CN113777645B - 一种gps拒止环境下高精度位姿估计算法 - Google Patents
一种gps拒止环境下高精度位姿估计算法 Download PDFInfo
- Publication number
- CN113777645B CN113777645B CN202111060355.6A CN202111060355A CN113777645B CN 113777645 B CN113777645 B CN 113777645B CN 202111060355 A CN202111060355 A CN 202111060355A CN 113777645 B CN113777645 B CN 113777645B
- Authority
- CN
- China
- Prior art keywords
- gps
- neural network
- adaptive
- algorithm
- precision
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 13
- 230000000295 complement effect Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 238000002939 conjugate gradient method Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- 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
- G01C21/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
Abstract
一种GPS拒止环境下高精度位姿估计算法,涉及基于PI调节器的自适应互补滤波姿态算法和基于自适应模糊神经网络的高精度位置估计算法。首先在陀螺姿态解算方程的基础上,设计加速计抑制函数,构建基于PI调节器的反馈修正回路来提升***在高动态下的姿态测量精度;其次构建自适应模糊神经网络,在GPS有效时基于Fletcher‑Reeves共轭梯度下降算法和最小二乘法组合算法优化模糊神经网络权值参数,以实现在GPS拒止环境下的高精度位置估计。本发明具有实时性好、抗扰动能力强、学习速度快、预测精度高等优点,可用于中小型无人机在GPS拒止环境下的高精度导航。
Description
技术领域
本发明涉及一种GPS拒止环境下高精度位姿估计算法,适用于动载体在GPS拒止区域的高精度导航领域。
背景技术
近年来,中小型无人机由于尺寸小、重量轻、隐蔽性好、性价比高等优点在军事和民用领域被广泛应用,由于成本和体积的限制,其导航***一般以GPS/SINS组合导航为基础进行研究。
随着无人机应用场景的广泛,在实际飞行中可能通过密林、高楼、隧道等复杂环境,会出现GPS拒止区域,GPS无法提供持续有效的导航信息辅助INS***。此时惯性器件产生的误差漂移、标度因子不稳定等问题因为得不到修正而不断积累,导致组合导航***的整体性能下降。因此,研究GPS拒止环境下的高精度位姿估计导航算法具有十分重要的意义。
捷联惯导算法、Kalman滤波算法、互补滤波算法等常被用于为***提供导航信息解算。捷联惯导算法数据更新速度快,在运行时间较短时稳定性好,但长时解算导航信息时,其误差随时间增大,位姿数据发生漂移、精度发散,难以满足长时间、高精度的导航需求。Kalman滤波算法依靠GPS作为量测值,当GPS信号出现异常,Kalman滤波过程中的量测更新将无法进行,此时位姿解算结果将由于误差累积随时间发散,不再可靠。互补滤波算法被用于迭代更新姿态信息,根据传感器的频域特性对数据进行融合处理,能够有效的抑制姿态角的漂移,但只适用于静止或低速状态,在高机动状态下将引入较大的加速度误差,***的适应性较差。
发明内容
本发明解决的技术问题是:GPS/SINS组合导航***在GPS信号受干扰或被遮挡时姿态和位置数据发散的问题,提出了一种GPS拒止环境下高精度位姿估计算法,基于加速计的测量值作为观测量,引入PI调节器实现对陀螺输出的自适应补偿从而校正***的姿态信息,同时构建自适应模糊神经网络,采取组合算法对无GPS下的***位置信息进行预测估计,实现GPS拒止环境下的高精度导航。
本发明的技术解决方案为:首先在陀螺姿态解算方程的基础上,基于PI调节器构建反馈修正回路,引入加速计对陀螺的自适应补偿来解决姿态信息发散的问题;其次构建自适应模糊神经网络,基于Fletcher-Reeves共轭梯度下降算法和最小二乘法组合算法优化参数,在GPS有效状态下进行训练以实现GPS无效时为***提供实时的高精度位置信息。其实现步骤如下:
(1)基于陀螺姿态解算的四元数方程,
其中,Q=[q0 q1 q2 q3]T为由标量q0和矢量q1i+q2j+q3k组成用于描述载体转动的四元数,t为当前时刻,t-1为前一时刻,Δt为算法解算周期,为从地理系到载体系的陀螺角速度投影矢量;
构建反馈修正回路,基于加速计的测量值作为观测量,引入加速计抑制函数,对***加速状态进行判断,为陀螺的角速度提供自适应补偿,减小高机动状态下加速计的误差对陀螺修正量的干扰,实现对陀螺角度漂移的抑制;
补偿后的四元数形式的姿态解算方程为:
式中δ∈R3×1为PI调节器产生的滤波结果,用于补偿实测向量与预测向量的旋转误差,其表达式如下:
式中,加速计的误差向量e(ω)∈R3×1由重力向量的测量值和估计值通过向量积的方式实现,表示由陀螺仪积分得到的姿态四元数中的俯仰和横滚误差,表达式如下:
式中,fb∈R3×1为加速计测量值归一化的三轴加速度,gn∈R3×1为地理系下的重力加速度,gb∈R3×1为载体系下的重力加速度,为地理系到载体系的姿态转换矩阵;
kp为比例系数,用以调节陀螺仪与加速计之间的交叉频率,ki为积分系数,用以修正陀螺输出角速度的漂移误差,p(a)为加速计抑制函数,其表达式如下:
通过引入加速计抑制函数p(a),减小高机动状态下加速计的误差对陀螺修正量的干扰,从而实现对反馈修正量δ的自适应调整,提高水平姿态角融合算法的解算精度。
(2)构建GPS正常状态下位置训练的神经网络,选取基于Fletcher-Reeves共轭梯度下降算法和最小二乘法组合算法优化自适应模糊神经网络的权值参数,实现对无GPS环境下SINS***解算位置误差的校正;
GPS有效时,使用Kalman滤波算法修正SINS***的误差,补偿SINS解算的位置信息,同时以加速计的三轴输出陀螺仪的三轴输出/>***的三轴速度vi以及航向角θ作为输入,Kalman滤波解算出的位置误差δL、δλ作为输出构建样本集对用于预测***位置的自适应模糊神经网络进行训练;
自适应模糊神经网络是基于T-S型模糊逻辑***的“If-Then”规则的多层自适应网络,依次为模糊化层、模糊集运算层、归一化层、逆模糊化层和总输出层,神经网络的权值参数分别包含在模糊化层和逆模糊化层中;
在前向通道中,模糊化层权值参数固定,采用最小二乘法辨识逆模糊化层权值参数,在后向通道中,逆模糊化层权值参数固定,采用Fletcher-Reeves共轭梯度法辨识模糊化层权值参数,直至满足精度要求或达到最大的迭代次数;
Fletcher-Reeves共轭梯度法将最优化问题转化为目标函数最小化问题,目标函数表达式如下:
沿负梯度方向搜索时,单步运算公式如下:
Xk+1=Xk+akPk
式中,k为当前时刻,k+1为下一时刻,X为待调整参数,ak为根据线搜索准则确定的学习速率,Pk为当前时刻的共轭梯度向量,代表当前时刻的搜索方向,当满足以下条件:
式中,gk为当前时刻的迭代梯度向量;
则可以采用负梯度方向继续进行搜索,Pk表达式如下:
式中,βk为共轭参数,选用Fletcher-Reeves法计算,其表达式如下:
基于GPS收星数判断GPS是否有效,当GPS无效时,使用训练好的神经网络的参数集,对***的位置误差进行预测,并从导航***中消除该部分的误差以修正***的位置估计,从而校正***的位置信息。
本发明与现有技术相比的优点在于:
(1)本发明针对无GPS的复杂环境下惯性传感器输出噪声信号增大的问题,提出了一种基于PI调节器的自适应互补滤波的姿态解算方法,设计了有害加速度的抑制函数,减小了高机动状态下加速计的测量误差对测姿精度的影响,从而提高***抗扰动能力,并可避免无GPS辅助校正下的误差累计;
(2)本发明针对无GPS环境下SINS***解算位置误差累积的问题,提出了一种基于自适应模糊神经网络的高精度位置估计算法,通过Fletcher-Reeves共轭梯度下降算法和最小二乘法组合算法优化神经网络的权值参数,使得能够以较快的收敛速度寻优,避免陷入局部最优,提升了神经网络的学***方向的位置信息发散。
附图说明
图1为基于PI调节器的自适应互补滤波姿态算法流程图;
图2为基于自适应模糊神经网络的高精度位置估计算法流程图;
图3为跑车实验中自研***航向角误差变化图;
图4为跑车实验中自研***横滚角误差变化图;
图5为跑车实验中自研***俯仰角误差变化图;
图6为跑车实验中自研***经度位置偏差变化图;
图7为跑车实验中自研***纬度位置偏差变化图;
具体实施方式
本发明考虑到体积和成本,使用小体积低精度的MEMS惯性导航设备,基于GPS/SINS组合导航提供姿态和位置信息。当GPS信号干扰或丢失时,本发明采用惯性器件进行互补滤波解算姿态,根据加速状态由加速计对陀螺积分得到的角度进行自适应补偿;此外基于GPS正常状态下进行训练的神经网络预测***的位置信息。
如图1和图2所示,本发明的具体实现如下
(1)建立姿态解算方程关系
建立四元数形式的姿态微分方程如下:
式中,Q=[q0 q1 q2 q3]T为由标量q0和矢量q1i+q2j+q3k组成用于描述载体转动的四元数,为从地理系到载体系的角速度投影矢量,由陀螺仪输出的角速度/>计算得到,其表达式如下:
式中,为地理系到载体系的姿态转换矩阵,/>为地理系相对惯性系的转动角速度在载体系下的表示,/>为位置变化引起的地理系相对地球系的转动角速度,/>为地理系下的地球自转角速度,其表达式分别如下:
式中,vx为载体东向速度,vy为载体北向速度,RM、RN分别为卯酉圈和子午圈的半径,L为当地纬度,h为载体高度;
采用一阶龙格-库塔法对微分方程进行求解,则当前时刻的四元数Qt可以表示为:
其中Qt-1为前一时刻的四元数,Δt为算法解算周期;
利用上述四元数更新姿态转换矩阵其表达式如下:
姿态角(航向角θ、俯仰角横滚角γ)由姿态转换矩阵/>解算得到,其表达式分别如下:
式中,为/>矩阵的第i+1行第j+1列的元素;
在长时间的测量中,***姿态角会发生偏移,因为陀螺仪的角速度误差在积分过程中不断累积,使得单独由角速度积分得到的转动角度产生漂移误差;
(2)构建反馈修正回路
为了校正陀螺仪角度的累积误差,提高水平姿态角的测量精度,基于加速计的测量值作为观测量,并通过PI调节器实现自适应反馈校正;
校正后的四元数微分方程更新如下:
式中δ∈R3×1为PI调节器产生的滤波结果,用于补偿实测向量与预测向量的旋转误差,其表达式如下:
式中,加速计的误差向量e(ω)∈R3×1由重力向量的测量值和估计值通过向量积的方式实现,表示由陀螺仪积分得到的姿态四元数中的俯仰和横滚误差,表达式如下:
式中,fb∈R3×1为加速计测量值归一化的三轴加速度,gn∈R3×1为地理系下的重力加速度,gb∈R3×1为载体系下的重力加速度;
kp为比例系数,用以调节陀螺仪与加速计之间的交叉频率,ki为积分系数,用以修正陀螺输出角速度的漂移误差,p(a)为加速计抑制函数,其表达式如下:
通过引入加速计抑制函数p(a),减小高机动状态下加速计的误差对陀螺修正量的干扰,从而实现对反馈修正量δ的自适应调整,提高水平姿态角融合算法的解算精度。
(3)基于自适应模糊神经网络的高精度位置估计算法
当GPS有效时,使用Kalman滤波算法修正SINS***的误差,补偿SINS解算的位置信息,同时构建训练样本数据,对用于预测***位置的自适应模糊神经网络进行训练;
建立***模型,取15维状态变量X,其表达式如下:
式中,φx、φy、φz为三轴姿态失准角,δvx、δvy、δvz为地理系下的三轴速度误差,δL、δλ为经度和纬度误差,δh为高度误差,为陀螺漂移估计,/>为加速度计零偏估计;
根据Kalman滤波模型,构建***的状态方程如下:
式中,G(t)∈R15×6为***的噪声系数矩阵,w(t)∈R6×1为***的过程噪声向量,F(t)∈R15×15为***状态转移矩阵,其表达式如下:
式中,FN(t)∈R9×9为三轴姿态、速度和位置的误差矩阵,FS(t)∈R9×6为惯性器件误差漂移的转移矩阵,FM(t)∈R6×6为陀螺仪、加速度计对应的***误差矩阵;
根据Kalman滤波模型,构建***的量测方程如下:
Z(t)=H(t)X(t)+v(t)
式中,Z(t)∈R6×1为***量测量,选取由GPS给出的位置、速度信息与惯导解算得到的载***置、速度信息的差值,H(t)∈R6×15为量测噪声系数矩阵,v(t)∈R6×1为***的量测噪声向量;
自适应模糊神经网络的训练输入设置为加速计的三轴输出陀螺仪的三轴输出/>***的三轴速度vi以及航向角θ,Kalman滤波解算出的位置误差δL、δλ作为输出构建样本集对自适应神经网络进行训练;
自适应模糊神经网络是基于T-S型模糊逻辑***的“If-Then”规则的多层自适应网络,“If-Then”规则表达式如下:
1、if x isA1and y is B1then h1=p1x+q1y+r1
2、if x isA2and y is B2then h2=p2x+q2y+r2
式中,x、y为输入变量,Ai、Bi为模糊集,pi、qi、ri为神经网络的权值参数,在学习的过程中不断调整;
第一层模糊化层对输入变量进行模糊化得到对应模糊集的隶属度,其表达式如下:
式中,分别为Ai、Bi的隶属度函数,其中包含了自适应模糊神经网络的权值参数,/>分别为对应的隶属度函数值;
第二层模糊集运算层将第一层中的隶属度函数值相乘,得到第i条模糊规则的激励强度wi,其表达式如下:
第三层将激励强度归一化,表达式如下:
第四层逆模糊化层计算模糊规则自适应推理的结果,表达式如下:
第五层总输出层对上一层的输出进行去模糊化,计算所有输出的加权和并输出网络运算结果;
由于模糊化层采用的钟型函数包含非线性参数,逆模糊化层是线性参数,设计基于Fletcher-Reeves共轭梯度下降算法和最小二乘法组合算法优化自适应模糊神经网络的权值参数,在保证精度和快速性的需求下,实现高精度优化。
在前向通道中,模糊化层权值参数固定,采用最小二乘法辨识逆模糊化层权值参数,在后向通道中,逆模糊化层权值参数固定,采用Fletcher-Reeves共轭梯度法辨识模糊化层权值参数,直至满足精度要求或达到最大的迭代次数;
Fletcher-Reeves共轭梯度法将最优化问题转化为目标函数最小化问题,目标函数表达式如下:
反向梯度下降的单步运算公式如下:
Xk+1=Xk-akgk
式中,k为当前时刻,k+1为下一时刻,X为待调整参数,ak为根据线搜索准则确定的学习速率,gk为当前时刻的迭代梯度向量,当沿负梯度方向搜索时,则单步运算公式可以表示为:
Xk+1=Xk+akPk
式中,Pk为当前时刻的共轭梯度向量,代表当前时刻的搜索方向,当满足以下条件:
则可以采用负梯度方向继续进行搜索,Pk表达式如下:
式中,βk为共轭参数,选用Fletcher-Reeves法计算,其表达式如下:
通过引入Fletcher-Reeves共轭梯度法,对自适应模糊神经网络的参数进行寻优,提升了神经网络的收敛速度和位置信息的预测精度;
基于GPS收星数判断GPS是否有效,当GPS无效时,使用训练好的神经网络的参数集,对***的位置误差进行预测,并从导航***中消除该部分的误差以修正***的位置估计,从而校正***的位置信息。
(4)跑车实例
将自研导航***与高精度光纤陀螺***固定安装于轿车内,进行跑车实验验证。高精度光纤陀螺***姿态精度0.02度,位置精度0.1m,以高精度光纤陀螺***输出为基准对自研导航***进行测试。实验过程的数据保存在记录仪中,某次实验的跑车的姿态数据结果如图3、图4、图5所示,位置数据结果如图6与图7所示。
自研导航***实现了低成本、高精度的姿态解算和位置解算,能够适应无GPS下高机动状态的导航。在GPS丢星时间为600s时,***航向角的均方根误差是1.1828度,横滚角的均方根误差是0.1812度,俯仰角的均方根是0.6037度。当GPS丢星时间为30s时,经度位置的均方根误差是1.83m,纬度位置的均方根误差1.39m。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (1)
1.一种GPS拒止环境下高精度位姿估计算法,其特征在于实现以下步骤:
(1)当GPS有效时,基于捷联卡尔曼滤波算法解算载体的位置和姿态信息,并设计自适应模糊神经网络,利用捷联卡尔曼滤波结果对自适应神经网络进行权值优化;
(2)当GPS无效时,构建基于PI调节器自适应互补滤波求解载体的姿态信息,补偿后的四元数形式的姿态解算方程为:
式中δ∈R3×1为PI调节器产生的滤波结果,用于补偿实测向量与预测向量的旋转误差;同时基于训练好的自适应神经网络在线估计位置误差,实现对捷联解算位置的实时补偿,提高导航性能;
上述基于PI调节器自适应互补滤波,其特征在于:基于互补滤波的姿态算法,将加速计的测量值通过基于PI调节器的反馈修正回路与陀螺仪的信息进行有效融合,同时引入加速计抑制函数实现自适应反馈校正,在有效抑制姿态角度误差的同时,提高了***在高机动状态下的抗干扰能力;
PI调节器的滤波结果δ如下:
式中,e(ω)∈R3×1为加速计的误差向量,fb∈R3×1为加速计测量值归一化的三轴加速度,gb∈R3×1为载体系下的重力加速度,kp为比例系数,用以调节陀螺仪与加速计之间的交叉频率,ki为积分系数,用以修正陀螺输出角速度的漂移误差,p(a)为加速计抑制函数,其表达式如下:
上述基于自适应模糊神经网络的高精度位置估计算法,其特征在于:基于自适应模糊神经网络预测无GPS下的***位置信息,其权值参数的优化采取的是Fletcher-Reeves共轭梯度下降算法和最小二乘法组合算法,具有收敛速度快的优点,使得该算法具备更高的运算效率和更强的适应性,提升了对***位置信息的预测精度;
GPS有效时,对自适应模糊神经网络进行训练,自适应模糊神经网络是基于T-S型模糊逻辑***的“If-Then”规则的多层自适应网络,依次为模糊化层、模糊集运算层、归一化层、逆模糊化层和总输出层,神经网络的权值参数分别包含在模糊化层和逆模糊化层中;
在前向通道中,模糊化层权值参数固定,采用最小二乘法辨识逆模糊化层权值参数,在后向通道中,逆模糊化层权值参数固定,采用Fletcher-Reeves共轭梯度法辨识模糊化层权值参数,直至满足精度要求或达到最大的迭代次数;
Fletcher-Reeves共轭梯度法将最优化问题转化为目标函数最小化问题,目标函数表达式如下:
沿负梯度方向搜索时,单步运算公式如下:
Xk+1=Xk+akPk
式中,k为当前时刻,k+1为下一时刻,X为待调整参数,ak为根据线搜索准则确定的学习速率,Pk为当前时刻的共轭梯度向量,代表当前时刻的搜索方向,当满足以下条件:
式中,gk为当前时刻的迭代梯度向量;
则可以采用负梯度方向继续进行搜索,Pk表达式如下:
式中,βk为共轭参数,选用Fletcher-Reeves法计算,其表达式如下:
基于GPS收星数判断GPS是否有效,当GPS无效时,使用训练好的神经网络的参数集,校正***的位置误差,对位置信息进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111060355.6A CN113777645B (zh) | 2021-09-10 | 2021-09-10 | 一种gps拒止环境下高精度位姿估计算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111060355.6A CN113777645B (zh) | 2021-09-10 | 2021-09-10 | 一种gps拒止环境下高精度位姿估计算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113777645A CN113777645A (zh) | 2021-12-10 |
CN113777645B true CN113777645B (zh) | 2024-01-09 |
Family
ID=78842396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111060355.6A Active CN113777645B (zh) | 2021-09-10 | 2021-09-10 | 一种gps拒止环境下高精度位姿估计算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777645B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3078935A1 (en) * | 2015-04-10 | 2016-10-12 | The European Atomic Energy Community (EURATOM), represented by the European Commission | Method and device for real-time mapping and localization |
CN112066979A (zh) * | 2020-08-27 | 2020-12-11 | 北京航空航天大学 | 一种基于偏振位姿信息耦合迭代自主导航定位方法 |
CN112781588A (zh) * | 2020-12-31 | 2021-05-11 | 厦门华源嘉航科技有限公司 | 一种随钻陀螺定位定向仪导航解算方法 |
CN112945225A (zh) * | 2021-01-19 | 2021-06-11 | 西安理工大学 | 基于扩展卡尔曼滤波的姿态解算***及解算方法 |
-
2021
- 2021-09-10 CN CN202111060355.6A patent/CN113777645B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3078935A1 (en) * | 2015-04-10 | 2016-10-12 | The European Atomic Energy Community (EURATOM), represented by the European Commission | Method and device for real-time mapping and localization |
CN112066979A (zh) * | 2020-08-27 | 2020-12-11 | 北京航空航天大学 | 一种基于偏振位姿信息耦合迭代自主导航定位方法 |
CN112781588A (zh) * | 2020-12-31 | 2021-05-11 | 厦门华源嘉航科技有限公司 | 一种随钻陀螺定位定向仪导航解算方法 |
CN112945225A (zh) * | 2021-01-19 | 2021-06-11 | 西安理工大学 | 基于扩展卡尔曼滤波的姿态解算***及解算方法 |
Non-Patent Citations (6)
Title |
---|
Radar_Image-Based_Positioning_for_USV_Under_GPS_Denial_Environment;Hongjie Ma 等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;第19卷(第1期);第72-80页 * |
国外提升卫星信号在拒止环境下导航定位能力的新技术;李冀;《导航定位学报》;第1卷(第2期);第55-59页 * |
基于多传感器融合的机器人位姿估计研究;罗耀耀 等;《实验技术与管理》;第37卷(第5期);第58-62页 * |
基于黎曼流形优化的数据降维表达及应用;陈浩然;《中国博士学位论文全文数据库 基础科学辑》(第03期);A002-26 * |
惯性技术计量领域若干问题的思考与展望;叶文 等;《计量科学与技术》;第65卷(第3期);第9-14页 * |
美陆军研究实验室( ARL) 开发GPS 拒止环境下的导航定位新技术;《无线电工程》;第48卷(第12期);第1071页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113777645A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112629538B (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 | |
Huang et al. | Kalman-filtering-based in-motion coarse alignment for odometer-aided SINS | |
CN109000640B (zh) | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 | |
CN108827310B (zh) | 一种船用星敏感器辅助陀螺仪在线标定方法 | |
CN111156994B (zh) | 一种基于mems惯性组件的ins/dr&gnss松组合导航方法 | |
CN112630813B (zh) | 基于捷联惯导和北斗卫星导航***的无人机姿态测量方法 | |
CN112505737B (zh) | 一种gnss/ins组合导航方法 | |
CN110207691B (zh) | 一种基于数据链测距的多无人车协同导航方法 | |
CN110285804B (zh) | 基于相对运动模型约束的车辆协同导航方法 | |
CN111189442B (zh) | 基于cepf的无人机多源导航信息状态预测方法 | |
CN109945859B (zh) | 一种自适应h∞滤波的运动学约束捷联惯性导航方法 | |
CN112504275B (zh) | 一种基于级联卡尔曼滤波算法的水面舰船水平姿态测量方法 | |
CN112146655B (zh) | 一种BeiDou/SINS紧组合导航***弹性模型设计方法 | |
CN112945225A (zh) | 基于扩展卡尔曼滤波的姿态解算***及解算方法 | |
CN111121766A (zh) | 一种基于星光矢量的天文与惯性组合导航方法 | |
CN110595434B (zh) | 基于mems传感器的四元数融合姿态估计方法 | |
CN113503892A (zh) | 一种基于里程计和回溯导航的惯导***动基座初始对准方法 | |
CN116222551A (zh) | 一种融合多种数据的水下导航方法及装置 | |
Lei et al. | An adaptive method of attitude and position estimation during GPS outages | |
CN111964675A (zh) | 一种黑障区的飞行器智能导航方法 | |
CN114608583A (zh) | 一种高超声速飞行器动态杆臂效应智能补偿方法 | |
CN111220151A (zh) | 载体系下考虑温度模型的惯性和里程计组合导航方法 | |
CN113777645B (zh) | 一种gps拒止环境下高精度位姿估计算法 | |
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 | |
CN110375773B (zh) | Mems惯导***姿态初始化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |