CN114577204B - 基于神经网络的捷联惯导***抗干扰自对准方法和装置 - Google Patents
基于神经网络的捷联惯导***抗干扰自对准方法和装置 Download PDFInfo
- Publication number
- CN114577204B CN114577204B CN202210122838.2A CN202210122838A CN114577204B CN 114577204 B CN114577204 B CN 114577204B CN 202210122838 A CN202210122838 A CN 202210122838A CN 114577204 B CN114577204 B CN 114577204B
- Authority
- CN
- China
- Prior art keywords
- data
- inertial navigation
- navigation system
- neural network
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 89
- 230000007613 environmental effect Effects 0.000 claims abstract description 69
- 238000012937 correction Methods 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000015654 memory Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01C21/165—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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明涉及惯导技术领域，提供一种基于神经网络的捷联惯导***抗干扰自对准方法及装置，捷联惯导***通过静态初始化自对准后，于t时刻获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；再将反馈修正量Pti用于姿态矩阵Pt数据的修正，将修正后的姿态矩阵Ptm数据用于***抗干扰实时自对准；本发明还公开了一种用于实施该方法的装置，该方法和装置能够在捷联惯导***运行环境中出现偶发颠簸、振动以及风力扰动等非线性干扰，采用历史数据训练后的神经网络模型，能够使得捷联惯导***进行高精度抗干扰自对准，不仅精度高、非线性干扰抵抗处理效率高且效果好。
Description
技术领域
本发明涉及惯导技术领域，特别涉及一种基于神经网络的捷联惯导***抗干扰自对准方法和装置。
背景技术
捷联惯导***(Strap-down Inertial Navigation System，SINS)，把惯性仪表直接固连在载体上，用计算机控制单元来完成导航平台功能的惯性导航***，是惯性组合体与载体固联，陀螺和加速度计直接承受载体的运动，特别是机体的振动；捷联惯导***中陀螺和加速度计分别用来测量载体的角运动信息和线运动信息，机载计算机根据这些测量信息解算出载体的航向、姿态、速度和位置；结构简单、体积小、重量轻、成本低、维护简单、可靠性高，在航空、军事、舰艇、无人驾驶等领域都有广泛的应用。
CN110940336B公开了一种捷联惯导仿真定位解算方法、装置及终端设备，包括获取运载体的仿真状态信息；根据所述运载体的仿真状态信息，得到所述运载体的理论测量参数；根据捷联惯导***的惯导器件误差模型，对所述理论测量参数进行误差叠加，得到仿真测量参数；将所述仿真测量参数输入定位解算装置，以使所述定位解算装置根据所述仿真测量参数进行定位解算。
由于捷联惯导***将陀螺仪和加速度固定连接，陀螺和加速度计直接承受载体的运动，在静态初始化获取姿态等过程中，由于载体本身的干扰强度不高或者较小，所以较为容易地获取精确的位置、重力加速度等，当载体本身受到较大的干扰时，对准的精度偏离较大。
发明内容
在捷联惯导***大量的测试实践中，陆基机动平台的载体在静态下针对经纬度位置、重力加速度、地球自转角速度进行初始自对准较为容易，然而当出现风力扰动、外部颠簸等强干扰的情况下，捷联惯导***往往不能进行高精度自对准等，特别当车载捷联惯导***工作时，路基与载体冲击产生较大的非线性强干扰，传统的滤波算法抗干扰自对准偏弱，精度偏低，且效率偏低问题。
有鉴于此，本发明旨在提出一种基于神经网络的捷联惯导***抗干扰自对准方法，该基于神经网络的捷联惯导***抗干扰自对准方法包括，
步骤S1，捷联惯导***静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；
步骤S2，捷联惯导***在具有动态干扰环境下运行，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；其中，神经网络模型N包括至少一层隐含层，根据捷联惯导***在载体运行过程中姿态矩阵Pn、环境数据En的历史数据与历史测量值进行训练得到；
步骤S3，将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；
步骤S4，将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准。
优选地，在步骤S2中，所述神经网络模型N至少包括前馈神经网络或长短期记忆神经网络。
优选地，在步骤S2中，神经网络模型N经过历史数据训练集训练后，精确度至少达到95％。
优选地，所述历史数据训练集包括捷联惯导***在同一载体历史运行过程中测量得到的姿态矩阵Pn、环境数据En，将环境数据En作为神经网络的输入，输出标签为姿态矩阵Pn，得到训练后的神经网络模型N。
优选地，姿态矩阵Pt数据的修正计算：
其中，为加权系数，/>取值[0，1]。
优选地，所述环境数据中载体振动幅度、载体振动频率数据，至少包括载体坐标系OXbYbZb在地理坐标系OXgYgZg中以Xg、Yg、Zg三个方向的振动幅度、振动频率数据。
本发明还公开了一种用于实施上述基于神经网络的捷联惯导***抗干扰自对准方法的装置，所述装置包括，
初始化单元，用于捷联惯导***静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；
神经网络单元，用于具有动态干扰环境下运行的捷联惯导***，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；其中，神经网络模型N包括至少一层隐含层，根据捷联惯导***在载体运行过程中姿态矩阵Pn、环境数据En的历史数据与历史测量值进行训练得到；
数据修正单元，用于将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；
动态对准单元，用于将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准。
优选地，所述数据修正单元还包括修正计算模块，用于捷联惯导***姿态矩阵Pt数据的修正计算。
优选地，所述捷联惯导***至少包括环境温度传感器，用于环境温度的数据采集；
加速度测量模块，用于地理坐标系OXgYgZg中加速度数据测量采集；
振动采集模块，用于载体坐标系OXbYbZb在地理坐标系OXgYgZg中以Xg、Yg、Zg三个方向的振动幅度、振动频率数据采集；
风力测量模块，用于对环境风力强度数据的采集。
本发明还公开了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的方法。
相对于现有技术，本发明提供的基于神经网络的捷联惯导***抗干扰自对准方法，捷联惯导***通过静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；当***在具有动态干扰环境下运行，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；再将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；最后将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准；本发明还公开了一种用于实施该方法的装置，该方法和装置能够在捷联惯导***运行环境中出现偶发颠簸、振动以及风力扰动等非线性干扰，采用历史数据训练后的神经网络模型，能够使得捷联惯导***进行高精度抗干扰自对准，不仅精度高、非线性干扰抵抗处理效率高且效果好。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于神经网络的捷联惯导***抗干扰自对准方法一种实施方式的流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决背景技术部分所指捷联惯导***因将陀螺仪、加速度计等传感器固定于共同载体上，当捷联惯导***动态运行时外部环境中出现风力扰动、外部颠簸等非线性强干扰，往往不能进行高精度自对准等，特别是车载捷联惯导***工作时，路基与载体冲击产生较大的非线性强干扰，传统的滤波算法抗干扰自对准偏弱，精度偏低，且效率偏低等一系列问题。本发明提供一种基于神经网络的捷联惯导***抗干扰自对准方法，如图1所示，基于神经网络的捷联惯导***抗干扰自对准方法包括，
步骤S1，捷联惯导***静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；
步骤S2，捷联惯导***在具有动态干扰环境下运行，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；其中，神经网络模型N包括至少一层隐含层，根据捷联惯导***在载体运行过程中姿态矩阵Pn、环境数据En的历史数据与历史测量值进行训练得到；
步骤S3，将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；
步骤S4，将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准。
本发明提供的方法中，捷联惯导***通过静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；当***在具有动态干扰环境下运行，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；再将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；最后将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准；该方法能够在捷联惯导***运行环境中出现偶发颠簸、振动以及风力扰动等非线性干扰，采用历史数据训练后的神经网络模型，能够使得捷联惯导***进行高精度抗干扰自对准，不仅精度高、非线性干扰抵抗处理效率高且效果好。
由于捷联惯导***中固定连接的各组件刚性连接，载体中其它组件的相互干涉形成强干涉，环境数据E0或Et中对捷联惯导***的非线性干扰因素同时也较多，且对捷联惯导***产生的干扰效果不得而知，缺乏一一映射的关系，所以单纯建立数学模型或建立卡曼(Kalman)高、低通滤波均不能很好地满足抗干扰、提高对准精度的要求。例如，基于路基的车载的捷联惯导***，当载体在不同的路面上行驶或者路面工况差别较大，采用一种或者单一的数学模型，很难计算出不同工况下的修正量。
环境数据E0或Et中至少包括环境温度、风力强度、载体振动幅度、载体振动频率数据；例如：环境温度25℃情况下，风力8.7m/s和环境温度0℃情况下，风力4.5m/s下，载体振动幅度、载体振动频率也不相同。
姿态角、速度、位置和惯性器件误差数据至少包括东西向、南北向不同方向的数据，例如，在东西向：惯导***输出纬度、经度、高度分别为(30.918170、115.834500、55m)，在南北向：惯导***输出纬度、经度、高度分别为(30.918160、114.998600、53m)。惯性器件误差数据即惯导***输出数据与GPS输出数据的差值。
为了更好地处理和训练神经网络模型，为了更好地利用环境数据En的历史数据与历史测量值对神经网络模型进行训练，提高模型收敛速率，减少训练次数，从而得到成熟神经网络模型，采用前馈(Feed-Forward)神经网络模型，其中，前馈网络是感知器的集合，其中有三种基本类型的层:输入层、隐藏层和输出层，在每个连接过程中，来自前一层的信号被乘以一个权重，增加一个偏置，然后通过一个激活函数。
为了更好地利用历史数据训练神经网络模型产生对未知工况类似环境下，既可以采用现有的模型预测未来t时刻的姿态矩阵Pt，本发明更为优选的情况下，在步骤S2中，所述神经网络模型N至少包括长短期记忆神经网络(Long Short Term Memory Network，LSTM)，神经网络结构中加入了内存块，包含几个循环连接的内存单元和三个门(输入、输出和遗忘，相当于写入、读取和重置)。该神经网络结构只能通过每个门与神经元进行互动，因此门学会智能地打开和关闭，以防止梯度***或消失。
由于捷联惯导***中固定连接的各组件刚性连接，载体中其它组件的相互干涉形成强干涉，为了提高神经网络模型的自对准精度和效率，本发明更为优选的情况下，在步骤S2中，神经网络模型N经过历史数据训练集训练后，精确度至少达到95％，更为优选的情况下，大于等于99％。
为了获得训练后的神经网络模型，且精确度达到要求，构建更为科学合理的训练数据集，本发明更为优选的情况下，所述历史数据训练集包括捷联惯导***在同一载体历史运行过程中测量得到的姿态矩阵Pn、环境数据En，将环境数据En作为神经网络的输入，输出标签为姿态矩阵Pn，得到训练后的神经网络模型N。更为优选的情况下，例如，输出标签为姿态矩阵Pn中位置信息为GPS测量得到数据与惯导***得到数据的均值。
为了更好地获得被修正过的姿态矩阵，惯导实际输出Pt与通过神经网络计算得到的修正量进行数值计算，为了并不完全依照修正量进行大的调整，而是采用加权调整，本发明更为优选的情况下，姿态矩阵Pt数据的修正计算：
其中，为加权系数，/>取值[0，1]。本发明更为优选的情况下，/>取值[0.5-0.8]。
为了获得载体相对环境地理坐标系中的Xg、Yg、Zg三个方向的振动数据，作为环境干扰变量，本发明更为优选的情况下，所述环境数据中载体振动幅度、载体振动频率数据，至少包括载体坐标系OXbYbZb在地理坐标系OXgYgZg中以Xg、Yg、Zg三个方向的振动幅度、振动频率数据。
为了更好地实施上述基于神经网络的捷联惯导***抗干扰自对准方法，本发明还提供了一种装置，所述装置包括，
初始化单元，用于捷联惯导***静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；
神经网络单元，用于具有动态干扰环境下运行的捷联惯导***，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；其中，神经网络模型N包括至少一层隐含层，根据捷联惯导***在载体运行过程中姿态矩阵Pn、环境数据En的历史数据与历史测量值进行训练得到；
数据修正单元，用于将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；
动态对准单元，用于将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准。
本发明提供的装置，包括，初始化单元，用于捷联惯导***静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；神经网络单元在具有动态干扰环境下运行，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；数据修正单元将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；最后动态对准单元将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准；本发明还公开的一种用于实施该方法的装置，能够在捷联惯导***运行环境中出现偶发颠簸、振动以及风力扰动等非线性干扰，采用历史数据训练后的神经网络模型，能够使得捷联惯导***进行高精度抗干扰自对准，不仅精度高、非线性干扰抵抗处理效率高且效果好。
为了将捷联惯导***姿态矩阵Pt数据进行修正计算，本发明更为优选的情况下，所述数据修正单元还包括修正计算模块，用于捷联惯导***姿态矩阵Pt数据的修正计算。
为了实时获取环境数据E0或Et中包括环境温度、风力强度、载体振动幅度、载体振动频率等数据，本发明更为优选的情况下，所述捷联惯导***至少包括环境温度传感器，用于环境温度的数据采集；
加速度测量模块，用于地理坐标系OXgYgZg中加速度数据测量采集；
振动采集模块，用于载体坐标系OXbYbZb在地理坐标系OXgYgZg中以Xg、Yg、Zg三个方向的振动幅度、振动频率数据采集；
风力测量模块，用于对环境风力强度数据的采集。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于神经网络的捷联惯导***抗干扰自对准方法，其特征在于，所述基于神经网络的捷联惯导***抗干扰自对准方法包括，
步骤S1，捷联惯导***静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；
步骤S2，捷联惯导***在具有动态干扰环境下运行，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；其中，神经网络模型N包括至少一层隐含层，根据捷联惯导***在载体运行过程中姿态矩阵Pn、环境数据En的历史数据与历史测量值进行训练得到；
步骤S3，将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；
步骤S4，将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准；
在步骤S2中，所述神经网络模型N至少包括前馈神经网络或长短期记忆神经网络；
神经网络模型N经过历史数据训练集训练后，精确度至少达到95％；
所述历史数据训练集包括捷联惯导***在同一载体历史运行过程中测量得到的姿态矩阵Pn、环境数据En，将环境数据En作为神经网络的输入，输出标签为姿态矩阵Pn，得到训练后的神经网络模型N；
姿态矩阵Pt数据的修正计算：
其中，为加权系数，/>取值[0，1]。
2.根据权利要求1所述的基于神经网络的捷联惯导***抗干扰自对准方法，其特征在于，所述环境数据中载体振动幅度、载体振动频率数据，至少包括载体坐标系OXbYbZb在地理坐标系OXgYgZg中以Xg、Yg、Zg三个方向的振动幅度、振动频率数据。
3.一种用于实施权利要求1或2任意一项所述的基于神经网络的捷联惯导***抗干扰自对准方法的装置，其特征在于，所述装置包括，
初始化单元，用于捷联惯导***静态初始化自对准，并获取初始姿态矩阵P0和环境数据E0，其中，初始姿态矩阵至少包括初始姿态角、速度、位置和惯性器件误差数据；环境数据包括环境温度、风力强度、载体振动幅度、载体振动频率数据；
神经网络单元，用于具有动态干扰环境下运行的捷联惯导***，在t时刻，获得实时姿态矩阵Pt和环境数据Et，将环境数据Et输入训练后的神经网络模型N中，输出实时姿态矩阵Pt的反馈修正量Pti；其中，神经网络模型N包括至少一层隐含层，根据捷联惯导***在载体运行过程中姿态矩阵Pn、环境数据En的历史数据与历史测量值进行训练得到；
数据修正单元，用于将反馈修正量Pti用于姿态矩阵Pt数据的修正，从而输出修正后的姿态矩阵Ptm数据；
动态对准单元，用于将修正后的姿态矩阵Ptm数据用于捷联惯导***抗干扰实时自对准。
4.根据权利要求3所述的装置，其特征在于，所述数据修正单元还包括修正计算模块，用于捷联惯导***姿态矩阵Pt数据的修正计算。
5.根据权利要求3或4任意一项所述的装置，其特征在于，所述捷联惯导***至少包括环境温度传感器，用于环境温度的数据采集；
加速度测量模块，用于地理坐标系OXgYgZg中加速度数据测量采集；
振动采集模块，用于载体坐标系OXbYbZb在地理坐标系OXgYgZg中以Xg、Yg、Zg三个方向的振动幅度、振动频率数据采集；
风力测量模块，用于对环境风力强度数据的采集。
6.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1或2任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210122838.2A CN114577204B (zh) | 2022-02-09 | 2022-02-09 | 基于神经网络的捷联惯导***抗干扰自对准方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210122838.2A CN114577204B (zh) | 2022-02-09 | 2022-02-09 | 基于神经网络的捷联惯导***抗干扰自对准方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114577204A CN114577204A (zh) | 2022-06-03 |
| CN114577204B true CN114577204B (zh) | 2024-01-02 |
Family
ID=81773939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210122838.2A Active CN114577204B (zh) | 2022-02-09 | 2022-02-09 | 基于神经网络的捷联惯导***抗干扰自对准方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114577204B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013059989A1 (zh) * | 2011-10-25 | 2013-05-02 | 国防科学技术大学 | 一种惯性导航***的运动对准方法 |
| CN106123921A (zh) * | 2016-07-10 | 2016-11-16 | 北京工业大学 | 动态干扰条件下捷联惯导***的纬度未知自对准方法 |
| CN110044378A (zh) * | 2019-04-17 | 2019-07-23 | 河海大学 | 一种用于水下深潜器的光纤捷联惯性导航高精度定位***及方法 |
| WO2020087845A1 (zh) * | 2018-10-30 | 2020-05-07 | 东南大学 | 基于gpr与改进的srckf的sins初始对准方法 |
| CN112113566A (zh) * | 2020-09-24 | 2020-12-22 | 电子科技大学 | 一种基于神经网络的惯性导航数据修正方法 |
| CN112346454A (zh) * | 2020-10-28 | 2021-02-09 | 博康智能信息技术有限公司 | 基于神经网络的无人船控制方法及其*** |
| US11046430B1 (en) * | 2017-04-17 | 2021-06-29 | United States Of America As Represented By The Administrator Of Nasa | Intelligent trajectory adviser system for unmanned aerial vehicles in complex environments |
| CN113099381A (zh) * | 2021-04-06 | 2021-07-09 | 苏州迭慧智能科技有限公司 | 一种天线工参智能感知仪及多功能智能感知网 |
| CN113984043A (zh) * | 2021-09-14 | 2022-01-28 | 哈尔滨工程大学 | 一种矿用惯导***的动态误差修正方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7647284B2 (en) * | 2007-01-12 | 2010-01-12 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fixed-weight recurrent neural network controller with fixed long-term and adaptive short-term memory |
| US8005635B2 (en) * | 2007-08-14 | 2011-08-23 | Ching-Fang Lin | Self-calibrated azimuth and attitude accuracy enhancing method and system (SAAAEMS) |
-
2022
- 2022-02-09 CN CN202210122838.2A patent/CN114577204B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013059989A1 (zh) * | 2011-10-25 | 2013-05-02 | 国防科学技术大学 | 一种惯性导航***的运动对准方法 |
| CN106123921A (zh) * | 2016-07-10 | 2016-11-16 | 北京工业大学 | 动态干扰条件下捷联惯导***的纬度未知自对准方法 |
| US11046430B1 (en) * | 2017-04-17 | 2021-06-29 | United States Of America As Represented By The Administrator Of Nasa | Intelligent trajectory adviser system for unmanned aerial vehicles in complex environments |
| WO2020087845A1 (zh) * | 2018-10-30 | 2020-05-07 | 东南大学 | 基于gpr与改进的srckf的sins初始对准方法 |
| CN110044378A (zh) * | 2019-04-17 | 2019-07-23 | 河海大学 | 一种用于水下深潜器的光纤捷联惯性导航高精度定位***及方法 |
| CN112113566A (zh) * | 2020-09-24 | 2020-12-22 | 电子科技大学 | 一种基于神经网络的惯性导航数据修正方法 |
| CN112346454A (zh) * | 2020-10-28 | 2021-02-09 | 博康智能信息技术有限公司 | 基于神经网络的无人船控制方法及其*** |
| CN113099381A (zh) * | 2021-04-06 | 2021-07-09 | 苏州迭慧智能科技有限公司 | 一种天线工参智能感知仪及多功能智能感知网 |
| CN113984043A (zh) * | 2021-09-14 | 2022-01-28 | 哈尔滨工程大学 | 一种矿用惯导***的动态误差修正方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于载波相位干涉测量的双星定向技术研究";逯亮清;《中国优秀博硕士学位论文全文数据库 (博士)信息科技辑》(第11期);正文第14-114页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114577204A (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fontanella et al. | MEMS gyros temperature calibration through artificial neural networks | |
| CN106871928B (zh) | 基于李群滤波的捷联惯性导航初始对准方法 | |
| Hong | Fuzzy logic based closed-loop strapdown attitude system for unmanned aerial vehicle (UAV) | |
| CN105737823B (zh) | 一种基于五阶ckf的gps/sins/cns组合导航方法 | |
| CN111707260B (zh) | 一种基于频域分析及卷积神经网络的定位方法 | |
| CN109085554B (zh) | 一种主动雷达导引头视线角零位误差估计方法及装置 | |
| CN102620605A (zh) | 半实物仿真用gps和ins组合制导*** | |
| CN104698485A (zh) | 基于bd、gps及mems的组合导航***及导航方法 | |
| CN109739088B (zh) | 一种无人船有限时间收敛状态观测器及其设计方法 | |
| CN105137804A (zh) | 一种针对飞行姿态扰动的实验室模拟方法 | |
| CN106017452A (zh) | 双陀螺抗扰动寻北方法 | |
| Wei et al. | Altitude data fusion utilising differential measurement and complementary filter | |
| Chou et al. | Two‐step optimal filter design for the low‐cost attitude and heading reference systems | |
| CN105973237B (zh) | 基于实际飞行数据插值的仿真动态轨迹解析生成方法 | |
| CN104344835B (zh) | 一种基于切换式自适应控制罗经的捷联惯导动基座对准方法 | |
| CN114577204B (zh) | 基于神经网络的捷联惯导***抗干扰自对准方法和装置 | |
| CN109724627A (zh) | 一种基于多普勒计程仪和星敏感器辅助的极区传递对准方法 | |
| CN106092141B (zh) | 一种改善相对位置传感器性能的方法及装置 | |
| Haotian et al. | Accurate attitude estimation of HB2 standard model based on QNCF in hypersonic wind tunnel test | |
| Guo et al. | Multi-sensor Data Fusion Using Adaptive Kalman Filter | |
| Liu et al. | A computer simulation of the influence of GGI and inertial sensors on gravity gradient aided navigation | |
| Xiong et al. | Gravity gradient aided position approach based on EKF and NN | |
| CN112683265A (zh) | 一种基于快速iss集员滤波的mimu/gps组合导航方法 | |
| Gong et al. | Unscented particle smoother and its application to transfer alignment of airborne distributed POS | |
| Chen et al. | SINS/BDS Integrated Navigation for Hypersonic Boost‐Glide Vehicles in the Launch‐Centered Inertial Frame |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221228 Address after: 225000 floor 7, building 1, No. 18, Yangtian Road, Hanjiang District, Yangzhou City, Jiangsu Province Applicant after: Zhongke Hehua (Yangzhou) Photoelectric Technology Co.,Ltd. Applicant after: Zhongke Hehua (Yangzhou) technology research and Development Co.,Ltd. Address before: 225000 floor 7, building 1, No. 18, Yangtian Road, Hanjiang District, Yangzhou City, Jiangsu Province Applicant before: Zhongke Hehua (Yangzhou) Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| CB02 | Change of applicant information |
Address after: The first and second floors of Building 2, No. 69 Gaoshu North Road, Hanjiang District, Yangzhou City, Jiangsu Province, 225008 Applicant after: Zhongke Hehua (Yangzhou) Photoelectric Technology Co.,Ltd. Applicant after: Zhongke Hehua (Yangzhou) technology research and Development Co.,Ltd. Address before: 225000 floor 7, building 1, No. 18, Yangtian Road, Hanjiang District, Yangzhou City, Jiangsu Province Applicant before: Zhongke Hehua (Yangzhou) Photoelectric Technology Co.,Ltd. Applicant before: Zhongke Hehua (Yangzhou) technology research and Development Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |