CN118759552B - 基于隐卡尔曼网络的ins/gnss信息融合定位方法 - Google Patents

Abstract

本公开提供了一种基于隐卡尔曼网络的INS/GNSS信息融合定位方法，能够提升INS/GNSS信息融合定位的精度。该方法采用隐卡尔曼网络导航框架实现定位，导航框架中的预测模块采用多尺度解耦CACNN网络，其将预测所用的数据转换成为多尺度二维数据，二维数据相当于图像，后续采用CNN网络进行预测能够提取二维图像中的隐含信息，校正CACNN建模参数选取不合适带来的系统误差，得到校正后的无人机位置估计变化量，进而得到更为准确的无人机位置估计序列。编码器基于预测模块输出的无人机位置估计序列和卫星定位信息估计无人机位置真实值；更新模块利用编码器和预测模块估计的无人机位置估计卡尔曼增益，进而实现精准的无人机位置估计。

Description

基于隐卡尔曼网络的INS/GNSS信息融合定位方法

技术领域

本发明涉及多源信息融合定位技术领域，具体涉及一种基于隐卡尔曼网络的INS/GNSS信息融合定位方法。

背景技术

高精度位置感知对无人飞行器实现自主导航至关重要，惯性导航系统(INS)是无人飞行器实现高精度位置感知的重要手段，普通的惯性传感器具有较高的噪声水平，且这些噪声会随时间累积，导致导航解决方案随时间漂移，因此将IMU直接用于导航具有挑战性。可以从两个方面入手解决这个问题：一方面是使用新的惯导数据处理算法，例如多尺度三维连续吸引子神经网络(3D-CANN)；另一方面是使用外部辅助传感器实现多源信息融合，例如GNSS接收器。这种融合通常使用两类方法实现，一是基于模型状态的非线性滤波器，如扩展卡尔曼滤波器(EKF)；二是数据驱动的方法，如训练深度神经网络(DNN)。

对于3D-CANN，该神经系统能够成功地对大规模三维导航的自运动信息进行路径整合，并提供鲁棒且可纠错的位置信息，能抑制无人机基于IMU导航出现的严重漂移，但不能完全消除误差累积，只能延缓累积过程，此外，该算法在每个尺度上都使用一个3D-CANN网络，计算复杂度随网格数目的增多呈指数型增加，需要在计算精度和复杂度上做出取舍。

对于使用EKF实现的INS/GNSS信息融合定位算法，最初使用固定的协方差矩阵，这种方法无法适应时变的模型演化误差和测量误差，有较大的定位误差；后来开发了自适应滤波器，在每次迭代时更新算法相关参数，但这种方法依然存在模型演化误差和测量误差建模不准确、传播模型和测量模型无法直接建模等问题。

对于数据驱动的滤波方法，无需假设传播模型和测量模型，在一定程度上解决模型不适配的问题，但不能考虑模型状态演化信息。

2024年提出的Latent KalmanNet融合了基于传播模型和基于数据驱动的滤波算法的优势，利用数据驱动同时学习基于观测的估计(通过CNN编码器)和卡尔曼增益(通过RNN)，并使用KalmanNet的架构将二者结合来实现高维测量的跟踪，但这种方法不是针对INS/GNSS信息融合定位设计的，直接应用效果欠佳。

因此需要研究一种新型INS/GNSS信息融合定位方法，在考虑模型“预测→更新”演化信息的同时自适应学习模型和噪声，实现高精度INS/GNSS信息融合定位。

发明内容

有鉴于此，本发明提供了一种基于隐卡尔曼网络的INS/GNSS信息融合定位方法，能够提升INS/GNSS信息融合定位的精度。

为了解决上述技术问题，本发明是这样实现的。

一种基于隐卡尔曼网络的INS/GNSS信息融合定位方法，该方法采用隐卡尔曼网络导航框架实现定位；隐卡尔曼网络导航框架包括编码器和卡尔曼网络；卡尔曼网络包括预测模块和更新模块；

预测模块采用多尺度解耦连续吸引子卷积神经网络(CACNN)，根据惯性导航信息预测无人机位置估计构建无人机位置估计序列所述多尺度解耦CACNN包括多尺度二维图像特征构建模块和卷积神经网络CNN；所述多尺度二维图像特征构建模块的输入为9种数据，分别为本历元无人机三维位移、本历元无人机三位姿态旋转和多尺度解耦CACNN在上一历元输出的无人机三维姿态；在每一尺度下，均利用9种数据构建局部激励矩阵e，利用局部激励矩阵e更新网格细胞活动矩阵P并归一化，获得当前尺度的二维图像特征；M个尺度的二维图像特征组成多尺度二维图像特征；利用CNN提取多尺度二维图像特征中的隐含信息，校正CACNN建模参数选取不合适带来的系统误差，得到校正后的无人机位置估计变化量利用上一历元的信息融合定位结果进行位置叠加，获得本历元无人机位置估计

其中，局部激励矩阵e由9个激励行组成，每个激励行包括K个网格；M个尺度的网格尺寸r_m递增；网格元素为根据网格尺寸r_m和网格个数K所确定的激励值；

编码器采用LSTM网络，根据预测模块输出的无人机位置估计序列和卫星定位信息，获得编码器输出的无人机位置估计序列

更新模块中的卡尔曼增益估计器采用循环神经网络RNN，根据预测模块输出的无人机位置估计序列编码器输出的无人机位置估计序列以及上一历元信息融合定位结果更新卡尔曼增益K_G；更新模块利用更新后的卡尔曼增益结合和获得信息融合定位结果

优选地，所述局部激励矩阵e的获取方式为：

将9种数据中的任意一种表示为α，则对于第m个尺度，α对应的K个网格中的第k个网络的激励值为e_α,k，计算公式为：

其中，u＝(k-(K+1)/2)·r_m-mod(α,K·r_m)，mod(α,K·r_m)表示对α使用K·r_m取模，δ_α为设定的自运动方差；

第m个尺度下，数据α的K个网络激励值组成了激励行向量e_α；9个数据的激励行向量组成第m个尺度的9×K的局部激励矩阵e。

优选地，所述利用局部激励矩阵e更新网格细胞活动矩阵P为：

更新公式为：

P_new＝ReLU(P_old⊙e-ψ)

其中，P_new和P_old分别表示更新前后的网格细胞活动矩阵；ψ表示设定的全局抑制水平，⊙表示求哈达玛积，ReLU(·)表示线性整流单元。

优选地，所述CNN的网络架构包括依次相连的：

一个滤波器尺寸为3*3、包含256信道的第一二维卷积层；一个第一批归一化层；一个第一ReLU层；

一个滤波器尺寸为3*3的、包含128信道的第二二维卷积层；一个第二批归一化层；一个第二ReLU层；

一个滤波器尺寸为3*3的、包含64信道的第三二维卷积层；一个第三批归一化层；一个第三ReLU层；

一个展平层；

一个输出尺寸为6*1的全连接层，以及，

一个输出尺寸为6*1的回归输出层。

优选地，所述编码器所采用的LSTM网络的网络架构包括：

一个包含150个隐藏单元的LSTM层，连接输出尺寸为3*T的第一全连接层；T为输入数据序列的长度；

一个输出尺寸为3*T的第二全连接层；

第一全连接层和第二全连接层连接一个输出尺寸为6*T的数据拼接层；

所述数据拼接层依次连接一个输出尺寸为3*T的全连接层，以及一个输出尺寸为3*T的回归输出层。

优选地，所述卡尔曼增益估计器所采用的RNN网络的网络架构包括依次相连的：

一个包含100个隐藏单元的GRU层；

一个输出尺寸为3*T的全连接层，T为输入数据序列的长度；以及，

一个输出尺寸为3*T的回归输出层。

优选地，该方法进一步包括，判断是否存在GNSS观测：

在GNSS观测缺失时，仅使用训练好的多尺度解耦CACNN估计无人机位置；

当存在GNSS观测时，编码器输入卫星位置信息序列和卫星观测量信息序列，实现基于GNSS的定位，获得无人机位置估计序列将编码器输出的无人机位置估计序列和预测模块输出的无人机位置估计序列输入卡尔曼增益估计器实现对卡尔曼增益K_G的估计，用卡尔曼增益K_G的更新方案实现INS与GNSS的信息融合定位。

有益效果：

(1)本发明设计了基于多尺度解耦CACNN的预测模块，该模块将预测所用的信息转换成为多尺度二维数据，该二维数据相当于图像，后续采用对图像数据表现较佳的CNN进行预测，CNN网格能够提取二维图像中的隐含信息，校正CACNN建模参数选取不合适带来的系统误差，得到校正后的无人机位置估计变化量，进而得到更为准确的无人机位置估计序列，用于卡尔曼增益的预测。从而提升整个INS/GNSS信息融合定位的准确度。而且本发明采用二维图像，降低了计算复杂度。

(2)本发明结合卫星和接收机轨迹的时间相关性，将编码器的CNN网络改为LSTM网络；虽然CNN在处理具有明显空间相关性的数据(如图像)时非常有效，但在处理时间序列数据时，LSTM由于其能够捕捉长期依赖性和处理变长输入的能力，通常被认为是更合适的选择。这使得LSTM非常适合处理卫星位置和伪距观测等动态和复杂的时间序列数据。

(3)本发明针对卡尔曼增益估计模块的RNN网络构建了合理的输入输出，使得训练过程更容易成功实现，获得更佳的联合估计性能。

(4)本发明的导航框架融合了基于模型状态的非线性滤波和数据驱动方法的优势，能够在考虑“预测→更新”的演化关系的同时自适应学习模型和噪声，兼具可解释性和广泛的适用性。

附图说明

图1为本发明隐卡尔曼网络导航框架的原理图。

图2为本发明一种基于隐卡尔曼网络的INS/GNSS信息融合定位方法流程图；

图3为图1中多尺度解耦CACNN的结构图；

图4为图1中编码器网络架构示意图；

图5为图1中卡尔曼增益估计器的网络架构示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明实施例提供了一种基于隐卡尔曼网络的INS/GNSS信息融合定位方法，该方法采用隐卡尔曼网络导航框架实现定位。隐卡尔曼网络导航框架如图1所示，包含编码器和卡尔曼网络；卡尔曼网络包括预测模块和卡尔曼增益估计器。本发明设计了基于多尺度解耦CACNN(连续吸引子卷积神经网络，Continuous Attractor Convolutional NeuralNetwork)的预测模块，该模块将预测所用的信息转换成为多尺度二维数据，该二维数据相当于图像，后续采用对图像数据表现较佳的卷积神经网络(CNN)进行预测，CNN网格能够提取二维图像中的隐含信息，校正CACNN建模参数选取不合适带来的系统误差，得到校正后的无人机位置估计变化量，进而得到更为准确的无人机位置估计序列，用于卡尔曼增益的预测。从而提升整个INS/GNSS信息融合定位的准确度。

图2示出了本发明基于隐卡尔曼网络的INS/GNSS信息融合定位方法的流程图，如图所示，该方法包含如下步骤：

步骤1：预测模块采用多尺度解耦CACNN，根据惯性导航信息预测无人机位置估计构建无人机位置估计序列

这里的多尺度解耦CACNN的输入为9种数据，分别为本历元无人机三维位移、本历元无人机三位姿态旋转和多尺度解耦CACNN在上一历元输出的无人机三维姿态；在每一尺度下，均利用9种数据构建局部激励矩阵e，利用局部激励矩阵e更新网格细胞活动矩阵P并归一化，获得当前尺度m的二维图像特征。通过改变尺度，获得多尺度二维图像特征。然后将多尺度二维图像特征输入CNN网络，利用CNN网络提取二维图像中的隐含信息，校正CACNN建模参数选取不合适带来的系统误差，得到校正后的无人机位置估计变化量利用上一历元的信息融合定位结果进行位置叠加，获得无人机位置估计进而构建出序列

步骤2：编码器采用循环神经网络(RNN)网络，根据预测模块输出的无人机位置估计序列和来自卫星的卫星定位信息，获得编码器输出的无人机位置估计序列

步骤3：更新模块中的卡尔曼增益估计器也采用RNN网络，根据预测模块输出的无人机位置估计序列和编码器输出的无人机位置估计序列以及信息融合定位结果向前位移一个历元的序列更新卡尔曼增益K_G；更新模块利用更新后的卡尔曼增益结合和实现高精度的信息融合定位。

图3为预测模块中多尺度解耦CACNN的结构图。如图所示，该多尺度解耦CACNN网络的输入数据，包括由惯性导航算法积分得到的本历元t无人机三维位移惯导器件输出的本历元t无人机三位姿态旋转ω＝[ω_x,ω_y,ω_z]^T、CACNN在上一历元t-1输出的无人机三维姿态(欧拉角)三维位移、三维姿态旋转和三维姿态欧拉角组成输入的9个数据。

多尺度解耦CACNN网络的输出数据，包括本历元无人机三维位移δp＝[δp_x,δp_y,δp_z]^T和本历元三位姿态(欧拉角)δp＝[δp_x,δp_y,δp_z]^T与上一历元的信息融合定位结果进行叠加操作可以获得本历元的无人机位置估计

该多尺度解耦CACNN包括多尺度二维图像特征构建模块和CNN网络。

多尺度二维图像特征构建模块，用于将输入的9种数据转换为多尺度二维图像特征。转换过程中采用了多尺度的解耦CANN向量组。解耦CANN向量组存储的是激励值，用于更新网格细胞活动矩阵P，P矩阵归一化后即为输入到后续CNN网络中的数据。

仍参见图3，多尺度二维图像特征构建模块的输入数据上述9种数据，每种数据对应一行激励行。每一激励行包括K个网格，不同尺度下网格大小不同。网格元素为根据网格尺寸r_m和网格个数K所确定的激励值。在同一尺度下，9行激励行组成二维数组，称为解耦CANN向量组，也即局部激励矩阵e。利用局部激励矩阵e更新网格细胞活动矩阵P并归一化，获得当前尺度m的二维图像特征。对于M种尺度，m取值为1～M，其网格尺寸r_m递增或递减。M种尺度对应的解耦CANN向量组1～解耦CANN向量组M即为图3中示出。多尺度二维图像特征构建模块的输出为M个归一化的P矩阵，即多尺度二维图像特征。M尺度的二维图像特征形成M×9×K的三维数据，为多尺度二维图像特征构建模块的输出数据。

CNN网络构建了多尺度二维图像特征到无人机位置估计变化量的非线性映射。参见图3，CNN网络的网络结构包括依次相连的多个网络层，分别为：一个滤波器尺寸为3*3、包含256信道的第一二维卷积层；一个第一批归一化层；一个第一ReLU层；一个滤波器尺寸为3*3的、包含128信道的第二二维卷积层；一个第二批归一化层；一个第二ReLU层；一个滤波器尺寸为3*3的、包含64信道的第三二维卷积层；一个第三批归一化层；一个第三ReLU层；一个展平层；一个输出尺寸为6*1的全连接层，以及一个输出尺寸为6*1的回归输出层。

基于上述结构，本发明多尺度解耦CACNN的训练和使用方式如下：

步骤11：准备多尺度解耦CACNN的训练数据。

多尺度解耦CACNN的输入数据包括：由惯性导航算法积分得到的本历元t无人机三维位移惯导器件输出的本历元t无人机三位姿态旋转ω＝[ω_x,ω_y,ω_z]^T、CACNN在上一历元t-1输出的无人机三维姿态

多尺度解耦CACNN的输出数据包括：本历元无人机三维位移δp＝[δp_x,δp_y,δp_z]^T和本历元三位姿态

获取输入数据，并给定输入数据对应的本历元无人机三维位移和本历元三位姿态的真值作为标签；输入数据+标签组成训练样本，用作CACNN网络的监督学习。对于N个长度分别为{t₁,t₂,...,t_N}的轨迹，分别获取每条轨迹每个历元的上述信息，上述数据均进行归一化以便网络训练，并记录归一化所用参数用于恢复数据。

然后对所得数据进行归一化。对于不同时间不同轨迹的相同类型数据，以为例，将第n个轨迹在第t时刻的记为首先找到中的最大值和最小值使用如下公式对进行归一化：

归一化后的数据在原有数据的基础上添加上标“’”用以区分，其他类型数据归一化方法同上式，分别得到九组归一化后的输入数据和六组归一化后的输出数据，并记录归一化所用到的最值，此后执行步骤12。

步骤12：将归一化后的数据整理为多尺度解耦CACNN网络的输入输出格式。

本步骤包括如下子步骤：

步骤121，初始化网格细胞活动矩阵P。选取一个尺度m和一个固定的网格尺寸数量K，该尺度m下的网格尺寸为r_m。构建一个9×K的全1矩阵作为初始网格细胞活动矩阵。

步骤122，构建局部激励矩阵e，e由九个激励行向量构成，分别对应九种输入数据：该矩阵e中的元素为激励行向量。例如为的激励行向量。本步骤先将e初始化为9×K的全1矩阵。

步骤123，计算每个激励行向量中的K个元素值。

以为例介绍激励行向量的计算方法：对于中的第k个元素计算方法为：

其中表示对使用K·r_m取模，表示的归一化结果。δ_x为归一化自运动方差。δ_x的值可以选择为(0,1)中的数，当的方差较大时，该δ_x值选的较大，反之，δ_x值选的较小。在实际集中，也可以利用实际的值计算方差，将方差作为该δ_x值。

步骤124，对九组数据分别用K和r_m计算激励向量，得到激励矩阵。

步骤125，更新网格细胞活动矩阵P。使用如下公式更新网格细胞活动矩阵P：

P_new＝ReLU(P_old⊙e-ψ)

其中，P_new和P_old分别表示更新前后的P矩阵，ψ表示设定的全局抑制水平，表示求哈达玛积，ReLU(·)表示线性整流单元，其工作原理如下：

步骤126，对网格细胞活动矩阵P进行归一化，对于P中的每一个元素，以P_i,j为例，P_i,j表示P的第i行第j列的元素，使用如下公式对其进行归一化：

步骤127，构建解耦CANN图像组。选取M个互不相同的网格尺寸r＝{r₁,r₂,...,r_M}，对每个r_m，分别执行步骤121-126，最终得到M个P矩阵，将这M个P矩阵在第三个维度上顺序排列，得到尺寸为9×K×M的多尺度解耦CACNN输入数据。

步骤13，训练CACNN网络。

将输入数据输入CACNN网络。该CACNN网络输出校正后的无人机位置变化估计和姿态估计与相应标签进行比较，比较结果反馈到网络中进行网络参数优化。

在一具体实施方式中，训练方案的批处理大小设置为30，使用Adam优化器对网络进行150次迭代小批量训练，学习率为0.001，M取5，K取101，r取{0.01，0.02，0.03，0.05，0.07}，δ_x取0.4，ψ取0.4。

CACNN网络输出的进一步使用步骤11所记录的最值进行反归一化，输入惯导器件以校正其姿态误差；再将延迟一个历元作为下一历元CACNN的输入。

同时，通过以下公式求t时刻的无人机位置估计

其中表示隐卡尔曼网络导航框架在上个历元输出的信息融合定位结果估计值的末位数据。

步骤14：实际定位时，获取9种数据，归一化后输入多尺度解耦CACNN获得无人机位置变化估计和姿态估计进一步使用归一化所记录的最值进行反归一化，输入惯导器件以校正其姿态误差；再将延迟一个历元作为下一历元CACNN的输入。同时，将叠加到上一历元位置估计的末位数据，获得本历元的无人机位置估计利用构建序列获得无人机位置估计序列

图4为本发明的编码器网络架构示意图。如图所示，本实施例中编码器采用长短期记忆网络(LSTM)，由于其能够捕捉长期依赖性和处理变长输入的能力，通常被认为是更合适的选择。这使得LSTM非常适合处理卫星位置和伪距观测等动态和复杂的时间序列数据。

编码器网络的输入数据包括：卫星位置信息序列(卫星位置相对于接收机起始位置的方位角、仰角和距离)、卫星观测信息序列(伪距相对于初始历元伪距的差分值)，以及预测模块输出的无人机位置估计序列输出数据为无人机真实位置信息序列(基于东北天坐标系，以无人机初始位置为原点)；设序列长度为T，历元时间间隔为δt，数据集最大可见卫星数为N，则可以得到尺寸为(N*(3+1))×T的编码器输入数据和尺寸为3×T的编码器输出数据

编码器所采用的LSTM网络模型可以采用如图4所示的结构，其网络架构包括：一个包含150个隐藏单元的LSTM层、两个输出尺寸为3*T的全连接层、一个输出尺寸为6*T的数据拼接层、一个输出尺寸为3*T的全连接层、和一个输出尺寸为3*T的回归输出层。编码器网络中的参数记为Θ。LSTM层连接一个全连接层，两个全连接层共同连接数据拼接层，数据拼接层依次连接全连接层和回归输出层。

图5为本发明的卡尔曼增益估计器的网络架构示意图。本发明的卡尔曼增益估计器采用RNN网络，具体是采用GRU网络。

卡尔曼增益估计器的输入数据包括：编码器输出的无人机位置估计序列CACNN输出的无人机位置估计序列和定位框架输出的位置估计向前移位一个历元的序列其中由按照与对应的时间组合而成，输出为卡尔曼增益真值序列K_G。

将卡尔曼增益估计器网络中的参数记为Ψ。该模型的示意图如附图3所示，其网络架构包括：一个包含100个隐藏单元的GRU层、一个输出尺寸为3*T的全连接层和一个输出尺寸为3*T的回归输出层。

编码器和卡尔曼增益估计器的训练和使用方式如下：

步骤21：将编码器和卡尔曼增益估计器的输入数据分别进行归一化。

以隐卡尔曼网络的输出数据的x轴位置为例，将第n个轨迹在第t时刻的记为首先找到中的最大值和最小值使用如下公式对进行归一化：

归一化后的数据在原有数据的基础上添加上标’用以区分，其他类型数据归一化方法同上式，并记录归一化所用到的最值。

步骤22：开始训练INS/GNSS信息融合定位框架模型。首先，初始化训练参数和输入。对网络中的参数进行随机初始化，并将经过归一化后的数据输入网络。

步骤23，对编码器网络进行热启动，选取部分数据单独训练编码器网络。批处理大小设置为30，使用Adam优化器对网络进行300次迭代小批量训练，学习率为0.001，对于一个包含Q组数据的批，使用如下MSE函数计算网络损失L_Q(Θ)：

其中和分别表示批量中第q组数据t时刻的编码器估计三维位置和真实三维位置。

步骤24，批处理大小设置为30，对于一个包含Q组数据的批，交替训练编码器网络和卡尔曼增益估计器网络。

本步骤中，首先，使用Adam优化器训练卡尔曼增益估计器网络，学习率设为0.001，使用如下MSE函数计算网络损失L_Q(Θ,Ψ)，并更新卡尔曼增益估计器网络参数；

然后，使用Adam优化器训练编码器网络，学习率设为0.001，使用L_Q(Θ,Ψ)函数计算网络损失并更新编码器网络参数Θ；

循环本步骤150次，完成信息融合定位框架的训练。

步骤14：使用训练好的模型进行无人机位置估计。

实际估计时，获取本历元无人机三维位移、本历元无人机三位姿态旋转和上一历元输出的无人机三维姿态，处理成多尺度的解耦CANN向量组，输入CNN网络，获得无人机位置估计进而按照与编码器输出对应的时间组合成无人机位置估计序列无人机位置估计序列输出给编码器和更新模块。

编码器利用卫星定位信息和无人机位置估计序列获得无人机位置估计序列给卡尔曼增益估计器。

卡尔曼增益估计器根据和生成卡尔曼增益K_G；然后更新模块中的计算单元计算获得无人机的位置估计

在使用本发明的融合定位方法时，由于GNSS的观测频率远小于INS的输出频率，所以在GNSS观测缺失时，仅使用训练好的多尺度解耦CACNN估计位置变化量并进行积分获取无人机轨迹；存在GNSS观测时，GNSS/INS信息融合定位框架开始工作：编码器网络输入卫星位置信息序列和卫星观测量信息序列，实现基于GNSS的定位；将编码器输出结果和CACNN位置估计结果输入卡尔曼增益估计器实现对K_G的估计，用卡尔曼增益的更新方法实现高精度的信息融合定位。

以上的具体实施例仅描述了本发明的设计原理，该描述中的部件形状，名称可以不同，不受限制。所以，本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换；而这些修改和替换未脱离本发明创造宗旨和技术方案，均应属于本发明的保护范围。

Claims (7)

1.一种基于隐卡尔曼网络的INS/GNSS信息融合定位方法，其特征在于，该方法采用隐卡尔曼网络导航框架实现定位；隐卡尔曼网络导航框架包括编码器和卡尔曼网络；卡尔曼网络包括预测模块和更新模块；

预测模块采用多尺度解耦连续吸引子卷积神经网络(CACNN)，根据惯性导航信息预测无人机位置估计构建无人机位置估计序列所述多尺度解耦CACNN包括多尺度二维图像特征构建模块和卷积神经网络CNN；所述多尺度二维图像特征构建模块的输入为9种数据，分别为本历元无人机三维位移、本历元无人机三位姿态旋转和多尺度解耦CACNN在上一历元输出的无人机三维姿态；在每一尺度下，均利用9种数据构建局部激励矩阵e，利用局部激励矩阵e更新网格细胞活动矩阵P并归一化，获得当前尺度的二维图像特征；M个尺度的二维图像特征组成多尺度二维图像特征；利用CNN提取多尺度二维图像特征中的隐含信息，校正CACNN建模参数选取不合适带来的系统误差，得到校正后的无人机位置估计变化量利用上一历元的信息融合定位结果进行位置叠加，获得本历元无人机位置估计

其中，局部激励矩阵e由9个激励行组成，每个激励行包括K个网格；M个尺度的网格尺寸r_m递增；网格元素为根据网格尺寸r_m和网格个数K所确定的激励值；

编码器采用LSTM网络，根据预测模块输出的无人机位置估计序列和卫星定位信息，获得编码器输出的无人机位置估计序列

更新模块中的卡尔曼增益估计器采用循环神经网络RNN，根据预测模块输出的无人机位置估计序列编码器输出的无人机位置估计序列以及上一历元信息融合定位结果更新卡尔曼增益K_G；更新模块利用更新后的卡尔曼增益结合和获得信息融合定位结果

2.如权利要求1所述的方法，其特征在于，所述局部激励矩阵e的获取方式为：

将9种数据中的任意一种表示为α，则对于第m个尺度，α对应的K个网格中的第k个网络的激励值为e_α,k，计算公式为：

其中，u＝(k-(K+1)/2)·r_m-mod(α,K·r_m)，mod(α,K·r_m)表示对α使用K·r_m取模，δ_α为设定的自运动方差；

第m个尺度下，数据α的K个网络激励值组成了激励行向量e_α；9个数据的激励行向量组成第m个尺度的9×K的局部激励矩阵e。

3.如权利要求1所述的方法，其特征在于，所述利用局部激励矩阵e更新网格细胞活动矩阵P为：

更新公式为：

P_new＝ReLU(P_old⊙e-ψ)

其中，P_new和P_old分别表示更新前后的网格细胞活动矩阵；ψ表示设定的全局抑制水平，⊙表示求哈达玛积，ReLU(·)表示线性整流单元。

4.如权利要求1所述的方法，其特征在于，所述CNN的网络架构包括依次相连的：

一个滤波器尺寸为3*3、包含256信道的第一二维卷积层；一个第一批归一化层；一个第一ReLU层；

一个滤波器尺寸为3*3的、包含128信道的第二二维卷积层；一个第二批归一化层；一个第二ReLU层；

一个滤波器尺寸为3*3的、包含64信道的第三二维卷积层；一个第三批归一化层；一个第三ReLU层；

一个展平层；

一个输出尺寸为6*1的全连接层，以及，

一个输出尺寸为6*1的回归输出层。

5.如权利要求1所述的方法，其特征在于，所述编码器所采用的LSTM网络的网络架构包括：

一个包含150个隐藏单元的LSTM层，连接输出尺寸为3*T的第一全连接层；T为输入数据序列的长度；

一个输出尺寸为3*T的第二全连接层；

第一全连接层和第二全连接层连接一个输出尺寸为6*T的数据拼接层；

所述数据拼接层依次连接一个输出尺寸为3*T的全连接层，以及一个输出尺寸为3*T的回归输出层。

6.如权利要求1所述的方法，其特征在于，所述卡尔曼增益估计器所采用的RNN网络的网络架构包括依次相连的：

一个包含100个隐藏单元的GRU层；

一个输出尺寸为3*T的全连接层，T为输入数据序列的长度；以及，

一个输出尺寸为3*T的回归输出层。

7.如权利要求1所述的方法，其特征在于，该方法进一步包括，判断是否存在GNSS观测：

在GNSS观测缺失时，仅使用训练好的多尺度解耦CACNN估计无人机位置；

当存在GNSS观测时，编码器输入卫星位置信息序列和卫星观测量信息序列，实现基于GNSS的定位，获得无人机位置估计序列将编码器输出的无人机位置估计序列和预测模块输出的无人机位置估计序列输入卡尔曼增益估计器实现对卡尔曼增益K_G的估计，用卡尔曼增益K_G的更新方案实现INS与GNSS的信息融合定位。