【技术实现步骤摘要】
本专利技术涉及组合导航，尤其涉及一种基于neighbor2neighbor自监督去噪的紧组合导航方法及系统。
技术介绍
1、gnss可以实现全天候的全球定位，所需的观测时间相对较短，其定位误差不会随时间累积。但它可能无法满足某些信号受到干扰的地方的定位需求，例如高楼、室内和丛林。
2、ins是一种自主导航系统。它不需要接收外部信号，因为它使用来自惯性测量单元（inertial measurement unit，imu）的测量数据来计算导航信息。由于计算过程中涉及积分，imu的固有误差将随着时间的增加而无限累积，这导致导航结果在短时间内出现较大的偏差。
3、因此，已经提出了由gnss和ins组成的组合导航系统，它可以将gnss和ins相结合，获得精度高、刷新率快、稳定性强的导航结果。
4、gnss/ins组合导航系统有多种形式，其中紧组合导航相比于松组合模式效果更好、导航精度更高，相较于深组合其工程上实现简单，是一种较为常见的组合模式。
5、紧组合导航模式对imu观测量误差进行建模后利用卡尔曼滤波修正误差，主要将imu的零偏、比例因子误差建模为一阶高斯-马尔科夫过程，通常情况下忽略交轴耦合、随机噪声以及脉冲噪声等误差，因此尝试探索一种在观测数据输入紧组合导航系统前就对零偏、比例因子误差之外的噪声进行一定程度去噪的方法，并且该去噪方法应不破坏原有卡尔曼滤波过程对imu噪声的建模。
6、传统的去噪方法包括低通滤波、基于小波的去噪、savitzky-golay 滤波等。尽管这些
技术实现思路
1、鉴于上述的分析，本专利技术旨在公开了一种基于neighbor2neighbor自监督去噪的紧组合导航方法及系统；在不破坏原有卡尔曼滤波过程对imu噪声的建模，减少原有滤波过程对imu噪声建模的偏差；提高紧组合导航系统的精度。
2、本专利技术公开了一种基于neighbor2neighbor自监督去噪的紧组合导航方法，包括：
3、步骤s1、利用对gnss/ins紧组合导航系统中的imu数据进行时间上连续采样得到的imu原始采样数据，构造出进行neighbor2neighbor自监督去噪的样本；
4、步骤s2、将每个样本通过采样器构造成真值相互接近的子样本对作为自监督去噪网络的输入和预期输出，进行neighbor2neighbor自监督去噪训练；使训练好的自监督去噪网络能够用于去除imu数据中随机噪声与脉冲噪声在内的非一阶马尔可夫过程噪声，保留一阶马尔可夫过程噪声；
5、步骤s3、将经过neighbor2neighbor自监督去噪后的imu数据输入到误差建模为一阶马尔可夫过程的卡尔曼滤波器中进行预测、校正和更新系统状态，获得更高精度的导航解。
6、进一步地，在步骤s1中，包括：
7、1）在时间上连续采样imu得到imu原始采样数据；
8、每一时刻采样的imu原始数据是向量，由imu输出的3维角速度和3维比力构成；
9、；
10、其中，为时刻imu原始采样数据，为时刻imu输出的x、y、z轴的3维比力；为时刻imu输出的x、y、z轴的3角速度；
11、2）将采集的imu原始采样数据按照数量n进行分块，得到时间上连续的矩阵数据切片；每个数据切片为一个样本；
12、3）将batch_size个样本作为一个batch，将时间上连续imu原始采样数据划分为时间上连续的batch数据块。
13、进一步地，步骤s2中，通过采样器构造成真值接近的子样本对中，
14、imu采样器；imu采样器对batch数据块中每一个样本的矩阵数据进行采样，分别顺序抽取奇数行和偶数行以组成两个矩阵组成子样本对；子样本对中两个子样本分别作为自监督去噪网络的输入和预期输出。
15、进一步地，步骤s2中，自监督去噪训练过程中，包括：
16、1）建立neighbor2neighbor自监督训练的正则化优化问题；
17、2）根据建立自监督训练的正则化优化问题，采用步骤s1建立的样本训练自监督去噪网络；
18、3）训练完成的自监督去噪网络用于对imu数据进行去噪处理。
19、进一步地，所述正则化优化问题的网络约束包括：
20、约束一、使网络输出和噪声目标之间的损失值最小；
21、噪声目标为子样本对中预期输出子样本；网络输出为所述子样本对中作为网络输入的子样本在自监督去噪网络的输出；
22、约束二、基于imu子样本对之间的基本真值的差异，建立使imu子样本对之间的基本真值的差距为零的正则化约束。
23、进一步地，建立自监督训练的正则化优化问题为：
24、；
25、其中，为输入样本，为样本真值，为和的联合期望；为对输入样本通过采样器采样输出的子样本对；自监督去噪网络，为自监督去噪网络参数；为将子样本输入自监督去噪网络后对应的输出；为将输入样本输入自监督去噪网络后对应的输出；为将通过采样器采样输出的子样本对，为网络的超参数，为二范数的平方。
26、进一步地，自监督去噪网络的训练为包括利用transformer网络架构在内的自监督训练的网络架构。
27、进一步地，卡尔曼滤波器中，状态向量为：
28、；
29、其中，为ins位置经、纬、高三维误差、为ins速度三维误差、为ins姿态三维误差角、为加速度计三维零偏误差、为陀螺仪三维漂移误差、为gnss与时钟误差等效的距离误差，为gnss与时钟频率误差等效的距离误差。
30、进一步地，卡尔曼滤波器中，量测信息为惯导系统推算的伪距和伪距率与gnss测量得到的伪距和伪距率之差：
31、；
32、在地心地固坐标系中，载体的真实位置为，经过neighbor2neighbor自监督去噪后的imu数据经由惯导系统解算得到载体位置为，由卫星星历给出的卫星位置为；由惯导推算的载体到卫星的伪距为：
33、；
34、由惯导系统推算的伪距率为：
35、；
36、其中，为惯导系统解算的载体速度，为根据星历解算的卫星速度，为自gnss卫星至载体惯导系统解算位置的视线单位向量。
37、本专利技术还公开了一种基于neighbor2neighbor自监督去噪的紧组合导航系统，包括：imu去噪模块和卡尔曼滤波器；
38、所述imu去噪模块，用于对imu数据中包括随机噪声与脉冲噪声在内的非一阶马尔可夫过程噪声进行去除，保留一阶马尔可夫过程噪声；
39、所述卡尔曼滤波器，以imu去噪模块输出的数据为输入，进行预测本文档来自技高网...
【技术保护点】
1.一种基于Neighbor2Neighbor自监督去噪的紧组合导航方法，其特征在于，包括：
2.根据权利要求1所述的基于Neighbor2Neighbor自监督去噪的紧组合导航方法，其特征在于，
3.根据权利要求2所述的基于Neighbor2Neighbor自监督去噪的紧组合导航方法，其特征在于，
4.根据权利要求3所述的基于Neighbor2Neighbor自监督去噪的紧组合导航方法，其特征在于，
5.根据权利要求4所述的基于Neighbor2Neighbor自监督去噪的紧组合导航方法，其特征在于，
6.根据权利要求5所述的基于Neighbor2Neighbor自监督去噪的紧组合导航方法，其特征在于，
7.根据权利要求4-6任一项所述的基于Neighbor2Neighbor自监督去噪的紧组合导航方法，其特征在于，
8.根据权利要求7所述的基于Neighbor2Neighbor自监督去噪的紧组合导航方法，其特征在于，
9.根据权利要求8所述的基于Neighbor2Neighbor自监
10.一种基于Neighbor2Neighbor自监督去噪的紧组合导航系统，其特征在于，包括：IMU去噪模块和卡尔曼滤波器；
...【技术特征摘要】
1.一种基于neighbor2neighbor自监督去噪的紧组合导航方法，其特征在于，包括：
2.根据权利要求1所述的基于neighbor2neighbor自监督去噪的紧组合导航方法，其特征在于，
3.根据权利要求2所述的基于neighbor2neighbor自监督去噪的紧组合导航方法，其特征在于，
4.根据权利要求3所述的基于neighbor2neighbor自监督去噪的紧组合导航方法，其特征在于，
5.根据权利要求4所述的基于neighbor2neighbor自监督去噪的紧组合导航方法，其特征在于，
6.根据权利要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。