CN116224407A - 一种gnss和ins组合导航定位方法及系统 - Google Patents
一种gnss和ins组合导航定位方法及系统 Download PDFInfo
- Publication number
- CN116224407A CN116224407A CN202310497599.3A CN202310497599A CN116224407A CN 116224407 A CN116224407 A CN 116224407A CN 202310497599 A CN202310497599 A CN 202310497599A CN 116224407 A CN116224407 A CN 116224407A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- gnss
- ins
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- 238000005259 measurement Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000295 complement effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 12
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- 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
- G01S19/40—Correcting position, velocity or attitude
-
- 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
- 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
- G01S19/52—Determining velocity
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于GNSS和INS组合导航技术领域,具体公开了一种GNSS和INS组合导航定位方法及系统。本发明针对GNSS拒止环境下由于卫星可见数目不足或较强的多路径效应等原因导致的组合导航系统定位误差发散的技术问题,提出采用运动约束算法和神经网络算法结合的方法进行抗差。其中运动约束算法非常稳定,然而其无法根据车辆的运动状态进行约束阈值的自适应调整;神经网络算法灵活性较强,但其得到的预测值不可避免地会存在野值,本发明通过将运动约束和神经网络算法相结合,使得这两种算法能够进行优势互补,进而有效地提高GNSS失锁后组合导航系统的定位精度及可靠性。
Description
技术领域
本发明属于组合导航技术领域,特别涉及一种GNSS和INS组合导航定位方法及系统。
背景技术
惯性导航系统(Inertial Navigation System, INS)具有完全自主、刷新率快、短期导航精度高等优点,但惯性导航系统INS的定位误差会随时间累积增大。目前,将惯性导航系统INS和全球导航定位系统(Global Navigation Satellite System, GNSS)结合在一起是最为常见的组合导航方式之一,两种导航方式优缺互补,在GNSS信号良好时可持续提供高精度的导航定位信息。但是当车辆在周边环境复杂的城市峡谷环境中时,GNSS定位易受高楼高架、树荫隧道等城市复杂环境的影响,出现信号遮挡或较强的多路径效应,从而导致GNSS失锁,进而使得GNSS和INS组合导航系统无法提供准确、连续、可靠的位置和速度信息。
因此,提高GNSS失锁后GNSS和INS组合导航系统(尤其是低成本的GNSS/MEMS_IMU组合导航系统)的定位精度及可靠性,已经成为一个亟待解决的问题。
针对GNSS失锁后INS定位误差迅速发散的问题,目前主要有三种解决方案。
第一种是利用GNSS/INS组合导航系统外部的辅助传感器,如磁力计、里程计和气压计等,这些外部传感器的信息可以提高GNSS/INS组合导航系统整体的鲁棒性和定位精度。
第二种是基于车辆固有运动规律构建运动约束模型。该方法的核心思想是将车辆运动的先验信息转化为测量值,然后将其纳入量测更新的滤波器中。常用的车辆运动约束算法包括高程约束、速度约束和姿态约束。
第三种是使用人工神经网络算法(Artificial Neural Networks, ANN)进行GNSS失锁后的GNSS/INS组合导航系统抗差研究。ANN算法对于非线性系统的预测具有良好结果,利用人工神经网络算法提高GNSS失锁时的定位精度是一种可行的方法,许多研究人员已经构建了多种神经网络用于GNSS失锁时的INS辅助测量模型。
然而,以上三种解决方案均存在缺陷,具体体现在如下几个方面:
在GNSS失锁时,采用额外的辅助传感器可以有效提高GNSS/INS组合导航系统的导航定位精度。然而,增加辅助传感器也会增加组合导航系统整体的成本和复杂性。
运动约束算法可以在不使用外部传感器的前提下提高组合导航系统的定位精度及可靠性,而现有的运动约束算法往往采用固定的约束值,算法非常稳定,但无法根据车辆的实际运动状态实现约束值的自适应调整。
相较于运动约束算法,神经网络算法的使用更加灵活。虽然神经网络算法的引入可以有效提高GNSS失锁时GNSS/INS组合导航系统的定位精度和可靠性,但神经网络算法不可避免的会出现野值,并且神经网络算法解算的实时性也是需要考虑的问题。
发明内容
本发明的目的在于提出一种GNSS和INS组合导航定位方法,通过改进运动约束算法和BP神经网络算法,并将两种算法结合起来进行优势互补,有效地提高GNSS失锁后GNSS和INS组合导航系统的定位精度及可靠性。
本发明为了实现上述目的,采用如下技术方案:
一种GNSS和INS组合导航定位方法,包括如下步骤:
步骤1. 构建BP神经网络,将GNSS和INS组合导航系统在正常进行组合解算时输出的一个窗口周期内的车辆前向速度信息以及IMU测量的航向角速度信息作为BP神经网络的输入,将一个窗口周期内的车辆横向速度信息作为BP神经网络的输出,对构建的BP神经网络进行训练,训练结束后,得到训练好的BP神经网络拟合模型;
步骤2. 当GNSS失锁时,依据惯性导航系统INS瞬时解算的前向速度和IMU测量得出的角速度,利用训练好的BP神经网络拟合模型,预测出当前时刻的车辆横向速度;
根据当前车辆的运动状态,给出相应运动状态下的车辆横向速度约束公式,对预测得到的当前时刻的车辆横向速度施加约束,将施加约束后的车辆横向速度作为里程计/非完整约束中速度观测值,结合里程计的前向速度和高程速度约束,组成三维方向的速度观测向量;
使用里程计/非完整约束的速度观测值作为带有误差的辅助源输入卡尔曼滤波器,INS测量的速度也输入卡尔曼滤波器中;里程计/非完整约束的速度作为量测矢量,INS测量的速度作为状态矢量;基于里程计/非完整约束进行扩展卡尔曼滤波的量测更新过程;
滤波完成以后得到速度的误差改正值,对速度误差进行修正,得出校正后三维方向的速度;最后利用校正后的三维方向的速度对位置误差进行更新,最终得出导航定位结果。
此外,在GNSS和INS组合导航定位方法的基础上,本发明还提出了一种与之相适应的GNSS和INS组合导航定位系统,其采用如下技术方案:
一种GNSS和INS组合导航定位系统,包括GNSS天线、GNSS数据处理模块、IMU传感器、中央处理器以及PC控制端;
其中,GNSS天线与GNSS数据处理模块相连,IMU传感器与中央处理器相连;
GNSS数据处理模块、中央处理器分别与PC控制端相连;
PC控制端包括存储器和一个或多个处理器;
所述存储器中存储有可执行代码;其特征在于,处理器执行所述可执行代码时,用于实现如上所述的GNSS和INS组合导航定位方法的步骤。
本发明具有如下优点:
如上所述,本发明提出了一种GNSS和INS组合导航定位方法及系统。其中组合导航定位方法通过引入BP神经网络算法,构建顾及车辆前向速度和车辆航向角速度变化的横向速度的BP神经网络拟合模型,同时利用运动约束算法,得出车辆不同运动状态下的横向速度变化情况,从而提高运动约束(尤其是速度约束)算法的效果,通过以上两种算法的组合,进行优势互补,利于提高GNSS失锁后GNSS和INS组合导航系统的定位精度,同时也解决了GNSS_INS_OD_NHC的组合方式存在横向速度约束参数不准确的问题。
附图说明
图1为本发明实施例中GNSS和INS组合导航定位方法的流程图。
图2为本发明实施例中GNSS和INS组合导航定位系统的结构框图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
如图1所示,本实施例述及了一种GNSS和INS组合导航定位方法,其包括如下步骤:
步骤1. 构建BP神经网络,将GNSS和INS组合导航系统在正常进行组合解算时输出的一个窗口周期内的车辆前向速度信息以及IMU测量的航向角速度信息作为BP神经网络的输入,将一个窗口周期内的车辆横向速度信息作为BP神经网络的输出,对构建的BP神经网络进行训练,训练结束后,得到训练好的BP神经网络拟合模型。
在车辆运动约束算法中,合理配置相关约束参数可以有效提高算法的定位效果。目前,INS_NHC_OD算法还存在横向速度约束参数不够准确的问题,而现有的基于神经网络的横向速度拟合模型,并未深入研究车辆行驶过程中横向速度变化和车辆运动状态之间的关系,神经网络模型映射关系不够明显。基于此,本发明提出了一种顾及车辆前向速度和车辆航向角速度的神经网络横向速度拟合方法,通过构建顾及车辆前向速度和车辆航向角速度变化的横向速度的BP神经网络拟合模型,在GNSS失效后,能够预测出较为准确的横向速度,以提高系统的导航定位精度。
具体的,当GNSS正常工作时,将一个窗口周期内GNSS和INS组合导航系统解算得出的车辆前向速度和航向角速度向量作为BP神经网络的输入层数据,将一个窗口周期内车辆的横向速度作为BP神经网络的输出层数据。
其中,BP神经网络的输入层数据如公式(1)所示;
式中,xinput为BP神经网络的输入;
其中,BP神经网络的输出层数据如公式(2)所示;
BP神经网络的参数设置如下:隐含层数为2,最大训练的迭代次数为300,初始学习速率为0.01,训练方法采用梯度下降法;BP神经网络的训练过程如下:
xinput为神经网络的输入,第i个解算时刻的车辆前向速度信息和航向角速度信息ωz,i,给定输入层到隐含层、隐含层到输出层的权值以及偏置项;
在训练过程中车辆前向速度信息和航向角速度信息作为隐含层的输入值,分别与i时刻输入层到隐含层的权值相乘,加入偏置项得到隐含层的中间变量;
将隐含层的中间变量经过激励函数计算得到的值作为隐含层的输出值;
将车辆前向速度与航向角速度计算得到的输出值作为输出层的输入值,与i时刻隐含层到输出层的权值相乘,加入隐含层到输出层的偏置项得到输出层的中间变量;
将输出层的中间变量经过激励函数计算得到的值youtput作为BP神经网络的输出值。
步骤2. 当GNSS失锁时,依据惯性导航系统INS瞬时解算的前向速度和IMU测量得出的角速度,利用训练好的BP神经网络拟合模型,预测出当前时刻的车辆横向速度。
根据当前车辆的运动状态,给出相应运动状态下的车辆横向速度约束公式,对预测得到的当前时刻的车辆横向速度施加约束,将施加约束后的车辆横向速度作为里程计/非完整约束中速度观测值,结合里程计的前向速度和高程速度约束,组成三维方向的速度观测向量。
使用里程计/非完整约束的速度观测值作为带有误差的辅助源输入卡尔曼滤波器,INS测量的速度也输入卡尔曼滤波器中;里程计/非完整约束的速度作为量测矢量,INS测量的速度作为状态矢量;基于里程计/非完整约束进行扩展卡尔曼滤波的量测更新过程。
滤波完成以后得到速度的误差改正值,对速度误差进行修正,得出校正后三维方向的速度;最后利用校正后的三维方向的速度对位置误差进行更新,最终得出导航定位结果。
因为神经网络系统难免会出现野值,因此,需要对BP神经网络拟合模型输出的车辆横向速度的伪量测值进行约束,以免因为预测值过大导致约束效果变差。
车辆的运动状态不同,约束方程的最大约束阈值也不同,例如当车辆发生转弯时,其横向速度会变大,此时应对约束阈值适当放大,车辆直线行驶时,需要对约束阈值适当缩小。
对于无人驾驶车辆而言,考虑到其车道级定位的需求,将车辆变道、大弧段路段行驶和车辆转弯一并认定为车辆非直线行驶,把车辆直行和车辆小幅摆动认定为直线行驶。
本发明通过下式进行车辆转弯检测和判断。
若满足下述公式(4),则车辆判定为转弯,否则,认定为车辆直行。
λj =为角速度变化阈值,其中,j=[1,4],j表示设置的4个角速度变化阈值,在本实施例中,λ1=2.0,λ2=1.5,λ3=1.0,λ4=0.7,单位为°/s。
vt为前向速度变化阈值,t=[1,3],t表示设置的3个前向速度变化阈值,在本实施例中,v1=5.0,v2=10.0,v3=13.0,单位为m/s。
给出当前车辆在相应运动状态下的车辆横向速度约束公式,具体如下:
当车辆被判定为直行时,车辆横向速度约束公式如下:
当车辆被判定为转弯时,车辆横向速度约束公式如下:
根据车辆的运动状态给出相应的车辆横向速度约束公式,进而对利用BP神经网络拟合模型预测得到的当前时刻的车辆横向速度施加约束。
基于里程计/非完整约束进行扩展卡尔曼滤波的量测更新过程较为常规,大致如下:
步骤2.1. 状态矢量预报。
利用前一时刻的INS测量速度和状态转移矩阵预报当前时刻的INS速度。
步骤2.2. 状态矢量协方差预报。
利用前一时刻INS测量速度的协方差矩阵以及INS系统噪声的协方差矩阵依据协方差传播率计算当前时刻的INS速度的协方差阵。
步骤2.3. 增益矩阵计算。
利用步骤2.2计算的INS速度的协方差阵、里程计/非完整约束的速度的量测噪声的协方差矩阵和系数矩阵计算增益。
步骤2.4. 状态量测更新。
利用前一时刻的INS测量速度与里程计/非完整约束的速度和系数矩阵的乘积的差值,再与步骤2.3计算的增益以及前一时刻的INS测量速度计算得到当前时刻的经过修正的当前时刻的INS速度。
步骤2.5. 协方差矩阵更新。
利用步骤2.2计算的当前时刻的INS速度的协方差阵以及步骤2.3计算的增益更新INS的协方差阵。
扩展卡尔曼滤波完成后,得到GNSS失锁时刻车辆的位置和速度的误差改正值δp′和δv′。导航结果中的位置和速度通过以下方法得出:
其中,pE、pN、pU分别表示校正后的车辆的东向、北向、法向位置,pINS_E、p INS_N、p INS_U分别表示INS解算得到的车辆东向、北向、法向位置。
δpE′、δpN′、δpU′分别表示δp′在东向、北向、法向的位置误差改正值分量。
vE、vN、vU分别表示校正后车辆的东向、北向、法向速度,vINS_E、v INS_N、v INS_U分别表示INS解算得到的车辆东向、北向、法向速度。
δvE′、δvN′、δvU′分别表示δv′在东向、北向、法向的速度误差改正值分量。
由于在本发明方法中,速度属于是可直接观测的量,而位置属于不可直接观测的量,因此该滤波对速度误差校正具有较高的可靠性。由于位置是通过间接观察得到的,如果随机误差建模不准确,则必会使有位置计算中存在误差。
利用k时刻的位置和速度计算得到的位置增量,求得k+1时刻的位置:
式中,dt为IMU采样的时间间隔;
pE,k、pN,k、pU,k分别表示k时刻车辆的东向、北向、法向位置,p′E,k+1、p′N,k+1、p′U,k+1为重新计算的k+1时刻车辆的东向、北向、法向位置。
根据上述公式(9)确定GNSS失锁时刻的位置,得出导航定位结果并在滤波完成以后,对惯性器件的零偏估计进行全闭合校正,直到GNSS重新正常工作。
本发明方法针对低成本的GNSS/INS组合导航系统,在GNSS拒止环境下由于卫星可见数目不足或较强的多路径效应导致的组合导航系统定位误差发散的技术问题,提出采用运动约束算法和神经网络算法结合的方法进行抗差,通过将运动约束算法和神经网络算法结合起来进行优势互补,有效地提高了GNSS失锁后组合导航系统的定位精度及可靠性。
此外,本发明还提出了一种GNSS和INS组合导航定位系统,如图2所示。该系统包括GNSS天线、GNSS数据处理模块、IMU传感器、中央处理器以及PC控制端。
其中,GNSS天线与GNSS数据处理模块相连,GNSS天线用于接收GNSS卫星的观测数据;GNSS数据处理模块用于GNSS天线观测数据的预处理。
本实施例中为GNSS数据处理模块例如采用U-blox公司生产的M8 Receiver芯片。
IMU传感器与中央处理器相连。IMU传感器,用于接收陀螺仪和加速度计测量数据,即INS数据;中央处理器,用于将陀螺仪和加速度计测量的数据进行初步预处理。
本实施例中IMU传感器可选用低成本的MEMS惯性测量单元MPU9250,其内部集成有3轴陀螺仪、3轴加速度计,用于接收陀螺仪和加速度计测量数据。
GNSS数据处理模块、中央处理器分别与PC控制端相连,例如USB转接器。
USB转接器用于数据传输和命令传输,将GNSS数据处理模块和中央处理器预处理后的数据传输到PC控制端并将PC控制端的指令传输给GNSS数据处理模块和中央处理器。
PC控制端的作用为存储GNSS数据处理模块预处理后的GNSS数据、中央处理器预处理后的INS数据,并对测量数据进行解算并实时输出定位结果。
具体的,PC控制端包括存储器和一个或多个处理器。存储器中存储有可执行代码;当处理器执行可执行代码时,用于实现GNSS和INS组合导航定位方法的步骤。
通过GNSS和INS组合导航定位步骤,对测量数据进行解算并实时输出定位结果。
此外,PC控制端还可以发送指令控制数据采集过程和数据预处理过程。
本发明通过将运动约束算法和BP神经网络算法相结合,进行优势互补,有效地提高GNSS失锁后GNSS和INS组合导航系统的定位精度及可靠性。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (6)
1.一种GNSS和INS组合导航定位方法,其特征在于,包括如下步骤:
步骤1. 构建BP神经网络,将GNSS和INS组合导航系统在正常进行组合解算时输出的一个窗口周期内的车辆前向速度信息以及IMU测量的航向角速度信息作为BP神经网络的输入,将一个窗口周期内的车辆横向速度信息作为BP神经网络的输出,对构建的BP神经网络进行训练,训练结束后,得到训练好的BP神经网络拟合模型;
步骤2. 当GNSS失锁时,依据惯性导航系统INS瞬时解算的前向速度和IMU测量得出的角速度,利用训练好的BP神经网络拟合模型,预测出当前时刻的车辆横向速度;
根据当前车辆的运动状态,给出相应运动状态下的车辆横向速度约束公式,对预测得到的车辆横向速度施加约束,将施加约束后的车辆横向速度作为里程计/非完整约束中速度观测值,结合里程计的前向速度和高程速度约束,组成三维方向的速度观测向量;
使用里程计/非完整约束的速度观测值作为带有误差的辅助源输入卡尔曼滤波器,INS测量的速度也输入卡尔曼滤波器中,其中里程计/非完整约束的速度作为量测矢量,INS测量的速度作为状态矢量;基于里程计/非完整约束进行扩展卡尔曼滤波的量测更新过程;
滤波完成以后得到速度的误差改正值,对速度误差进行修正,得出校正后三维方向的速度;最后利用校正后的三维方向的速度对位置误差进行更新,最终得出导航定位结果。
2.根据权利要求1所述的GNSS和INS组合导航定位方法,其特征在于,
所述步骤1中,当GNSS正常工作时,将一个窗口周期内GNSS和INS组合导航系统解算得出的车辆前向速度和航向角速度向量作为BP神经网络的输入层数据,将一个窗口周期内车辆的横向速度作为BP神经网络的输出层数据;
其中,BP神经网络的输入层数据如公式(1)所示;
式中,xinput为BP神经网络的输入;
其中,BP神经网络的输出层数据如公式(2)所示;
BP神经网络的参数设置如下:隐含层数为2,最大训练的迭代次数为300,初始学习速率为0.01,训练方法采用梯度下降法;BP神经网络的训练过程如下:
xinput为神经网络的输入,第i个解算时刻的车辆前向速度信息和航向角速度信息,给定输入层到隐含层、隐含层到输出层的权值以及偏置项;
在训练过程中车辆前向速度信息和航向角速度信息作为隐含层的输入值,分别与i时刻输入层到隐含层的权值相乘,加入偏置项得到隐含层的中间变量;
将隐含层的中间变量经过激励函数计算得到的值作为隐含层的输出值;
将车辆前向速度与航向角速度计算得到的输出值作为输出层的输入值,与i时刻隐含层到输出层的权值相乘,加入隐含层到输出层的偏置项得到输出层的中间变量;
将输出层的中间变量经过激励函数计算得到的值youtput作为BP神经网络的输出值。
3.根据权利要求1所述的GNSS和INS组合导航定位方法,其特征在于,
所述步骤2具体为:
判断当前车辆的运动状态,并根据车辆的运动状态给出相应的车辆横向速度约束公式,进而对利用BP神经网络拟合模型预测得到的车辆横向速度施加约束;
滤波完成后,得到GNSS失锁时刻车辆的位置和速度的误差改正值δp′和δv′;
导航结果中的位置和速度通过以下方法得出:
其中,pE、pN、pU分别表示校正后的车辆的东向、北向、法向位置,pINS_E、p INS_N、p INS_U分别表示INS解算得到的车辆东向、北向、法向位置;
δpE′、δpN′、δpU′分别表示δp′在东向、北向、法向的位置误差改正值分量;
vE、vN、vU分别表示校正后车辆的东向、北向、法向速度,vINS_E、v INS_N、v INS_U分别表示INS解算得到的车辆东向、北向、法向速度;
δvE′、δvN′、δvU′分别表示δv′在东向、北向、法向的速度误差改正值分量;
利用k时刻的位置和速度计算得到的位置增量,求得k+1时刻的位置:
式中,dt为IMU采样的时间间隔;
pE,k、pN,k、pU,k分别表示k时刻车辆的东向、北向、法向位置,p′E,k+1、p′N,k+1、p′U,k+1为重新计算的k+1时刻车辆的东向、北向、法向位置。
6.一种GNSS和INS组合导航定位系统,其特征在于,包括GNSS天线、GNSS数据处理模块、IMU传感器、中央处理器以及PC控制端;
其中,GNSS天线与GNSS数据处理模块相连,IMU传感器与中央处理器相连;
GNSS数据处理模块、中央处理器分别与PC控制端相连;
PC控制端包括存储器和一个或多个处理器;
所述存储器中存储有可执行代码;其特征在于,处理器执行所述可执行代码时,用于实现如上述权利要求1至5任一项所述的GNSS和INS组合导航定位方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497599.3A CN116224407B (zh) | 2023-05-06 | 2023-05-06 | 一种gnss和ins组合导航定位方法及系统 |
US18/496,789 US12019170B1 (en) | 2023-05-06 | 2023-10-27 | GNSS and INS integrated navigation positioning method and system thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497599.3A CN116224407B (zh) | 2023-05-06 | 2023-05-06 | 一种gnss和ins组合导航定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116224407A true CN116224407A (zh) | 2023-06-06 |
CN116224407B CN116224407B (zh) | 2023-07-18 |
Family
ID=86584571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497599.3A Active CN116224407B (zh) | 2023-05-06 | 2023-05-06 | 一种gnss和ins组合导航定位方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US12019170B1 (zh) |
CN (1) | CN116224407B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796310A (zh) * | 2020-07-02 | 2020-10-20 | 武汉北斗星度科技有限公司 | 一种基于北斗gnss的高精度定位方法、装置及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070222674A1 (en) * | 2006-03-24 | 2007-09-27 | Containertrac, Inc. | Automated asset positioning for location and inventory tracking using multiple positioning techniques |
CN103149580A (zh) * | 2013-02-04 | 2013-06-12 | 东南大学 | 一种基于stkf和wnn的gps/ins组合导航方法 |
CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
CN109945860A (zh) * | 2019-05-07 | 2019-06-28 | 深圳市联和安业科技有限公司 | 一种基于卫星紧组合的ins和dr惯性导航方法与系统 |
CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
CN111290007A (zh) * | 2020-02-27 | 2020-06-16 | 桂林电子科技大学 | 一种基于神经网络辅助的bds/sins组合导航方法和系统 |
CN112505737A (zh) * | 2020-11-16 | 2021-03-16 | 东南大学 | 一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法 |
CN114216459A (zh) * | 2021-12-08 | 2022-03-22 | 昆山九毫米电子科技有限公司 | Elm辅助的gnss/ins组合导航无人靶车定位方法 |
CN114674313A (zh) * | 2022-03-31 | 2022-06-28 | 淮阴工学院 | 一种基于ckf算法的gps/bds和sins融合的无人配送车导航定位方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8756001B2 (en) * | 2011-02-28 | 2014-06-17 | Trusted Positioning Inc. | Method and apparatus for improved navigation of a moving platform |
US9234758B2 (en) * | 2012-12-20 | 2016-01-12 | Caterpillar Inc. | Machine positioning system utilizing position error checking |
IT202200003818A1 (it) * | 2022-03-01 | 2022-06-01 | Univ Degli Studi Di Trento | Dispositivi e metodi, basati su reti neurali, per la stima della velocità laterale di veicoli |
-
2023
- 2023-05-06 CN CN202310497599.3A patent/CN116224407B/zh active Active
- 2023-10-27 US US18/496,789 patent/US12019170B1/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070222674A1 (en) * | 2006-03-24 | 2007-09-27 | Containertrac, Inc. | Automated asset positioning for location and inventory tracking using multiple positioning techniques |
CN103149580A (zh) * | 2013-02-04 | 2013-06-12 | 东南大学 | 一种基于stkf和wnn的gps/ins组合导航方法 |
CN104898148A (zh) * | 2015-06-02 | 2015-09-09 | 北京航空航天大学 | 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法 |
CN109945860A (zh) * | 2019-05-07 | 2019-06-28 | 深圳市联和安业科技有限公司 | 一种基于卫星紧组合的ins和dr惯性导航方法与系统 |
CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
CN111290007A (zh) * | 2020-02-27 | 2020-06-16 | 桂林电子科技大学 | 一种基于神经网络辅助的bds/sins组合导航方法和系统 |
CN112505737A (zh) * | 2020-11-16 | 2021-03-16 | 东南大学 | 一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法 |
CN114216459A (zh) * | 2021-12-08 | 2022-03-22 | 昆山九毫米电子科技有限公司 | Elm辅助的gnss/ins组合导航无人靶车定位方法 |
CN114674313A (zh) * | 2022-03-31 | 2022-06-28 | 淮阴工学院 | 一种基于ckf算法的gps/bds和sins融合的无人配送车导航定位方法 |
Non-Patent Citations (2)
Title |
---|
王富等: "城市复杂环境下GNSS/INS组合导航算法研究", 大地测量与地球动力学, vol. 42, no. 1, pages 15 - 20 * |
陈鑫鑫;张复春;郝雁中;: "神经网络辅助的GPS/INS组合导航滤波算法研究", 电子技术应用, no. 05, pages 84 - 87 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796310A (zh) * | 2020-07-02 | 2020-10-20 | 武汉北斗星度科技有限公司 | 一种基于北斗gnss的高精度定位方法、装置及系统 |
CN111796310B (zh) * | 2020-07-02 | 2024-02-02 | 武汉北斗星度科技有限公司 | 一种基于北斗gnss的高精度定位方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116224407B (zh) | 2023-07-18 |
US12019170B1 (en) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111780755B (zh) | 一种基于因子图和可观测度分析的多源融合导航方法 | |
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 | |
CN112254718B (zh) | 一种运动约束辅助的基于改进Sage-Husa自适应滤波的水下组合导航方法 | |
CN112577521B (zh) | 一种组合导航误差校准方法及电子设备 | |
US8560234B2 (en) | System and method of navigation based on state estimation using a stepped filter | |
CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
CN106500693A (zh) | 一种基于自适应扩展卡尔曼滤波的ahrs算法 | |
CN112798021B (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 | |
CN116224407B (zh) | 一种gnss和ins组合导航定位方法及系统 | |
CN113252041B (zh) | 一种适用于小型水下机器人的组合导航方法 | |
JP5164645B2 (ja) | カルマンフィルタ処理における繰り返し演算制御方法及び装置 | |
CN115060257B (zh) | 一种基于民用级惯性测量单元的车辆变道检测方法 | |
CN110849360A (zh) | 面向多机协同编队飞行的分布式相对导航方法 | |
CN117053782A (zh) | 一种水陆两栖机器人组合导航方法 | |
CN113029173A (zh) | 车辆导航方法及装置 | |
Gao et al. | A hybrid RISS/GNSS method during GNSS outage in the land vehicle navigation system | |
CN111854741B (zh) | 一种gnss/ins紧组合滤波器及导航方法 | |
CN113503872A (zh) | 一种基于相机与消费级imu融合的低速无人车定位方法 | |
CN112697154A (zh) | 一种基于矢量分配的自适应多源融合导航方法 | |
CN112923934A (zh) | 一种适用于非结构化场景中结合惯导的激光slam技术 | |
Balzer et al. | Epe and speed adaptive extended kalman filter for vehicle position and attitude estimation with low cost gnss and imu sensors | |
CN116150565A (zh) | 一种用于单频gnss/mems-imu/里程计低功耗实时组合导航的改进自适应抗差卡尔曼滤波算法及系统 | |
Shin et al. | Adopting neural networks in GNSS-IMU integration: A preliminary study | |
Eldesoky et al. | Real time localization solution for land vehicle application using low-cost integrated sensors with GPS | |
CN115164886B (zh) | 车载gnss/ins组合导航系统比例因子误差补偿方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230606 Assignee: Shandong HP Gangue Power Co.,Ltd. Assignor: SHANDONG University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980044438 Denomination of invention: A GNSS and INS Integrated Navigation and Positioning Method and System Granted publication date: 20230718 License type: Common License Record date: 20231024 |
|
EE01 | Entry into force of recordation of patent licensing contract |