本发明涉及导航定位,特别是涉及一种基于注意力机制的al-nn神经网络组合导航方法。
背景技术:
1、组合导航技术(integrated navigation)是通过融合多种不同的传感器数据,来提高定位、姿态估计和导航精度的一种方法。目前,组合导航已经广泛应用于自动驾驶、无人机、机器人、船舶和航空航天等领域。然而,gnss信号很脆弱,容易受到周围环境的影响。面对复杂的环境,如城市建筑、隧道、丛林等,信号会很弱,产生多径效应,甚至被完全中断。当可以接收信号的卫星数量少于4颗时,无法进行位置计算,这可以被视为gnss中断。这时,原来的组合导航系统演变成ins单独工作,其误差会逐渐积累。如果载波设备长时间没有gnss,定位误差会迅速增加。它可能会误导用户,对于需要实时和可靠定位数据的无人设备来说,它甚至更致命。因此,当gnss中断时,如何获得有效的定位结果就成为一个值得研究的问题。
2、一般来说,要解决这个问题,通常有以下几种方法。一种方法是从硬件设备入手,例如使用光探测和测距(lidar)、摄像头和里程表,增加系统输入并与ins数据融合以提高准确性。或者,可以直接使用精度更高的光纤陀螺仪。其稳定性好,传感器误差小。即使在一段时间的纯惯性估计之后,误差散度也是微不足道的。这些方法可以有效提高定位精度,但无疑会增加硬件成本。
3、第二种方法是算法的改进。然而,传统的组合导航方法依赖于扩展卡尔曼滤波(ekf)等滤波算法,这些方法在非线性、多噪声和复杂动态环境下的表现往往受到限制。近年来,随着人工智能(ai)的兴起,越来越多的领域选择与ai技术融合,尤其是在智能诊断和预测的应用中。通常需要大量的数据来训练ai模型,然后添加输入数据来完成回归预测任务或分类任务。根据应用场景,合适的模型通常可以达到更好的精度,显示出其良好的非线性能力。
4、随着深度学习和神经网络技术的迅猛发展,将神经网络应用于组合导航中,逐步成为新的研究热点。神经网络,尤其是基于注意力机制、递归神经网络(rnn)或卷积神经网络(cnn)等架构,具有强大的非线性处理能力,能够更好地捕捉传感器数据中的复杂关系和动态变化,从而提高导航系统在复杂环境下的鲁棒性和精度。
技术实现思路
1、针对上述要解决的技术问题,本发明提供一种基于注意力机制的al-nn神经网络组合导航方法,以解决gnss信号失锁时的导航问题,能够在减少计算复杂度的同时,有效提高了导航的鲁棒性和精度。
2、为解决上述技术问题,本发明提出的技术方案为:
3、一种基于注意力机制的al-nn神经网络组合导航方法,所述组合导航方法首先是获得信息,包括gnss位置信息、imu的加速度计和陀螺仪数据以及ins解算的位置、速度和姿态信息;然后,建立imu输出、ins解算和gnss位置增量的关系模型,构建al-nn神经网络模型;当gnss信号可用时,训练模型;当gnss信号失锁时,模型用来预测失锁期间的gnss位置增量;最后,通过模型输出的gnss位置以及调整的测量噪声协方差矩阵进行自适应卡尔曼滤波融合。
4、作为上述技术方案地进一步改进为:
5、优选地,所述信息为令载体坐标系为系,惯性坐标系为系,imu输出包括在系中系相对于系的三轴加速度计测量的加速度和三轴陀螺仪测量的角速度;通过对和进行积分得到载体位置、速度和姿态角。
6、优选地,根据ins输出与导航信息之间的关系,建立ins输出与gnss增量之间的关系,建立-模型,gnss的位置增量表达式为:
7、(1)
8、式中,为从系到导航坐标系系的方向余弦矩阵;为时刻在系中,地心地固坐标系系相对于系的加速度;为时刻在系中,系相对于系的角速度;为系中的重力矢量。
9、优选地,所述构建al-nn神经网络模型的具体结构为:
10、输入层:用于数据的输入,包括原始特征数据;
11、卷积层:使用两个卷积层提取初始特征,每个卷积层的作用是提取数据的局部特征,捕捉空间依赖关系;引入了一个残差连接,将第一个卷积层的输出加到第二个卷积层的输出;
12、池化层:使用最大池化减少特征数据的空间维度;
13、全连接层:通过全连接层抽象特征,整合卷积层输出的局部信息;
14、lstm层:两个lstm层,用于处理时间信息;
15、注意力层:在lstm层后引入注意力机制,聚焦于关键的序列信息;
16、输出层:通过一个全连接层生成模型的输出结果,完成对输入数据的预测。
17、优选地,所述当gnss信号可用时,训练模型,当gnss信号失锁时,预测gnss位置增量,具体过程为:
18、s3-1,神经网络模型的输入数据包括、、导航坐标系系中的北东地速度、俯仰角、滚动角及偏航角共12个参量的时间序列数据;采用一维cnn处理时间序列数据,对输入数据进行卷积运算,提取相关特征;
19、s3-2,引入一个残差模块,该模块在第一个卷积层中提取初步特征,然后在后续卷积层中提取抽象特征;抽象特征被添加到初步特征中,增强网络有效学习输入和输出之间映射关系的能力;
20、s3-3,将处理后的时间序列向量作为输入,采用双向lstm神经网络得到隐藏状态,通过注意机制层得到注意力权重,再将赋予权值后的隐藏状态相加得到输出向量,输出向量经和线性层处理后,得到预测的gnss位置增量;
21、s3-4,当gnss信号可用时,在训练模式中,使用卡尔曼滤波将ins和gnss信息进行融合,并用估计得到的位置误差、速度误差和姿态角误差校正ins输出,得到组合导航输出;同时,用imu输出、ins输出和gnss输出的数据训练模型;
22、当gnss信号失锁时,在预测模式中,利用训练好的al-nn模型预测gnss位置增量,将所有gnss位置增量累加得到时刻的伪gnss位置,表达式为:
23、(4)
24、式中,为gnss信号失锁时刻的位置;为经过时刻的gnss位置增量。
25、优选地,所述gnss位置信息进行自适应卡尔曼滤波融合,根据gnss信号状态设置比例因子,并根据预测残差计算自适应因子,实现自适应测量噪声矩阵。
26、优选地,所述gnss位置信息进行自适应卡尔曼滤波融合,具体为:
27、s4-1,先验测量不确定性协方差矩阵,根据gnss信号状态设置为:
28、(5)
29、式中,和分别表示gnss信号有效状态和gnss信号预测状态的位置误差方差;
30、s4-2,预测残差表示如下:
31、(6)
32、式中,表示测量值和预测状态向量之间的差,表示时刻的预测残差,表示第时刻的测量值,表示第时刻的预测状态向量,是测量矩阵;
33、根据协方差矩阵传播理论,预测残差的理论协方差如下式所示:
34、(7)
35、式中,表示时刻的状态预测协方差矩阵,是测量噪声的协方差矩阵,表示预测残差理论协方差矩阵,表示测量矩阵的转置;
36、采用sage窗口平滑法计算状态预测信息的协方差矩阵,的预测协方差矩阵由下式得到:
37、(8)
38、式中,是使用sage窗口平滑方法估计的预测残差协方差矩阵,是窗口长度,是时刻的预测残差,是时刻预测残差的转置;
39、s4-3,当预测残差的理论值等于估计值时:
40、(9)
41、测量向量协方差矩阵的估计值为:
42、(10)
43、通过跟踪构造自适应因子调整测量噪声协方差矩阵,自适应因子公式为:
44、(11)
45、式中,表示矩阵追踪的运算,即矩阵对角线上元素的累加;“.”表示要输入的矩阵;表示预测状态下的预测噪声协方差矩阵;
46、s4-4,利用自适应因子对不同状态下的尺度因子进行扩展,得到估计的测量噪声矩阵;当gnss信号处于预测状态时,在时间处使用的测量噪声协方差矩阵为:
47、(12)
48、通过计算测量噪声协方差矩阵,动态估计测量误差。
49、优选地,所述通过自适应卡尔曼滤波输出导航数据,具体为:
50、ins/gnss组合导航采用松组合,使用15维误差状态量,定义为:
51、(13)
52、式中,表示三轴加速度计零偏误差,表示三轴陀螺仪零偏误差,表示位置误差,表示速度误差,表示姿态角误差;
53、观测向量的表达式分别为:
54、(14)
55、式中,表示ins输出的位置信息,表示gnss输出的位置信息;
56、使用状态方程和量测方程进行迭代更新,时刻的状态向量和观测向量表达式分别为:
57、(15)
58、(16)
59、式中:,,为时刻的状态向量;和分别表示时刻均值为0、协方差矩阵为和,且服从高斯分布的状态噪声和量测噪声;为时刻到当前时刻的状态转移矩阵;为时刻的状态控制向量的系数矩阵;为时刻的状态观测矩阵;
60、根据状态方程和量测方程进行卡尔曼滤波解算,迭代过程分为卡尔曼滤波预测和卡尔曼滤波更新两部分,表达式分别为:
61、(17)
62、(18)
63、式中:为时刻到时刻的状态先验估计向量;为时刻的状态后验估计向量;为时刻到时刻的先验误差协方差矩阵;为时刻的后验误差协方差矩阵;为时刻的卡尔曼增益矩阵;为单位矩阵。
64、本发明提供的基于注意力机制的al-nn神经网络组合导航方法,与现有技术相比,有以下优点:
65、本发明的基于注意力机制的al-nn神经网络组合导航方法,通过提高系统先验预测协方差,在观测噪声变化的情况下,保证滤波增益的稳定性,提高滤波器的跟踪能力,当网络出现异常预测时,降低此次估计误差的影响,提高系统鲁棒性。与kf相比,akf在实际复杂环境中具有对系统初始信息较低的灵敏度、对实际状态具有较强的鲁棒性等优点,使其既能抑制线性误差,又能有效抑制随机误差。本发明在减少计算复杂度的同时,有效提高了导航的鲁棒性和精度,为组合导航提供了一种高效且准确的解决方案。