CN116381753B - Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 - Google Patents
Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 Download PDFInfo
- Publication number
- CN116381753B CN116381753B CN202310635788.2A CN202310635788A CN116381753B CN 116381753 B CN116381753 B CN 116381753B CN 202310635788 A CN202310635788 A CN 202310635788A CN 116381753 B CN116381753 B CN 116381753B
- Authority
- CN
- China
- Prior art keywords
- gnss
- data
- ins
- network
- lstm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000012795 verification Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/33—Multimode operation in different systems which transmit time stamped messages, e.g. GPS/GLONASS
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,属于组合导航领域以及深度学习技术领域;包括采集GNSS/INS组合导航系统定位过程中的IMU数据、INS数据和GNSS数据建立原始数据集,进行原始数据集预处理后,得到训练集和验证集;构建异构融合神经网络模型,利用训练集和验证集进行训练和调参,使异构融合神经网络模型能够根据输入的一个GNSS周期内的IMU数据和INS数据,以及该GNSS周期之前的多个周期的GNSS数据,预测出该GNSS周期的GNSS定位数据;在GNSS/INS组合导航系统定位过程中,当出现GNSS中断时,采用所述异构融合神经网络模型预测的GNSS定位数据代替缺失的GNSS定位数据。本发明提高了GNSS信号预测的准确性。
Description
技术领域
本发明涉及组合导航领域以及深度学习技术领域,具体涉及一种GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法。
背景技术
在GNSS/INS组合导航系统中,由于GNSS接收机的低性能、信号堵塞或干扰(例如存在建筑物、隧道、森林覆盖)等等原因,GNSS信号可能不可用。因此,其误差特性非常不稳定。当GNSS信号不可用且组合导航系统在纯INS模式下工作时,组合导航系统的性能会严重下降。
目前已经提出了许多方法来补偿GNSS中断期间的组合导航。这些方法一般从组合导航系统的两个部分入手:系统输入部分和输入数据处理部分。
基于系统的输入层面,换句话说,是添加辅助传感器。例如视觉里程计使用视觉传感器捕捉图像序列来估计移动载体的移动过程,这被广泛用于补偿集成导航系统,缺点是精度很容易受到强光和移动物体等环境中干扰因素的影响。基于系统输入的方法虽然可以实现高精度,它仍然面临许多问题,例如增加的系统成本、计算负担、增加的系统故障率、多个传感器之间的耦合和对准问题。
基于输入数据处理层面,一般有两种方法:改进数据融合算法和基于人工智能技术的导航信息预测。
改进数据融合算法常见有卡尔曼滤波及其改进算法,其基于对传感器原始数据的处理。它成本低,可扩展性强,但不能解决根本问题。由于传感器类型/数量不足,观测结果受到限制。基于卡尔曼滤波器的方法通常性能取决于测量不确定性的统计特性。因此,这些传统提供的方法基于测量不确定性的零均值高斯噪声假设,对于具有非高斯测量噪声的GNSS输出,该假设可能不是准确和可接受的假设。
利用人工智能技术进行导航信息预测,因神经网络具有良好的非线性建模能力,可以应用于组合导航系统的误差建模。传统的神经网络如多层感知器(MLP)神经网络可以提供伪GNSS位置,以补偿GNSS故障下的INS误差,这属于静态神经网络,其主要思想是使用最后时刻的导航信息和当前时刻的训练值作为模型的输入和输出。由于这类信息只能在网络深处垂直传播,不可能利用所有的历史信息,这会带来资源的浪费。
发明内容
鉴于上述的分析,本发明旨在公开了一种GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法;用于解决GNSS中断时对GNSS信号预测的问题。
本发明公开了一种GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,包括以下步骤:
采集GNSS/INS组合导航系统定位过程中的IMU数据、INS数据和GNSS数据建立原始数据集,进行原始数据集划分和预处理后,得到训练集和验证集;
构建异构融合神经网络模型,利用训练集和验证集进行训练和调参,使异构融合神经网络模型能够根据输入的一个GNSS周期内的IMU数据和INS数据,以及该GNSS周期之前的多个周期的GNSS数据,预测出该GNSS周期的GNSS定位数据;
在GNSS/INS组合导航系统定位过程中,当出现GNSS中断时,采用所述异构融合神经网络模型预测的GNSS定位数据代替缺失的GNSS定位数据。
进一步地,构建的异构融合神经网络模型为并行CNN-LSTM融合模型;在生成的训练集或验证集中包括分别针对CNN网络和LSTM网络训练和验证所需要的数据。
进一步地,训练集或验证集中的一个样本包括:
由一个GNSS周期的IMU数据和INS数据构成的第一数据矩阵,用于作为异构融合神经网络模型中CNN网络的参数训练或验证数据;
由该GNSS周期之前多个周期的GNSS位置数据构成的第二数据矩阵,用于作为异构融合神经网络模型中LSTM网络的参数训练或验证数据;
该GNSS周期输出的GNSS定位结果,用于作为训练或验证的目标数据。
进一步地,所述第一数据矩阵为矩阵,N为GNSS/INS组合导航系统在一个GNSS周期内IMU的采样个数,15维数据包括IMU输出的三维角速度和比力数据,以及INS输出的三维速度、姿态角和位置数据;所述的一个GNSS周期,为GNSS/INS组合导航系统中GNSS输出定位结果的周期;
所述第二数据矩阵为矩阵,M为GNSS周期数,3维数据为GNSS定位的三维位置数据,M的取值根据异构融合神经网络模型训练过程中的训练效果进行调节。
进一步地,所述第一数据矩阵中的INS数据为GNSS_INS组合导航系统定位过程中的去噪后的INS数据。
进一步地,所述GNSS/INS组合导航系统中通过建立INS误差的卡尔曼滤波模型对误差进行估计对INS的用户姿态角、速度和位置进行去噪;
在卡尔曼滤波模型中,误差状态向量由INS推算出的用户姿态角、速度和位置的误差,以及IMU采样得到的用户角速度和比力误差组成;
观测向量为GNSS与INS的位置误差向量。
进一步地,并行CNN-LSTM融合模型包括输入层、CNN网络、LSTM网络和全连接层和输出层;
其中,输入层分别与CNN网络和LSTM网络的输入端连接,全连接层的输入端分别与CNN网络和LSTM网络的输出端连接,全连接层与输出层连接;
其中,输入层将输入的数据中包括的第一数据矩阵输出到CNN网络中,CNN网络提取每一个样本中的第一矩阵的局部特殊变化特征针对INS与GNSS的关系对GNSS预测;
输入层将输入的数据中包括的第二数据矩阵输出到LSTM网络中,LSTM网络提取每一个样本中的第二矩阵的时序特征,针对GNSS时间序列本身的变化趋势对GNSS未来时刻数据进行预测;
全连接层用于将CNN网络和LSTM网络输出的特征连接,最终解码为预测出的的GNSS位置信息,并通过输出层进行输出。
进一步地,CNN网络包括顺序连接的第一卷积层、第二卷积层、池化层、展平层和CNN降维模块;
其中,CNN网络中的两层卷积层对IMU和INS数据进行的是一维卷积;卷积前后每一个样本数据由矩阵转化为/>矩阵;卷积层的卷积核个数设置为64,卷积核的大小为3;
池化层的类型为最大池化,池化窗口大小为2;
展平层将数据展平为192维的向量数据;
CNN降维模块采用PCA降维,将展平层输出的192维数据降维到10维数据输出到全连接层;
在CNN网络中的激活函数采用线性整流函数。
进一步地,LSTM网络包括第一LSTM层、第二LSTM层和LSTM降维模块;
其中,第一LSTM层和第二LSTM层的隐向量维度为200;
LSTM降维模块采用PCA降维将第二LSTM层输出的200维数据降维到30维数据输出到全连接层;
LSTM网络激活函数采用双曲正切,用于提高训练速度。
进一步地,并行CNN-LSTM融合网络模型整体采取自适应矩估计作为优化器方法,损失函数为均方误差函数;
并行CNN-LSTM融合网络模型在训练网络时,根据训练集和验证集的损失函数的变化情况进行调参直至函数收敛训练结束;
其中,包括:
1)若训练集的损失函数下降并收敛到合适的数值,但是验证集的损失函数下降到某一程度后开始上升,这时产生了过拟合;则通过调整模型的学习率与批大小或者增加训练实例的对象来解决过拟合问题;
2)若在训练集上损失函数的收敛情况良好,但是在验证集上收敛值较大,这时发生了欠拟合;则通过增加训练迭代轮数来提高网络的性能或者提高模型的复杂度来解决欠拟合问题;
3)若训练和验证损失均较好收敛,认为模型的拟合效果较好,训练结束。
本发明可实现以下有益效果之一:
本发明的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,实现了在GNSS中断时信号预测。
在本发明中,采用并联CNN与LSTM网络的异构融合神经网络模型,在统一的框架中解决特征提取和回归预测问题。
在异构融合神经网络模型中CNN网络通过在相邻层的神经元之间强制执行局部连接模式来利用空间局部相关性,每个样本的卷积核也是共享的,以实现全连接结构引起的参数的快速扩展,卷积后的样本数据仍然保留在原始位置,从而很好地保留了INS和IMU数据的局部特征;LSTM网络使用门结构实现信息在时间序列中的传递,反映了时间序列的深度,利用过去时刻的GNSS定位数据构成的时间序列预测未来的数据。根据网络输入数据的特性构建的CNN与LSTM并行结合的异构深度融合模型可以进一步提高GNSS信号预测的准确性。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件;
图1为本发明实施例中GNSS_INS组合导航系统在GNSS中断时的信号预测方法流程图;
图2为本发明实施例中数据集中的数据获取过程示意图;
图3为本发明实施例中为并行CNN-LSTM融合模型结构图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个实施例公开了一种GNSS_INS组合导航系统在GNSS中断时的信号预测方法,如图1所示,包括以下步骤:
步骤S1、采集GNSS/INS组合导航系统定位过程中的IMU数据、INS数据和GNSS数据建立原始数据集,进行原始数据集预处理后,得到训练集、验证集以及验证集;
步骤S2、构建异构融合神经网络模型,利用训练集和验证集进行训练和调参,使异构融合神经网络模型能够根据输入的一个GNSS周期内的IMU数据和INS数据,以及该GNSS周期之前的多个周期的GNSS数据,预测出该GNSS周期的GNSS定位数据;
步骤S3、在GNSS/INS组合导航系统定位过程中,当出现GNSS中断时,采用所述异构融合神经网络模型预测的GNSS定位数据代替缺失的GNSS定位数据。
具体的,构建的异构融合神经网络模型为并行CNN-LSTM融合模型;在生成的训练集和验证集中包括分别针对CNN网络和LSTM网络训练和验证所需要的数据。
即在本实施例中,训练集或验证集中的一个样本包括:
由一个GNSS周期的IMU数据和INS数据构成的第一数据矩阵,用于作为异构融合神经网络模型中CNN网络的参数训练或验证数据;
由该GNSS周期之前多个周期的GNSS位置数据构成的第二数据矩阵,用于作为异构融合神经网络模型中LSTM网络的参数训练或验证数据;
该GNSS周期输出的GNSS定位结果,用于作为训练或验证的目标数据。
具体的,所述第一数据矩阵为矩阵,N为GNSS/INS组合导航系统在一个GNSS周期内IMU的采样个数,15维数据包括IMU输出的三维角速度和比力数据,以及INS输出的三维速度、姿态角和位置数据;所述的一个GNSS周期,为GNSS/INS组合导航系统中GNSS输出定位结果的周期;
即,时刻t一个样本中的的第一数据矩阵的表示式/>为;
;
其中,分别为时刻t时IMU输出的三维角速度和比力,分别为时刻t时INS输出的三维速度、姿态角和位置;N为为GNSS/INS组合导航系统在一个GNSS周期内IMU的采样个数。
具体的,所述第二数据矩阵为矩阵,M为GNSS周期数,3维数据为GNSS定位的三维位置数据,M的取值根据异构融合神经网络模型训练过程中的训练效果进行调节。
即,时刻t一个样本中的的第二数据矩阵的表示式/>为;
;
其中,为时刻t-1时GNSS定位的三维位置数据;/>为时刻t-M时GNSS定位的三维位置数据。
训练和验证的目标数据同样从GNSS/INS组合导航系统定位过程数据中获得,为与训练和验证样本对应的当前时刻t的GNSS定位结果组成的向量,如下式所示:
;
分别为GNSS定位的三维位置坐标。
在本实施例中,在步骤S1的数据获取过程,如图2所示,
在图2中,上往下代表时间递进,椭圆表示GNSS/INS组合导航系统定位过程中,一个时刻IMU、INS和GNSS输出的数据,在同一行的椭圆代表是同一时刻的数据。生成数据集的基本单元是一个滑动窗口,以一个GNSS周期为滑动步长。一个GNSS周期内包含N个时刻的IMU和INS数据,包含1个时刻的GNSS数据。
由图2中的结构可知,所述第一数据矩阵中的INS数据为GNSS_INS组合导航系统定位过程中的去噪后的数据。
即,每一时刻的INS数据由上一时刻的IMU数据结合上一时刻的INS数据推算得到,在一个GNSS周期的最后一个时刻,利用该时刻的GNSS输出的位置信息与推算出的INS数据的差值作为卡尔曼滤波的状态量更新INS的数据,以实现数据中INS去噪。
更为具体的,INS去噪中利用INS误差估计的方案,建立INS误差的卡尔曼滤波模型对误差进行估计,核心思想是结合INS导航数据的先验估计和实际测量两方面的信息,使得测量更新后的误差状态估计值具有最小的均方误差。
即,所述GNSS_INS组合导航系统中通过建立INS误差的卡尔曼滤波模型对误差进行估计对INS的用户姿态角、速度和位置进行去噪;
在INS误差的卡尔曼滤波模型中,结合INS导航数据的先验估计和实际测量两方面的信息,使得测量更新后的误差状态估计值具有最小的均方误差。
具体的,卡尔曼滤波模型中,误差状态向量由INS推算出的用户姿态角、速度和位置的误差,以及IMU采样得到的用户角速度和比力误差组成;
观测向量为GNSS与INS的位置误差向量。
更为具体的,误差状态向量x为由INS推算出的用户姿态角、速度和位置的误差以及IMU采样得到的用户角速度和比力误差组成,即
;其中,/>为用户的三维姿态角误差,/>为用户的三维速度误差,为用户的三维位置误差,/>为用户的三维角速度误差,/>为用户的三维比例误差。
用线性差分方程式表示状态转移过程,如下式所示:
;
式中,代表从k-1到k时刻的状态转移矩阵,/>代表过程噪声向量。
观测向量y设为GNSS与INS的位置误差:
;
假定状态向量x与观测向量y存在以下线性关系:
;
式中,C代表了观测量与系统状态之间的关系矩阵,代表量测噪声向量;
则,卡尔曼滤波算法需要对系统状态进行最优估计,使其具有最小均方误差。
具体的滤波过程可分为预测和更新两个部分:
1)利用状态转移方程进行一步转移的状态预测,获得t时刻状态的先验估计值(预测部分)
;
2)获取状态先验估计值的均方误差阵(预测部份)
;
其中Q为过程噪声的协方差矩阵。
3)计算卡尔曼滤波增益,用来对状态先验估计值和测量值进行权衡(更新部份)
;
其中R为量测噪声的协方差阵。
4)对状态先验估计值和观测量残余/>进行线性组合,作为对状态量/>的最优估计(更新部份)
;
5)计算状态后验估计量的均方误差阵,为下一次更新做准备(更新部份)
;
在步骤S1中的预处理包括对INS数据的标准化处理。通过对网络的输入INS数据进行标准化处理,从而消除角速度、比力、速度和姿态角具有不同量级的影响,一般来说,对模型训练影响大的是量级较大的特征,输入数据量级的较大差异将导致网络在训练时损失函数的收敛速度变慢。由于INS数据的最大、最小值未知,并且可能有超出取值范围的离群数值,因此使用标准差标准化(StandardScaler)加快网络的权重参数的收敛。标准化过程如式所示:
新数据=(原数据-均值)/标准差;
其中,均值和标准差都是在样本集上定义的,而不是在单个样本上定义的。标准化是针对每个属性的,需要用到所有样本在各个属性上的值。
对于第二矩阵与目标数据/>的获得通过直接读取GNSS的定位结果就可以得到。
具体的,所述步骤S2中的所述异构融合神经网络模型为并行CNN-LSTM融合模型;
如图3所示,并行CNN-LSTM融合模型包括输入层、CNN网络、LSTM网络和全连接层和输出层;
其中,输入层分别与CNN网络和LSTM网络的输入端连接,全连接层的输入端分别与CNN网络和LSTM网络的输出端连接,全连接层与输出层连接;
其中,输入层将输入的数据中包括的第一数据矩阵输出到CNN网络中,CNN网络提取每一个样本中的第一矩阵/>的局部特殊变化特征针对INS与GNSS的关系对GNSS预测;
输入层将输入的数据中包括的第二数据矩阵输出到LSTM网络中,LSTM网络提取每一个样本中的第二矩阵/>的时序特征,针对GNSS时间序列本身的变化趋势对GNSS未来时刻数据进行预测;
全连接层用于将CNN网络和LSTM网络输出的特征连接,最终解码为预测出的的GNSS位置信息,并通过输出层进行输出。
具体的,在进行训练或验证时,
输入层将每一个输入样本中的第一矩阵输入到CNN网络中;
CNN网络包括卷积层、池化层和展平层;其中,卷积层对第一矩阵的局部特征进行提取;池化层对数据进行下采样,有效的缩小参数矩阵的尺寸,从而减少最后连接层中的参数数量(去除冗余信息和对特征进行压缩),目的是加快计算速度和防止过拟合;展平层将数据降维成多维向量数据,使其与LSTM网络的输出向量保持一致,目的是方便与LSTM网络的输出特征进行特征融合。
输入层将每一个输入样本中的第二矩阵输入到LSTM网络中;LSTM可以对长期状态进行控制,通过包括的遗忘门、输入门和输出门实现:
1)控制继续保存GNSS长期状态;
2)控制把当前时刻GNSS状态输入到长期状态;
3)控制是否把长期状态作为当前的LSTM的输出。
通过,LSTM网络对第二矩阵的学习,学习到了GNSS位置变化趋势的长期过去时刻数据,避免了传统循环神经RNN只有一个隐藏层,会导致其对短期的记忆非常敏感,忽略了过去梯度消失的时刻的状态的问题。
由于,CNN与LSTM网络得到的特征数较多,虽然提供了更多的信息,但是由于通常情况下这些变量特征相互存在一些相关性,这使得网络在处理数据特征时的复杂性增加。但如果随意地减少特征也可能会不可知地损失一些有用地信息,最终导致网络很难收敛或者预测效果不佳。鉴于以上问题,需要使用一种减少需要分析的特征的同时不能丢失过多含有有用信息的特征的方法。
本实施例中,基于CNN与LSTM的并行网络提取到特征之间存在相关性,采用主成分分析(PCA)法对特征进行降维,产生的新特征之间不相关,将原有的相关性强的特征由正交的特征进行表示。
在更具体的异构融合神经网络模型中,
CNN网络包括顺序连接的第一卷积层、第二卷积层、池化层、展平层和CNN降维模块;
其中,CNN网络中的两层卷积层对IMU和INS数据进行的是一维卷积;卷积前后每一个样本数据由矩阵转化为/>矩阵;卷积层的卷积核个数设置为64,卷积核的大小为3;
池化层的类型为最大池化,池化窗口大小为2;
展平层将数据展平为192维的向量数据;
CNN降维模块采用PCA降维,将展平层输出的192维数据降维到10维数据输出到全连接层;
在CNN网络中的激活函数采用线性整流函数。
LSTM网络包括第一LSTM层、第二LSTM层和LSTM降维模块;
其中,第一LSTM层和第二LSTM层的隐向量维度为200;
LSTM降维模块采用PCA降维将第二LSTM层输出的200维数据降维到30维数据输出到全连接层;
LSTM网络训练速度较慢,因此激活函数采用双曲正切,在使用该函数的情况下LSTM层可以使用深度神经网络库(CUDA® Deep Neural Network library,cuDNN)实现高性能GPU加速,大大减少训练时间,经实际测试,训练速度提高约7倍以上。
全连接层将CNN网络和LSTM网络输入的30维数据降维到3维数据经输出层进行输出。
并行融合网络整体采取自适应矩估计(Adaptive moment estimation,Adam)作为优化器方法,损失函数为均方误差函数(Mean-Squared Loss,MSE)。
并行CNN-LSTM融合模型的在训练网络时,将批大小(Batch Size)设置为4,根据训练集和验证集的损失函数(Loss Function)的变化情况适当增加迭代轮数(Epoch)直至函数收敛。
训练过程中通过监测损失函数进行模型的调参和确定训练结束,包括:
1)训练集的损失函数下降并收敛到合适的数值,但是验证集的损失函数下降到某一程度后开始上升,这时产生了过拟合;则通过调整模型的学习率与批大小或者增加训练实例的对象来解决过拟合问题;
2)若在训练集上损失函数的收敛情况良好,但是在验证集上收敛值较大,说明了训练的网络模型的泛化能力较差,这时发生了欠拟合;则通过增加训练迭代轮数来提高网络的性能或者提高模型的复杂度来解决欠拟合问题;提高模型的复杂度包括增加网络层数或者网络层里的神经元数量等;
3)若训练和验证损失均较好收敛,认为模型的拟合效果较好,训练结束。
具体的,步骤S2中还包括模型的封装与保存;
神经网络包含一些随机性的操作(例如网络初始化权重的随机化等),网络在具有灵活性的同时模型也不太稳定,即相同数据训练相同模型也可能会产生不同的结果,因此有必要将预测效果较好的模型保存下来,这样做同时也避免了每次预测时需要重新训练模型从而节省时间成本,
在使用深度学习框架Keras和Tensorflow的基础上,将训练好的模型的参数权重权重(Weights)、模型配置(Architecture)和优化器配置(Optimizer Configuration)保存至.h5文件中。使用保存封装好的模型对GNSS信号进行预测。
步骤S3、在GNSS/INS组合导航系统定位过程中,当出现GNSS中断时,通过调用封装好的异构融合神经网络模型,采用GNSS中断前一个周期内的IMU数据和INS数据,以及该GNSS周期之前的M个周期的GNSS数据,输入到异构融合神经网络模型中进行GNSS定位数据预测,将预测的GNSS定位数据代替缺失的GNSS定位数据。
综上所述,本发明实施例的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,实现了在GNSS中断时信号预测。实施例中采用并联CNN与LSTM网络的异构融合神经网络模型,统一的框架中解决特征提取和回归预测问题。在异构融合神经网络模型中CNN网络通过在相邻层的神经元之间强制执行局部连接模式来利用空间局部相关性,每个样本的卷积核也是共享的,以实现全连接结构引起的参数的快速扩展,卷积后的样本数据仍然保留在原始位置,从而很好地保留了INS和IMU数据的局部特征;LSTM网络使用门结构实现信息在时间序列中的传递,反映了时间序列的深度,利用过去时刻的GNSS定位数据构成的时间序列预测未来的数据。根据网络输入数据的特性构建的CNN与LSTM并行结合的异构深度融合模型可以进一步提高GNSS信号预测的准确性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,其特征在于,包括以下步骤:
采集GNSS/INS组合导航系统定位过程中的IMU数据、INS数据和GNSS数据建立原始数据集,进行原始数据集预处理后,得到训练集和验证集;
构建异构融合神经网络模型,利用训练集和验证集进行训练和调参,使异构融合神经网络模型能够根据输入的一个GNSS周期内的IMU数据和INS数据,以及该GNSS周期之前的多个周期的GNSS数据,预测出该GNSS周期的GNSS定位数据;
在GNSS/INS组合导航系统定位过程中,当出现GNSS中断时,采用所述异构融合神经网络模型预测的GNSS定位数据代替缺失的GNSS定位数据;
构建的异构融合神经网络模型为并行CNN-LSTM融合模型;并行CNN-LSTM融合模型包括输入层、CNN网络、LSTM网络、全连接层和输出层;
其中,输入层分别与CNN网络和LSTM网络的输入端连接,全连接层的输入端分别与CNN网络和LSTM网络的输出端连接,全连接层与输出层连接;
在生成的训练集或验证集中包括分别针对CNN网络和LSTM网络训练和验证所需要的数据;
训练集或验证集中的一个样本包括:
由一个GNSS周期的IMU数据和INS数据构成的第一数据矩阵,用于作为异构融合神经网络模型中CNN网络的参数训练或验证数据;CNN网络提取每一个样本中的第一数据矩阵的局部特殊变化特征针对INS与GNSS的关系对GNSS进行预测;
由该GNSS周期之前多个周期的GNSS位置数据构成的第二数据矩阵,用于作为异构融合神经网络模型中LSTM网络的参数训练或验证数据;通过LSTM网络对第二数据矩阵的学习,学习到了GNSS位置变化趋势的长期过去时刻数据;
该GNSS周期输出的GNSS定位结果,用于作为训练或验证的目标数据。
2.根据权利要求1所述的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,其特征在于,
所述第一数据矩阵为矩阵,N为GNSS/INS组合导航系统在一个GNSS周期内IMU的采样个数,15维数据包括IMU输出的三维角速度和比力数据,以及INS输出的三维速度、姿态角和位置数据;所述的一个GNSS周期,为GNSS/INS组合导航系统中GNSS输出定位结果的周期;
所述第二数据矩阵为矩阵,M为GNSS周期数,3维数据为GNSS定位的三维位置数据,M的取值根据异构融合神经网络模型训练过程中的训练效果进行调节。
3.根据权利要求2所述的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,其特征在于,
所述第一数据矩阵中的INS数据为GNSS_INS组合导航系统定位过程中的去噪后的INS数据。
4.根据权利要求3所述的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,其特征在于,
所述GNSS/INS组合导航系统中通过建立INS误差的卡尔曼滤波模型对误差进行估计对INS的用户姿态角、速度和位置进行去噪;
在卡尔曼滤波模型中,误差状态向量由INS推算出的用户姿态角、速度和位置的误差,以及IMU采样得到的用户角速度和比力误差组成;
观测向量为GNSS与INS的位置误差向量。
5.根据权利要求3所述的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,其特征在于,
输入层将输入的数据中包括的第一数据矩阵输出到CNN网络中,CNN网络提取每一个样本中的第一矩阵的局部特殊变化特征针对INS与GNSS的关系对GNSS预测;
输入层将输入的数据中包括的第二数据矩阵输出到LSTM网络中,LSTM网络提取每一个样本中的第二矩阵的时序特征,针对GNSS时间序列本身的变化趋势对GNSS未来时刻数据进行预测;
全连接层用于将CNN网络和LSTM网络输出的特征连接,最终解码为预测出的的GNSS位置信息,并通过输出层进行输出。
6.根据权利要求5所述的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,其特征在于,
CNN网络包括顺序连接的第一卷积层、第二卷积层、池化层、展平层和CNN降维模块;
其中,CNN网络中的两层卷积层对IMU和INS数据进行的是一维卷积;卷积前后每一个样本数据由矩阵转化为/>矩阵;卷积层的卷积核个数设置为64,卷积核的大小为3;
池化层的类型为最大池化,池化窗口大小为2;
展平层将数据展平为192维的向量数据;
CNN降维模块采用PCA降维,将展平层输出的192维数据降维到10维数据输出到全连接层;
在CNN网络中的激活函数采用线性整流函数。
7.根据权利要求5所述的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,其特征在于,
LSTM网络包括第一LSTM层、第二LSTM层和LSTM降维模块;
其中,第一LSTM层和第二LSTM层的隐向量维度为200;
LSTM降维模块采用PCA降维将第二LSTM层输出的200维数据降维到30维数据输出到全连接层;
LSTM网络激活函数采用双曲正切,用于提高训练速度。
8.根据权利要求5所述的GNSS/INS组合导航系统在GNSS中断时的神经网络辅助导航方法,其特征在于,
并行CNN-LSTM融合网络模型整体采取自适应矩估计作为优化器方法,损失函数为均方误差函数;
并行CNN-LSTM融合网络模型在训练网络时,根据训练集和验证集的损失函数的变化情况进行调参直至函数收敛训练结束;
其中,包括:
1)若训练集的损失函数下降并收敛到合适的数值,但是验证集的损失函数下降到某一程度后开始上升,这时产生了过拟合;则通过调整模型的学习率与批大小或者增加训练实例的对象来解决过拟合问题;
2)若在训练集上损失函数的收敛情况良好,但是在验证集上收敛值较大,这时发生了欠拟合;则通过增加训练迭代轮数来提高网络的性能或者提高模型的复杂度来解决欠拟合问题;
3)若训练和验证损失均较好收敛,认为模型的拟合效果较好,训练结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635788.2A CN116381753B (zh) | 2023-06-01 | 2023-06-01 | Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635788.2A CN116381753B (zh) | 2023-06-01 | 2023-06-01 | Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116381753A CN116381753A (zh) | 2023-07-04 |
CN116381753B true CN116381753B (zh) | 2023-08-15 |
Family
ID=86971370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310635788.2A Active CN116381753B (zh) | 2023-06-01 | 2023-06-01 | Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116381753B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859422B (zh) * | 2023-07-18 | 2024-01-26 | 湖南六九零六信息科技股份有限公司 | 一种基于异构融合并行集群架构的卫星高精度定位增强系统及方法 |
CN116931028B (zh) * | 2023-09-18 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 基于智能终端惯性导航的gnss数据处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114111764A (zh) * | 2021-08-21 | 2022-03-01 | 西北工业大学 | 一种导航知识图谱构建及推理应用方法 |
CN114630266A (zh) * | 2020-12-13 | 2022-06-14 | 成都易书桥科技有限公司 | 一种基于神经网络的多模态数据融合室内定位系统 |
WO2022146858A1 (en) * | 2020-12-28 | 2022-07-07 | Meta Platforms Technologies, Llc | Controller position tracking using inertial measurement units and machine learning |
CN114719848A (zh) * | 2022-01-25 | 2022-07-08 | 西安微电子技术研究所 | 基于视觉与惯性导航信息融合神经网络的无人机高度估算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20230142676A1 (en) * | 2020-07-31 | 2023-05-11 | Sensetime Group Limited | Trajectory prediction method and apparatus, device, storage medium and program |
-
2023
- 2023-06-01 CN CN202310635788.2A patent/CN116381753B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114630266A (zh) * | 2020-12-13 | 2022-06-14 | 成都易书桥科技有限公司 | 一种基于神经网络的多模态数据融合室内定位系统 |
WO2022146858A1 (en) * | 2020-12-28 | 2022-07-07 | Meta Platforms Technologies, Llc | Controller position tracking using inertial measurement units and machine learning |
CN114111764A (zh) * | 2021-08-21 | 2022-03-01 | 西北工业大学 | 一种导航知识图谱构建及推理应用方法 |
CN114719848A (zh) * | 2022-01-25 | 2022-07-08 | 西安微电子技术研究所 | 基于视觉与惯性导航信息融合神经网络的无人机高度估算方法 |
Non-Patent Citations (1)
Title |
---|
A performance compensation method for GPS/INS integrated navigation system based on CNN–LSTM during GPS outages;Zhuo Zhi, Datong Liu, Liansheng Liu;Measurement;摘要、第03页第05-08段、第04页第01-05段、第05页第09-12段、第06页第01-04段、第7页第03段、第13页第02-04段、图3-图6 * |
Also Published As
Publication number | Publication date |
---|---|
CN116381753A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116381753B (zh) | Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 | |
Clark et al. | Vinet: Visual-inertial odometry as a sequence-to-sequence learning problem | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
CN107369166B (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
CN107516326B (zh) | 融合单目视觉和编码器信息的机器人定位方法和系统 | |
CN110770758A (zh) | 确定可移动的设备的位置 | |
Aslan et al. | Visual-Inertial Image-Odometry Network (VIIONet): A Gaussian process regression-based deep architecture proposal for UAV pose estimation | |
Chi et al. | A novel ELM based adaptive Kalman filter tracking algorithm | |
CN114586078A (zh) | 手部姿态估计方法、装置、设备以及计算机存储介质 | |
CN109067381A (zh) | 一种mems陀螺仪随机噪声的实时滤波系统及方法 | |
CN113838135B (zh) | 基于lstm双流卷积神经网络的位姿估计方法、系统及介质 | |
CN117516517A (zh) | 一种室内环境下无源融合定位方法、系统及电子设备 | |
CN110785777B (zh) | 确定可移动的设备的位置 | |
CN113156473A (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
De Maio et al. | Deep bayesian icp covariance estimation | |
CN117029881A (zh) | 基于注意力机制卷积神经网络的冗余陀螺仪标定方法 | |
CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 | |
CN113916223B (zh) | 定位方法及装置、设备、存储介质 | |
CN115797557A (zh) | 基于图注意力网络的自监督3d场景流估计方法 | |
CN115114985A (zh) | 一种基于集合理论的传感器系统分布式融合方法 | |
CN115994617A (zh) | 结合循环神经网络与滤波算法的剩余寿命预测方法及系统 | |
CN114719850A (zh) | 多层感知和容积卡尔曼滤波的姿态估计融合方法及系统 | |
Chen | Bionic SLAM based on MEMS pose measurement module and RTAB-Map closed loop detection algorithm | |
CN115859202B (zh) | 一种非平稳时序数据流场景下的异常检测方法及装置 |
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 |