本發(fā)明涉及衛(wèi)星導(dǎo)航和慣性導(dǎo)航領(lǐng)域，具體涉及一種利用神經(jīng)網(wǎng)絡(luò)算法對無人機(jī)gps信號丟失情況下的組合導(dǎo)航進(jìn)行補(bǔ)償校正的方法及系統(tǒng)。

背景技術(shù)：

在導(dǎo)航技術(shù)方面，目前應(yīng)用得最多，最成熟的導(dǎo)航方式有慣性導(dǎo)航和衛(wèi)星導(dǎo)航。gps衛(wèi)星導(dǎo)航的優(yōu)點(diǎn)是具有全球性、全天候、長時(shí)間定位精度高的特點(diǎn)，但缺點(diǎn)是信號易受干擾和遮擋，在強(qiáng)電磁環(huán)境下和有高樓遮擋時(shí)，信號質(zhì)量變差，并且其輸出頻率有限，一般為1—10hz，輸出不連續(xù)，在需要快速更新信息的場合，如機(jī)動性和實(shí)時(shí)性要求較高的無人機(jī)系統(tǒng)上，gps衛(wèi)星導(dǎo)航的缺點(diǎn)便凸顯出來。而ins慣性導(dǎo)航系統(tǒng)是一種全自主式的導(dǎo)航方式，因此具有很強(qiáng)的隱蔽性和抗干擾的能力，并且輸出信息連續(xù)，短時(shí)間內(nèi)定位精度高。但由于微機(jī)電慣性導(dǎo)航系統(tǒng)(memsinertialnavigationsystem,mems-ins)器件自身的特點(diǎn)，陀螺儀和加速度計(jì)有初始零偏、隨機(jī)漂移等誤差，隨著時(shí)間的累計(jì)作用，其誤差越來越大，長時(shí)間定位精度較差，最終無法準(zhǔn)確反映無人機(jī)的姿態(tài)和位置信息。

通常的做法是將衛(wèi)星導(dǎo)航與慣性導(dǎo)航信號經(jīng)過kalman濾波將兩者信號融合，利用各自的優(yōu)點(diǎn)來彌補(bǔ)各自的缺點(diǎn)。但在一些環(huán)境特殊的條件下，如信號阻隔區(qū)，遮擋物較多的環(huán)境下，衛(wèi)星信號可能會發(fā)生丟失現(xiàn)象，此時(shí)導(dǎo)航系統(tǒng)只能依靠單純的慣性導(dǎo)航，隨著時(shí)間的推移，導(dǎo)航數(shù)據(jù)的誤差會越來越大。因此需要研究一種方法能在gps信號丟失情況下，代替gps的作用并且和慣性導(dǎo)航配合完成導(dǎo)航數(shù)據(jù)的輸出。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)中存在的問題，提出了一種利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法，實(shí)現(xiàn)導(dǎo)航系統(tǒng)在gps信號丟失的情況下，慣性導(dǎo)航系統(tǒng)能在神經(jīng)網(wǎng)絡(luò)算法的輔助下輸出精確的導(dǎo)航數(shù)據(jù)。

為達(dá)到上述發(fā)明的目的，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

本發(fā)明公開一種利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法，包括步驟如下：

步驟s1,構(gòu)建基于gps與慣性導(dǎo)航模塊的組合導(dǎo)航模型，設(shè)計(jì)kalman濾波器對所述組合導(dǎo)航模型的組合導(dǎo)航數(shù)據(jù)進(jìn)行kalman濾波，輸出慣性導(dǎo)航模塊的導(dǎo)航誤差數(shù)據(jù)；所述組合導(dǎo)航數(shù)據(jù)包括慣性導(dǎo)航模塊輸出的包括載體位置與速度的慣性導(dǎo)航數(shù)據(jù)、gps輸出的包括載體位置與速度的衛(wèi)星導(dǎo)航數(shù)據(jù)；

步驟s2，在gps信號正常狀態(tài)下，慣性導(dǎo)航數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本的輸入數(shù)據(jù)，kalman濾波器對導(dǎo)航數(shù)據(jù)濾波后的輸出數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模塊的訓(xùn)練樣本的輸出數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

步驟s3，在gps信號丟失狀態(tài)下，持續(xù)利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型來預(yù)測慣性導(dǎo)航模塊的輸出誤差，并用該預(yù)測的輸出誤差對慣性導(dǎo)航進(jìn)行補(bǔ)償和修正。

進(jìn)一步，步驟s2所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層、輸出層和連接層，所述輸入層向隱含層輸入樣本數(shù)據(jù)，所述隱含層向輸出層傳輸樣本數(shù)據(jù)的權(quán)值信息，所述連接層將隱含層輸出權(quán)值信息傳遞到輸入層，以更新隱含層收到的樣本數(shù)據(jù)；所述對神經(jīng)網(wǎng)絡(luò)模塊的訓(xùn)練是通過連接層的循環(huán)次數(shù)設(shè)置。

本發(fā)明還公開一種利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航系統(tǒng),采用上述的利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法,包括有控制單元,與控制單元通信連接的陀螺儀、加速度計(jì)和磁力計(jì)，與控制單元無線通信連接的遠(yuǎn)程計(jì)算機(jī)，所述控制單元還連接有存儲單元。

進(jìn)一步，所述陀螺儀、加速度計(jì)和磁力計(jì)與控制單元的通信連接為內(nèi)部整合電路通信連接，所述遠(yuǎn)程計(jì)算機(jī)與控制單元的無線通信為全雙工通用同步/異步串行收發(fā)連接方式。

本發(fā)明的一種利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法，用來預(yù)測無人機(jī)導(dǎo)航系統(tǒng)在gps信號丟失的情況下慣性導(dǎo)航系統(tǒng)的輸出誤差，并用該誤差數(shù)據(jù)對慣性導(dǎo)航系統(tǒng)的輸出進(jìn)行補(bǔ)償和修正,從而實(shí)現(xiàn)導(dǎo)航系統(tǒng)在gps信號丟失的情況下，慣性導(dǎo)航系統(tǒng)能在神經(jīng)網(wǎng)絡(luò)算法的輔助下輸出精確的導(dǎo)航數(shù)據(jù)。

附圖說明

圖1為本發(fā)明的利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法所采用的硬件結(jié)構(gòu)框圖。

圖2為本發(fā)明的利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法的步驟圖。

圖3為gps與慣性導(dǎo)航模塊的組合導(dǎo)航模型的算法流程框圖。

圖4為本發(fā)明的利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法的神經(jīng)網(wǎng)絡(luò)模塊的訓(xùn)練數(shù)據(jù)流框圖。

圖5為圖4神經(jīng)網(wǎng)絡(luò)模塊的訓(xùn)練框圖。

圖6a和圖6b為神經(jīng)網(wǎng)絡(luò)在1-560的兩次訓(xùn)練過程效果圖。

圖7a和圖7b為神經(jīng)網(wǎng)絡(luò)在561-700s預(yù)測階段的兩次訓(xùn)練過程效果。

圖8為神經(jīng)網(wǎng)絡(luò)算法實(shí)地測試的效果圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部實(shí)施例。

參看圖1,為本發(fā)明的一種利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航系統(tǒng)，該導(dǎo)航系統(tǒng)包括有控制單元，在本實(shí)施例中，控制單元采用armcortex-m3內(nèi)核，基于該內(nèi)核的stm32開發(fā)板以i2c方式(內(nèi)部整合電路通信連接)連接有陀螺儀、加速度計(jì)和磁力計(jì)，在本實(shí)施例中，所述陀螺儀采用mpu9250九軸慣性傳感器模塊，所述磁力計(jì)采用ak8963磁力計(jì)，所述陀螺儀和磁力計(jì)產(chǎn)生慣性導(dǎo)航數(shù)據(jù)，并通過i2c總線向控制單元傳送；控制單元還連接有g(shù)ps模塊，在本實(shí)施例中，采用ublox公司的ubloxgps-m6n系列的gps產(chǎn)生衛(wèi)星導(dǎo)航數(shù)據(jù)，控制單元將慣性導(dǎo)航數(shù)據(jù)和衛(wèi)星導(dǎo)航數(shù)據(jù)通過usart串口向遠(yuǎn)處計(jì)算機(jī)發(fā)送。

參看圖2，為本發(fā)明的利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法的步驟圖。

步驟s1,構(gòu)建基于gps與慣性導(dǎo)航模塊的組合導(dǎo)航模型，設(shè)計(jì)kalman濾波器對所述組合導(dǎo)航模型的組合導(dǎo)航數(shù)據(jù)進(jìn)行kalman濾波，輸出慣性導(dǎo)航模塊的導(dǎo)航誤差數(shù)據(jù)；所述組合導(dǎo)航數(shù)據(jù)包括慣性導(dǎo)航模塊輸出的包括載體位置與速度的慣性導(dǎo)航數(shù)據(jù)、gps輸出的包括載體位置與速度的衛(wèi)星導(dǎo)航數(shù)據(jù)；

步驟s2，在gps信號正常狀態(tài)下，慣性導(dǎo)航數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本的輸入數(shù)據(jù)，kalman濾波器對導(dǎo)航數(shù)據(jù)濾波后的輸出數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模塊的訓(xùn)練樣本的輸出數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

步驟s3，在gps信號丟失狀態(tài)下，持續(xù)利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型來預(yù)測慣性導(dǎo)航模塊的輸出誤差，并用該預(yù)測的輸出誤差對慣性導(dǎo)航進(jìn)行補(bǔ)償和修正。

參看圖3的gps與慣性導(dǎo)航模塊的組合導(dǎo)航模型的算法流程框圖,該算法流程包括如下步驟：

步驟a1.獲取慣性導(dǎo)航模塊的參數(shù)，即通過加速度計(jì)、陀螺儀和磁力計(jì)分別獲取角加速度信息加速度矢量f^b和磁力計(jì)信息,所述磁力計(jì)信息包括偏航角；

步驟a2.通過求解如下四元數(shù)微分方程得到實(shí)時(shí)的四元數(shù)q0，q1，q2，q3

其中為陀螺儀在載體坐標(biāo)系下的測得的三個(gè)軸的角速度信息；

步驟a3.將步驟a2中求解的q0，q1，q2，q3帶入下式得到姿態(tài)矩陣

根據(jù)與方向余弦的關(guān)系可改寫為下式：

因此可求得載體的姿態(tài)角θ、γ、用磁力計(jì)測得的偏航角來修正角，以獲得穩(wěn)定準(zhǔn)確的偏航角；

步驟a4.根據(jù)步驟a1獲得的載體加速度信息f^b和步驟a3求解的姿態(tài)矩陣求解該微分方程：可得到載體在導(dǎo)航坐標(biāo)系下的三個(gè)方向上的速度信息；上述微分方程中，v＝[vnvevu]^t的n、e、u分別為地理坐標(biāo)系中的東、北、天方向，相應(yīng)vn、ve、vu分別為上述方向的速度，ωiⁿe為地球自轉(zhuǎn)角速度，gⁿ為重力加速度；

步驟a5，求出慣性導(dǎo)航輸出的位置參數(shù)，所述位置參數(shù)包括經(jīng)度λ、緯度l和高度h，求解公式如下：

^h＝h(0)⁺∫vudt

根據(jù)上述求得慣性導(dǎo)航模塊輸出的位置參數(shù)。

通過步驟a1至步驟a5獲得的慣性導(dǎo)航模塊輸出的位置參數(shù)和速度信息，然后和gps模塊輸出的位置參數(shù)及速度信息共同傳入kalman濾波模塊，進(jìn)行kalman濾波。

所述gps模塊與慣性導(dǎo)航模塊構(gòu)成的組合導(dǎo)航模型，由狀態(tài)方程和觀測方程描述該模型，分別為：

其中xi表示導(dǎo)航系統(tǒng)的誤差狀態(tài)，它是一個(gè)15維的向量，如下所示：

其中δvx,δvy,δvz為系統(tǒng)沿東、北、天三個(gè)方向上的速度誤差；φx,φy,φz為載體平臺的姿態(tài)角誤差；δl,δλ,δh分別代表緯度、經(jīng)度和高度誤差；εx,εy,εz分別代表陀螺儀沿東、北、天三個(gè)方向上的隨機(jī)漂移；分別為沿東、北、天三個(gè)方向上的加速度的隨機(jī)漂移；

是一個(gè)15×15的矩陣，其中fn(t)對應(yīng)于9個(gè)基本導(dǎo)航參數(shù)的系統(tǒng)矩陣；fs(t)為9個(gè)基本導(dǎo)航參數(shù)與陀螺儀及加速度計(jì)漂移之間的變換矩陣，其維數(shù)是9×6，對于捷聯(lián)式系統(tǒng)，fm(t)為與陀螺儀及加速度計(jì)漂移對應(yīng)的系統(tǒng)矩陣，是一個(gè)維數(shù)為6×6的對角線矩陣，表示為fm(t)＝diag[-1/tgx-1/tgy-1/tgz-1/tax-1/tay-1/taz]；z(t)為ins輸出的位置速度與gps輸出的位置速度信息的差值，是一個(gè)6維向量，具體表達(dá)式為：，

其中

z(t)＝[δvx+nvxδvy+nvyδvz+nvz(rm+h)δl+ny(rm+h)coslδλ+nxδh+nh]^t；

vv(t)＝[nvxnvynvz]^t；

vp(t)＝[nxnynz]^t。

作為具體實(shí)施例，所述系統(tǒng)矩陣fn(t)的非零元素如下：

f(1,5)＝-fz

f(1,6)＝fy

f(2,4)＝fz

f(2,6)＝-fx

f(3,4)＝-fy

f(3,5)＝fx

f(3,7)＝-2ωievxsinl

f(5,7)＝-ωiesinl

f(9,3)＝1

本發(fā)明的利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法，在本實(shí)施例中，根據(jù)慣性導(dǎo)航的誤差模型建立kalman濾波模塊，其建立步驟如下：

步驟s11,將連續(xù)系統(tǒng)的基于gps與慣性導(dǎo)航模塊的組合導(dǎo)航模型的狀態(tài)方程和觀測方程離散化得到：

xk＝φk,k-1xk-1+wk-1

zk＝hkxk+vk

其中，

步驟s12，分別獲取慣性導(dǎo)航模塊和gps輸出的位置、速度觀測信息，并作差得到z(t)的觀測信息z；

步驟s13，計(jì)算k時(shí)刻狀態(tài)方程的狀態(tài)一步預(yù)測，即：其中為在k-1時(shí)刻，組合導(dǎo)航模型15個(gè)狀態(tài)的最優(yōu)估計(jì)值，φk,k-1為組合導(dǎo)航模型離散化后的狀態(tài)轉(zhuǎn)移矩陣；

步驟s14，更新組合導(dǎo)航模型的濾波增益方程其中pk|k-1是組合導(dǎo)航模型在k-1時(shí)刻對下一時(shí)刻k的一步預(yù)測均方誤差，hk是組合導(dǎo)航模型的觀測方程的觀測矩陣；

步驟s15，更新組合導(dǎo)航模型的一步預(yù)測均方誤差方程其中φk,k-1是組合導(dǎo)航模型狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣；

步驟s16，估計(jì)均方根誤差方程kk是k時(shí)刻組合導(dǎo)航模型的增益矩陣，rk是k時(shí)刻組合導(dǎo)航模型的噪聲矩陣；

步驟s17，組合導(dǎo)航模型k時(shí)刻狀態(tài)最優(yōu)方程為：其中是在k時(shí)刻組合導(dǎo)航模型狀態(tài)方程的最優(yōu)估計(jì)值；是在k-1時(shí)刻對k時(shí)刻組合導(dǎo)航模型狀態(tài)方程的估計(jì)值；

步驟s18，通過步驟s12至s17,得到組合導(dǎo)航模型狀態(tài)方程的最優(yōu)估計(jì)值將該值與慣性導(dǎo)航模塊輸出的速度位置信息做差，得到最優(yōu)的導(dǎo)航參數(shù)；

步驟s18，循環(huán)執(zhí)行步驟s12至s18，不斷獲得慣性導(dǎo)航模塊最優(yōu)的導(dǎo)航誤差輸出信息。

參看圖4和圖5，本發(fā)明的利用神經(jīng)網(wǎng)絡(luò)算法補(bǔ)償和修正的gpsins組合導(dǎo)航方法,所利用神經(jīng)網(wǎng)絡(luò)模塊的訓(xùn)練來實(shí)現(xiàn)圖3在kalmanl濾波器與導(dǎo)航解算之間的反饋修正。參看圖4，所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層(inputlayer)、隱含層(hiddnelayer)、輸出層(outputlayer)和連接層(connectlayer)，所述輸入層向隱含層輸入樣本數(shù)據(jù)，所述隱含層向輸出層傳輸樣本數(shù)據(jù)的權(quán)值信息，所述連接層將隱含層輸出權(quán)值信息傳遞到輸入層，以更新隱含層收到的樣本數(shù)據(jù)；所述對神經(jīng)網(wǎng)絡(luò)模塊的訓(xùn)練是通過連接層的循環(huán)次數(shù)設(shè)置。

所述神經(jīng)網(wǎng)絡(luò)模塊的訓(xùn)練步驟如下：

步驟s21,隨機(jī)初始化權(quán)值矩陣w1,w2,w3；所述權(quán)值矩陣w1存儲了輸入層到隱含層的權(quán)值信息；所述權(quán)值矩陣w2存儲了隱含層到輸出層的權(quán)值信息，其為m×n的矩陣；所述權(quán)值矩陣w3存儲了連接層到隱含層的權(quán)值信息，其為n×n的矩陣；

步驟s22,向神經(jīng)網(wǎng)絡(luò)模塊的輸入層輸入樣本數(shù)據(jù)為3×1向量p，根據(jù)樣本數(shù)據(jù)更新輸入層的輸出向量neti(k)＝p(k)，其中p(k)是第k時(shí)刻連接層傳遞的輸入層輸入樣本數(shù)據(jù)的向量p；

步驟s23，更新隱含層的輸出向量：neth(k)＝tansig(w1(k)*neti(k)+w3(k)*netc(k-1))，其中neth(k)是第k時(shí)刻連接層傳遞的隱含層的輸出向量，neti(k)是輸入層更新后的輸出向量，netc(k-1)是連接層在第k-1時(shí)刻連接層傳遞的輸出向量；

步驟s24,根據(jù)公式：netc(k)＝tansig(neth(k)+α*netc(k-1))更新連接層的輸出向量netc(k)，其中α為用來對上一時(shí)刻的連接層的輸出數(shù)據(jù)進(jìn)行記憶的記憶系數(shù)；

步驟s25，根據(jù)公式：neto(k)＝purelin(w2*neth(k))更新輸出層的輸出向量neto(k)；

步驟s26，計(jì)算輸出層的誤差方程：e＝∑[neto(k)-d(k)]²，其中d(k)是訓(xùn)練樣本中的期望值，用來在訓(xùn)練階段對權(quán)值進(jìn)行修正；

步驟s27，更新權(quán)值向量：其中i為1、2或3，η是學(xué)習(xí)率，一般為0至1之間的數(shù)值。

根據(jù)以上步驟s21至步驟s27的算法完成對神經(jīng)的網(wǎng)絡(luò)的訓(xùn)練過程，在gps信號丟失時(shí)，按照如圖5所示的連接方式，將經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)接入到圖3所示組合導(dǎo)航模型中的導(dǎo)航解算與kalman濾波器之間，實(shí)現(xiàn)預(yù)測慣性導(dǎo)航的輸出誤差并補(bǔ)償和修正慣性導(dǎo)航的輸出，從而獲得滿意的定位數(shù)據(jù)。

參看圖6a至圖8，圖6a和圖6b為神經(jīng)網(wǎng)絡(luò)模塊在1-560s的訓(xùn)練過程，圖6a與圖6b分別為兩種歷史數(shù)據(jù)的學(xué)習(xí)效果，圖7a與圖7b同理，圖7a和圖7b為神經(jīng)網(wǎng)絡(luò)模塊在561-700s預(yù)測階段的效果圖，其中，實(shí)線代表期望的經(jīng)緯度誤差曲線，淺色點(diǎn)劃線代表利用bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的效果圖，深色點(diǎn)劃線代表利用elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果圖。

圖7a對比圖6a，圖7b對比圖6b，可知a圖和b圖說明本專利提出的神經(jīng)網(wǎng)絡(luò)方法在訓(xùn)練階段均能有效地對歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，并可以用此模型在gps信號缺失情況下，對載體的位置進(jìn)行預(yù)測。

上述實(shí)施例僅用以說明本發(fā)明而并非限制本發(fā)明所描述的技術(shù)方案；因此，盡管本說明書參照上述的各個(gè)實(shí)施例對本發(fā)明已進(jìn)行了詳細(xì)的說明，但是，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，仍然可以對本發(fā)明進(jìn)行修改或者等同替換；而一切不脫離本發(fā)明的精神和范圍的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。