤5中所述的选择使用模型的方法包括：
在卫星导航有效时，选用扩展卡尔曼滤波融合模型估计的误差作为解算结果；
在卫星导航失效时，利用NARX神经网络误差估计模型预测的误差作为解算结果；
使用所述解算结果完成无人车定位及导航。
CN202211077344.3A 2022-09-05 2022-09-05 一种基于多源信息融合的无人车导航方法 Active CN115143954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211077344.3A CN115143954B (zh) 2022-09-05 2022-09-05 一种基于多源信息融合的无人车导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211077344.3A CN115143954B (zh) 2022-09-05 2022-09-05 一种基于多源信息融合的无人车导航方法

Publications (2)

Publication Number Publication Date
CN115143954A CN115143954A (zh) 2022-10-04
CN115143954B true CN115143954B (zh) 2022-11-29

Family

ID=83415572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211077344.3A Active CN115143954B (zh) 2022-09-05 2022-09-05 一种基于多源信息融合的无人车导航方法

Country Status (1)

Country Link
CN (1) CN115143954B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116232282B (zh) * 2023-01-12 2023-12-19 湖南大学无锡智能控制研究院 一种基于自适应全通滤波器的时变时延估计方法、装置和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013035A (zh) * 2007-02-08 2007-08-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
WO2007097623A1 (en) * 2006-02-21 2007-08-30 Tomtom International B.V. Navigation device and method for receiving and playing sound samples
WO2019211016A1 (de) * 2018-05-04 2019-11-07 Sivantos Pte. Ltd. Verfahren zum betrieb eines hörgeräts und hörgerät
CN113252031A (zh) * 2021-04-28 2021-08-13 燕山大学 一种narx神经网络辅助组合导航的方法
CN114777771A (zh) * 2022-04-13 2022-07-22 西安电子科技大学 一种室外无人车组合导航定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007097623A1 (en) * 2006-02-21 2007-08-30 Tomtom International B.V. Navigation device and method for receiving and playing sound samples
CN101013035A (zh) * 2007-02-08 2007-08-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
WO2019211016A1 (de) * 2018-05-04 2019-11-07 Sivantos Pte. Ltd. Verfahren zum betrieb eines hörgeräts und hörgerät
CN113252031A (zh) * 2021-04-28 2021-08-13 燕山大学 一种narx神经网络辅助组合导航的方法
CN114777771A (zh) * 2022-04-13 2022-07-22 西安电子科技大学 一种室外无人车组合导航定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NARX神经网络在北斗组合导航失锁时的应用;王雪砚;《火力与指挥控制》;20220615;第38页摘要部分、第41页第2栏最后两段、附图3 *

Also Published As

Publication number Publication date
CN115143954A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN112268559B (zh) 复杂环境下融合slam技术的移动测量方法
CN108731670A (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
CN112505737B (zh) 一种gnss/ins组合导航方法
Stančić et al. The integration of strap-down INS and GPS based on adaptive error damping
CN109059907B (zh) 轨迹数据处理方法、装置、计算机设备和存储介质
CN111102978A (zh) 一种车辆运动状态确定的方法、装置及电子设备
CN112697138B (zh) 一种基于因子图优化的仿生偏振同步定位与构图的方法
CN112146655B (zh) 一种BeiDou/SINS紧组合导航系统弹性模型设计方法
Nourmohammadi et al. Design and experimental evaluation of indirect centralized and direct decentralized integration scheme for low-cost INS/GNSS system
Ali et al. Performance comparison among some nonlinear filters for a low cost SINS/GPS integrated solution
CN114689047B (zh) 基于深度学习的组合导航方法、装置、系统及存储介质
CN111189442B (zh) 基于cepf的无人机多源导航信息状态预测方法
CN115143954B (zh) 一种基于多源信息融合的无人车导航方法
CN112798021A (zh) 基于激光多普勒测速仪的惯导系统行进间初始对准方法
CN114018254B (zh) 一种激光雷达与旋转惯导一体化构架与信息融合的slam方法
CN112577494B (zh) 一种适用于月球车的slam方法、电子设备及存储介质
CN110375740B (zh) 车辆导航方法、装置、设备和存储介质
Peyman et al. Attitude estimation by divided difference filter-based sensor fusion
CN116399351A (zh) 一种车辆位置估计方法
CN114046800B (zh) 一种基于双层滤波框架的高精度里程估计方法
Wang et al. A line-of-sight rate estimation method for roll-pitch gimballed infrared seeker
CN114088104B (zh) 一种自动驾驶场景下的地图生成方法
CN115855063A (zh) 基于绝对姿态递推修正的交会对接敏感器数据预处理方法
CN116222551A (zh) 一种融合多种数据的水下导航方法及装置
Hao et al. Particle filter for INS in-motion alignment

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