CN116047567B - 基于深度学习辅助的卫惯组合定位方法及导航方法 - Google Patents
基于深度学习辅助的卫惯组合定位方法及导航方法 Download PDFInfo
- Publication number
- CN116047567B CN116047567B CN202310344156.0A CN202310344156A CN116047567B CN 116047567 B CN116047567 B CN 116047567B CN 202310344156 A CN202310344156 A CN 202310344156A CN 116047567 B CN116047567 B CN 116047567B
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- positioning
- navigation
- data
- deep learning
- 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
Images
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
- 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
- G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
- G01S19/44—Carrier phase ambiguity resolution; Floating ambiguity; LAMBDA [Least-squares AMBiguity Decorrelation Adjustment] method
-
- 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
- G01S19/51—Relative positioning
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于深度学习辅助的卫惯组合定位方法,包括获取GNSS定位数据和IMU传感器数据并处理和同步;构建并训练得到深度学习定位模型;基于IMU传感器数据、GNSS定位数据和深度学习定位模型进行各自单独的位置更新;基于位置更新数据和卡尔曼滤波算法得到卫惯组合定位结果。本发明还公开了一种包括所述基于深度学习辅助的卫惯组合定位方法的导航方法。本发明采用深度学习方法,通过从GNSS和IMU原始数据中学习行人的运动特征,并输出相对定位,然后将相对定位结果紧耦合到卫惯组合导航模型中进行约束,抑制定位误差的发散;因此本发明的精度高、可靠性高、持续性好且成本低廉。
Description
技术领域
本发明属于定位技术领域,具体涉及一种基于深度学习辅助的卫惯组合定位方法及导航方法。
背景技术
随着经济技术的发展和人们生活水平的提高,定位技术已经广泛应用于人们的生产和生活当中,给人们的生产和生活带来了无尽的便利。因此,保障定位的精度和持续性,就成为了研究人员的研究重点之一。目前,为了保证定位过程的精确性和持续性,基于GNSS(全球导航卫星***)与MEMS IMU(微机电惯性设备)的组合导航定位技术已成为室内外无缝导航定位领域一个研究热点。
在实际应用中,在室内、地下等GNSS拒止的室内环境下,由于没有GNSS观测的约束,惯导***的递推误差将会快速发散;这使得定位误差会随时间迅速增长,最终导致定位结果无法使用。目前,虽然能够采用误差发散慢、精度高的精密IMU器件来解决这一问题,但是精密IMU器件的成本高昂。同时,虽然融合多种传感器(比如融入视觉传感器等)的定位方法能够有效进行高精度持续定位,但是这类方法需要增加额外的传感器,实际使用时并不方便,而且同样也会增加用户的成本。因此,目前的常用的定位方法,都无法实现低成本和持续性的高精度定位。
发明内容
本发明的目的之一在于提供一种精度高、可靠性高、持续性好且成本低廉的基于深度学习辅助的卫惯组合定位方法。
本发明的目的之二在于提供一种包括了所述基于深度学习辅助的卫惯组合定位方法的导航方法。
本发明提供的这种基于深度学习辅助的卫惯组合定位方法,包括如下步骤:
S1. 获取GNSS定位数据和IMU传感器数据;
S2. 对步骤S1获取的数据进行处理和同步;
S3. 基于卷积神经网络和循环神经网络,构建并训练得到深度学习定位模型;
S4. 基于IMU传感器数据,构建惯导误差分析方程并进行位置更新;基于GNSS定位数据,结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新;基于步骤S3得到的深度学习定位模型进行位置更新;
S5. 基于步骤S4得到的三类位置更新数据,采用卡尔曼滤波算法进行最优估计,得到最终的卫惯组合定位结果。
所述的步骤S1,具体包括如下步骤:
获取的GNSS定位数据包括卫星星历数据、载波相位数据、伪距数据、多普勒原始观测数据和GNSS基站差分数据;
获取的IMU传感器数据包括IMU原始测量数据。
所述的步骤S2,具体包括如下步骤:
对获取的GNSS定位数据进行数据清洗,滤除异常数据;
基于PPS授时***,对获取的IMU原始测量数据和GNSS定位数据进行时间同步。
所述的步骤S3,具体包括如下步骤:
取设定时间段内的处理后的IMU传感器的加速度值和角速度值,并转换到导航坐标系下;
将得到的数据输入标准CNN卷积神经网络,提取得到行人状态的隐藏特征;
将得到的行人状态的隐藏特征输入若干个LSTM长短期记忆网路中,学习得到行人运动状态的时序特征;
将得到的行人运动状态的时序特征,经过若干个全连接网络处理,得到深度学习定位模型预测的相对定位结果;
根据得到预测的相对定位结果与真实的相对定位结果,采用MSE均方根作为误差函数,对深度学习定位模型进行迭代训练直至误差函数达到最小值,完成深度学习定位模型的训练。
采用如下算式计算预测的相对定位结果:其中/>为预测的相对定位结果;/>度学习定位模型的模型函数;N为设定时间段内的数据数量;/>为m时刻导航坐标系的加速度值且/>,/>为m时刻IMU坐标系到导航坐标系的转换函数,a为IMU传感器中加速度计输出的加速度值,/>为IMU传感器中加速度计的零漂,/>为重力加速度值;/>为m时刻导航坐标系的角速度值且,w为IMU传感器中角速度计输出的角速度值,/>为IMU传感器中角速度计的零漂。
步骤S4所述的基于IMU传感器数据,构建惯导误差分析方程并进行位置更新,具体包括如下步骤:
构建的惯导误差分析方程,具体包括如下的位置误差微分方程、速度误差微分方程和姿态误差微分方程: 式中/>为位置误差微分值;/>为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度;/>为导航坐标系下的位置误差;/>为计算坐标系到导航坐标系之间的失准角;/>为导航坐标系下的速度;/>为导航坐标系下的速度误差;/>为速度误差微分值;/>为载体坐标系到导航坐标系的转换矩阵;/>为加速度误差;/>为导航坐标系下的加速度;/>为导航坐标系下的姿态角;/>为地球自转角速度在导航坐标系的投影;/>为地球自转角速度在导航坐标系的投影的误差值;/>为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度的误差值;/>为重力误差;/>为姿态误差微分值;/>为导航坐标系中导航坐标系相对于惯性坐标系的角速度;/>为导航坐标系中导航坐标系相对于惯性坐标系的角速度误差值;/>为导航坐标系中的角速度的误差值。
步骤S4所述的基于GNSS定位数据,结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新,具体包括如下步骤:
伪距双差观测更新:ECEF坐标系下的速度值
根据伪距双差的观测值与估计值,构建伪距双差观测更新方程为: 式中/>为伪距双差观测向量;/>为载波波长;/>为导航坐标系下基站对卫星i的观测矢量;/>为导航坐标系下基站对卫星j的观测矢量;/>为接收机的ECEF坐标值;/>为基准站的ECEF坐标值;/>为k时刻接收机与基站对第i颗卫星的伪距观测之差与第j颗卫星的伪距观测之差的差值;为导航坐标系到ECEF坐标系的转换矩阵;/>为载体在导航坐标系下的坐标值;/>为导航坐标系原点在ECEF坐标系中的坐标值;
载波相位双差观测更新:
根据载波相位双差的观测值与估计值,构建载波相位双差观测更新方程为:式中/>为载波相位双差观测向量;为k时刻第i颗卫星与第j颗卫星观测的整周模糊度差值;/>为k时刻接收机与基站对第i颗卫星的载波相位观测之差与第j颗卫星的载波相位观测之差的差值;
多普勒单差更新:
根据多普勒单差的观测值与估计值,构建多普勒单差观测更新方程为: 式中/>为多普勒单差观测向量;/>为第i颗卫星的速度值;/>为载体在ECEF坐标系下的速度值;/>为第i颗卫星的频漂;/>为第i颗卫星与第j颗卫星观测的多普勒差值;为载体在导航坐标系下的速度值。
步骤S4所述的基于步骤S3得到的深度学习定位模型进行位置更新,具体包括如下步骤:
根据深度学习定位模型输出的相对定位结果与导航坐标系两个时刻的位置之差,构建深度学习定位模型更新方程为:式中/>为深度学习定位模型的观测向量;/>为第i时刻载体在导航坐标系下的坐标值;/>为深度学习定位模型输出的第i时刻到第j时刻的相对定位结果;/>为马氏距离。
步骤S5所述的基于步骤S4得到的三类位置更新数据,采用卡尔曼滤波算法进行最优估计,具体包括如下步骤:
对GNSS定位数据、深度学习定位模型的预测值和IMU惯导***的递推结果,采用卡尔曼滤波最优估计进行联合优化,得到最优的位姿估计;
卡尔曼滤波***方程分为状态方程和更新方程为: 式中/>为k时刻的状态估计向量;/>为k-1时刻到k时刻的状态转移矩阵;/>为k-1时刻的过程噪声矩阵;/>为k-1时刻的***噪声矩阵;/>为k时刻的观测向量;/>为k时刻的观测更新矩阵;/>为k时刻的观测噪声矩阵;
卡尔曼滤波***过程分为预测和更新两部分,预测过程为: 式中/>为k-1时刻预测的状态估计向量;/>为k-1时刻预测的协方差矩阵;/>为k-1时刻到k时刻的状态转移矩阵的转置;/>为k-1时刻到k时刻的过程噪声矩阵;/>为k-1时刻***噪声的协方差矩阵;
本发明还提供了一种包括了所述基于深度学习辅助的卫惯组合定位方法的导航方法,具体包括如下步骤:
A. 实时获取GNSS定位数据和IMU传感器数据;
B. 采用所述的基于深度学习辅助的卫惯组合定位方法,进行实时定位;
C. 根据步骤B得到的实时定位结果,进行实时导航。
本发明提供的这种基于深度学习辅助的卫惯组合定位方法及导航方法,采用深度学习方法,通过从GNSS和MEMS IMU原始数据中学习行人的运动特征,并输出相对定位,然后将相对定位结果紧耦合到卫惯组合导航模型中进行约束,抑制定位误差的发散;因此本发明的精度高、可靠性高、持续性好且成本低廉。
附图说明
图1为本发明定位方法的方法流程示意图。
图2为现有卫惯组合定位方法与本申请方法在水平上的误差对比情况示意图。
图3为现有卫惯组合定位方法与本申请方法在高程上的误差对比情况示意图。
图4为本发明导航方法的方法流程示意图。
具体实施方式
如图1所示为本发明定位方法的方法流程示意图:本发明提供的这种基于深度学习辅助的卫惯组合定位方法,包括如下步骤:
S1. 获取GNSS定位数据和IMU传感器数据;具体包括如下步骤:
获取的GNSS定位数据包括卫星星历数据、载波相位数据、伪距数据、多普勒原始观测数据和GNSS基站差分数据;
获取的IMU传感器数据包括IMU原始测量数据;
S2. 对步骤S1获取的数据进行处理和同步;具体包括如下步骤:
对获取的GNSS定位数据进行数据清洗,滤除异常数据;
基于PPS授时***,对获取的IMU原始测量数据和GNSS定位数据进行时间同步;
S3. 基于卷积神经网络和循环神经网络,构建并训练得到深度学习定位模型;具体包括如下步骤:
取设定时间段内的处理后的IMU传感器的加速度值和角速度值,并转换到导航坐标系下;
将得到的数据输入标准CNN卷积神经网络,提取得到行人状态的隐藏特征;
将得到的行人状态的隐藏特征输入若干个LSTM长短期记忆网路中,学习得到行人运动状态的时序特征;
将得到的行人运动状态的时序特征,经过若干个全连接网络处理,得到深度学习定位模型预测的相对定位结果;
根据得到预测的相对定位结果与真实的相对定位结果,采用MSE均方根作为误差函数,对深度学习定位模型进行迭代训练直至误差函数达到最小值,完成深度学习定位模型的训练。
采用如下算式计算预测的相对定位结果:其中/>为预测的相对定位结果;/>度学习定位模型的模型函数;N为设定时间段内的数据数量;/>为m时刻导航坐标系的加速度值且/>,/>为m时刻IMU坐标系到导航坐标系的转换函数,a为IMU传感器中加速度计输出的加速度值,/>为IMU传感器中加速度计的零漂,/>为重力加速度值;/>为m时刻导航坐标系的角速度值且,w为IMU传感器中角速度计输出的角速度值,/>为IMU传感器中角速度计的零漂;
S4. 基于IMU传感器数据,构建惯导误差分析方程并进行位置更新;基于GNSS定位数据,结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新;基于步骤S3得到的深度学习定位模型进行位置更新;
具体实施时,所述的基于IMU传感器数据,构建惯导误差分析方程并进行位置更新,具体包括如下步骤:
构建的惯导误差分析方程,具体包括如下的位置误差微分方程、速度误差微分方程和姿态误差微分方程: 式中/>为位置误差微分值;/>为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度;/>为导航坐标系下的位置误差;/>为计算坐标系到导航坐标系之间的失准角;/>为导航坐标系下的速度;/>为导航坐标系下的速度误差;/>为速度误差微分值;/>为载体坐标系到导航坐标系的转换矩阵;/>为加速度误差;/>为导航坐标系下的加速度;/>为导航坐标系下的姿态角;/>为地球自转角速度在导航坐标系的投影;/>为地球自转角速度在导航坐标系的投影的误差值;/>为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度的误差值;/>为重力误差;/>为姿态误差微分值;/>为导航坐标系中导航坐标系相对于惯性坐标系的角速度;/>为导航坐标系中导航坐标系相对于惯性坐标系的角速度误差值;/>为导航坐标系中的角速度的误差值;
所述的基于GNSS定位数据,结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新,具体包括如下步骤:
伪距双差观测更新:
根据伪距双差的观测值与估计值,构建伪距双差观测更新方程为: 式中/>为伪距双差观测向量;/>为载波波长;/>为导航坐标系下基站对卫星i的观测矢量;/>为导航坐标系下基站对卫星j的观测矢量;/>为接收机的ECEF坐标值;/>为基准站的ECEF坐标值;/>为k时刻接收机与基站对第i颗卫星的伪距观测之差与第j颗卫星的伪距观测之差的差值;为导航坐标系到ECEF坐标系的转换矩阵;/>为载体在导航坐标系下的坐标值;/>为导航坐标系原点在ECEF坐标系中的坐标值;
载波相位双差观测更新:
根据载波相位双差的观测值与估计值,构建载波相位双差观测更新方程为:式中/>为载波相位双差观测向量;为k时刻第i颗卫星与第j颗卫星观测的整周模糊度差值;/>为k时刻接收机与基站对第i颗卫星的载波相位观测之差与第j颗卫星的载波相位观测之差的差值;
多普勒单差更新:
根据多普勒单差的观测值与估计值,构建多普勒单差观测更新方程为: 式中/>为多普勒单差观测向量;/>为第i颗卫星的速度值;/>为载体在ECEF坐标系下的速度值;/>为第i颗卫星的频漂;/>为第i颗卫星与第j颗卫星观测的多普勒差值;为载体在导航坐标系下的速度值;
所述的基于步骤S3得到的深度学习定位模型进行位置更新,具体包括如下步骤:
根据深度学习定位模型输出的相对定位结果与导航坐标系两个时刻的位置之差,构建深度学习定位模型更新方程为:式中/>为深度学习定位模型的观测向量;/>为第i时刻载体在导航坐标系下的坐标值;/>为深度学习定位模型输出的第i时刻到第j时刻的相对定位结果;/>为马氏距离;
S5. 基于步骤S4得到的三类位置更新数据,采用卡尔曼滤波算法进行最优估计,得到最终的卫惯组合定位结果;具体包括如下步骤:
对GNSS定位数据、深度学习定位模型的预测值和IMU惯导***的递推结果,采用卡尔曼滤波最优估计进行联合优化,得到最优的位姿估计;
卡尔曼滤波***方程分为状态方程和更新方程为: 式中/>为k时刻的状态估计向量;/>为k-1时刻到k时刻的状态转移矩阵;/>为k-1时刻的过程噪声矩阵;/>为k-1时刻的***噪声矩阵;/>为k时刻的观测向量;/>为k时刻的观测更新矩阵;/>为k时刻的观测噪声矩阵;
卡尔曼滤波***过程分为预测和更新两部分,预测过程为: 式中/>为k-1时刻预测的状态估计向量;/>为k-1时刻预测的协方差矩阵;/>为k-1时刻到k时刻的状态转移矩阵的转置;/>为k-1时刻到k时刻的过程噪声矩阵;/>为k-1时刻***噪声的协方差矩阵;
以下结合一个实施例,对本发明的定位方法的效果进行进一步说明:
本实施例基于AIDS16505进行IMU数据采集,基于公司自研基带芯片进行GNSS原始观测量和卫星星历数据的采集,基于网络TCP方式接收GNSS差分数据,IMU采样频率为100HZ,GNSS原始观测量和差分数据接收频率为1HZ,数据已经过相关工具同步处理并发布成ros格式。数据采集点为长沙市麓谷一带,数据的前半部分用于神经网络参数训练,后半段用于测试,且测试段大部分位于复杂环境段,并基于本专利方法与现有卫惯组合定位方法进行对比。对比实验后,本发明方法的定位精度要明显优于现有方法。
分别用现有卫惯组合定位方法与本专利方法的坐标值,减去真值得到水平和高程方向的误差值,然后展图画出如图2和图3;图2为现有卫惯组合定位方法与本专利方法在水平上的误差对比情况,图3为现有卫惯组合定位方法与本专利方法在高程上的误差对比情况。从图可以看出,基于本专利定位方法的误差值在水平和高程方向上都小于现有卫惯组合定位方法,说明基于本专利定位方法能大幅提升在GNSS拒止的室内环境下的定位精度。
如图4所示为本发明导航方法的方法流程示意图:本发明提供的这种包括了所述基于深度学习辅助的卫惯组合定位方法的导航方法,具体包括如下步骤:
A. 实时获取GNSS定位数据和IMU传感器数据;
B. 采用所述的基于深度学习辅助的卫惯组合定位方法,进行实时定位;
C. 根据步骤B得到的实时定位结果,进行实时导航。
Claims (8)
1.一种基于深度学习辅助的卫惯组合定位方法,其特征在于包括如下步骤:
S1. 获取GNSS定位数据和IMU传感器数据;
S2. 对步骤S1获取的数据进行处理和同步;
S3. 基于卷积神经网络和循环神经网络,构建并训练得到深度学习定位模型;具体包括如下步骤:
取设定时间段内的处理后的IMU传感器的加速度值和角速度值,并转换到导航坐标系下;
将得到的数据输入标准CNN卷积神经网络,提取得到行人状态的隐藏特征;
将得到的行人状态的隐藏特征输入若干个LSTM长短期记忆网路中,学习得到行人运动状态的时序特征;
将得到的行人运动状态的时序特征,经过若干个全连接网络处理,得到深度学习定位模型预测的相对定位结果;采用如下算式计算预测的相对定位结果:其中/>为预测的相对定位结果;/>度学习定位模型的模型函数;N为设定时间段内的数据数量;/>为m时刻导航坐标系的加速度值且,/>为m时刻IMU坐标系到导航坐标系的转换函数,a为IMU传感器中加速度计输出的加速度值,/>为IMU传感器中加速度计的零漂,/>为重力加速度值;/>为m时刻导航坐标系的角速度值且/>,w为IMU传感器中角速度计输出的角速度值,/>为IMU传感器中角速度计的零漂;
根据得到预测的相对定位结果与真实的相对定位结果,采用MSE均方根作为误差函数,对深度学习定位模型进行迭代训练直至误差函数达到最小值,完成深度学习定位模型的训练;
S4. 基于IMU传感器数据,构建惯导误差分析方程并进行位置更新;基于GNSS定位数据,结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新;基于步骤S3得到的深度学习定位模型进行位置更新;
S5. 基于步骤S4得到的三类位置更新数据,采用卡尔曼滤波算法进行最优估计,得到最终的卫惯组合定位结果。
2.根据权利要求1所述的基于深度学习辅助的卫惯组合定位方法,其特征在于所述的步骤S1,具体包括如下步骤:
获取的GNSS定位数据包括卫星星历数据、载波相位数据、伪距数据、多普勒原始观测数据和GNSS基站差分数据;
获取的IMU传感器数据包括IMU原始测量数据。
3.根据权利要求2所述的基于深度学习辅助的卫惯组合定位方法,其特征在于所述的步骤S2,具体包括如下步骤:
对获取的GNSS定位数据进行数据清洗,滤除异常数据;
基于PPS授时***,对获取的IMU原始测量数据和GNSS定位数据进行时间同步。
4.根据权利要求3所述的基于深度学习辅助的卫惯组合定位方法,其特征在于步骤S4所述的基于IMU传感器数据,构建惯导误差分析方程并进行位置更新,具体包括如下步骤:
构建的惯导误差分析方程,具体包括如下的位置误差微分方程、速度误差微分方程和姿态误差微分方程: 式中/>为位置误差微分值;/>为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度;/>为导航坐标系下的位置误差;/>为计算坐标系到导航坐标系之间的失准角;/>为导航坐标系下的速度;/>为导航坐标系下的速度误差;/>为速度误差微分值;/>为载体坐标系到导航坐标系的转换矩阵;/>为加速度误差;/>为导航坐标系下的加速度;/>为导航坐标系下的姿态角;/>为地球自转角速度在导航坐标系的投影;/>为地球自转角速度在导航坐标系的投影的误差值;/>为导航坐标系中的导航坐标系相对于ECEF坐标系的角速度的误差值;/>为重力误差;/>为姿态误差微分值;/>为导航坐标系中导航坐标系相对于惯性坐标系的角速度;/>为导航坐标系中导航坐标系相对于惯性坐标系的角速度误差值;/>为导航坐标系中的角速度的误差值。
5.根据权利要求4所述的基于深度学习辅助的卫惯组合定位方法,其特征在于步骤S4所述的基于GNSS定位数据,结合伪距双差、载波相位双差和多普勒单差观测值进行位置更新,具体包括如下步骤:
伪距双差观测更新:
根据伪距双差的观测值与估计值,构建伪距双差观测更新方程为: 式中/>为伪距双差观测向量;/>为载波波长;/>为导航坐标系下基站对卫星i的观测矢量;/>为导航坐标系下基站对卫星j的观测矢量;/>为接收机的ECEF坐标值;/>为基准站的ECEF坐标值;/>为k时刻接收机与基站对第i颗卫星的伪距观测之差与第j颗卫星的伪距观测之差的差值;为导航坐标系到ECEF坐标系的转换矩阵;/>为载体在导航坐标系下的坐标值;/>为导航坐标系原点在ECEF坐标系中的坐标值;
载波相位双差观测更新:
根据载波相位双差的观测值与估计值,构建载波相位双差观测更新方程为:式中/>为载波相位双差观测向量;为k时刻第i颗卫星与第j颗卫星观测的整周模糊度差值;/>为k时刻接收机与基站对第i颗卫星的载波相位观测之差与第j颗卫星的载波相位观测之差的差值;
多普勒单差更新:
7.根据权利要求6所述的基于深度学习辅助的卫惯组合定位方法,其特征在于步骤S5所述的基于步骤S4得到的三类位置更新数据,采用卡尔曼滤波算法进行最优估计,具体包括如下步骤:
对GNSS定位数据、深度学习定位模型的预测值和IMU惯导***的递推结果,采用卡尔曼滤波最优估计进行联合优化,得到最优的位姿估计;
卡尔曼滤波***方程分为状态方程和更新方程为: 式中/>为k时刻的状态估计向量;/>为k-1时刻到k时刻的状态转移矩阵;/>为k-1时刻的过程噪声矩阵;/>为k-1时刻的***噪声矩阵;/>为k时刻的观测向量;/>为k时刻的观测更新矩阵;/>为k时刻的观测噪声矩阵;
卡尔曼滤波***过程分为预测和更新两部分,预测过程为: 式中/>为k-1时刻预测的状态估计向量;/>为k-1时刻预测的协方差矩阵;/>为k-1时刻到k时刻的状态转移矩阵的转置;/>为k-1时刻到k时刻的过程噪声矩阵;/>为k-1时刻***噪声的协方差矩阵;
8.一种包括了权利要求1~7之一所述的基于深度学习辅助的卫惯组合定位方法的导航方法,其特征在于具体包括如下步骤:
A. 实时获取GNSS定位数据和IMU传感器数据;
B. 采用权利要求1~7之一所述的基于深度学习辅助的卫惯组合定位方法,进行实时定位;
C. 根据步骤B得到的实时定位结果,进行实时导航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310344156.0A CN116047567B (zh) | 2023-04-03 | 2023-04-03 | 基于深度学习辅助的卫惯组合定位方法及导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310344156.0A CN116047567B (zh) | 2023-04-03 | 2023-04-03 | 基于深度学习辅助的卫惯组合定位方法及导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116047567A CN116047567A (zh) | 2023-05-02 |
CN116047567B true CN116047567B (zh) | 2023-06-23 |
Family
ID=86120431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310344156.0A Active CN116047567B (zh) | 2023-04-03 | 2023-04-03 | 基于深度学习辅助的卫惯组合定位方法及导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116047567B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706583A (zh) * | 2023-12-29 | 2024-03-15 | 无锡物联网创新中心有限公司 | 一种高精度定位方法及*** |
CN118033695A (zh) * | 2024-04-12 | 2024-05-14 | 山东大学 | 一种北斗与伪卫星融合定位方法、***、设备及介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6721657B2 (en) * | 2001-06-04 | 2004-04-13 | Novatel, Inc. | Inertial GPS navigation system |
JP5586994B2 (ja) * | 2010-03-11 | 2014-09-10 | 三菱電機株式会社 | 位置標定装置、位置標定装置の位置標定方法および位置標定プログラム |
WO2013080183A1 (en) * | 2011-11-30 | 2013-06-06 | Applanix Corporation | A quasi tightly coupled gnss-ins integration process |
CN107643534B (zh) * | 2017-09-11 | 2019-07-12 | 东南大学 | 一种基于gnss/ins深组合导航的双速率卡尔曼滤波方法 |
FR3089038B1 (fr) * | 2018-11-22 | 2020-10-30 | Thales Sa | Procede d’apprentissage d’un reseau de neurones embarque dans un aeronef pour l’aide a l’atterrissage dudit aeronef et serveur pour la mise en œuvre d’un tel procede |
US11205112B2 (en) * | 2019-04-01 | 2021-12-21 | Honeywell International Inc. | Deep neural network-based inertial measurement unit (IMU) sensor compensation method |
CN110780326A (zh) * | 2019-09-26 | 2020-02-11 | 上海瀚所信息技术有限公司 | 一种车载组合导航***和定位方法 |
CN111880207B (zh) * | 2020-07-09 | 2022-12-23 | 南京航空航天大学 | 一种基于小波神经网络的视觉惯性卫星紧耦合定位方法 |
CN112595313A (zh) * | 2020-11-25 | 2021-04-02 | 北京海达星宇导航技术有限公司 | 基于机器学习的车载导航方法、装置和计算机设备 |
WO2022175602A1 (fr) * | 2021-02-18 | 2022-08-25 | Geosat | Procede de geolocalisation et de qualification de dispositifs d'infrastructure de signalisation |
CN113359101B (zh) * | 2021-08-10 | 2021-11-05 | 中南大学 | 一种地下目标探测方法、***及计算机存储介质 |
CN113916221B (zh) * | 2021-09-09 | 2024-01-09 | 北京理工大学 | 一种融合视觉里程计和bp网络的自适应行人航迹推算方法 |
CN115265532A (zh) * | 2022-07-28 | 2022-11-01 | 大连海事大学 | 一种用于船用组合导航中的辅助滤波方法 |
CN115639585A (zh) * | 2022-09-30 | 2023-01-24 | 桂林电子科技大学 | 一种gps/imu和激光雷达的多传感器融合定位方法 |
CN115790629A (zh) * | 2022-11-21 | 2023-03-14 | 江苏省特种设备安全监督检验研究院 | 一种自动驾驶观光车路径跟踪精度检测方法 |
-
2023
- 2023-04-03 CN CN202310344156.0A patent/CN116047567B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116047567A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116047567B (zh) | 基于深度学习辅助的卫惯组合定位方法及导航方法 | |
CN110645979B (zh) | 基于gnss/ins/uwb组合的室内外无缝定位方法 | |
CN111947652B (zh) | 一种适用于月球着陆器的惯性/视觉/天文/激光测距组合导航方法 | |
CN102445200A (zh) | 微小型个人组合导航***及其导航定位方法 | |
CN113252033B (zh) | 基于多传感器融合的定位方法、定位***及机器人 | |
CN104698486A (zh) | 一种分布式pos用数据处理计算机***实时导航方法 | |
CN114719843B (zh) | 复杂环境下的高精度定位方法 | |
Zou et al. | A nonlinear transfer alignment of distributed POS based on adaptive second-order divided difference filter | |
Lyu et al. | Optimal time difference-based TDCP-GPS/IMU navigation using graph optimization | |
Zhou et al. | Online visual-inertial extrinsic calibration utilizing GNSS measurements for vehicle applications | |
CN114690229A (zh) | 一种融合gps的移动机器人视觉惯性导航方法 | |
Park et al. | Implementation of vehicle navigation system using GNSS, INS, odometer and barometer | |
CN114518587A (zh) | 一种室内外无缝定位***及方法 | |
Vana et al. | Benefits of motion constraining for robust, low-cost, dual-frequency GNSS PPP+ MEMS IMU navigation | |
CN105115507A (zh) | 一种基于双imu的双模式室内个人导航***及方法 | |
CN115523920B (zh) | 一种基于视觉惯性gnss紧耦合的无缝定位方法 | |
Liu et al. | 3D LiDAR aided GNSS real-time kinematic positioning via coarse-to-fine batch optimization for high accuracy mapping in dense urban canyons | |
CN116482735A (zh) | 一种受限空间内外高精度定位方法 | |
CN104897157A (zh) | 基于足部航姿参考和肩部电子罗盘的个人导航***及方法 | |
CN115291227A (zh) | 一种室内外无缝定位与3d建图方法及*** | |
CN114812554A (zh) | 基于滤波的多源融合机器人室内绝对定位方法 | |
Hariz et al. | High-Resolution Mobile Mapping Platform Using 15-mm Accuracy LiDAR and SPAN/TerraStar C-PRO Technologies | |
Xiaoyu et al. | GH-LPS/INS integration for precise UAV application | |
Chen et al. | Modeling and Assessment on The Tightly Coupled Integration of TWTOA-Based UWB and INS | |
Sirikonda et al. | Tightly Coupled NavIC and Low-Cost Sensors for Ground Vehicle Navigation |
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 |