CN111964675A - 一种黑障区的飞行器智能导航方法 - Google Patents

一种黑障区的飞行器智能导航方法 Download PDF

Info

Publication number
CN111964675A
CN111964675A CN202010619609.2A CN202010619609A CN111964675A CN 111964675 A CN111964675 A CN 111964675A CN 202010619609 A CN202010619609 A CN 202010619609A CN 111964675 A CN111964675 A CN 111964675A
Authority
CN
China
Prior art keywords
navigation
error
aircraft
random walk
black
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
Application number
CN202010619609.2A
Other languages
English (en)
Inventor
康骏
熊智
王融
张玲
安竞轲
李欣童
李婉玲
曹志国
周帅琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010619609.2A priority Critical patent/CN111964675A/zh
Publication of CN111964675A publication Critical patent/CN111964675A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01C21/18—Stabilised platforms, e.g. by gyroscope
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Navigation (AREA)

Abstract

本发明提出了一种黑障区的飞行器智能导航方法，主要包括建立组合导航***的状态方程；结合卫星导航及天文导航提供的信息，构建基于扩展卡尔曼滤波器的量测方程；在飞行器经过黑障区前，采用Mamdani神经网络对卫星信号工作正常情况下的信号进行模式训练；经过黑障区无法接收卫星信号时，采用模糊***对由神经网络建立的导航信息库中抽取传感器信息知识；到达滤波周期时读取卫星导航信息，进行扩展卡尔曼滤波量测更新，对***状态量进行反馈校正。本发明显著提高了黑障区导航***的精度和可靠性，解决了黑障区无卫星信号可用情况下的高精度导航信息输出的问题，保证了对飞行器导航信息的有效利用，具有广泛的适用性。

Description

一种黑障区的飞行器智能导航方法
技术领域
本发明涉及飞行器组合导航领域，具体涉及一种黑障区的飞行器智能导航方法。
背景技术
目前世界各国均在研发可多次往返于大气层内外的飞行器，其高速、高机动、可跨空域的能力，使其能够实现快速侦察、空间站物资运输、实现精准对敌打击的作战任务等。该类飞行器在飞行过程中，通常采用多种导航传感器组合方式实现精准导航，这也是该类飞行器任务能否成功的关键环节。而飞行器以高超声速返回地球时，高超声速产生的激波会加热在飞行器周围的气体，由于粘性流和激波的作用，飞行器周围会形成“等离子鞘套”。等离子鞘套中的电子密度极高，会产生与金属壳屏蔽类似的情况，会造成通信传输的中断，因此，卫星导航等需要通过信号传输实现定位的导航手段均无法使用，即“黑障”现象。对于配置了多种导航敏感器的导航***，在黑障区中，全球导航定位***因通信中断而失锁；大气层内环境会对天文导航***造成干扰，不利于搜索星空，造成天文信号中断，惯性导航***因其自主性能够正常工作。但其精度会逐渐降低，无法长时间提供高精度导航信息。
目前有通过机体构型的方法处理黑障段导航问题，但该种方法无法应对飞行器有较大机动的情况。此外也有采用电化学法来处理在该段的导航问题，但是此种方法无法在飞行器频繁往返大气层内外时提供导航信号。
因此，研发一种能够保证飞行器在黑障段拥有可靠导航信息的方法，对提高飞行器导航定位精度，保证飞行器飞行安全具有重要意义。
发明内容
本发明所要解决的技术问题是飞行器在黑障区的可靠导航方法。在飞行器由大气层外返回地面经过无信号的黑障区的过程前，采用神经网络学习卫星导航输出信号，经过黑障区无法接收卫星信号时，采用模糊***对由神经网络建立的导航信息库中抽取传感器信息知识，实现与惯性导航的最优融合，显著提高了黑障区导航***的精度和可靠性。
本发明为实现上述目标，解决上述问题采用以下技术方案：
一种黑障区的飞行器智能导航方法，包括如下步骤：
步骤1：建立组合导航***的状态方程，将惯性传感器误差扩展为***状态变量，包括陀螺的随机游走过程、随机游走驱动白噪声、陀螺仪的白噪声和加速度计的随机游走过程和随机游走驱动白噪声；
步骤2：结合卫星导航提供的位置信息及天文导航提供的姿态信息，构建基于扩展卡尔曼滤波器的量测方程；
步骤3：在飞行器进入黑障区之前，利用Mamdani模型的模糊神经网络，使得飞行器导航***可以在进入黑障区之前通过网络学习建立卫星导航传感器输出信息的知识库，进而建立自适应网络；
步骤4：在飞行器进入黑障区前一采样时刻，利用天文导航对飞行器姿态进行校准；
步骤5：进入黑障区后，利用模糊***实现对已建立的卫星导航输出信息知识库中的卫星导航传感器信息知识进行抽取与表达，实现导航信号的可靠输出；
步骤6：到达滤波周期，读取由模糊***输出的卫星导航信息，进行扩展卡尔曼滤波量测更新，并采用扩展卡尔曼滤波对***状态量进行反馈校正，实现对组合导航***的有效修正；
作为本发明的一种优选方案，步骤1所述***的状态向量为：
Figure BDA0002562586730000021
其中，X为姿态误差、速度误差、位置误差、IMU随机游走组成的15维状态向量，W为***白噪声，Xa为将***噪声增广后的状态向量，
Figure BDA0002562586730000024
为捷联惯导***中的数学平台误差角，
Figure BDA0002562586730000022
分别为x、y、z的三轴数学平台误差角，δvn为载体的速度误差，
Figure BDA0002562586730000023
为东北天三轴的速度误差，δpn为载体的位置误差，δL、δλ、δh分别为经度、纬度、高度误差，ωb为陀螺仪的随机游走误差，
Figure BDA0002562586730000031
分别为陀螺仪x、y、z轴的随机游走误差，
Figure BDA0002562586730000032
为陀螺仪的随机游走驱动噪声，
Figure BDA0002562586730000033
分别为陀螺仪x、y、z轴的随机游走驱动噪声，
Figure BDA0002562586730000034
为陀螺仪的输出白噪声，
Figure BDA0002562586730000035
分别为陀螺仪x、y、z轴的输出白噪声，
Figure BDA0002562586730000036
为加速度计的随机游走误差，
Figure BDA0002562586730000037
分别为加速度计x、y、z轴的随机游走误差，
Figure BDA0002562586730000038
分别为加速度计x、y、z轴的随机游走驱动噪声。上标n表示地理系，上标b表示载体系。
***的状态方程为：
Figure BDA0002562586730000039
其中，n表示导航坐标系(地理系)，b表示载体坐标系，
Figure BDA00025625867300000310
为地理系相对于惯性系的角速率误差，
Figure BDA00025625867300000311
为地理系相对于惯性系的角速率，
Figure BDA00025625867300000312
表示从载体系到地理系的坐标变换矩阵，fn为地理系下加速度计的输出比力，
Figure BDA00025625867300000313
为地球系相对于惯性系的角速率误差，
Figure BDA00025625867300000314
为地理系相对于地球系的角速率误差，
Figure BDA00025625867300000315
为地球系相对于惯性系的角速率，
Figure BDA00025625867300000316
为地理系相对于地球系的角速率，δgn′为重力加速度误差，Rm为卯酉圈半径，Rn为子午圈半径，
Figure BDA00025625867300000317
作为本发明的一种优选方案，步骤2所述的量测方程为：
Figure BDA00025625867300000318
式中，Hp(t)3×18＝[03×3 03×3 diag[Rn RecosL 1]03×9]3×18，NGNSS(t)为量测噪声。
作为本发明的一种优选方案，步骤3所述的具体过程为：
Figure BDA0002562586730000041
Figure BDA0002562586730000042
则每一层的节点函数如下：
第一层：
Figure BDA0002562586730000043
第二层：
Figure BDA0002562586730000044
第三层：
Figure BDA0002562586730000045
第四层：
Figure BDA0002562586730000046
Figure BDA0002562586730000047
第五层：
Figure BDA0002562586730000048
在此基础上，利用误差反传算法进一步得到参数调整的学习算法。
作为本发明的一种优选方案，步骤4所述的具体过程为：
为有效利用高精度天文定姿信息，在此阶段推导地心惯性坐标系下的导航***误差模型。设飞行器相对于地心惯性坐标系的真实姿态四元数为Q，则：
Figure BDA0002562586730000049
式中，
Figure BDA00025625867300000410
为估计四元数，δQ为真实值与估计值之间的误差。
对上式求导，可得：
Figure BDA00025625867300000411
根据四元数运动学微分方程，可得载体真实姿态四元数微分方程和估计四元数的微分方程分别为：
Figure BDA00025625867300000412
Figure BDA0002562586730000051
将上述四式结合，根据四元数运算规则，化简可得：
Figure BDA0002562586730000052
根据乘法运算规律及在姿态误差为小量的情况下，误差四元数δQ可近似为：
Figure BDA0002562586730000053
式中，δq13为误差四元数矢量部分。
忽略二阶小量同时对其进行线性化可得：
Figure BDA0002562586730000054
则状态变量定义如下：
X＝[δq1 δq2 δq3 δεbx δεby δεbz]T
可得：
Figure BDA0002562586730000055
对应地，F(t)为***状态系数矩阵，G(t)为***噪声矩阵，W(t)为***噪声。
作为本发明的一种优选方案，步骤5所述的具体过程为：
利用步骤3网络算法，在该步进行状态识别，并通过知识库抽取相关知识进行输出。
作为本发明的一种优选方案，步骤6所述的具体过程为：
利用步骤5得到的知识库中的卫星导航信号与替代步骤1中的卫星信号输入，完成黑障段导航***组合。
计算***输出的理论方差阵和协方差阵：
Figure BDA0002562586730000061
Figure BDA0002562586730000062
其中，P(XZ)k/k-1为***输出的一步预测协方差阵，P(ZZ)k/k-1为***输出的理论方差阵，Rk为量测噪声阵；
计算滤波增益阵：
Figure BDA0002562586730000063
其中，Kk为滤波增益阵；
计算滤波值：
Figure BDA0002562586730000064
Figure BDA0002562586730000065
其中，
Figure BDA0002562586730000066
为***状态估值，Pk/k为***状态估计均方误差阵，Zk为无限测距量测值；
根据上式可得到的***状态估计值，包括姿态、位置、速度误差，并用惯性导航***推算的导航参数减去***导航误差值，得到组合导航修正值。
本发明的有益效果如下：
(1)本发明方法利用Mamdani神经网络对卫星信号工作正常情况下的信号进行模式训练，解决了黑障区无卫星信号可用情况下的高精度导航信息输出的问题。
(2)本发明方法以卫星测量所得位置信息构建非线性量测方程，保证了对飞行器导航信息的有效利用，具有广泛的适用性。
附图说明
图1是本发明基于知识库学习的黑障段飞行器导航算法总体框架图。
图2是本发明基于Mandani模型的MISO模糊***的结构图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
1：建立组合导航***的状态方程，将惯性传感器误差扩展为***状态变量，包括陀螺的随机游走过程、随机游走驱动白噪声、陀螺仪的白噪声和加速度计的随机游走过程和随机游走驱动白噪声；
首先定义***的状态向量为：
Figure BDA0002562586730000071
其中，X为姿态误差、速度误差、位置误差、IMU随机游走组成的15维状态向量，W为***白噪声，Xa为将***噪声增广后的状态向量，
Figure BDA0002562586730000072
为捷联惯导***中的数学平台误差角，
Figure BDA0002562586730000073
分别为x、y、z的三轴数学平台误差角，δvn为载体的速度误差，
Figure BDA0002562586730000074
为东北天三轴的速度误差，δpn为载体的位置误差，δL、δλ、δh分别为经度、纬度、高度误差，ωb为陀螺仪的随机游走误差，
Figure BDA0002562586730000075
分别为陀螺仪x、y、z轴的随机游走误差，
Figure BDA0002562586730000076
为陀螺仪的随机游走驱动噪声，
Figure BDA0002562586730000077
分别为陀螺仪x、y、z轴的随机游走驱动噪声，
Figure BDA0002562586730000078
为陀螺仪的输出白噪声，
Figure BDA0002562586730000079
分别为陀螺仪x、y、z轴的输出白噪声，
Figure BDA00025625867300000710
为加速度计的随机游走误差，
Figure BDA00025625867300000711
分别为加速度计x、y、z轴的随机游走误差，
Figure BDA00025625867300000712
分别为加速度计x、y、z轴的随机游走驱动噪声。上标n表示地理系，上标b表示载体系。***的状态方程为：
Figure BDA0002562586730000081
其中，n表示导航坐标系(地理系)，b表示载体坐标系，
Figure BDA0002562586730000082
为地理系相对于惯性系的角速率误差，
Figure BDA0002562586730000083
为地理系相对于惯性系的角速率，
Figure BDA0002562586730000084
表示从载体系到地理系的坐标变换矩阵，fn为地理系下加速度计的输出比力，
Figure BDA0002562586730000085
为地球系相对于惯性系的角速率误差，
Figure BDA0002562586730000086
为地理系相对于地球系的角速率误差，
Figure BDA0002562586730000087
为地球系相对于惯性系的角速率，
Figure BDA0002562586730000088
为地理系相对于地球系的角速率，
δgn′为重力加速度误差，Rm为卯酉圈半径，Rn为子午圈半径，
Figure BDA0002562586730000089
2：结合卫星导航提供的位置信息及天文导航提供的姿态信息，构建基于扩展卡尔曼滤波器的量测方程：
Figure BDA00025625867300000810
式中，Hp(t)3×18＝[03×3 03×3 diag[Rn RecosL 1]03×9]3×18，NGNSS(t)为量测噪声。
3：在飞行器进入黑障区之前，利用Mamdani模型的模糊神经网络，使得飞行器导航***可以在进入黑障区之前通过网络学习建立卫星导航传感器输出信息的知识库，进而建立自适应网络。
Figure BDA00025625867300000811
Figure BDA0002562586730000091
则每一层的节点函数如下：
第一层：
Figure BDA0002562586730000092
第二层：
Figure BDA0002562586730000093
第三层：
Figure BDA0002562586730000094
第四层：
Figure BDA0002562586730000095
Figure BDA0002562586730000096
第五层：
Figure BDA0002562586730000097
在此基础上，利用误差反传算法进一步得到参数调整的学习算法。
4：在飞行器进入黑障区前一采样时刻，利用天文导航对飞行器姿态进行校准；
为有效利用高精度天文定姿信息，在此阶段推导地心惯性坐标系下的导航***误差模型。设飞行器相对于地心惯性坐标系的真实姿态四元数为Q，则：
Figure BDA0002562586730000098
式中，
Figure BDA0002562586730000099
为估计四元数，δQ为真实值与估计值之间的误差。
对上式求导，可得：
Figure BDA00025625867300000910
根据四元数运动学微分方程，可得载体真实姿态四元数微分方程和估计四元数的微分方程分别为：
Figure BDA00025625867300000911
Figure BDA00025625867300000912
将上述四式结合，根据四元数运算规则，化简可得：
Figure BDA00025625867300000913
根据乘法运算规律及在姿态误差为小量的情况下，误差四元数δQ可近似为[33]：
Figure BDA0002562586730000101
式中，δq13为误差四元数矢量部分。
忽略二阶小量同时对其进行线性化可得：
Figure BDA0002562586730000102
则状态变量定义如下：
X＝[δq1 δq2 δq3 δεbx δεby δεbz]T
可得：
Figure BDA0002562586730000103
对应地，F(t)为***状态系数矩阵，G(t)为***噪声矩阵，W(t)为***噪声。
6：到达滤波周期，读取由模糊***输出的卫星导航信息，进行扩展卡尔曼滤波量测更新，并采用扩展卡尔曼滤波对***状态量进行反馈校正，实现对组合导航***的有效修正。
利用步骤5得到的知识库中的卫星导航信号与替代步骤1中的卫星信号输入，完成黑障段导航***组合。
计算***输出的理论方差阵和协方差阵：
Figure BDA0002562586730000104
Figure BDA0002562586730000105
其中，P(XZ)k/k-1为***输出的一步预测协方差阵，P(ZZ)k/k-1为***输出的理论方差阵，Rk为量测噪声阵；
计算滤波增益阵：
Figure BDA0002562586730000111
其中，Kk为滤波增益阵；
计算滤波值：
Figure BDA0002562586730000112
Figure BDA0002562586730000113
其中，
Figure BDA0002562586730000114
为***状态估值，Pk/k为***状态估计均方误差阵，Zk为无限测距量测值；
根据上式可得到的***状态估计值，包括姿态、位置、速度误差，并用惯性导航***推算的导航参数减去***导航误差值，得到组合导航修正值。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种黑障区的飞行器智能导航方法，其特征在于，包括如下步骤：
步骤1：建立组合导航***的状态方程，将惯性传感器误差扩展为***状态变量，包括陀螺的随机游走过程、随机游走驱动白噪声、陀螺仪的白噪声和加速度计的随机游走过程和随机游走驱动白噪声；
步骤2：结合卫星导航提供的位置信息及天文导航提供的姿态信息，构建基于扩展卡尔曼滤波器的量测方程；
步骤3：在飞行器进入黑障区之前，利用Mamdani模型的模糊神经网络，使得飞行器导航***可以在进入黑障区之前通过网络学习建立卫星导航传感器输出信息的知识库，进而建立自适应网络；
步骤4：在飞行器进入黑障区前一采样时刻，利用天文导航对飞行器姿态进行校准；
步骤5：进入黑障区后，利用模糊***实现对已建立的卫星导航输出信息知识库中的卫星导航传感器信息知识进行抽取与表达，实现导航信号的可靠输出；
步骤6：到达滤波周期，读取由模糊***输出的卫星导航信息，进行扩展卡尔曼滤波量测更新，并采用扩展卡尔曼滤波对***状态量进行反馈校正，实现对组合导航***的有效修正。
2.根据权利要求1所述的一种黑障区的飞行器智能导航方法，其特征在于，所述步骤1中***的状态向量为：
Figure FDA0002562586720000011
其中，X为姿态误差、速度误差、位置误差、IMU随机游走组成的15维状态向量，W为***白噪声，Xa为将***噪声增广后的状态向量，
Figure FDA0002562586720000014
为捷联惯导***中的数学平台误差角，
Figure FDA0002562586720000012
分别为x、y、z的三轴数学平台误差角，δvn为载体的速度误差，
Figure FDA0002562586720000013
为东北天三轴的速度误差，δpn为载体的位置误差，δL、δλ、δh分别为经度、纬度、高度误差，ωb为陀螺仪的随机游走误差，
Figure FDA0002562586720000021
分别为陀螺仪x、y、z轴的随机游走误差，
Figure FDA0002562586720000022
为陀螺仪的随机游走驱动噪声，
Figure FDA0002562586720000023
分别为陀螺仪x、y、z轴的随机游走驱动噪声，
Figure FDA0002562586720000024
为陀螺仪的输出白噪声，
Figure FDA0002562586720000025
分别为陀螺仪x、y、z轴的输出白噪声，
Figure FDA0002562586720000026
为加速度计的随机游走误差，
Figure FDA0002562586720000027
分别为加速度计x、y、z轴的随机游走误差，
Figure FDA0002562586720000028
分别为加速度计x、y、z轴的随机游走驱动噪声；上标n表示地理系，上标b表示载体系；
***的状态方程为：
Figure FDA0002562586720000029
其中，n表示导航坐标系，即地理系，b表示载体坐标系，
Figure FDA00025625867200000210
为地理系相对于惯性系的角速率误差，
Figure FDA00025625867200000211
为地理系相对于惯性系的角速率，
Figure FDA00025625867200000212
表示从载体系到地理系的坐标变换矩阵，fn为地理系下加速度计的输出比力，
Figure FDA00025625867200000213
为地球系相对于惯性系的角速率误差，
Figure FDA00025625867200000214
为地理系相对于地球系的角速率误差，
Figure FDA00025625867200000215
为地球系相对于惯性系的角速率，
Figure FDA00025625867200000216
为地理系相对于地球系的角速率，δgn′为重力加速度误差，Rm为卯酉圈半径，Rn为子午圈半径，
Figure FDA00025625867200000217
3.根据权利要求1所述的一种黑障区的飞行器智能导航方法，其特征在于，所述步骤2中的量测方程为：
Figure FDA0002562586720000031
式中，Hp(t)3×18＝[03×3 03×3 diag[Rn RecosL 1] 03×9]3×18，NGNSS(t)为量测噪声。
4.根据权利要求1所述的一种黑障区的飞行器智能导航方法，其特征在于，所述步骤3的具体过程为：
Figure FDA0002562586720000032
Figure FDA0002562586720000033
则每一层的节点函数如下：
第一层：
Figure FDA0002562586720000034
第二层：
Figure FDA0002562586720000035
第三层：
Figure FDA0002562586720000036
第四层：
Figure FDA0002562586720000037
Figure FDA0002562586720000038
第五层：
Figure FDA0002562586720000039
在此基础上，利用误差反传算法进一步得到参数调整的学习算法。
5.根据权利要求1所述的一种黑障区的飞行器智能导航方法，其特征在于，所述步骤4的具体过程为：
为有效利用高精度天文定姿信息，在此阶段推导地心惯性坐标系下的导航***误差模型；设飞行器相对于地心惯性坐标系的真实姿态四元数为Q，则：
Figure FDA00025625867200000310
式中，
Figure FDA00025625867200000311
为估计四元数，δQ为真实值与估计值之间的误差；
对上式求导，可得：
Figure FDA00025625867200000312
根据四元数运动学微分方程，可得载体真实姿态四元数微分方程和估计四元数的微分方程分别为：
Figure FDA0002562586720000041
Figure FDA0002562586720000042
将上述四式结合，根据四元数运算规则，化简可得：
Figure FDA0002562586720000043
根据乘法运算规律及在姿态误差为小量的情况下，误差四元数δQ可近似为：
Figure FDA0002562586720000044
式中，δq13为误差四元数矢量部分；
忽略二阶小量同时对其进行线性化可得：
Figure FDA0002562586720000045
则状态变量定义如下：
X＝[δq1 δq2 δq3 δεbx δεby δεbz]T
可得：
Figure FDA0002562586720000046
对应地，F(t)为***状态系数矩阵，G(t)为***噪声矩阵，W(t)为***噪声。
6.根据权利要求1所述的一种黑障区的飞行器智能导航方法，其特征在于，所述步骤5的具体过程为：
利用步骤3网络算法，在该步进行状态识别，并通过知识库抽取相关知识进行输出。
7.根据权利要求1所述的一种黑障区的飞行器智能导航方法，其特征在于，所述步骤6的具体过程为：
利用步骤5得到的知识库中的卫星导航信号与替代步骤1中的卫星信号输入，完成黑障段导航***组合；
计算***输出的理论方差阵和协方差阵：
Figure FDA0002562586720000051
Figure FDA0002562586720000052
其中，P(XZ)k/k-1为***输出的一步预测协方差阵，P(ZZ)k/k-1为***输出的理论方差阵，Rk为量测噪声阵；
计算滤波增益阵：
Figure FDA0002562586720000053
其中，Kk为滤波增益阵；
计算滤波值：
Figure FDA0002562586720000054
Figure FDA0002562586720000055
其中，
Figure FDA0002562586720000056
为***状态估值，Pk/k为***状态估计均方误差阵，Zk为无限测距量测值。
CN202010619609.2A 2020-06-30 2020-06-30 一种黑障区的飞行器智能导航方法 Pending CN111964675A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010619609.2A CN111964675A (zh) 2020-06-30 2020-06-30 一种黑障区的飞行器智能导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010619609.2A CN111964675A (zh) 2020-06-30 2020-06-30 一种黑障区的飞行器智能导航方法

Publications (1)

Publication Number Publication Date
CN111964675A true CN111964675A (zh) 2020-11-20

Family

ID=73360895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010619609.2A Pending CN111964675A (zh) 2020-06-30 2020-06-30 一种黑障区的飞行器智能导航方法

Country Status (1)

Country Link
CN (1) CN111964675A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112578389A (zh) * 2020-12-08 2021-03-30 浙江景奕智能控制技术有限公司 一种多源融合的rov实时路径规划方法
CN117109571A (zh) * 2023-10-25 2023-11-24 北京控制工程研究所 导航误差快速收敛方法、装置、电子设备及存储介质
CN117719702A (zh) * 2024-02-07 2024-03-19 长光卫星技术股份有限公司 用于卫星高精度凝视的复合姿态控制方法、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7376507B1 (en) * 2004-05-27 2008-05-20 Sandia Corporation Geophysics-based method of locating a stationary earth object
CN101858748A (zh) * 2010-05-28 2010-10-13 南京航空航天大学 高空长航无人机的多传感器容错自主导航方法
CN104034329A (zh) * 2014-06-04 2014-09-10 南京航空航天大学 发射惯性系下的多组合导航处理装置及其导航方法
CN109781099A (zh) * 2019-03-08 2019-05-21 兰州交通大学 一种自适应ukf算法的导航方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7376507B1 (en) * 2004-05-27 2008-05-20 Sandia Corporation Geophysics-based method of locating a stationary earth object
CN101858748A (zh) * 2010-05-28 2010-10-13 南京航空航天大学 高空长航无人机的多传感器容错自主导航方法
CN104034329A (zh) * 2014-06-04 2014-09-10 南京航空航天大学 发射惯性系下的多组合导航处理装置及其导航方法
CN109781099A (zh) * 2019-03-08 2019-05-21 兰州交通大学 一种自适应ukf算法的导航方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔留争 等，: ""神经网络辅助卡尔曼滤波在组合导航中的应用"", 《光学 精密工程》 *
景羿铭 等，: ""基于极限学习机的黑障区智能导航算法"", 《导航与控制》 *
熊智 等，: ""发射系下SINS/GPS/CNS组合导航***联邦粒子滤波算法"", 《南京航空航天大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112578389A (zh) * 2020-12-08 2021-03-30 浙江景奕智能控制技术有限公司 一种多源融合的rov实时路径规划方法
CN112578389B (zh) * 2020-12-08 2021-09-24 浙江景奕智能控制技术有限公司 一种多源融合的rov实时路径规划方法
CN117109571A (zh) * 2023-10-25 2023-11-24 北京控制工程研究所 导航误差快速收敛方法、装置、电子设备及存储介质
CN117109571B (zh) * 2023-10-25 2024-01-23 北京控制工程研究所 导航误差快速收敛方法、装置、电子设备及存储介质
CN117719702A (zh) * 2024-02-07 2024-03-19 长光卫星技术股份有限公司 用于卫星高精度凝视的复合姿态控制方法、设备及介质
CN117719702B (zh) * 2024-02-07 2024-04-26 长光卫星技术股份有限公司 用于卫星高精度凝视的复合姿态控制方法、设备及介质

Similar Documents

Publication Publication Date Title
Zhang et al. Navigation with IMU/GPS/digital compass with unscented Kalman filter
CN109813311B (zh) 一种无人机编队协同导航方法
CN104655131B (zh) 基于istssrckf的惯性导航初始对准方法
CN101246011B (zh) 一种基于凸优化算法的多目标多传感器信息融合方法
CN111964675A (zh) 一种黑障区的飞行器智能导航方法
CN101825467B (zh) 捷联惯性导航***与天文导航***实现组合导航的方法
CN112629538A (zh) 基于融合互补滤波和卡尔曼滤波的舰船水平姿态测量方法
Stančić et al. The integration of strap-down INS and GPS based on adaptive error damping
CN105509739A (zh) 采用固定区间crts平滑的ins/uwb紧组合导航***及方法
Bezick et al. Inertial navigation for guided missile systems
CN105737823A (zh) 基于五阶ckf的gps/sins/cns组合导航方法
CN109084760B (zh) 一种楼宇间导航***
CN110849360B (zh) 面向多机协同编队飞行的分布式相对导航方法
CN114689047B (zh) 基于深度学习的组合导航方法、装置、***及存储介质
Lin et al. Multiple sensors integration for pedestrian indoor navigation
CN116839591B (zh) 一种轨迹跟踪定位滤波***及救援无人机的融合导航方法
Al-Jlailaty et al. Efficient attitude estimators: A tutorial and survey
CN112525204A (zh) 一种航天器惯性和太阳多普勒速度组合导航方法
CN112325878A (zh) 基于ukf与空中无人机节点辅助的地面载体组合导航方法
CN103697887B (zh) 一种基于捷联惯导***和多普勒计程仪的优化导航方法
CN115031728A (zh) 基于ins与gps紧组合的无人机组合导航方法
Kepper et al. MEMS IMU and one-way-travel-time navigation for autonomous underwater vehicles
Damerius et al. A generic inertial navigation system
CN114459476A (zh) 基于虚拟速度量测的水下无人潜航器测流dvl/sins组合导航方法
Deepika et al. Analysis of INS parameters and error reduction by integrating GPS and INS signals

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201120