CN107944467A - 一种Adaboost优化的车载MIMUs/GPS信息融合方法及*** - Google Patents
一种Adaboost优化的车载MIMUs/GPS信息融合方法及*** Download PDFInfo
- Publication number
- CN107944467A CN107944467A CN201711062540.2A CN201711062540A CN107944467A CN 107944467 A CN107944467 A CN 107944467A CN 201711062540 A CN201711062540 A CN 201711062540A CN 107944467 A CN107944467 A CN 107944467A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- gps
- learner
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
- G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种Adaboost优化的车载MIMUs/GPS信息融合方法，包括如下步骤：GPS可用时，***在速度‑位置组合模式下工作，采集MIMUs惯性器件的输出和同一时刻INS、GPS分别解算的速度、位置信息的差值，将Kalman滤波观测值作为训练样本；利用所采集到的训练样本，采用Adaboost方法对BP神经网络进行离线训练，得到一个强学习器；GPS失锁时，利用上述强学习器对组合导航***的滤波观测值进行在线预测；将得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。本发明能在不损失***实时性的前提下，获得更为理想的导航预测稳定性和预测精度。
Description
技术领域
本发明涉及组合导航信息处理领域，具体涉及一种Adaboost优化的车载MIMUs/GPS信息融合方法及***。
背景技术
现有的基于MEMS的IMU/GPS组合导航***具有尺寸小，可靠性高的特点，可为车载导航***提供成本较低、精度较高的导航方案。但由于GPS存在多路径效应影响、抗干扰能力差、低信噪比等缺点，而陆地载体在运行过程中不可避免地存在在外部环境的干扰(如遇高建筑物遮挡，驶过隧道等)，从而会导致卫星信号接收不良。一旦GPS信号发生异常，或接收到信号的卫星数不足以完成卫星定位，工作在速度一位置模式下的组合导航***将失去意义，此时整个***将工作在纯惯性导航的模式下。可以预见的是，由于MEMS惯性测量元件的精度不高，必会引起导航参数的误差随时间逐渐积累，导航精度无法保证。
为了在GPS失锁期间得到持续的、高精度的导航信息，出现一种人工神经网络计算智能的方法来辅助组合导航***是必要的。
发明内容
为解决上述问题，本发明提供了一种Adaboost优化的车载MIMUs/GPS信息融合方法及***，采用基于Adaboost改进的BP方法能有效地预测出松组合模式下导航***滤波的观测值，在不损失***实时性的前提下，确保滤波器具有了理想的导航预测稳定性和预测精度。
为实现上述目的，本发明采取的技术方案为：
一种Adaboost优化的车载MIMUs/GPS信息融合方法，包括如下步骤：
S1：GPS可用时，***在速度-位置组合模式下工作，采集MIMUs惯性器件的输出和同一时刻INS、GPS分别解算的速度、位置信息的差值，将Kalman滤波观测值作为训练样本；
S2：利用步骤S1所采集到的训练样本，采用Adaboost方法对BP神经网络进行离线训练，得到一个强学习器；
S3：GPS失锁时，利用上一步训练得到的强学习器对组合导航***的滤波观测值进行在线预测；
S4：将步骤S3得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。
优选地，具体包括如下步骤：
S1：在GPS正常工作时，MIMUs/GPS组合导航***正常工作，采集MEMS陀螺仪的输出wibb和加速度计的输出fb作为训练的输入样本，同时采集MIMUs解算出的速度、位置信息与GPS接收机的输出值，将二者作差，作为输出期望值；
S2：利用上述所采集的样本，采用BP算法进行一次训练，得到一个学习器，基于此学习器，采用Adaboost方法进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，加权后得到一个用于GPS失锁时组合导航***观测值的预测的强学习器；
S3：GPS失锁时，将MEMS惯性器件的输出作为步骤S2中训练得到的强学习器的输入，对MIMUs与GPS输出之间的误差，即Kalman滤波的观测值进行在线预测，将得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。
其中，所述的Adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布D1(i)设为均匀分布，设样本总数为N，则D1(i)＝1/N，其中，i为样本序数；
(3)根据训练样本的概率分布Dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学***均值et：
(5)计算当前学习器的权重Wt：
(6)调整下次迭代时的样本分布，公式为：
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为T为止；
(8)将T个弱学习器的权重Wt归一化之后加权结合，得到最终的强学习器L(x)；
本发明还提供了一种Adaboost优化的车载MIMUs/GPS信息融合***，***的状态方程为：
对于陆地载体，不对其天向速度和高度信息进行估计，状态变量表示为：
其中，ΦE ΦN ΦU为平台姿态角误差，δVE δVN分别为东向和北向速度误差，δL δλ分别为纬度和经度误差，εrx εry εrz为三轴陀螺仪的漂移，分别为三轴加速度计的零偏；W(t)为***噪声，可用白噪声表示，F(t)为根据惯导误差方程写出的状态转移矩阵，G(t)为噪声驱动阵；
***的观测方程为：
Z(t)＝H(t)X(t)+V(t)
其中，
V(t)为观测噪声，可用白噪声表示；***满足线性随机差分，且过程和观测噪声都是高斯白噪声，Kalman滤波器为最优信息处理器。
该信息融合***包括
训练样本数据采集模块，用于在GPS正常工作时，进行MIMUs惯性器件的输出和同一时刻INS、GPS分别解算的速度、位置信息的差值数据的采集；
学习器生成模块，用于通过BP算法对训练样本数据采集模块所采集到的训练样本进行一次训练，生成学习器；
强学习器生成模块，用于学习器生成模块所生成的学习器，采Adaboost方法进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，然后进行加权输出一个用于GPS失锁时组合导航***观测值的预测的强学习器；所述的Adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布D1(i)设为均匀分布，设样本总数为N，则D1(i)＝1/N，其中，i为样本序数；
(3)根据训练样本的概率分布Dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学***均值et：
(5)计算当前学习器的权重Wt：
(6)调整下次迭代时的样本分布，公式为：
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为T为止；
(8)将T个弱学习器的权重Wt归一化之后加权结合，得到最终的强学习器L(x)；
组合导航***的信息融合融合模块，用于在GPS失锁时，将MEMS惯性器件的输出作为所述强学习器的输入，对MIMUs与GPS输出之间的误差，即Kalman滤波的观测值进行在线预测，将得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。
上述方案中，采用Adaboost方法，在GPS失锁时通过改进***层面上的导航策略，补偿MIMUs单机工作下逐渐积累的导航参数误差，能在不损失***实时性的前提下，获得更为理想的导航预测稳定性和预测精度。
附图说明
图1为本发明实施例中GPS正常时组合导航***的工作原理图；
图2为本发明实施例中Adaboost方法流程图；
图3为本发明实施例中GPS正常时神经网络训练原理图；
图4为本发明实施例中GPS失锁时组合导航***的工作原理图；
图5为本发明实施例中的***框图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，GPS可用时，***工作在速度-位置组合模式下，采集MIMUs惯性器件的输出和同一时刻INS、GPS分别解算的速度、位置信息的差值，即Kalman滤波观测值作为训练样本，具体为：采用MIMUs/GPS松组合的方式，根据惯导误差方程，选取相应的误差作为状态变量，建立***方程，选取惯导解算出的速度、位置信息与GPS接收机接收到的速度、位置信息的差值作为观测量，建立观测方程，经卡尔曼滤波对***状态进行估计，从而组成一个完整的组合导航***。
***的状态方程为：
对于陆地载体，不对其天向速度和高度信息进行估计，状态变量表示为：
其中，ΦE ΦN ΦN为平台姿态角误差，δVE δVN分别为东向和北向速度误差，δL δλ分别为纬度和经度误差，εrx εry εrz为三轴陀螺仪的漂移，分别为三轴加速度计的零偏；W(t)为***噪声，可用白噪声表示，F(t)为根据惯导误差方程写出的状态转移矩阵，G(t)为噪声驱动阵。
***的观测方程为：
Z(t)＝H(t)X(t)+V(t)
其中，
V(t)为观测噪声，可用白噪声表示；***满足线性随机差分，且过程和观测噪声都是高斯白噪声，Kalman滤波器为最优信息处理器。
在GPS正常工作时，MIMUs/GPS组合导航***正常工作，此时采集MEMS陀螺仪的输出wibb和加速度计的输出fb作为训练的输入样本，采集MIMUs解算出的速度、位置信息与GPS接收机的输出值，将二者作差，作为输出期望值；
如图2和3所示，利用采集的样本，采用BP算法进行一次训练，得到一个学习器，基于此学习器，采用Adaboost方法共进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，加权后得到一个强学习器，该学习器用于GPS失锁时组合导航***观测值的预测。
Adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布D1(i)设为均匀分布，设样本总数为N，则D1(i)＝1/N，其中，i为样本序数；
(3)根据训练样本的概率分布Dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学***均值et
(5)计算当前学习器的权重Wt
(6)调整下次迭代时的样本分布，公式为：
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为T为止；
(8)将T个弱学习器的权重Wt归一化之后加权结合，得到最终的强学习器L(x)；
如图4所示，GPS失锁时，将MEMS惯性器件的输出作为步骤2中训练得到的强学习器的输入，对MIMUs与GPS输出之间的误差，即Kalman滤波的观测值进行在线预测，将得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。
如图5所示，本发明实施例提供了一种Adaboost优化的车载MIMUs/GPS信息融合***，包括
训练样本数据采集模块，用于在GPS正常工作时，进行MIMUs惯性器件的输出和同一时刻INS、GPS分别解算的速度、位置信息的差值数据的采集；
学习器生成模块，用于通过BP算法对训练样本数据采集模块所采集到的训练样本进行一次训练，生成学习器；
强学习器生成模块，用于学习器生成模块所生成的学习器，采用Adaboost方法进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，然后进行加权输出一个用于GPS失锁时组合导航***观测值的预测的强学习器；所述的Adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布D1(i)设为均匀分布，设样本总数为N，则D1(i)＝1/N，其中，i为样本序数；
(3)根据训练样本的概率分布Dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学***均值et：
(5)计算当前学习器的权重Wt：
(6)调整下次迭代时的样本分布，公式为：
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为T为止；
(8)将T个弱学习器的权重Wt归一化之后加权结合，得到最终的强学习器L(x)；
组合导航***的信息融合融合模块，用于在GPS失锁时，将MEMS惯性器件的输出作为所述强学习器的输入，对MIMUs与GPS输出之间的误差，即Kalman滤波的观测值进行在线预测，将得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种Adaboost优化的车载MIMUs/GPS信息融合方法，其特征在于，包括如下步骤：
S1：GPS可用时，***在速度-位置组合模式下工作，采集MIMUs惯性器件的输出和同一时刻INS、GPS分别解算的速度、位置信息的差值，将Kalman滤波观测值作为训练样本；
S2：利用步骤S1所采集到的训练样本，采用Adaboost方法对BP神经网络进行离线训练，得到一个强学习器；
S3：GPS失锁时，利用上一步训练得到的强学习器对组合导航***的滤波观测值进行在线预测；
S4：将步骤S3得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。
2.如权利要求1所述的一种Adaboost优化的车载MIMUs/GPS信息融合方法，其特征在于，具体包括如下步骤：
S1：在GPS正常工作时，MIMUs/GPS组合导航***正常工作，采集MEMS陀螺仪的输出wibb和加速度计的输出fb作为训练的输入样本，同时采集MIMUs解算出的速度、位置信息与GPS接收机的输出值，将二者作差，作为输出期望值；
S2：利用上述所采集的样本，采用BP算法进行一次训练，得到一个学习器，基于此学习器，采用Adaboost方法进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，加权后得到一个用于GPS失锁时组合导航***观测值的预测的强学习器；
S3：GPS失锁时，将MEMS惯性器件的输出作为步骤S2中训练得到的强学习器的输入，对MIMUs与GPS输出之间的误差，即Kalman滤波的观测值进行在线预测，将得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。
3.如权利要求2所述的一种Adaboost优化的车载MIMUs/GPS信息融合方法，其特征在于，所述的Adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布D1(i)设为均匀分布，设样本总数为N，则D1(i)＝1/N，其中，i为样本序数；
(3)根据训练样本的概率分布Dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学***均值et：
<mrow>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(5)计算当前学习器的权重Wt：
<mrow>
<msub>
<mi>W</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
</mrow>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(6)调整下次迭代时的样本分布，公式为：
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>D</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为T为止；
(8)将T个弱学习器的权重Wt归一化之后加权结合，得到最终的强学习器L(x)；
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>W</mi>
<mi>t</mi>
</msub>
<msub>
<mi>l</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
4.一种Adaboost优化的车载MIMUs/GPS信息融合***，其特征在于，***的状态方程为：
<mrow>
<mover>
<mi>X</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
对于陆地载体，不对其天向速度和高度信息进行估计，状态变量表示为：
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&Phi;</mi>
<mi>E</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mi>N</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>&Phi;</mi>
<mi>U</mi>
</msub>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&delta;V</mi>
<mi>E</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&delta;V</mi>
<mi>N</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&delta;</mi>
<mi>L</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&delta;</mi>
<mi>&lambda;</mi>
</mrow>
</mtd>
<mtd>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>r</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>r</mi>
<mi>y</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>r</mi>
<mi>z</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mo>&dtri;</mo>
<mi>x</mi>
</msub>
</mtd>
<mtd>
<msub>
<mo>&dtri;</mo>
<mi>y</mi>
</msub>
</mtd>
<mtd>
<msub>
<mo>&dtri;</mo>
<mi>z</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
其中，ΦE ΦN ΦU为平台姿态角误差，δVE δVN分别为东向和北向速度误差，δL δλ分别为纬度和经度误差，εrx εry εrz为三轴陀螺仪的漂移，分别为三轴加速度计的零偏；W(t)为***噪声，可用白噪声表示，F(t)为根据惯导误差方程写出的状态转移矩阵，G(t)为噪声驱动阵；
***的观测方程为：
Z(t)＝H(t)X(t)+V(t)
其中，
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>I</mi>
<mi>E</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>G</mi>
<mi>E</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>I</mi>
<mi>N</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>G</mi>
<mi>N</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>L</mi>
<mi>I</mi>
</msub>
<mo>-</mo>
<msub>
<mi>L</mi>
<mi>G</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>I</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mi>G</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<msub>
<mn>0</mn>
<mrow>
<mn>4</mn>
<mo>&times;</mo>
<mn>4</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>I</mi>
<mrow>
<mn>4</mn>
<mo>&times;</mo>
<mn>4</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mn>0</mn>
<mrow>
<mn>4</mn>
<mo>&times;</mo>
<mn>6</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
</mrow>
V(t)为观测噪声，可用白噪声表示；***满足线性随机差分，且过程和观测噪声都是高斯白噪声，Kalman滤波器为最优信息处理器。
5.如权利要求4所述的一种Adaboost优化的车载MIMUs/GPS信息融合***，其特征在于，包括
训练样本数据采集模块，用于在GPS正常工作时，进行MIMUs惯性器件的输出和同一时刻INS、GPS分别解算的速度、位置信息的差值数据的采集；
学习器生成模块，用于通过BP算法对训练样本数据采集模块所采集到的训练样本进行一次训练，生成学习器；
强学习器生成模块，用于学习器生成模块所生成的学习器，采用Adaboost方法进行3次迭代，分别得到弱学习器l1(x)、l2(x)、l3(x)，然后进行加权输出一个用于GPS失锁时组合导航***观测值的预测的强学习器；
组合导航***的信息融合融合模块，用于在GPS失锁时，将MEMS惯性器件的输出作为所述强学习器的输入，对MIMUs与GPS输出之间的误差，即Kalman滤波的观测值进行在线预测，将得到的预测信息送入Kalman滤波器，完成组合导航***的信息融合。
6.如权利要求5所述的一种Adaboost优化的车载MIMUs/GPS信息融合***，其特征在于，所述的Adaboost方法实现的具体步骤如下：
(1)给定一个训练算法和训练集；
(2)初始化训练集中各个训练样本的分布，将初始时的样本分布D1(i)设为均匀分布，设样本总数为N，则D1(i)＝1/N，其中，i为样本序数；
(3)根据训练样本的概率分布Dt(i)采集训练样本，得到一个弱学习器lt(x)，其中，t为当前迭代次数；
(4)计算在当前得到的学***均值et：
<mrow>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(5)计算当前学习器的权重Wt：
<mrow>
<msub>
<mi>W</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
</mrow>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
(6)调整下次迭代时的样本分布，公式为：
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>D</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>e</mi>
<mi>t</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
对样本分布进行归一化处理，确保各样本的采样概率和为1；
(7)重复步骤(3)-(6)，直至迭代次数为T为止；
(8)将T个弱学习器的权重Wt归一化之后加权结合，得到最终的强学习器L(x)；
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>W</mi>
<mi>t</mi>
</msub>
<msub>
<mi>l</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711062540.2A CN107944467A (zh) | 2017-10-26 | 2017-10-26 | 一种Adaboost优化的车载MIMUs/GPS信息融合方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711062540.2A CN107944467A (zh) | 2017-10-26 | 2017-10-26 | 一种Adaboost优化的车载MIMUs/GPS信息融合方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107944467A true CN107944467A (zh) | 2018-04-20 |
Family
ID=61934136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711062540.2A Pending CN107944467A (zh) | 2017-10-26 | 2017-10-26 | 一种Adaboost优化的车载MIMUs/GPS信息融合方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107944467A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108871336A (zh) * | 2018-06-20 | 2018-11-23 | 湘潭大学 | 一种车辆位置估算***及方法 |
| CN109900296A (zh) * | 2019-03-22 | 2019-06-18 | 华南农业大学 | 一种农机作业行驶速度检测***及检测方法 |
| CN110163430A (zh) * | 2019-05-10 | 2019-08-23 | 东南大学 | 基于AdaBoost算法的混凝土材料抗压强度预测方法 |
| CN113917512A (zh) * | 2021-12-13 | 2022-01-11 | 智道网联科技(北京)有限公司 | 自动驾驶车辆的定位方法、装置、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105588566A (zh) * | 2016-01-08 | 2016-05-18 | 重庆邮电大学 | 一种基于蓝牙与mems融合的室内定位***及方法 |
-
2017
- 2017-10-26 CN CN201711062540.2A patent/CN107944467A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105588566A (zh) * | 2016-01-08 | 2016-05-18 | 重庆邮电大学 | 一种基于蓝牙与mems融合的室内定位***及方法 |
Non-Patent Citations (6)
| Title |
|---|
| N. YIFENG 等，: "An approach to ground target localization for UAVs based on multi-sensor fusion", 《 2016 12TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA)》 * |
| 刘庆元 等，: "神经网络辅助的GPS/MEMS-INS组合导航算法", 《测绘科学技术学报》 * |
| 吴俊利 等，: "基于Adaboost的BP神经网络改进算法在短期风速预测中的应用", 《电网技术》 * |
| 夏琳琳 等，: "车载紧耦合MIMUs/GPS的神经网络辅助强跟踪滤波方法", 《中国惯性技术学报》 * |
| 赵琳 等，: "《卫星导航原理及应用》", 30 June 2011, 西北工业大学出版社 * |
| 高宗余 等，: "神经网络在MEMS-IMU/GPS组合导航中的应用研究", 《传感技术学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108871336A (zh) * | 2018-06-20 | 2018-11-23 | 湘潭大学 | 一种车辆位置估算***及方法 |
| CN108871336B (zh) * | 2018-06-20 | 2019-05-07 | 湘潭大学 | 一种车辆位置估算***及方法 |
| CN109900296A (zh) * | 2019-03-22 | 2019-06-18 | 华南农业大学 | 一种农机作业行驶速度检测***及检测方法 |
| CN110163430A (zh) * | 2019-05-10 | 2019-08-23 | 东南大学 | 基于AdaBoost算法的混凝土材料抗压强度预测方法 |
| CN113917512A (zh) * | 2021-12-13 | 2022-01-11 | 智道网联科技(北京)有限公司 | 自动驾驶车辆的定位方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105509739A (zh) | 采用固定区间crts平滑的ins/uwb紧组合导航***及方法 | |
| CN104406586B (zh) | 基于惯性传感器的行人导航装置和方法 | |
| CN106871928B (zh) | 基于李群滤波的捷联惯性导航初始对准方法 | |
| CN101344391B (zh) | 基于全功能太阳罗盘的月球车位姿自主确定方法 | |
| CN107944467A (zh) | 一种Adaboost优化的车载MIMUs/GPS信息融合方法及*** | |
| CN103759742A (zh) | 基于模糊自适应控制技术的捷联惯导非线性对准方法 | |
| CN107796391A (zh) | 一种捷联惯性导航***/视觉里程计组合导航方法 | |
| CN105589064A (zh) | Wlan位置指纹数据库快速建立和动态更新***及方法 | |
| CN104729497A (zh) | 超小型双涵道无人机组合导航***及双模式导航方法 | |
| CN106980133A (zh) | 利用神经网络算法补偿和修正的gps ins组合导航方法及*** | |
| CN107621264A (zh) | 车载微惯性/卫星组合导航***的自适应卡尔曼滤波方法 | |
| CN107525503A (zh) | 基于双天线gps和mimu组合的自适应级联卡尔曼滤波方法 | |
| CN107390246A (zh) | 一种基于遗传神经网络的gps/ins组合导航方法 | |
| CN104655131A (zh) | 基于istssrckf的惯性导航初始对准方法 | |
| CN106780699A (zh) | 一种基于sins/gps和里程计辅助的视觉slam方法 | |
| CN108387236B (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
| CN103674021A (zh) | 基于捷联惯导与星敏感器的组合导航***及方法 | |
| CN105737823A (zh) | 基于五阶ckf的gps/sins/cns组合导航方法 | |
| CN110906933B (zh) | 一种基于深度神经网络的auv辅助导航方法 | |
| CN104931995A (zh) | 一种基于矢量跟踪的gnss/sins深组合导航方法 | |
| CN103389506A (zh) | 一种用于捷联惯性/北斗卫星组合导航***的自适应滤波方法 | |
| CN106052686A (zh) | 基于dsptms320f28335的全自主捷联惯性导航*** | |
| CN106840211A (zh) | 一种基于kf和stupf组合滤波的sins大方位失准角初始对准方法 | |
| CN108007477A (zh) | 一种基于正反向滤波的惯性行人定位***误差抑制方法 | |
| CN102707080B (zh) | 一种星敏感器模拟捷联惯导陀螺的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
| RJ01 | Rejection of invention patent application after publication |