神经网络辅助的GPS/INS组合导航滤波算法研究

在高空高速条件下,GPS信号失锁致使常规的卡尔曼滤波器发散,从而导致组合导航系统精度严重下降。以BP神经网络辅助技术手段对GPS/INS组合导航滤波算法实施精度补偿,即在GPS信号锁定时,对神经网络进行实时在线训练,而当在GPS信号失锁时,利用之前训练好的神经网络进行组合导航滤波,以解决精度严重下降问题。算法采用多神经网络并行结构,以减少神经网络在训练过程中的交叉耦合,提高训练速度。通过MATLAB仿真,验证了算法的可靠性与可行性,并证明其在GPS信号丢失时,精度较纯惯性导航系统有较大提高。     

基于GRU循环神经网络辅助的组合导航算法

针对复杂场景下GPS信号失锁导致的INS/GPS组合导航系统定位精度严重下降问题,提出基于GRU(门控循环单元)循环神经网络辅助的方法.在GPS信号锁定的情况下,使用GRU循环神经网络对IMU传感器数据、组合导航信息、GPS信息进行训练;GPS信号失锁后,利用训练好的模型进行预测,继续补偿INS结果.通过实际跑车采得的数据进行验证,在GPS信号失锁时,使用GRU循环神经网络辅助相较于纯惯导系统精度有较大提高.与MLP(多层感知器)辅助的方法进行比较,验证了循环神经网络对于连续时间轨迹推算的优越性.     

惯性器件建模对GPS失锁段导航精度的影响

针对INS/GPS组合导航系统在GPS信号失锁的条件下导航精度恶化的问题,分析了惯性器件建模对导航精度的影响程度。通过对传统简化模型和考虑载体机动与环境因素的影响而建立的惯性器件完备模型的仿真,对两种模型在组合断开后的纯惯性导航的水平位置误差进行对比。结果表明相比简化模型相对完备模型可以将水平位置误差的精度提高53%,能有效解决INS/GPS组合导航系统因GPS信号失效后纯惯性系统的定位精度迅速恶化问题。     

基于GPS/SINS/里程计的车载组合导航研究

GPS/SINS组合导航系统虽然能很好地解决惯导系统的误差累积问题,但当GPS信号失效时,GPS/SINS组合导航系统不能正常工作或导航能力急剧降低。为提高车载松组合导航系统的精度和完整性,提出在GPS失效时采用OD(里程计)辅助SINS实现导航,推导出所需的GPS/SINS组合导航滤波方程和OD/SINS组合导航滤波方程,并进行地面车载试验。实验结果显示在GPS短时失效时,OD/SINS组合导航具有较高导航精度。     

车载INS/GPS组合导航系统建模与仿真

为了准确地对车辆进行定位,实现导航功能,将两种常用的导航定位技术GPS定位导航技术与惯性导航技术进行组合,介绍了INS/GPS组合导航系统的仿真方案。因车载组合导航系统对精度的要求不是很高,采用低成本的机械陀螺和加速度计作为惯性导航系统的测量器件。INS/GPS组合导航系统采用位置和速度组合模式,分别给出纯INS,纯GPS,组合导航系统的位置误差比较。结果分析表明,组合导航系统精度高于INS和GPS分别独立工作时的精度。     

基于ANFIS神经网络的GPS/INS组合导航信息融合

介绍了自适应神经网络模糊推理技术(ANFIS),在此基础上采取新息自适应调整的思想,设计了一种基于滤波器工作参数调整的GPS/INS组合导航神经网络辅助卡尔曼滤波器,利用神经网络的非线性,根据滤波器的实际输出在线实时动态调整滤波器参数,达到对滤波器的调整和控制。与传统卡尔曼滤波器进行计算机仿真比较表明,基于ANFIS神经网络的GPS/INS组合导航信息融合技术具有较强的自适应性,能够在复杂的环境下抑制数据的发散,提高导航精度。     

基于cubature Kalman filter的INS/GPS组合导航滤波算法

INS/GPS组合导航系统的本质是非线性的,为改善非线性下INS/GPS组合导航精度,提出将一种新的非线性滤波cubature Kalman filter（CKF）应用于INS/GPS组合导航中.为此,建立了基于平台失准角的非线性状态模型和以速度误差及位置误差描述的观测模型,分析了CKF滤波原理,设计了INS/GPS组合滤波器,对组合导航非线性模型进行了仿真.仿真结果显示,相对于扩展卡尔曼滤波（EKF）,CKF降低了姿态、位置和速度估计误差,CKF更适合于处理组合导航的状态估计问题.     

GPS/SINS/Odometer组合导航系统的研究

针对全球定位系统(GPS)和捷联惯性导航系统(SINS)组成的车载导航系统在GPS失效时精度会快速下降的问题,提出了GPS/SINS/Odometer(里程计)组合导航定位系统,采用联邦卡尔曼滤波对SINS进行误差估计并作反馈校正。当GPS无效时,就可以使用里程计辅助SINS。实验结果表明,在GPS失效的时间段内,该组合系统可以有效地抑制SINS的误差发散,并将其误差限制在较低的水平,保证了组合导航系统的精度与可靠性。     

INS/GPS/电子罗盘组合导航系统研究

根据船舶导航系统对导航精度的要求,利用联邦卡尔曼滤波技术,分别确立了INS/电子罗盘子滤波器和INS/GPS子滤波器的组合模式,设计了船舶INS/GPS/电子罗盘组合导航系统;仿真结果表明,将联邦卡尔曼滤波理论应用于INS/GPS/电子罗盘组合导航系统可以获得较为满意的导航精度.     

UKF在INS/GPS直接法卡尔曼滤波中的应用

提出将Unscented卡尔曼滤波(UKF)用于INS/GPS组合导航系统的直接法卡尔曼滤波,避免了对非线性的系统状态方程进行线性化.以INS输出的导航参数及平台误差角等作为系统状态,惯导力学编排方程和姿态误差方程作为系统状态方程,GPS输出的导航参数作为量测,采用UKF方法对系统导航参数直接进行估计.仿真结果表明,UKF方法有效地解决了直接法卡尔曼滤波中系统状态方程的非线性问题,并使INS/GPS组合导航系统具有较高的导航定位精度.     

GPS信号自适应抗干扰系统

针对GPS卫星信号易受干扰,不稳定的问题,提出INS/GPS组合导航抗干扰的方法并用硬件电路进行实现验证。给出了惯性器件的误差模型,采用松散组合方式,设计卡尔曼滤波器,取姿态、速度、位置的误差作为状态变量。提出以INS与GPS输出的东北天向速度误差作为滤波器观测量的方案。通过计算机的仿真和实验验证,对系统的精度进行了分析,证明该方案是可行的,实现实时滤波计算,并能满足导航的精度要求。     

路网辅助的车载INS/GPS组合导航方法

针对车载INS/GPS组合导航系统在GPS无效时精度迅速下降的问题,提出了将车辆行驶的路网约束作为虚拟传感器,采用多传感器数据融合的方式,与INS和GPS组成INS/GPS/路网组合导航系统.当GPS失效时,使用路网辅助INS.仿真结果表明,在GPS无效时间段,该方法能有效减小系统定位误差.     

基于因子图算法的INS/GPS信息滞后处理方法

针对全球定位系统（GPS）信息滞后导致惯性导航系统（INS）/GPS组合导航系统实时性差的问题,利用因子图算法可以在一个信息融合时刻处理各信息源不同时刻量测信息的特点,提出了一种INS/GPS信息滞后处理方法。在系统接收到GPS信息之前,因子图模型中只添加关于INS信息的因子节点,经增量推理求出组合导航结果,保证系统的实时性。待系统接收到GPS信息之后,再将关于GPS信息的因子节点添加到因子图模型中,修正INS误差,从而保证系统长时间高精度运行。仿真结果表明,当上一时刻实时导航状态量对INS误差修正效果随GPS信息滞后时间变长而逐渐变差时,可以采用上一时刻刚刚完成量测更新的导航状态量实现INS误差的有效修正。因子图算法在保证系统精度的前提下,避免了GPS信息滞后对INS/GPS组合导航系统实时性的不良影响。     

自适应卡尔曼滤波在组合导航中的应用研究

对惯性导航系统（INS）与全球导航系统（GPS）分别进行了具体探讨,对比了两者的优缺点,针对INS／GPS组合导航系统中由于模型不准或因量测噪声的复杂多变造成的发散问题,引入了一种基于输出相关法的自适应卡尔曼滤波技术。通过在自适应滤波算法中推算最优稳态增益来调整量测噪声,抑制滤波器的发散,为GPS／INS组合导航系统实现高精度导航提供了有效的途径。仿真结果表明该算法能很好地对系统状态进行最优估计并适应系统噪声的变化,具有比常规卡尔曼滤波更高的导航精度。     

MEMS SINS-GPS组合导航系统设计

为实现满足中低精度要求的低成本导航系统,选用MEMS惯性传感器研制了捷联式惯性导航系统(SINS);针对MEMS惯性传感器噪声较大和惯性导航系统误差随时间迅速累积的问题,利用小波对MEMS陀螺信号进行了降噪处理,并采用SINS-GPS卡尔曼滤波组合导航系统以消除惯导系统的误差累积,输出较高精度的速度、位置信息.对SINS和组合导航系统进行了仿真实验,实验结果表明所建系统的长时间导航性能有一定改善.     

多导航传感器的数据融合处理方法研究

在舰船导航过程中为克服单一模型的卡尔曼滤波器对真实系统状态参数发生变化时造成滤波误差过大甚至发散的现象,将多模自适应控制用于导航数据融合处理方法中,设计了组合导航系统的多模型自适应卡尔曼滤波器,通过数字仿真将单一模型的INS/GPS/Doppler组合导航系统与多模自适应控制的组合导航系统的性能进行了比较,表明了多模自适应控制在组合导航系统中可以改善系统的瞬态响应和覆盖大范围的参数不确定性,提高了组合系统的导航精度.     

PERFORMANCE ANALYSIS OF VARIOUS ARTIFICIAL INTELLIGENT NEURAL NETWORKS FOR GPS/INS INTEGRATION

An aircraft system mainly relies on a Global Positioning System (GPS) to provide accurate position values consistently. However, GPS receivers may encounter frequent GPS absence because of ephemeric error, satellite clock error, multipath error, and signal jamming. To overcome these drawbacks, generally a GPS is integrated with an Inertial Navigation System (INS) mounted inside the vehicle to provide a reliable navigation solution. INS and GPS are commonly integrated using a Kalman filter (KF) to provide a robust navigation solution. In the KF approach, the error models of both INS and GPS are required; this leads to the complexity of the system. This research work presents new position update architecture (NPUA) which consists of various artificial intelligence neural networks (AINN) that integrate both GPS and INS to overcome the drawbacks of the Kalman filter. The various AINNs that include both static and dynamic networks described for the system are radial basis function neural network (RBFNN), backpropagation neural network (BPN), forward-only counter propagation neural network (FCPN), full counter propagation neural network (Full CPN), adaptive resonance theory-counter propagation neural network (ART-CPN), constructive neural network (CNN), higher-order neural networks (HONN), and input-delayed neural networks (IDNN) to predict the INS position error during GPS absence, resulting in different performances. The performances of the different AINNs are analyzed in terms of root mean square error (RMSE), performance index (PI), number of epochs, and execution time (ET).