专利名称：基于遗传粒子滤波与模糊神经网络的gps/ins组合定位方法
技术领域：
本发明涉及一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，属于复杂环境下组合导航技术领域。
背景技术：
近年来，对载体精确导航定位的需求推动了导航技术的发展，并且在未来的很长一段时间内，这种发展趋势仍将保持不变。在现有的导航 方式当中，惯性导航和卫星导航是最常用的两种方式。惯性导航系统(Inertial Navigation System, INS)的基本原理是牛顿提出的相对惯性空间力学定律，利用陀螺仪、加速度计测量载体相对惯性空间的角运动和线运动参数，在给定的运动初始条件下，由计算机进行积分运算，便能够连续、实时地提供载体的位置、速度和姿态信息。INS完全依靠自身的惯性敏感元件，不依赖于任何外界信息测量导航参数，具有隐蔽性好、不受气候条件限制、抗干扰性强和短时精度高等优点，是一种完全自主式、全天候的导航系统。但是，INS也有其自身的不足。由于捷联算法中的积分原理，惯性期间的误差会导致导航误差随时间累积，因此单纯的INS难以满足远程、长时间运动载体的高精度导航要求。全球卫星导航系统(Global Positioning System,GPS)是另外一种最常用的导航方式。它的优点是定位精度高，导航误差不随时间积累，可全天时、全天候的工作。但是其易受电磁干扰、遮挡等外界环境影响的缺点限制了其应用范围，特别是室内、地下巷道等一些密闭的、环境复杂的场景，GPS信号被严重遮挡，从而无法进行有效的工作。为了获取相对稳定的定位精度，许多学者利用智能算法将INS与GPS组合起来，形成GPS/INS组合导航系统。GPS/INS组合导航能够使导航系统维持长时间的稳定，但是其导航精度依然受到环境的限制。比如当载体长期运行于城市或隧道中时，由于建筑物遮挡，GPS信号可能会出现长时间的失锁，INS不能提供长时高精度导航的缺点会导致GPS/INS组合导航系统出现严重的精度下降。因此，针对GPS长期失锁状况下的INS误差补偿研究显得尤为重要。
发明内容
本发明克服现有技术的不足，提出了一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，该方法首先在GPS信号良好的情况下采用模糊神经网络(FNN)对INS的导航误差模型进行训练，当GPS信号失锁时，依靠训练好的FNN模型对INS系统误差进行补偿。该方法克服了 GPS失锁带来的组合导航系统精度下降的问题，能够提供持久的高精度导航。本发明为解决其技术问题采用如下技术方案
一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，包括下列步骤
(1)将组合导航系统运行的区域分为训练区域和补偿区域两部分，所述训练区域为GPS信号良好的区域，所述补偿区域为GPS信号失锁的区域；
(2)在训练区域，GPS和INS导航系统同时工作，首先将GPS测量的位置、速度信息与INS测量的位置、速度信息作差，并将作差结果输入滤波器进行数据融合，以得到INS系统的测量误差；
(3)在采用遗传粒子滤波进行数据融合，并得出INS导航误差的同时，将该误差信息作为误差模型的理想输出，将INS中陀螺仪和加速度计的输出作为误差模型的输入，对误差模型进行建模训练；
(4)当GPS失锁时，即载体进入误差补偿区域 ，在这一区域，组合导航系统无法得到GPS导航信息，而只能利用INS完成这一区域的自主导航，此时利用在训练区域训练得到的误差模型对INS测量得出的导航信息进行误差补偿，得到最优导航信息。步骤(2)中训练区域，进行数据融合的滤波器为遗传粒子滤波器，该滤波器利用遗传算法优化粒子滤波中的重采样过程，以解决粒子滤波中存在的粒子退化现象。步骤(3)中所述利用INS中陀螺和加速度计的输出作为输入、滤波器得出的误差信息作为理想输出对误差模型进行建模训练，其所用误差模型为模糊神经网络。本发明的有益效果如下
(I)利用人工智能算法对INS误差进行建模，能够在GPS失锁后对INS误差进行有效的补偿，从而提高了 GPS/INS组合导航系统的适用范围。(2)利用遗传算法优化粒子滤波的重采样过程，可有效的抑制粒子退化现象。(3)利用模糊神经网络对INS误差进行建模，可得到精度较高的预测模型。
图I为基于GPF与FNN的GPS/INS系统误差训练框图。图2为基于FNN的GPS/INS系统误差补偿框图。
具体实施例方式 下面结合附图对本发明创造做进一步详细说明。如图I为基于GPF与FNN的GPS/INS系统误差训练框图。在训练区域，GPS与INS同时工作，首先将GPS测量的位置、速度信息与INS测量的位置、速度信息作差，并将作差结果输入滤波器进行数据融合，得出INS导航误差并对系统输出进行补偿；同时，将遗传粒子滤波(GPF)输出的误差作为FNN的理想输出，将INS中陀螺仪和加速度计的输出作为模糊神经网络(FNN)的输入，对FNN进行训练，建立基于INS中陀螺仪和加速度计输出的INS误差模型。当载体进入GPS失锁区域时，则组合导航系统进入误差补偿阶段，如图2所示。在这一区域，组合导航系统无法获得GPS测量结果，只能依靠INS完成这一部分的自主导航。此时INS利用在训练区域得到的FNN误差模型对测量的导航信息进行误差补偿，得到最优的导航信息。从而避免了因GPS无法工作导致的导航精度迅速下降的问题，具有良好的可行性和前瞻性。本发明的原理是GPS/INS是目前应用最广泛的组合导航系统。尽管GPS能够为地球上任何地点的用户提供导航信息，但GPS要求捕获四颗或更多的卫星，所以在城市、峡谷或者森林等地区，由于受建筑物、山体、树木等遮挡，导致GPS信号衰减或失锁，此时组合导航系统中只有INS能够正常使用，从而导致整个系统导航定位精度下降，甚至无法正常工作。因此必须对GPS失锁情况下的INS误差进行补偿。由于INS位置误差、速度误差和姿态误差是由INS中的陀螺仪和加速度计误差引起的，所以可以利用人工智能方法建立输入为陀螺仪、加速度计误差，输出为INS位置误差、速度误差和姿态误差的模型。粒子滤波器(Particle Filter，PF)是目前应用较为广泛一种信息融合算法，它利用一批具有相应权重的离散随机样本粒子，根据量测信息不断调整粒子的权重和位置，来近似状态向量的后验概率密度，并根据这些粒子及其权重来计算状态估计值。在粒子算法中，普遍存在的一个问题是粒子退化现象。可以用有效样本数来衡量一个样本的退化程度，有效样本数定义如下
权利要求
1.一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，其特征在于，包括下列步骤 (1)将组合导航系统运行的区域分为训练区域和补偿区域两部分，所述训练区域为GPS信号良好的区域，所述补偿区域为GPS信号失锁的区域； (2)在训练区域，GPS和INS导航系统同时工作，首先将GPS测量的位置、速度信息与INS测量的位置、速度信息作差，并将作差结果输入滤波器进行数据融合，以得到INS系统的测量误差； (3)在采用遗传粒子滤波进行数据融合，并得出INS导航误差的同时，将该误差信息作为误差模型的理想输出，将INS中陀螺仪和加速度计的输出作为误差模型的输入，对误差模型进行建模训练； (4)当GPS失锁时，即载体进入误差补偿区域，在这一区域，组合导航系统无法得到GPS导航信息，而只能利用INS完成这一区域的自主导航，此时利用在训练区域训练得到的误差模型对INS测量得出的导航信息进行误差补偿，得到最优导航信息。
2.根据权利要求I中所述的基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，其特征在于步骤(2)中训练区域，进行数据融合的滤波器为遗传粒子滤波器，该滤波器利用遗传算法优化粒子滤波中的重采样过程，以解决粒子滤波中存在的粒子退化现象。
3.根据权利要求I中所述的基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，其特征在于步骤(3)中所述利用INS中陀螺和加速度计的输出作为输入、滤波器得出的误差信息作为理想输出对误差模型进行建模训练，其所用误差模型为模糊神经网络。
全文摘要
本发明涉及一种基于遗传粒子滤波与模糊神经网络的GPS/INS组合定位方法，属于复杂环境下的组合导航定位技术领域。该方法将模糊神经网络(FNN)作为遗传粒子滤波(GPF)的辅助算法进行应用在GPS信号有效时，利用FNN算法建立INS导航系统的导航误差模型；在GPS信号失锁时，依靠之前训练得到的FNN误差模型对导航系统误差进行补偿。该方法克服了在城市、峡谷或森林环境下GPS信号失锁时，传统的GPS/INS组合导航系统无法提供持久的高精度实时导航问题。该方法可应用于车辆在城市、隧道等密闭复杂环境下的长距离长时间高精度导航定位。
文档编号G01S19/49GK102768361SQ20121023443
公开日2012年11月7日 申请日期2012年7月9日 优先权日2012年7月9日
发明者刘虎, 徐元, 申冲, 陈熙源, 黄浩乾 申请人:东南大学