一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法技术

本发明专利技术公开了一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法，包括两部分：（1）、实现基于常规的GNSS/MEMS‑INS组合导航算法，设计卡尔曼滤波器对GNSS信号和惯性导航的数据进行融合，输出融合后的导航数据；（2）、在步骤（1）的基础上设计神经网络模型，然后将步骤（1）得到的惯性导航数据和卡尔曼滤波器输出的数据，分别作为训练神经网络的样本输入和样本输出，对神经网络模型进行训练，本发明专利技术在无人机导航系统GNSS信号丢失的情况下预测惯性导航系统的输出误差，并用该误差数据对惯性导航系统的输出进行补偿和修正，以实现导航系统在GNSS信号丢失的情况下，惯性导航系统能在神经网络算法的辅助下输出精确的导航数据。

【技术实现步骤摘要】
一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法
本专利技术属于组合导航方法
，具体涉及一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法。
技术介绍
在导航技术方面，目前应用得最多，最成熟的导航方式有惯性导航和卫星导航。GNSS卫星导航的优点是具有全球性、全天候、长时间定位精度高的特点，但缺点是信号易受干扰和遮挡。在强电磁环境下和有高楼遮挡时，信号质量变差，并且其输出频率有限，一般为1-10Hz，输出不连续，在需要快速更新信息的场合，如机动性和实时性要求较高的无人机系统上，GNSS卫星导航的缺点便凸显出来。而INS惯性导航系统是一种全自主式的导航方式，因此具有很强的隐蔽性和抗干扰的能力，并且输出信息连续，短时间内定位精度高。但由于MEMS-INS器件自身的特点，陀螺仪和加速度计有初始零偏、随机漂移等误差，随着时间的累计作用，其误差越来越大，长时间定位精度较差，最终无法准确反映无人机的姿态和位置信息。为了克服两种导航的缺陷，通常的做法是将卫星导航与惯性导航信号经过卡尔曼滤波将两者信号融合，利用各自的优点来弥补各自的缺点。但在一些环境特殊的条件下，如信号阻隔区，遮挡物较多的环境下，卫星信号可能会发生丢失现象，此时导航系统只能依靠单纯的惯性导航，随着时间的推移，导航数据的误差会越来越大。因此需要研究一种方法能在GNSS信号丢失情况下，代替GNSS的作用并且和惯性导航配合完成导航数据的输出。
技术实现思路
为解决上述问题，本专利技术公开了一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法，提出一种用来预测无人机导航系统在GNSS信号丢失的情况下惯性导航系统的输出误差，并用该误差数据对惯性导航系统的输出进行补偿和修正的方法。以实现导航系统在GNSS信号丢失的情况下，惯性导航系统能在神经网络算法的辅助下输出精确的导航数据。为达到上述目的，本专利技术的技术方案如下：一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法，包括以下步骤：1、实现基于常规的GNSS/MEMS-INS组合导航算法，设计卡尔曼滤波器对GNSS信号和惯性导航的数据进行融合，输出融合后的导航数据；2、在步骤1的基础上设计神经网络模型，然后将步骤1得到的惯性导航数据和卡尔曼滤波器输出的数据，分别作为训练神经网络的样本输入和样本输出，对神经网络模型进行训练，当GNSS信号丢失时，利用训练好的神经网络模型来预测惯性导航输出误差，并用该预测误差对惯性导航进行补偿和修正。进一步的，本专利技术所述的一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法，具体包括以下步骤：S1、IMU和GNSS设备安装，将IMU坐标轴与载体轴线进行吻合；采用基于北斗星通的LGM851车载组合导航定位器作为导航计算单元，采用LoRa通信确保数据安全，用串口数据线连接电脑和组合导航系统，利用电脑实时处理组合导航数据；S2、INS与GNSS天线外参标定，利用全站仪标定INS和GNSS接收机天线的安装外参，作为初始值输入到系统中；S3、把组合好的设备安装在手推车上，在实验场地进行测试，开始进行数据的采集和处理，具体分为以下几个步骤：S3-1动态下GNSS辅助下IMU的初始对准初始对准依靠动态运动完成，由于GNSS能够给出载体相对于当地地理坐标系的速度，假设已经获取GNSS接收机在ECEF下的位置ePGNSS和速度eVGNSS，通过公式把速度转换到地理坐标系下nVG，通过速度在地理坐标系下投影，确定yaw和pitch角，公式如下：由于针对车辆载体，对roll直接赋值为0，同时给一个较大的初始方差。S3-2基于ECEF坐标系下的惯导解算S3-2-1、为了更好初始化IMU，首先缓慢移动载体，神经网络学习部分暂时不启动，初始化完成后，启动神经网络学习部分；读取惯性导航模块采集的载体参数，包括角速度信息加速度矢量使用组合系统获取GNSS接收机的位置和速度ePk+1,G和eVk+1,G。S3-2-2、通过求解如下四元数微分方程得到实时的旋转四元数eq＝[q0q1q2q3]T；S3-2-3、根据步骤S3-2-1获得的载体加速度矢量和步骤S3-2-2求解的姿态四元数求解下式的微分方程得到载体在导航坐标系下的三个方向上的速度信息：式中V＝[VEVNVU]T分别为地理坐标系中东、北、天方向上的速度，为地球自转角速度，eg为重力在地理坐标系下的加速度；S3-2-4、通过下式分别求出惯性导航输出的位置参数；ePk+1,INS≈ePk,EKF+(eVk,EKF+eVk+1,INS)Δt/2(5)S3-3Elman神经网络辅助下的约束更新在GNSS信号较好时，将神经网络接入到系统中来预测惯性导航的输出误差并补偿和修正惯性导航的输出。S3-3-1Elman神经网络设计Elman神经网络的数学模型为:其中：y(k)为输出层输出；x(k-1)为输入层的外部输入；uc(k)为承接层的输出；u(k)为隐含层的输出；为输入层与隐含层连接权值；为承接层与隐含层连接权值；为隐含层与输出层连接权值。Elman神经网络的隐含层可采用式(7)所示的双极性Sigmoid函数作为激励函数，输出层采用Pureline激活函数，可得到式(8)：f(a)＝(1-e-a)/(1+e-a)(7)由式(6)～(8)可推导出:其中:f(a)∈(-1,1)；和分别表示k-1、k-2时刻的网络连接权值。uc(k)与其历史时间的连接权值有关，体现了动态递归的特点。Elman神经网络采用BP算法进行权值修正，学习指标函数采用误差平方和函数：S3-3-2根据惯性传感器和EKF的输出进行在线学习；S3-3-2-1采用GNSS输出的位置和速度对步骤S1中惯性传感器获得的预测数据进行修正，通过卡尔曼滤波可以求得滤波后的和如公式(11)。EKF中GNSS量测状态更新为：其中和分别是惯性传感器输出值；ePk+1,G和eVk+1,G分别是GNSS位置和速度的输出值；和分别为卡尔曼滤波解。S3-3-2-2同时对神经网络模型进行同步训练。在第S3-3-2-1步的基础上设计神经网络模型，然后将第S3-3-2-1得到的惯性导航数据和卡尔曼滤波器输出数据的历元间相对变化值，当GNSS可用卫星数较多时，把和分别作为Elman神经网络的输入输出加入到训练样本去在线学习，使得网络具有预测速度和位置变化量的能力，再根据前一时刻的位置和速度获得本历元的位置、旋转四元数和速度，当训练误差满足一定的阈值设置是时，表示训练模型可靠，可以辅助系统进行预报；为保证系统的时效性，采用固定窗口法限制样本的数量，当样本达到一定数量时，为保证样本的时效性，把较旧的样本移除出窗口。...

【技术保护点】
1.一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法，其特征在于：包括以下步骤：/n(1)、实现基于常规的GNSS/MEMS-INS组合导航算法，设计卡尔曼滤波器对GNSS信号和惯性导航的数据进行融合，输出融合后的导航数据；/n(2)、在步骤(1)的基础上设计神经网络模型，然后将步骤(1)得到的惯性导航数据和卡尔曼滤波器输出的数据，分别作为训练神经网络的样本输入和样本输出，对神经网络模型进行训练，当GNSS信号丢失时，利用训练好的神经网络模型来预测惯性导航输出误差，并用该预测误差对惯性导航进行补偿和修正。/n

【技术特征摘要】
1.一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法，其特征在于：包括以下步骤：
(1)、实现基于常规的GNSS/MEMS-INS组合导航算法，设计卡尔曼滤波器对GNSS信号和惯性导航的数据进行融合，输出融合后的导航数据；
(2)、在步骤(1)的基础上设计神经网络模型，然后将步骤(1)得到的惯性导航数据和卡尔曼滤波器输出的数据，分别作为训练神经网络的样本输入和样本输出，对神经网络模型进行训练，当GNSS信号丢失时，利用训练好的神经网络模型来预测惯性导航输出误差，并用该预测误差对惯性导航进行补偿和修正。


2.根据权利要求1所述的一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法，其特征在于：具体包括以下步骤：
S1、IMU和GNSS设备安装，将IMU坐标轴与载体轴线进行吻合；采用基于北斗星通的LGM851车载组合导航定位器作为导航计算单元，采用LoRa通信确保数据安全，用串口数据线连接电脑和组合导航系统，利用电脑实时处理组合导航数据；
S2、INS与GNSS天线外参标定，利用全站仪标定INS和GNSS接收机天线的安装外参，作为初始值输入到系统中；
S3、把组合好的设备安装在手推车上，在实验场地进行测试，开始进行数据的采集和处理，具体分为以下几个步骤：
S3-1动态下GNSS辅助下IMU的初始对准
初始对准依靠动态运动完成，由于GNSS能够给出载体相对于当地地理坐标系的速度，假设已经获取GNSS接收机在ECEF下的位置ePGNSS和速度eVGNSS，通过公式把速度转换到地理坐标系下nVG，



通过速度在地理坐标系下投影，确定yaw和pitch角，公式如下：



由于针对车辆载体，对roll直接赋值为0，同时给一个较大的初始方差；
S3-2基于ECEF坐标系下的惯导解算
S3-2-1、为了更好初始化IMU，首先缓慢移动载体，神经网络学习部分暂时不启动，初始化完成后，启动神经网络学习部分；读取惯性导航模块采集的载体参数，包括角速度信息加速度矢量使用组合系统获取GNSS接收机的位置和速度ePk+1,G和eVk+1,G，
S3-2-2、通过求解如下四元数微分方程得到实时的旋转四元数eq＝[q0q1q2q3]T；

eqk+1,INS＝eqk,EKF(I+[w×])(3)
S3-2-3、根据步骤S3-2-1获得的载体加速度矢量和步骤S3-2-2求解的姿态四元数求解下式的微分方程得到载体在导航坐标系下的三个方向上的速度信息：



式中V＝[VEVNVU]T分别为地理坐标系中东、北、天方向上的速度，为地球自转角速度，eg为重力在地理坐标系下的加速度；
S3-2-4、通过下式分别求出惯性导航输出的位置参数；

ePk+1,INS≈ePk,EKF+(eVk,EKF+eVk+1,INS)Δt/2(5)
S3-3Elman神经网络辅助下的约束更新
在GNSS信号好时，将神经网络接入到系统中来预测惯性导航的输出误差并补偿和修正惯性导航的输出，
S3-3-1Elman神经网络设计
Elman神经网络的数学模型为:



其中：y(k)为输出层输出；x(k-1)为输入层的外部输入；uc(k)为承接层的输出；u(k)为隐含层的输出；w1为输入层与隐含层连接权值；w2为承接层与隐含层连接权值；w3为隐含层与输出层连接权值，Elman神经网络的隐含层采用式(7)所示的双极性Sigmoid函数作为激励函数，输出层采用Pureline激活函数，得到式(8)：
f(a)＝(1-e-a)/(1+e-a)(7)
y(...

【专利技术属性】
技术研发人员：王庆，杨高朝，张欢，张坤，宋爱国，赵国普，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32