CN109000640B - 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 - Google Patents

Abstract

本发明公开了一种基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法，包括以下步骤：S1：根据微惯性器件输出的角增量和比力，利用惯导数值更新算法解算车辆的姿态、速度和位置；S2：建立基于DGM(1,1)的离散灰度预测模型；S3：改进多层神经网络MLP；S4：设计基于离散灰度神经网络的混合智能预测算法DGM‑MLP；S5：以惯导误差方程为状态方程，INS解算的位置与GNSS的位置之差为观测量或者INS解算的位置与伪GNSS位置之差为观测量，利用卡尔曼滤波器KF对组合导航***进行状态估计；S6：卡尔曼滤波器KF估计得到的位置、速度和姿态误差对惯导解算结果进行输出校正，陀螺和加表误差对惯导进行反馈校正。本发明能够有效解决GNSS信号失效时导航精度降低的问题。

Description

基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法

技术领域

本发明涉及车辆组合导航技术，特别是涉及基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法。

背景技术

MEMS-INS/GNSS的组合导航***由于其低成本和小型化等优点得到了越来 越广泛的应用，但是GNSS信号容易受高楼、桥梁或隧道灯遮挡而失效。当GNSS 信号失效时，组合导航***处于纯惯导运行状态，由于MEMS-INS的精度较低， 解算结果会迅速降低甚至发散。为了提高GNSS信号失效时导航精度，保证***的 可靠性，主要方法有

1、增加额外的传感器，如机器视觉、多普勒测速仪，该方法能有效提高导航 精度，但会导致***成本升高，且不易集成。

2、增加约束，如假设车辆侧向、天向速度为零以限制惯导误差的快速发散， 这种方法实施简单，但是精度有限，而且只适用于特定的运行路径。

3、改进滤波算法，该方法在GNSS失效短时间内效果较好，但长时间无效时， 作用有限。

4、通过人工智能算法进行预测，如神经网络。该方法需要较多的训练样本， 并且建立基于低成本MEMS的神经网络模型精度较低。

发明内容

发明目的：本发明针对GNSS信号失效时导航精度降低的问题，提出了一种基 于离散灰色神经网络模型的车辆GNSS/INS组合导航方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法，包括以下步骤：

S1：根据微惯性器件输出的角增量和比力，利用惯导数值更新算法解算车辆的 姿态、速度和位置；

S2：建立基于DGM(1,1)的离散灰度预测模型；

S3：改进多层神经网络MLP；

S4：设计基于离散灰度神经网络的混合智能预测算法DGM-MLP，当GNSS信 号有效时，利用DGM-MLP对GNSS的位置进行训练；当GNSS信号无效时，利 用DGM-MLP对GNSS的位置进行预测，得到伪GNSS位置信息；

S5：以惯导误差方程为状态方程，INS解算的位置与GNSS的位置之差为观测 量或者INS解算的位置与伪GNSS位置之差为观测量，利用卡尔曼滤波器KF对组 合导航***进行状态估计；

S6：卡尔曼滤波器KF估计得到的位置、速度和姿态误差对惯导解算结果进行 输出校正，陀螺和加表误差对惯导进行反馈校正。

进一步，所述步骤S1具体包括以下过程：INS利用三轴加速度计和三轴陀螺仪测量载体的比力和角增量，根据初始条件解算出载体当前时刻的导航信息；导航坐标系n 系采用东北天地理坐标系，载体坐标系b系采用右前上坐标系；INS的误差微分方 程包括姿态误差微分方程、速度误差微分方程和位置误差微分方程，分别如式(1) -(3)所示：

式(1)为姿态误差微分方程，其中，ψⁿ＝[ψ_E ψ_N ψ_U]^T为在导航坐标系n系 下的姿态角误差，ψ_E为俯仰角误差，ψ_N为横滚角误差，ψ_U为航向角误差，

为 地球自转引起的旋转角速度，

为地球自转引起的旋转角速度的误差；

为载 体运动产生的位移角速度，

为载体运动产生的位移角速度的误差；εⁿ为陀螺漂 移在导航坐标系n系下的投影；

式(2)为速度误差微分方程，其中，Vⁿ＝[V_E V_N V_U]^T为速度矢量，V_E为东 向速度，V_N为北向速度，V_U为天向速度，δVⁿ为速度误差；fⁿ为比力矢量；▽ⁿ为 加速度计漂移在导航坐标系n系下的投影；

式(3)为位置误差微分方程，其中，L为纬度，λ为经度，h为高度，δL为 纬度误差，δλ为经度误差，δh为高度误差，R_E为卯酉圈主曲率半径，R_N为子午 圈主曲率半径，δV_N为北向速度误差，δV_E为东向速度误差，δV_U为天向速度误差。

进一步，所述步骤S2具体包括以下过程：

S2.1：预处理原始数据

通过式(4)将原始数据转换为非负数列；

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)} (4)

式(4)中，X⁽⁰⁾为非负数列，x⁽⁰⁾(k)为X⁽⁰⁾中的第k个数，k＝1,2,…,n，n为原 始数据长度；

S2.2：累加生成数

利用一次累加生成序列得到X⁽¹⁾，即：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)} (5)

式(5)中，

S2.3：建立基于DGM(1,1)的离散灰度预测模型

通过式(6)建立基于DGM(1,1)的离散灰度预测模型：

式(6)中，

为第l+1个数据的累加估计值，

为第l个数据的累 加估计值，U₁为一次项系数，U₂为常数偏值，l＝1,2,…,n,…,n+m-1，m为预测 数列长度，m≥1；

若

为参数列，且结合式(7)，则式(6)的最小二乘估计参数列满 足式(8)的条件；

S2.4：逆累减生成数

取

则还原值为：

式(9)中，

为第l+1个数据的还原值；

将还原值减去原始数据所加的常数即可得到离散灰度预测模型的预测值。

进一步，所述步骤S3具体包括以下过程：

S3.1：引入动量项，如式(10)和式(11)所示：

式(10)中，ω_H,t+1为t+1时刻隐层的权值，ω_H,t为t时刻隐层的权值，E_t为t时刻 的误差，ω_H,t-1为t-1时刻隐层的权值，η为动量因子，0≤η≤1；

式(11)中，b_H,t+1为t+1时刻隐层的偏值，b_H,t为t时刻隐层的偏值，b_H,t-1为t-1时 刻隐层的偏值；

S3.2：根据式(12)-(13)进行计算：

式(12)中，Δp_t为t时刻权值或偏值的调节量，p_t为t时刻的权值或偏值，p_t-1为 t-1时刻的权值或偏值，a＞0，b＞0；

p_t′＝p_t+Δp_t (13)

式(13)中，p_t′为t时刻的权值或偏值的更新值。

进一步，所述步骤S4具体包括以下过程：

当GNSS信号有效时，整个***处于训练模式；设GNSS位置信息序列预处理 后为{x⁽⁰⁾(k)},k＝1,2,…,n，利用DGM(1,1)模型对其进行预测得

则定义时刻T的残差为e⁽⁰⁾(T)，即

建立残差序列{e⁽⁰⁾(T)}的MLP网络模型，若S为预测阶 数，则MLP网络训练的输入样本为e⁽⁰⁾(k-1),e⁽⁰⁾(k-2),…,e⁽⁰⁾(k-S)，e⁽⁰⁾(k)为网 络的对应输出样本；

当GNSS信号无效时，整个***处于预测模式；用MLP网络训练模型预测出 的残差序列为

利用这一预测值构造所得预测值

将预测值

减去原始数据所加的常数就是离散灰 色神经网络模型的预测值。

进一步，所述步骤S5具体包括以下过程：

S5.1：通过式(14)得到离散化的状态方程，通过式(15)得到离散化的量测方 程：

X_t＝F_t,t-1X_t-1+G_tW_t (14)

式(14)中，X_t为t时刻的状态值，X_t-1为t-1时刻的状态值，F_t,t-1为t-1时刻到 t时刻的***状态转移矩阵；G_t为t时刻的噪声分配矩阵；W_t为t时刻的***噪声；

Z_t＝H_tX_t+V_t (15)

式(15)中，Z_t为t时刻的观测量，H_t为t时刻的观测矩阵，V_t为t时刻的量测 噪声；

S5.2：卡尔曼滤波包括时间更新和量测更新，如式(16)-(20)所示：

其中，

为t-1时刻到t时刻状态量的更新值，

为t时刻的状态估计值，P_t,t-1为t-1时刻到t时刻协方差矩阵的更新值，P_t为t时刻的协方差矩阵，P_t-1为t-1时刻 的协方差矩阵，Q_t-1为t-1时刻的***噪声矩阵，R_t为t时刻的量测噪声矩阵，K_t为t 时刻的增益矩阵。

有益效果：本发明公开了一种基于离散灰色神经网络模型的车辆GNSS/INS组 合导航方法，与现有技术相比，本发明具有如下的有益效果：

1)本发明能够有效解决由于高楼、隧道灯遮挡卫星信号引起的导航精度降低 的问题；

2)本发明无需引入额外的传感器，计算量小，所需训练样本少，实现简单。

附图说明

图1为本发明具体实施方式中GNSS信号有效时组合导航***的训练模式框 图；

图2为本发明具体实施方式中GNSS信号无效时组合导航***的训练模式框 图。

具体实施方式

下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。

本具体实施方式公开了一种基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法，包括以下步骤：

S1：根据微惯性器件输出的角增量和比力，利用惯导数值更新算法解算车辆的 姿态、速度和位置；

S2：建立基于DGM(1,1)的离散灰度预测模型；

S3：改进多层神经网络MLP；

S4：设计基于离散灰度神经网络的混合智能预测算法DGM-MLP，当GNSS信 号有效时，利用DGM-MLP对GNSS的位置进行训练；当GNSS信号无效时，利 用DGM-MLP对GNSS的位置进行预测，得到伪GNSS位置信息；

S5：以惯导误差方程为状态方程，INS解算的位置与GNSS的位置之差为观测 量或者INS解算的位置与伪GNSS位置之差为观测量，利用卡尔曼滤波器KF对组 合导航***进行状态估计；

S6：卡尔曼滤波器KF估计得到的位置、速度和姿态误差对惯导解算结果进行 输出校正，陀螺和加表误差对惯导进行反馈校正。

步骤S1具体包括以下过程：INS利用三轴加速度计和三轴陀螺仪测量载体的比力和角增量，根据初始条件解算出载体当前时刻的导航信息；导航坐标系n系采用东北 天地理坐标系，载体坐标系b系采用右前上坐标系；INS的误差微分方程包括姿态 误差微分方程、速度误差微分方程和位置误差微分方程，分别如式(1)-(3)所 示：

式(1)为姿态误差微分方程，其中，ψⁿ＝[ψ_E ψ_N ψ_U]^T为在导航坐标系n系 下的姿态角误差，ψ_E为俯仰角误差，ψ_N为横滚角误差，ψ_U为航向角误差，

为 地球自转引起的旋转角速度，

为地球自转引起的旋转角速度的误差；

为载 体运动产生的位移角速度，

为载体运动产生的位移角速度的误差；εⁿ为陀螺漂 移在导航坐标系n系下的投影；

式(2)为速度误差微分方程，其中，Vⁿ＝[V_E V_N V_U]^T为速度矢量，V_E为东 向速度，V_N为北向速度，V_U为天向速度，δVⁿ为速度误差；fⁿ为比力矢量；▽ⁿ为 加速度计漂移在导航坐标系n系下的投影；

式(3)为位置误差微分方程，其中，L为纬度，λ为经度，h为高度，δL为 纬度误差，δλ为经度误差，δh为高度误差，R_E为卯酉圈主曲率半径，R_N为子午 圈主曲率半径，δV_N为北向速度误差，δV_E为东向速度误差，δV_U为天向速度误差。

步骤S2具体包括以下过程：

S2.1：预处理原始数据

通过式(4)将原始数据转换为非负数列；

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)} (4)

式(4)中，X⁽⁰⁾为非负数列，x⁽⁰⁾(k)为X⁽⁰⁾中的第k个数，k＝1,2,…,n，n为原 始数据长度；

S2.2：累加生成数

利用一次累加生成序列得到X⁽¹⁾，即：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)} (5)

式(5)中，

S2.3：建立基于DGM(1,1)的离散灰度预测模型

通过式(6)建立基于DGM(1,1)的离散灰度预测模型：

式(6)中，

为第l+1个数据的累加估计值，

为第l个数据的累 加估计值，U₁为一次项系数，U₂为常数偏值，l＝1,2,…,n,…,n+m-1，m为预测 数列长度，m≥1；

若

为参数列，且结合式(7)，则式(6)的最小二乘估计参数列满 足式(8)的条件；

S2.4：逆累减生成数

取

则还原值为：

式(9)中，

为第l+1个数据的还原值；

将还原值减去原始数据所加的常数即可得到离散灰度预测模型的预测值。

步骤S3具体包括以下过程：

S3.1：引入动量项，如式(10)和式(11)所示：

式(10)中，ω_H,t+1为t+1时刻隐层的权值，ω_H,t为t时刻隐层的权值，E_t为t时刻 的误差，ω_H,t-1为t-1时刻隐层的权值，η为动量因子，0≤η≤1；

式(11)中，b_H,t+1为t+1时刻隐层的偏值，b_H,t为t时刻隐层的偏值，b_H,t-1为t-1时 刻隐层的偏值；

S3.2：根据式(12)-(13)进行计算：

式(12)中，Δp_t为t时刻权值或偏值的调节量，p_t为t时刻的权值或偏值，p_t-1为 t-1时刻的权值或偏值，a＞0，b＞0；

p_t′＝p_t+Δp_t (13)

式(13)中，p_t′为t时刻的权值或偏值的更新值。

步骤S4具体包括以下过程：

当GNSS信号有效时，整个***处于训练模式，如图1所示；设GNSS位置信 息序列预处理后为{x⁽⁰⁾(k)},k＝1,2,…,n，利用DGM(1,1)模型对其进行预测得

则定义时刻T的残差为e⁽⁰⁾(T)，即

建立残差序列{e⁽⁰⁾(T)}的MLP网络模型，若S为预测阶 数，则MLP网络训练的输入样本为e⁽⁰⁾(k-1),e⁽⁰⁾(k-2),…,e⁽⁰⁾(k-S)，e⁽⁰⁾(k)为网 络的对应输出样本；

当GNSS信号无效时，整个***处于预测模式，如图2所示；用MLP网络训 练模型预测出的残差序列为

利用这一预测值构造所得预测值

将预测值

减去原始数据所加的常数就是离散灰 色神经网络模型的预测值。

步骤S5具体包括以下过程：

S5.1：通过式(14)得到离散化的状态方程，通过式(15)得到离散化的量测方 程：

X_t＝F_t,t-1X_t-1+G_tW_t (14)

式(14)中，X_t为t时刻的状态值，X_t-1为t-1时刻的状态值，F_t,t-1为t-1时刻到 t时刻的***状态转移矩阵；G_t为t时刻的噪声分配矩阵；W_t为t时刻的***噪声；

Z_t＝H_tX_t+V_t (15)

式(15)中，Z_t为t时刻的观测量，H_t为t时刻的观测矩阵，V_t为t时刻的量测 噪声；

S5.2：卡尔曼滤波包括时间更新和量测更新，如式(16)-(20)所示：

其中，

为t-1时刻到t时刻状态量的更新值，

为t时刻的状态估计值，P_t,t-1为t-1时刻到t时刻协方差矩阵的更新值，P_t为t时刻的协方差矩阵，P_t-1为t-1时刻 的协方差矩阵，Q_t-1为t-1时刻的***噪声矩阵，R_t为t时刻的量测噪声矩阵，K_t为t 时刻的增益矩阵。

Claims (4)

1.基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法，其特征在于：包括以下步骤：

S1：根据微惯性器件输出的角增量和比力，利用惯导数值更新算法解算车辆的姿态、速度和位置；

S2：建立基于DGM(1,1)的离散灰度预测模型；

S3：改进多层神经网络MLP；

S4：设计基于离散灰度神经网络的混合智能预测算法DGM-MLP，当GNSS信号有效时，利用DGM-MLP对GNSS的位置进行训练；当GNSS信号无效时，利用DGM-MLP对GNSS的位置进行预测，得到伪GNSS位置信息；

S5：以惯导误差方程为状态方程，INS解算的位置与GNSS的位置之差为观测量或者INS解算的位置与伪GNSS位置之差为观测量，利用卡尔曼滤波器KF对组合导航***进行状态估计；

S6：卡尔曼滤波器KF估计得到的位置、速度和姿态误差对惯导解算结果进行输出校正，陀螺和加表误差对惯导进行反馈校正；

其中，所述步骤S3具体包括以下过程：

S3.1：引入动量项，如式(10)和式(11)所示：

式(10)中，ω_H,t+1为t+1时刻隐层的权值，ω_H,t为t时刻隐层的权值，E_t为t时刻的误差，ω_H,t-1为t-1时刻隐层的权值，η为动量因子，0≤η≤1；

式(11)中，b_H,t+1为t+1时刻隐层的偏值，b_H,t为t时刻隐层的偏值，b_H,t-1为t-1时刻隐层的偏值；

S3.2：根据式(12)-(13)进行计算：

式(12)中，Δp_t为t时刻权值或偏值的调节量，p_t为t时刻的权值或偏值，p_t-1为t-1时刻的权值或偏值，a＞0，b＞0；

p_t′＝p_t+Δp_t (13)

式(13)中，p_t′为t时刻的权值或偏值的更新值；

其中，所述步骤S4具体包括以下过程：

当GNSS信号有效时，整个***处于训练模式；设GNSS位置信息序列预处理后为{x⁽⁰⁾(k)},k＝1,2,…,n，利用DGM(1,1)模型对其进行预测得

则定义时刻T的残差为e⁽⁰)(T)，即

建立残差序列{e⁽⁰⁾(T)}的MLP网络模型，若S为预测阶数，则MLP网络训练的输入样本为e⁽⁰⁾(k-1),e⁽⁰⁾(k-2),…,e⁽⁰⁾(k-S)，e⁽⁰⁾(k)为网络的对应输出样本；

当GNSS信号无效时，整个***处于预测模式；用MLP网络训练模型预测出的残差序列为

利用这一预测值构造所得预测值

将预测值

减去原始数据所加的常数就是离散灰色神经网络模型的预测值。

2.根据权利要求1所述的基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法，其特征在于：所述步骤S1具体包括以下过程：INS利用三轴加速度计和三轴陀螺仪测量载体的比力和角增量，根据初始条件解算出载体当前时刻的导航信息；导航坐标系n系采用东北天地理坐标系，载体坐标系b系采用右前上坐标系；INS的误差微分方程包括姿态误差微分方程、速度误差微分方程和位置误差微分方程，分别如式(1)-(3)所示：

式(1)为姿态误差微分方程，其中，ψⁿ＝[ψ_E ψ_N ψ_U]^T为在导航坐标系n系下的姿态角误差，ψ_E为俯仰角误差，ψ_N为横滚角误差，ψ_U为航向角误差，

为地球自转引起的旋转角速度，

为地球自转引起的旋转角速度的误差；

为载体运动产生的位移角速度，

为载体运动产生的位移角速度的误差；εⁿ为陀螺漂移在导航坐标系n系下的投影；

式(2)为速度误差微分方程，其中，Vⁿ＝[V_E V_N V_U]^T为速度矢量，V_E为东向速度，V_N为北向速度，V_U为天向速度，δVⁿ为速度误差；fⁿ为比力矢量；

为加速度计漂移在导航坐标系n系下的投影；

式(3)为位置误差微分方程，其中，L为纬度，λ为经度，h为高度，δL为纬度误差，δλ为经度误差，δh为高度误差，R_E为卯酉圈主曲率半径，R_N为子午圈主曲率半径，δV_N为北向速度误差，δV_E为东向速度误差，δV_U为天向速度误差。

3.根据权利要求1所述的基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法，其特征在于：所述步骤S2具体包括以下过程：

S2.1：预处理原始数据

通过式(4)将原始数据转换为非负数列；

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)} (4)

式(4)中，X⁽⁰⁾为非负数列，x⁽⁰⁾(k)为X⁽⁰⁾中的第k个数，k＝1,2,…,n，n为原始数据长度；

S2.2：累加生成数

利用一次累加生成序列得到X⁽¹⁾，即：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)} (5)

式(5)中，

S2.3：建立基于DGM(1,1)的离散灰度预测模型

通过式(6)建立基于DGM(1,1)的离散灰度预测模型：

式(6)中，

为第l+1个数据的累加估计值，

为第l个数据的累加估计值，U₁为一次项系数，U₂为常数偏值，l＝1,2,…,n,…,n+m-1，m为预测数列长度，m≥1；

若

为参数列，且结合式(7)，则式(6)的最小二乘估计参数列满足式(8)的条件；

S2.4：逆累减生成数

取

则还原值为：

式(9)中，

为第l+1个数据的还原值；

将还原值减去原始数据所加的常数即可得到离散灰度预测模型的预测值。

4.根据权利要求1所述的基于离散灰色神经网络模型的车辆GNSS/INS组合导航方法，其特征在于：所述步骤S5具体包括以下过程：

S5.1：通过式(14)得到离散化的状态方程，通过式(15)得到离散化的量测方程：

X_t＝F_t,t-1X_t-1+G_tW_t (14)

式(14)中，X_t为t时刻的状态值，X_t-1为t-1时刻的状态值，F_t,t-1为t-1时刻到t时刻的***状态转移矩阵；G_t为t时刻的噪声分配矩阵；W_t为t时刻的***噪声；

Z_t＝H_tX_t+V_t (15)

式(15)中，Z_t为t时刻的观测量，H_t为t时刻的观测矩阵，V_t为t时刻的量测噪声；

S5.2：卡尔曼滤波包括时间更新和量测更新，如式(16)-(20)所示：

其中，

为t-1时刻到t时刻状态量的更新值，

为t时刻的状态估计值，P_t,t-1为t-1时刻到t时刻协方差矩阵的更新值，P_t为t时刻的协方差矩阵，P_t-1为t-1时刻的协方差矩阵，Q_t-1为t-1时刻的***噪声矩阵，R_t为t时刻的量测噪声矩阵，K_t为t时刻的增益矩阵。

Images