CN116047567B - 基于深度学习辅助的卫惯组合定位方法及导航方法 - Google Patents

基于深度学习辅助的卫惯组合定位方法及导航方法 Download PDF

Info

Publication number
CN116047567B
CN116047567B CN202310344156.0A CN202310344156A CN116047567B CN 116047567 B CN116047567 B CN 116047567B CN 202310344156 A CN202310344156 A CN 202310344156A CN 116047567 B CN116047567 B CN 116047567B
Authority
CN
China
Prior art keywords
coordinate system
positioning
navigation
data
deep learning
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
CN202310344156.0A
Other languages
English (en)
Other versions
CN116047567A (zh
Inventor
孙德安
王锦山
于泠汰
王宇雨
方锐涌
冼志怀
李俊璋
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.)
Changsha Jinwei Information Technology Co ltd
Original Assignee
Changsha Jinwei Information Technology Co ltd
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 Changsha Jinwei Information Technology Co ltd filed Critical Changsha Jinwei Information Technology Co ltd
Priority to CN202310344156.0A priority Critical patent/CN116047567B/zh
Publication of CN116047567A publication Critical patent/CN116047567A/zh
Application granted granted Critical
Publication of CN116047567B publication Critical patent/CN116047567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
    • 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
    • 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
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
    • G01S19/44—Carrier phase ambiguity resolution; Floating ambiguity; LAMBDA [Least-squares AMBiguity Decorrelation Adjustment] method
    • 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
    • G01S19/51—Relative positioning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种基于深度学习辅助的卫惯组合定位方法，包括获取GNSS定位数据和IMU传感器数据并处理和同步；构建并训练得到深度学习定位模型；基于IMU传感器数据、GNSS定位数据和深度学习定位模型进行各自单独的位置更新；基于位置更新数据和卡尔曼滤波算法得到卫惯组合定位结果。本发明还公开了一种包括所述基于深度学习辅助的卫惯组合定位方法的导航方法。本发明采用深度学习方法，通过从GNSS和IMU原始数据中学习行人的运动特征，并输出相对定位，然后将相对定位结果紧耦合到卫惯组合导航模型中进行约束，抑制定位误差的发散；因此本发明的精度高、可靠性高、持续性好且成本低廉。

Description

基于深度学习辅助的卫惯组合定位方法及导航方法
技术领域
本发明属于定位技术领域，具体涉及一种基于深度学习辅助的卫惯组合定位方法及导航方法。
背景技术
随着经济技术的发展和人们生活水平的提高，定位技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。因此，保障定位的精度和持续性，就成为了研究人员的研究重点之一。目前，为了保证定位过程的精确性和持续性，基于GNSS（全球导航卫星系统）与MEMS IMU（微机电惯性设备）的组合导航定位技术已成为室内外无缝导航定位领域一个研究热点。
在实际应用中，在室内、地下等GNSS拒止的室内环境下，由于没有GNSS观测的约束，惯导系统的递推误差将会快速发散；这使得定位误差会随时间迅速增长，最终导致定位结果无法使用。目前，虽然能够采用误差发散慢、精度高的精密IMU器件来解决这一问题，但是精密IMU器件的成本高昂。同时，虽然融合多种传感器（比如融入视觉传感器等）的定位方法能够有效进行高精度持续定位，但是这类方法需要增加额外的传感器，实际使用时并不方便，而且同样也会增加用户的成本。因此，目前的常用的定位方法，都无法实现低成本和持续性的高精度定位。
发明内容
本发明的目的之一在于提供一种精度高、可靠性高、持续性好且成本低廉的基于深度学习辅助的卫惯组合定位方法。
本发明的目的之二在于提供一种包括了所述基于深度学习辅助的卫惯组合定位方法的导航方法。
本发明提供的这种基于深度学习辅助的卫惯组合定位方法，包括如下步骤：
S1. 获取GNSS定位数据和IMU传感器数据；
S2. 对步骤S1获取的数据进行处理和同步；
S3. 基于卷积神经网络和循环神经网络，构建并训练得到深度学习定位模型；
S4. 基于IMU传感器数据，构建惯导误差分析方程并进行位置更新；基于GNSS定位数据，结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新；基于步骤S3得到的深度学习定位模型进行位置更新；
S5. 基于步骤S4得到的三类位置更新数据，采用卡尔曼滤波算法进行最优估计，得到最终的卫惯组合定位结果。
所述的步骤S1，具体包括如下步骤：
获取的GNSS定位数据包括卫星星历数据、载波相位数据、伪距数据、多普勒原始观测数据和GNSS基站差分数据；
获取的IMU传感器数据包括IMU原始测量数据。
所述的步骤S2，具体包括如下步骤：
对获取的GNSS定位数据进行数据清洗，滤除异常数据；
基于PPS授时系统，对获取的IMU原始测量数据和GNSS定位数据进行时间同步。
所述的步骤S3，具体包括如下步骤：
取设定时间段内的处理后的IMU传感器的加速度值和角速度值，并转换到导航坐标系下；
将得到的数据输入标准CNN卷积神经网络，提取得到行人状态的隐藏特征；
将得到的行人状态的隐藏特征输入若干个LSTM长短期记忆网路中，学习得到行人运动状态的时序特征；
将得到的行人运动状态的时序特征，经过若干个全连接网络处理，得到深度学习定位模型预测的相对定位结果；
根据得到预测的相对定位结果与真实的相对定位结果，采用MSE均方根作为误差函数，对深度学习定位模型进行迭代训练直至误差函数达到最小值，完成深度学习定位模型的训练。
采用如下算式计算预测的相对定位结果：
Figure SMS_1
其中/>
Figure SMS_4
为预测的相对定位结果；/>
Figure SMS_6
度学习定位模型的模型函数；N为设定时间段内的数据数量；/>
Figure SMS_8
为m时刻导航坐标系的加速度值且/>
Figure SMS_9
，/>
Figure SMS_10
为m时刻IMU坐标系到导航坐标系的转换函数，a为IMU传感器中加速度计输出的加速度值，/>
Figure SMS_11
为IMU传感器中加速度计的零漂，/>
Figure SMS_2
为重力加速度值；/>
Figure SMS_3
为m时刻导航坐标系的角速度值且
Figure SMS_5
，w为IMU传感器中角速度计输出的角速度值，/>
Figure SMS_7
为IMU传感器中角速度计的零漂。
步骤S4所述的基于IMU传感器数据，构建惯导误差分析方程并进行位置更新，具体包括如下步骤：
构建的惯导误差分析方程，具体包括如下的位置误差微分方程、速度误差微分方程和姿态误差微分方程：
Figure SMS_26
Figure SMS_28
Figure SMS_29
式中/>
Figure SMS_30
为位置误差微分值；/>
Figure SMS_31
为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度；/>
Figure SMS_32
为导航坐标系下的位置误差；/>
Figure SMS_33
为计算坐标系到导航坐标系之间的失准角；/>
Figure SMS_13
为导航坐标系下的速度；/>
Figure SMS_15
为导航坐标系下的速度误差；/>
Figure SMS_17
为速度误差微分值；/>
Figure SMS_19
为载体坐标系到导航坐标系的转换矩阵；/>
Figure SMS_21
为加速度误差；/>
Figure SMS_23
为导航坐标系下的加速度；/>
Figure SMS_25
为导航坐标系下的姿态角；/>
Figure SMS_27
为地球自转角速度在导航坐标系的投影；/>
Figure SMS_12
为地球自转角速度在导航坐标系的投影的误差值；/>
Figure SMS_14
为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度的误差值；/>
Figure SMS_16
为重力误差；/>
Figure SMS_18
为姿态误差微分值；/>
Figure SMS_20
为导航坐标系中导航坐标系相对于惯性坐标系的角速度；/>
Figure SMS_22
为导航坐标系中导航坐标系相对于惯性坐标系的角速度误差值；/>
Figure SMS_24
为导航坐标系中的角速度的误差值。
步骤S4所述的基于GNSS定位数据，结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新，具体包括如下步骤：
伪距双差观测更新：ECEF坐标系下的速度值
根据伪距双差的观测值与估计值，构建伪距双差观测更新方程为：
Figure SMS_34
Figure SMS_36
式中/>
Figure SMS_38
为伪距双差观测向量；/>
Figure SMS_40
为载波波长；/>
Figure SMS_42
为导航坐标系下基站对卫星i的观测矢量；/>
Figure SMS_44
为导航坐标系下基站对卫星j的观测矢量；/>
Figure SMS_45
为接收机的ECEF坐标值；/>
Figure SMS_35
为基准站的ECEF坐标值；/>
Figure SMS_37
为k时刻接收机与基站对第i颗卫星的伪距观测之差与第j颗卫星的伪距观测之差的差值；
Figure SMS_39
为导航坐标系到ECEF坐标系的转换矩阵；/>
Figure SMS_41
为载体在导航坐标系下的坐标值；/>
Figure SMS_43
为导航坐标系原点在ECEF坐标系中的坐标值；
载波相位双差观测更新：
根据载波相位双差的观测值与估计值，构建载波相位双差观测更新方程为：
Figure SMS_46
式中/>
Figure SMS_47
为载波相位双差观测向量；
Figure SMS_48
为k时刻第i颗卫星与第j颗卫星观测的整周模糊度差值；/>
Figure SMS_49
为k时刻接收机与基站对第i颗卫星的载波相位观测之差与第j颗卫星的载波相位观测之差的差值；
多普勒单差更新：
根据多普勒单差的观测值与估计值，构建多普勒单差观测更新方程为：
Figure SMS_51
Figure SMS_52
式中/>
Figure SMS_53
为多普勒单差观测向量；/>
Figure SMS_54
为第i颗卫星的速度值；/>
Figure SMS_55
为载体在ECEF坐标系下的速度值；/>
Figure SMS_56
为第i颗卫星的频漂；/>
Figure SMS_57
为第i颗卫星与第j颗卫星观测的多普勒差值；
Figure SMS_50
为载体在导航坐标系下的速度值。
步骤S4所述的基于步骤S3得到的深度学习定位模型进行位置更新，具体包括如下步骤：
根据深度学习定位模型输出的相对定位结果与导航坐标系两个时刻的位置之差，构建深度学习定位模型更新方程为：
Figure SMS_58
式中/>
Figure SMS_59
为深度学习定位模型的观测向量；/>
Figure SMS_60
为第i时刻载体在导航坐标系下的坐标值；/>
Figure SMS_61
为深度学习定位模型输出的第i时刻到第j时刻的相对定位结果；/>
Figure SMS_62
为马氏距离。
步骤S5所述的基于步骤S4得到的三类位置更新数据，采用卡尔曼滤波算法进行最优估计，具体包括如下步骤：
对GNSS定位数据、深度学习定位模型的预测值和IMU惯导系统的递推结果，采用卡尔曼滤波最优估计进行联合优化，得到最优的位姿估计；
卡尔曼滤波系统方程分为状态方程和更新方程为：
Figure SMS_64
Figure SMS_66
式中/>
Figure SMS_67
为k时刻的状态估计向量；/>
Figure SMS_68
为k-1时刻到k时刻的状态转移矩阵；/>
Figure SMS_69
为k-1时刻的过程噪声矩阵；/>
Figure SMS_70
为k-1时刻的系统噪声矩阵；/>
Figure SMS_71
为k时刻的观测向量；/>
Figure SMS_63
为k时刻的观测更新矩阵；/>
Figure SMS_65
为k时刻的观测噪声矩阵；
卡尔曼滤波系统过程分为预测和更新两部分，预测过程为：
Figure SMS_72
Figure SMS_73
式中/>
Figure SMS_74
为k-1时刻预测的状态估计向量；/>
Figure SMS_75
为k-1时刻预测的协方差矩阵；/>
Figure SMS_76
为k-1时刻到k时刻的状态转移矩阵的转置；/>
Figure SMS_77
为k-1时刻到k时刻的过程噪声矩阵；/>
Figure SMS_78
为k-1时刻系统噪声的协方差矩阵；
更新过程为：
Figure SMS_79
Figure SMS_80
Figure SMS_81
式中/>
Figure SMS_82
为k时刻卡尔曼滤波增益；/>
Figure SMS_83
为k时刻的观测更新矩阵；/>
Figure SMS_84
为k时刻观测噪声协方差。
本发明还提供了一种包括了所述基于深度学习辅助的卫惯组合定位方法的导航方法，具体包括如下步骤：
A. 实时获取GNSS定位数据和IMU传感器数据；
B. 采用所述的基于深度学习辅助的卫惯组合定位方法，进行实时定位；
C. 根据步骤B得到的实时定位结果，进行实时导航。
本发明提供的这种基于深度学习辅助的卫惯组合定位方法及导航方法，采用深度学习方法，通过从GNSS和MEMS IMU原始数据中学习行人的运动特征，并输出相对定位，然后将相对定位结果紧耦合到卫惯组合导航模型中进行约束，抑制定位误差的发散；因此本发明的精度高、可靠性高、持续性好且成本低廉。
附图说明
图1为本发明定位方法的方法流程示意图。
图2为现有卫惯组合定位方法与本申请方法在水平上的误差对比情况示意图。
图3为现有卫惯组合定位方法与本申请方法在高程上的误差对比情况示意图。
图4为本发明导航方法的方法流程示意图。
具体实施方式
如图1所示为本发明定位方法的方法流程示意图：本发明提供的这种基于深度学习辅助的卫惯组合定位方法，包括如下步骤：
S1. 获取GNSS定位数据和IMU传感器数据；具体包括如下步骤：
获取的GNSS定位数据包括卫星星历数据、载波相位数据、伪距数据、多普勒原始观测数据和GNSS基站差分数据；
获取的IMU传感器数据包括IMU原始测量数据；
S2. 对步骤S1获取的数据进行处理和同步；具体包括如下步骤：
对获取的GNSS定位数据进行数据清洗，滤除异常数据；
基于PPS授时系统，对获取的IMU原始测量数据和GNSS定位数据进行时间同步；
S3. 基于卷积神经网络和循环神经网络，构建并训练得到深度学习定位模型；具体包括如下步骤：
取设定时间段内的处理后的IMU传感器的加速度值和角速度值，并转换到导航坐标系下；
将得到的数据输入标准CNN卷积神经网络，提取得到行人状态的隐藏特征；
将得到的行人状态的隐藏特征输入若干个LSTM长短期记忆网路中，学习得到行人运动状态的时序特征；
将得到的行人运动状态的时序特征，经过若干个全连接网络处理，得到深度学习定位模型预测的相对定位结果；
根据得到预测的相对定位结果与真实的相对定位结果，采用MSE均方根作为误差函数，对深度学习定位模型进行迭代训练直至误差函数达到最小值，完成深度学习定位模型的训练。
采用如下算式计算预测的相对定位结果：
Figure SMS_86
其中/>
Figure SMS_87
为预测的相对定位结果；/>
Figure SMS_89
度学习定位模型的模型函数；N为设定时间段内的数据数量；/>
Figure SMS_91
为m时刻导航坐标系的加速度值且/>
Figure SMS_93
，/>
Figure SMS_94
为m时刻IMU坐标系到导航坐标系的转换函数，a为IMU传感器中加速度计输出的加速度值，/>
Figure SMS_95
为IMU传感器中加速度计的零漂，/>
Figure SMS_85
为重力加速度值；/>
Figure SMS_88
为m时刻导航坐标系的角速度值且
Figure SMS_90
，w为IMU传感器中角速度计输出的角速度值，/>
Figure SMS_92
为IMU传感器中角速度计的零漂；
S4. 基于IMU传感器数据，构建惯导误差分析方程并进行位置更新；基于GNSS定位数据，结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新；基于步骤S3得到的深度学习定位模型进行位置更新；
具体实施时，所述的基于IMU传感器数据，构建惯导误差分析方程并进行位置更新，具体包括如下步骤：
构建的惯导误差分析方程，具体包括如下的位置误差微分方程、速度误差微分方程和姿态误差微分方程：
Figure SMS_110
Figure SMS_112
Figure SMS_113
式中/>
Figure SMS_114
为位置误差微分值；/>
Figure SMS_115
为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度；/>
Figure SMS_116
为导航坐标系下的位置误差；/>
Figure SMS_117
为计算坐标系到导航坐标系之间的失准角；/>
Figure SMS_96
为导航坐标系下的速度；/>
Figure SMS_99
为导航坐标系下的速度误差；/>
Figure SMS_101
为速度误差微分值；/>
Figure SMS_103
为载体坐标系到导航坐标系的转换矩阵；/>
Figure SMS_105
为加速度误差；/>
Figure SMS_107
为导航坐标系下的加速度；/>
Figure SMS_109
为导航坐标系下的姿态角；/>
Figure SMS_111
为地球自转角速度在导航坐标系的投影；/>
Figure SMS_97
为地球自转角速度在导航坐标系的投影的误差值；/>
Figure SMS_98
为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度的误差值；/>
Figure SMS_100
为重力误差；/>
Figure SMS_102
为姿态误差微分值；/>
Figure SMS_104
为导航坐标系中导航坐标系相对于惯性坐标系的角速度；/>
Figure SMS_106
为导航坐标系中导航坐标系相对于惯性坐标系的角速度误差值；/>
Figure SMS_108
为导航坐标系中的角速度的误差值；
所述的基于GNSS定位数据，结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新，具体包括如下步骤：
伪距双差观测更新：
根据伪距双差的观测值与估计值，构建伪距双差观测更新方程为：
Figure SMS_119
Figure SMS_121
式中/>
Figure SMS_123
为伪距双差观测向量；/>
Figure SMS_125
为载波波长；/>
Figure SMS_127
为导航坐标系下基站对卫星i的观测矢量；/>
Figure SMS_128
为导航坐标系下基站对卫星j的观测矢量；/>
Figure SMS_129
为接收机的ECEF坐标值；/>
Figure SMS_118
为基准站的ECEF坐标值；/>
Figure SMS_120
为k时刻接收机与基站对第i颗卫星的伪距观测之差与第j颗卫星的伪距观测之差的差值；
Figure SMS_122
为导航坐标系到ECEF坐标系的转换矩阵；/>
Figure SMS_124
为载体在导航坐标系下的坐标值；/>
Figure SMS_126
为导航坐标系原点在ECEF坐标系中的坐标值；
载波相位双差观测更新：
根据载波相位双差的观测值与估计值，构建载波相位双差观测更新方程为：
Figure SMS_130
式中/>
Figure SMS_131
为载波相位双差观测向量；
Figure SMS_132
为k时刻第i颗卫星与第j颗卫星观测的整周模糊度差值；/>
Figure SMS_133
为k时刻接收机与基站对第i颗卫星的载波相位观测之差与第j颗卫星的载波相位观测之差的差值；
多普勒单差更新：
根据多普勒单差的观测值与估计值，构建多普勒单差观测更新方程为：
Figure SMS_135
Figure SMS_136
式中/>
Figure SMS_137
为多普勒单差观测向量；/>
Figure SMS_138
为第i颗卫星的速度值；/>
Figure SMS_139
为载体在ECEF坐标系下的速度值；/>
Figure SMS_140
为第i颗卫星的频漂；/>
Figure SMS_141
为第i颗卫星与第j颗卫星观测的多普勒差值；
Figure SMS_134
为载体在导航坐标系下的速度值；
所述的基于步骤S3得到的深度学习定位模型进行位置更新，具体包括如下步骤：
根据深度学习定位模型输出的相对定位结果与导航坐标系两个时刻的位置之差，构建深度学习定位模型更新方程为：
Figure SMS_142
式中/>
Figure SMS_143
为深度学习定位模型的观测向量；/>
Figure SMS_144
为第i时刻载体在导航坐标系下的坐标值；/>
Figure SMS_145
为深度学习定位模型输出的第i时刻到第j时刻的相对定位结果；/>
Figure SMS_146
为马氏距离；
S5. 基于步骤S4得到的三类位置更新数据，采用卡尔曼滤波算法进行最优估计，得到最终的卫惯组合定位结果；具体包括如下步骤：
对GNSS定位数据、深度学习定位模型的预测值和IMU惯导系统的递推结果，采用卡尔曼滤波最优估计进行联合优化，得到最优的位姿估计；
卡尔曼滤波系统方程分为状态方程和更新方程为：
Figure SMS_148
Figure SMS_150
式中/>
Figure SMS_151
为k时刻的状态估计向量；/>
Figure SMS_152
为k-1时刻到k时刻的状态转移矩阵；/>
Figure SMS_153
为k-1时刻的过程噪声矩阵；/>
Figure SMS_154
为k-1时刻的系统噪声矩阵；/>
Figure SMS_155
为k时刻的观测向量；/>
Figure SMS_147
为k时刻的观测更新矩阵；/>
Figure SMS_149
为k时刻的观测噪声矩阵；
卡尔曼滤波系统过程分为预测和更新两部分，预测过程为：
Figure SMS_156
Figure SMS_157
式中/>
Figure SMS_158
为k-1时刻预测的状态估计向量；/>
Figure SMS_159
为k-1时刻预测的协方差矩阵；/>
Figure SMS_160
为k-1时刻到k时刻的状态转移矩阵的转置；/>
Figure SMS_161
为k-1时刻到k时刻的过程噪声矩阵；/>
Figure SMS_162
为k-1时刻系统噪声的协方差矩阵；
更新过程为：
Figure SMS_163
Figure SMS_164
Figure SMS_165
式中/>
Figure SMS_166
为k时刻卡尔曼滤波增益；/>
Figure SMS_167
为k时刻的观测更新矩阵；/>
Figure SMS_168
为k时刻观测噪声协方差。
以下结合一个实施例，对本发明的定位方法的效果进行进一步说明：
本实施例基于AIDS16505进行IMU数据采集，基于公司自研基带芯片进行GNSS原始观测量和卫星星历数据的采集，基于网络TCP方式接收GNSS差分数据，IMU采样频率为100HZ，GNSS原始观测量和差分数据接收频率为1HZ，数据已经过相关工具同步处理并发布成ros格式。数据采集点为长沙市麓谷一带，数据的前半部分用于神经网络参数训练，后半段用于测试，且测试段大部分位于复杂环境段，并基于本专利方法与现有卫惯组合定位方法进行对比。对比实验后，本发明方法的定位精度要明显优于现有方法。
分别用现有卫惯组合定位方法与本专利方法的坐标值，减去真值得到水平和高程方向的误差值，然后展图画出如图2和图3；图2为现有卫惯组合定位方法与本专利方法在水平上的误差对比情况，图3为现有卫惯组合定位方法与本专利方法在高程上的误差对比情况。从图可以看出，基于本专利定位方法的误差值在水平和高程方向上都小于现有卫惯组合定位方法，说明基于本专利定位方法能大幅提升在GNSS拒止的室内环境下的定位精度。
如图4所示为本发明导航方法的方法流程示意图：本发明提供的这种包括了所述基于深度学习辅助的卫惯组合定位方法的导航方法，具体包括如下步骤：
A. 实时获取GNSS定位数据和IMU传感器数据；
B. 采用所述的基于深度学习辅助的卫惯组合定位方法，进行实时定位；
C. 根据步骤B得到的实时定位结果，进行实时导航。

Claims (8)

1.一种基于深度学习辅助的卫惯组合定位方法，其特征在于包括如下步骤：
S1. 获取GNSS定位数据和IMU传感器数据；
S2. 对步骤S1获取的数据进行处理和同步；
S3. 基于卷积神经网络和循环神经网络，构建并训练得到深度学习定位模型；具体包括如下步骤：
取设定时间段内的处理后的IMU传感器的加速度值和角速度值，并转换到导航坐标系下；
将得到的数据输入标准CNN卷积神经网络，提取得到行人状态的隐藏特征；
将得到的行人状态的隐藏特征输入若干个LSTM长短期记忆网路中，学习得到行人运动状态的时序特征；
将得到的行人运动状态的时序特征，经过若干个全连接网络处理，得到深度学习定位模型预测的相对定位结果；采用如下算式计算预测的相对定位结果：
Figure QLYQS_3
其中/>
Figure QLYQS_4
为预测的相对定位结果；/>
Figure QLYQS_6
度学习定位模型的模型函数；N为设定时间段内的数据数量；/>
Figure QLYQS_2
为m时刻导航坐标系的加速度值且
Figure QLYQS_5
，/>
Figure QLYQS_9
为m时刻IMU坐标系到导航坐标系的转换函数，a为IMU传感器中加速度计输出的加速度值，/>
Figure QLYQS_11
为IMU传感器中加速度计的零漂，/>
Figure QLYQS_1
为重力加速度值；/>
Figure QLYQS_7
为m时刻导航坐标系的角速度值且/>
Figure QLYQS_8
，w为IMU传感器中角速度计输出的角速度值，/>
Figure QLYQS_10
为IMU传感器中角速度计的零漂；
根据得到预测的相对定位结果与真实的相对定位结果，采用MSE均方根作为误差函数，对深度学习定位模型进行迭代训练直至误差函数达到最小值，完成深度学习定位模型的训练；
S4. 基于IMU传感器数据，构建惯导误差分析方程并进行位置更新；基于GNSS定位数据，结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新；基于步骤S3得到的深度学习定位模型进行位置更新；
S5. 基于步骤S4得到的三类位置更新数据，采用卡尔曼滤波算法进行最优估计，得到最终的卫惯组合定位结果。
2.根据权利要求1所述的基于深度学习辅助的卫惯组合定位方法，其特征在于所述的步骤S1，具体包括如下步骤：
获取的GNSS定位数据包括卫星星历数据、载波相位数据、伪距数据、多普勒原始观测数据和GNSS基站差分数据；
获取的IMU传感器数据包括IMU原始测量数据。
3.根据权利要求2所述的基于深度学习辅助的卫惯组合定位方法，其特征在于所述的步骤S2，具体包括如下步骤：
对获取的GNSS定位数据进行数据清洗，滤除异常数据；
基于PPS授时系统，对获取的IMU原始测量数据和GNSS定位数据进行时间同步。
4.根据权利要求3所述的基于深度学习辅助的卫惯组合定位方法，其特征在于步骤S4所述的基于IMU传感器数据，构建惯导误差分析方程并进行位置更新，具体包括如下步骤：
构建的惯导误差分析方程，具体包括如下的位置误差微分方程、速度误差微分方程和姿态误差微分方程：
Figure QLYQS_15
Figure QLYQS_14
Figure QLYQS_22
式中/>
Figure QLYQS_18
为位置误差微分值；/>
Figure QLYQS_23
为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度；/>
Figure QLYQS_25
为导航坐标系下的位置误差；/>
Figure QLYQS_31
为计算坐标系到导航坐标系之间的失准角；/>
Figure QLYQS_24
为导航坐标系下的速度；/>
Figure QLYQS_30
为导航坐标系下的速度误差；/>
Figure QLYQS_12
为速度误差微分值；/>
Figure QLYQS_26
为载体坐标系到导航坐标系的转换矩阵；/>
Figure QLYQS_19
为加速度误差；/>
Figure QLYQS_29
为导航坐标系下的加速度；/>
Figure QLYQS_28
为导航坐标系下的姿态角；/>
Figure QLYQS_33
为地球自转角速度在导航坐标系的投影；/>
Figure QLYQS_13
为地球自转角速度在导航坐标系的投影的误差值；/>
Figure QLYQS_20
为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度的误差值；/>
Figure QLYQS_27
为重力误差；/>
Figure QLYQS_32
为姿态误差微分值；/>
Figure QLYQS_16
为导航坐标系中导航坐标系相对于惯性坐标系的角速度；/>
Figure QLYQS_21
为导航坐标系中导航坐标系相对于惯性坐标系的角速度误差值；/>
Figure QLYQS_17
为导航坐标系中的角速度的误差值。
5.根据权利要求4所述的基于深度学习辅助的卫惯组合定位方法，其特征在于步骤S4所述的基于GNSS定位数据，结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新，具体包括如下步骤：
伪距双差观测更新：
根据伪距双差的观测值与估计值，构建伪距双差观测更新方程为：
Figure QLYQS_37
Figure QLYQS_39
式中/>
Figure QLYQS_42
为伪距双差观测向量；/>
Figure QLYQS_34
为载波波长；/>
Figure QLYQS_38
为导航坐标系下基站对卫星i的观测矢量；/>
Figure QLYQS_41
为导航坐标系下基站对卫星j的观测矢量；/>
Figure QLYQS_44
为接收机的ECEF坐标值；/>
Figure QLYQS_36
为基准站的ECEF坐标值；/>
Figure QLYQS_40
为k时刻接收机与基站对第i颗卫星的伪距观测之差与第j颗卫星的伪距观测之差的差值；
Figure QLYQS_43
为导航坐标系到ECEF坐标系的转换矩阵；/>
Figure QLYQS_45
为载体在导航坐标系下的坐标值；/>
Figure QLYQS_35
为导航坐标系原点在ECEF坐标系中的坐标值；
载波相位双差观测更新：
根据载波相位双差的观测值与估计值，构建载波相位双差观测更新方程为：
Figure QLYQS_46
式中/>
Figure QLYQS_47
为载波相位双差观测向量；
Figure QLYQS_48
为k时刻第i颗卫星与第j颗卫星观测的整周模糊度差值；/>
Figure QLYQS_49
为k时刻接收机与基站对第i颗卫星的载波相位观测之差与第j颗卫星的载波相位观测之差的差值；
多普勒单差更新：
根据多普勒单差的观测值与估计值，构建多普勒单差观测更新方程为：
Figure QLYQS_51
Figure QLYQS_54
式中/>
Figure QLYQS_56
为多普勒单差观测向量；/>
Figure QLYQS_52
为第i颗卫星的速度值；/>
Figure QLYQS_53
为载体在ECEF坐标系下的速度值；/>
Figure QLYQS_55
为第i颗卫星的频漂；/>
Figure QLYQS_57
为第i颗卫星与第j颗卫星观测的多普勒差值；/>
Figure QLYQS_50
为载体在导航坐标系下的速度值。
6.根据权利要求5所述的基于深度学习辅助的卫惯组合定位方法，其特征在于步骤S4所述的基于步骤S3得到的深度学习定位模型进行位置更新，具体包括如下步骤：
根据深度学习定位模型输出的相对定位结果与导航坐标系两个时刻的位置之差，构建深度学习定位模型更新方程为：
Figure QLYQS_58
式中/>
Figure QLYQS_59
为深度学习定位模型的观测向量；/>
Figure QLYQS_60
为第i时刻载体在导航坐标系下的坐标值；/>
Figure QLYQS_61
为深度学习定位模型输出的第i时刻到第j时刻的相对定位结果；/>
Figure QLYQS_62
为马氏距离。
7.根据权利要求6所述的基于深度学习辅助的卫惯组合定位方法，其特征在于步骤S5所述的基于步骤S4得到的三类位置更新数据，采用卡尔曼滤波算法进行最优估计，具体包括如下步骤：
对GNSS定位数据、深度学习定位模型的预测值和IMU惯导系统的递推结果，采用卡尔曼滤波最优估计进行联合优化，得到最优的位姿估计；
卡尔曼滤波系统方程分为状态方程和更新方程为：
Figure QLYQS_64
Figure QLYQS_66
式中/>
Figure QLYQS_69
为k时刻的状态估计向量；/>
Figure QLYQS_65
为k-1时刻到k时刻的状态转移矩阵；/>
Figure QLYQS_68
为k-1时刻的过程噪声矩阵；/>
Figure QLYQS_70
为k-1时刻的系统噪声矩阵；/>
Figure QLYQS_71
为k时刻的观测向量；/>
Figure QLYQS_63
为k时刻的观测更新矩阵；/>
Figure QLYQS_67
为k时刻的观测噪声矩阵；
卡尔曼滤波系统过程分为预测和更新两部分，预测过程为：
Figure QLYQS_72
Figure QLYQS_73
式中/>
Figure QLYQS_74
为k-1时刻预测的状态估计向量；/>
Figure QLYQS_75
为k-1时刻预测的协方差矩阵；/>
Figure QLYQS_76
为k-1时刻到k时刻的状态转移矩阵的转置；/>
Figure QLYQS_77
为k-1时刻到k时刻的过程噪声矩阵；/>
Figure QLYQS_78
为k-1时刻系统噪声的协方差矩阵；
更新过程为：
Figure QLYQS_79
Figure QLYQS_80
Figure QLYQS_81
式中/>
Figure QLYQS_82
为k时刻卡尔曼滤波增益；/>
Figure QLYQS_83
为k时刻的观测更新矩阵；/>
Figure QLYQS_84
为k时刻观测噪声协方差。
8.一种包括了权利要求1~7之一所述的基于深度学习辅助的卫惯组合定位方法的导航方法，其特征在于具体包括如下步骤：
A. 实时获取GNSS定位数据和IMU传感器数据；
B. 采用权利要求1~7之一所述的基于深度学习辅助的卫惯组合定位方法，进行实时定位；
C. 根据步骤B得到的实时定位结果，进行实时导航。
CN202310344156.0A 2023-04-03 2023-04-03 基于深度学习辅助的卫惯组合定位方法及导航方法 Active CN116047567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310344156.0A CN116047567B (zh) 2023-04-03 2023-04-03 基于深度学习辅助的卫惯组合定位方法及导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310344156.0A CN116047567B (zh) 2023-04-03 2023-04-03 基于深度学习辅助的卫惯组合定位方法及导航方法

Publications (2)

Publication Number Publication Date
CN116047567A CN116047567A (zh) 2023-05-02
CN116047567B true CN116047567B (zh) 2023-06-23

Family

ID=86120431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310344156.0A Active CN116047567B (zh) 2023-04-03 2023-04-03 基于深度学习辅助的卫惯组合定位方法及导航方法

Country Status (1)

Country Link
CN (1) CN116047567B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117706583A (zh) * 2023-12-29 2024-03-15 无锡物联网创新中心有限公司 一种高精度定位方法及系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2447809C (en) * 2001-06-04 2011-08-02 Novatel Inc. An inertial/gps navigation system
JP5586994B2 (ja) * 2010-03-11 2014-09-10 三菱電機株式会社 位置標定装置、位置標定装置の位置標定方法および位置標定プログラム
WO2013080183A1 (en) * 2011-11-30 2013-06-06 Applanix Corporation A quasi tightly coupled gnss-ins integration process
CN107643534B (zh) * 2017-09-11 2019-07-12 东南大学 一种基于gnss/ins深组合导航的双速率卡尔曼滤波方法
FR3089038B1 (fr) * 2018-11-22 2020-10-30 Thales Sa Procede d’apprentissage d’un reseau de neurones embarque dans un aeronef pour l’aide a l’atterrissage dudit aeronef et serveur pour la mise en œuvre d’un tel procede
US11205112B2 (en) * 2019-04-01 2021-12-21 Honeywell International Inc. Deep neural network-based inertial measurement unit (IMU) sensor compensation method
CN110780326A (zh) * 2019-09-26 2020-02-11 上海瀚所信息技术有限公司 一种车载组合导航系统和定位方法
CN111880207B (zh) * 2020-07-09 2022-12-23 南京航空航天大学 一种基于小波神经网络的视觉惯性卫星紧耦合定位方法
CN112595313A (zh) * 2020-11-25 2021-04-02 北京海达星宇导航技术有限公司 基于机器学习的车载导航方法、装置和计算机设备
WO2022175602A1 (fr) * 2021-02-18 2022-08-25 Geosat Procede de geolocalisation et de qualification de dispositifs d'infrastructure de signalisation
CN113359101B (zh) * 2021-08-10 2021-11-05 中南大学 一种地下目标探测方法、系统及计算机存储介质
CN113916221B (zh) * 2021-09-09 2024-01-09 北京理工大学 一种融合视觉里程计和bp网络的自适应行人航迹推算方法
CN115265532A (zh) * 2022-07-28 2022-11-01 大连海事大学 一种用于船用组合导航中的辅助滤波方法
CN115639585A (zh) * 2022-09-30 2023-01-24 桂林电子科技大学 一种gps/imu和激光雷达的多传感器融合定位方法
CN115790629A (zh) * 2022-11-21 2023-03-14 江苏省特种设备安全监督检验研究院 一种自动驾驶观光车路径跟踪精度检测方法

Also Published As

Publication number Publication date
CN116047567A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110645979B (zh) 基于gnss/ins/uwb组合的室内外无缝定位方法
CN111947652B (zh) 一种适用于月球着陆器的惯性/视觉/天文/激光测距组合导航方法
CN102445200A (zh) 微小型个人组合导航系统及其导航定位方法
CN104698486A (zh) 一种分布式pos用数据处理计算机系统实时导航方法
CN113252033A (zh) 基于多传感器融合的定位方法、定位系统及机器人
CN116047567B (zh) 基于深度学习辅助的卫惯组合定位方法及导航方法
CN114719843B (zh) 复杂环境下的高精度定位方法
Zou et al. A nonlinear transfer alignment of distributed POS based on adaptive second-order divided difference filter
Lyu et al. Optimal time difference-based TDCP-GPS/IMU navigation using graph optimization
Zhou et al. Online visual-inertial extrinsic calibration utilizing GNSS measurements for vehicle applications
CN114690229A (zh) 一种融合gps的移动机器人视觉惯性导航方法
CN114518587A (zh) 一种室内外无缝定位系统及方法
Park et al. Implementation of vehicle navigation system using GNSS, INS, odometer and barometer
CN105115507A (zh) 一种基于双imu的双模式室内个人导航系统及方法
CN115523920B (zh) 一种基于视觉惯性gnss紧耦合的无缝定位方法
Vana et al. Benefits of motion constraining for robust, low-cost, dual-frequency GNSS PPP+ MEMS IMU navigation
CN104897157B (zh) 基于足部航姿参考和肩部电子罗盘的个人导航系统及方法
Liu et al. 3D LiDAR aided GNSS real-time kinematic positioning via coarse-to-fine batch optimization for high accuracy mapping in dense urban canyons
CN116482735A (zh) 一种受限空间内外高精度定位方法
CN114812554A (zh) 基于滤波的多源融合机器人室内绝对定位方法
Xiaoyu et al. GH-LPS/INS integration for precise UAV application
Elmezayen et al. Examining the capabilities of smartphone-based high precision positioning in challenging suburban environments
Luo et al. An imu/visual odometry integrated navigation method based on measurement model optimization
Ford et al. MEMS Inertial on an RTK GPS Receiver: Integration Options and Test Results
Zhan et al. Absolute positioning based on the sun for mars rover

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