技术领域个
本发明属于卫星导航和惯性导航技术领域,涉及一种基于遗传神经网络的gps/ins组合导航方法。
背景技术:
在导航技术方面,目前应用得最多,最成熟的导航方式有惯性导航和卫星导航。gps卫星导航的优点是具有全球性、全天候、长时间定位精度高的特点,但缺点是信号易受干扰和遮挡,在强电磁环境下和有高楼遮挡时,信号质量变差,并且其输出频率有限,一般为1—10hz,输出不连续,在需要快速更新信息的场合,如机动性和实时性要求较高的无人机系统上,gps卫星导航的缺点便凸显出来。而ins惯性导航系统是一种全自主式的导航方式,因此具有很强的隐蔽性和抗干扰的能力,并且输出信息连续,短时间内定位精度高。但由于mems-ins器件自身的特点,陀螺仪和加速度计有初始零偏、随机漂移等误差,随着时间的累计作用,其误差越来越大,长时间定位精度较差,最终无法准确反映无人机的姿态和位置信息。
通常的做法是将卫星导航与惯性导航信号经过kalman滤波将两者信号融合,利用各自的优点来弥补各自的缺点。但在一些环境特殊的条件下,如信号阻隔区,遮挡物较多的环境下,卫星信号可能会发生丢失现象,此时导航系统只能依靠单纯的惯性导航,随着时间的推移,导航数据的误差会越来越大。因此需要研究一种方法能在gps信号丢失情况下,代替gps的作用并且和惯性导航配合完成导航数据的输出。
技术实现要素:
本发明所要解决的,就是针对上述问题,提出一种用来预测无人机导航系统在gps信号丢失的情况下惯性导航系统的输出误差,并用该误差数据对惯性导航系统的输出进行补偿和修正的方法。以实现导航系统在gps信号丢失的情况下,惯性导航系统能在神经网络算法的辅助下输出精确的导航数据。
本发明的方法主要分为两大部分:
1、实现基于常规的gps/mems-ins组合导航算法,设计kalman滤波器对gps信号和惯性导航的数据进行融合,输出融合后的导航数据;
2、在第1步的基础上设计神经网络模型,并利用遗传算法对神经网络的权值和阈值进行优化,然后将第1步得到的惯性导航数据和kalman滤波器输出的数据,分别作为训练神经网络的样本输入和样本输出,对神经网络模型进行训练。当gps信号丢失时,利用训练好的神经网络模型来预测惯性导航输出误差,并用该预测误差对惯性导航进行补偿和修正。
本发明的技术方案是:一种基于遗传神经网络的gps/ins组合导航方法,其特征在于,包括以下步骤:
s1、采用kalman滤波器对gps信号和惯性导航的数据进行融合,输出融合后的导航数据,具体为:
s11、根据惯性导航模块采集的载体参数,至少包括角速度信息
s12、将步骤s11中获得的惯性导航参数和gps输出的位置速度信息进行kalman滤波,获得融合后的导航数据;
s2、采用步骤s12中kalman滤波的输出作为训练神经网络的期望值,以惯性导航模块产生的速度参数和位置参数作为神经网络的输入对网络进行训练,使得网络具有惯性导航的误差预测能力;
s3、在gps信号丢失时,将神经网络接入到系统中来预测惯性导航的输出误差并补偿和修正惯性导航的输出。
如图1所示,为基于gps/mems-ins的组合导航硬件系统图,本发明采用基于armcortex-m3核的stm32芯片作为导航计算单元,采集惯性导航和gps传感器的数据进行导航参数计算;选用mpu9250九轴惯性传感器模块和ak8963磁力计模块产生惯性导航数据,并通过i2c总线与导航计算机进行通信;ublox公司的ubloxgps-m6n系列的gps产生卫星导航数据,通过usart串口与导航计算机进行通信。
基于gps/mems-ins的组合导航算法框图如图2所示,具体为包括:
s111、使用stm32处理器读取惯性导航模块采集的载体参数,包括角速度信息
s112、通过求解如下四元数微分方程得到实时的四元数q0,q1,q2,q3
其中
s113、将获得的q0,q1,q2,q3代入下式得到姿态矩阵
根据
可求得载体的姿态角θ、γ、
s114、根据步骤s111获得的载体加速度矢量fb和步骤s113求解的姿态矩阵
式中v=[vnvevu]t分别为地理坐标系中东、北、天方向上的速度,
s115、通过下式可分别求出惯性导航输出的位置参数,其中l为纬度,λ为经度,h为高度。
h=h(0)+∫vudt
则根据步骤s114和步骤s115获得惯性导航模块输出的位置和速度信息。
系统获得了惯性导航模块输出的位置和速度信息,然后和gps输出的位置速度信息进行kalman滤波。为此根据惯性导航的误差模型建立kalman滤波器的状态方程和观测方程。具体过程如下:
s121、建立组合导航的状态方程和观测方程
其中xi表示系统的误差状态,它是一个15维的向量,如下所示:
δvx,δvy,δvz为系统沿东、北、天方向上的速度误差;φx,φy,φz为平台的姿态角误差;δl,δλ,δh分别代表纬度,经度和高度误差;εx,εy,εz分别代表陀螺仪的随机漂移;
其中
是一个15×15的矩阵;
其中fn(t)对应于9个基本导航参数的系统矩阵,其非零元素如下:
f(1,5)=-fz
f(1,6)=fy
f(2,4)=fz
f(2,6)=-fx
f(3,4)=-fy
f(3,5)=fx
f(3,7)=-2ωievxsinl
f(5,7)=-ωiesinl
f(9,3)=1
gi(t)为系统噪声矩阵,wi(t)为系统噪声。
fs(t)为9个基本导航参数与陀螺仪及加速度计漂移之间的变换矩阵,其维数是9×6,对于捷联式系统,
fm(t)为与陀螺仪及加速度计漂移对应的系统矩阵,是一个维数为6×6的对角线矩阵,可表示如下:
fm(t)=diag[-1/tgx-1/tgy-1/tgz-1/tax-1/tay-1/taz]
z(t)为惯性导航模块输出的位置速度与gps输出的位置速度信息的差值,是一个6维向量。
其中:
z(t)=[δvx+nvxδvy+nvyδvz+nvz(rm+h)δl+ny(rm+h)coslδλ+nxδh+nh]t
vv(t)=[nvxnvynvz]t
vp(t)=[nxnynz]t
将以上连续系统的状态方程和观测方程离散化后得到:
xk=φk,k-1xk-1+wk-1
zk=hkxk+vk
其中
分别获取惯性导航模块和gps输出的位置速度观测信息并作差得到z(t)的观测信息z;
s121、通过kalman滤波器获得优化的导航参数:
(1)计算k时刻状态方程的状态一步预测:
(2)更新系统的滤波增益方程kk:
其中pk|k-1是系统在k-1时刻对下一时刻k的一步预测均方误差,hk是系统观测方程的观测矩阵:
(3)更新系统的一步预测均方误差方程pk-1:
其中φk,k-1是系统状态方程的状态转移矩阵,qk-1是系统的噪声矩阵;
(4)估计均方误差方程pk:
kk是k时刻系统的增益矩阵,rk是k时刻系统的噪声矩阵;
(5)系统k时刻状态最优估计方程为:
通过步骤1-5得到系统状态的最优估计值
本发明设计的神经网络预测模型在组合导航中的应用方式如图3所示,当gps信号正常时,选取kalman滤波的输出(位置和速度误差)作为训练神经网络的期望值,以惯性导航模块产生的载体位置和速度作为神经网络的输入对网络进行训练,使得网络具有惯性导航的误差预测能力。
之后,在gps信号丢失时,按照如图4所示的连接方式,将神经网络接入到系统中来预测惯性导航的输出误差并补偿和修正惯性导航的输出,获得满意的定位数据。
如图5所示,为本发明设计的神经网络模型,该神经网络的有两大特点:一是引入了连接层,该连接层将上一时刻k-1时刻隐含层的输出加入到该k时刻的输入序列中,和k时刻的输入p一起构成新的输入,进行下一次训练过程,可以对具有动态时变非线性的系统进行学习;二是利用遗传算法对神经网络权值寻找过程进行优化。
图5中,p表示神经网络的输入向量,它是一个3×1维的向量;neth表示隐含层的输出,它是一个m×1维的向量;neto表示输出层的输出向量,矩阵w1存储了输入层到隐含层的权值信息;矩阵w2存储了隐含层到输出层的权值信,它是一个m×n矩阵;矩阵w3存储了连接层到隐含层的权值信息,它是一个n×n的矩阵。利用遗传算法优化神经网络的过程如图6所示:
s21、确定神经网络的拓扑结构,采用的是3-3-2结构的elman神经网络;
s22、种群初始化,神经网络各层之间的权值和各个神经元的阈值采用10位的二进制数进行编码;
s23、将各个二进制数解码后的权值和阈值赋给神经网络,用于神经网络的训练;
s24、使用样本数据和测试数据对神经网络进行训练;
s25、计算适应度函数,采用的适应度函数是排序的适应度分配函数fitv=rank(obj),其中obj为预测样本的预测值与期望值误差向量的范数;
s26、采用随机遍历抽样方法对适应度高的染色体进行复制;
s27、采用单点交叉方法对染色体进行交叉操作;
s28、变异操作是以一定概率产生编译基因,将二进制”1”变成”0”,二进制”0”编程”1”;选择以20%的概率对交叉后的染色体进行编译操作,产生新的权值和阈值群体;
s29、判断是否满足终止条件,如果不满足则跳转至步骤s23;若满足终止条件,则进入步骤s210;
s210、对得到的权值和阈值的二进制编码进行解码操作作为神经网络最优的权值和阈值。
本发明的有益效果为,本发明的方法实现了在gps信号短暂丢失情况下继续导航的功能,能为搭载该系统的运动物体提供持续可靠的导航数据。
附图说明
图1为基于gps/mems-ins的组合导航硬件系统图;
图2为基于gps/mems-ins的组合导航算法框图;
图3为对神经网络进行训练的逻辑示意图;
图4为将神经网络接入到系统中来预测惯性导航的输出误差并补偿和修正惯性导航的输出的逻辑示意图;
图5为神迹网络模型示意图;
图6为利用遗传算法优化神经网络的流程示意图;
图7为神经网络在1-560的训练过程与561-700s预测阶段的效果图;
图8为gps信号分别缺失30秒与50秒时,elman神经网络的预测结果示意图;
图9为gps信号缺失30秒和50秒时,elman神经网络预测的实际效果图。
具体实施方式
在发明内容部分已经对本发明的技术方案进行了详细描述,根据图8-图9的效果示意图,可得本发明利用神经网络算法补偿和修正的gps/ins组合导航方法实现了在gps信号短暂丢失情况下继续导航的功能,能为搭载该系统的运动物体提供持续可靠的导航数据。