一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法
一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法
【技术领域】
[0001] 本发明设计一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，属于 车辆导航定位技术领域。
【背景技术】
[0002] 随着经济的快速发展，城市间的交通网络日益庞杂，导航系统成为车辆中必不可 少的安全导引设备。许多导航设备使用GPS获取高精确的速度和位置信息。GPS是美国70 年代开始研制的第二代星级无线电导航系统，可为各类用户连续地提供动态的三维位置、 三维速度和时间信息，实现全球、全天候的连续实时导航、定位和授时。GPS的显著特点是精 度高、成本低和长期稳定性好，但也存在致命缺点。GPS定位要求至少接收到四颗卫星的信 号，为非自主式导航。当车辆穿越城市高楼区、林荫道、隧道以及高山峡谷等特殊地带，GPS 信号可能会长时间被遮挡，车辆无法定位。
[0003] 与GPS定位的非自主式相反，惯性导航系统（INS，inertial navigation system) 是一种不依赖任何外部信息、也不向外部辐射能量的自主式导航系统。其基本工作原理是 建立在牛顿力学定律基础之上，利用惯性测量元件测量载体相对于惯性空间的运动参数， 并经过计算后实施导航任务的。但是INS的导航误差随时间而积累，这对于载体的远距离 导航来说是致命的缺陷。信息融合技术的出现推动了组合导航系统的发展，其中，INS/GPS 组合导航是最主要的组合方式之一。
[0004] 为了控制车辆导航系统所占车辆总价值的比重，一般采用低成本INS与GPS进行 组合。当GPS信号正常时，低成本INS/GPS组合导航系统能够使导航系统维持长时间的高 精度定位，但是，当GPS信号长时间（300s)失效时，低成本INS不能提供长时间、高精定位。 因此，针对GPS长时间失效状况下的低成本INS/GPS无缝导航研宄显得尤为重要。
[0005] 针对GPS长时间失效状况下低成本INS/GPS无缝导航的这一类问题，国内外学者 提出了利用人工智能辅助算法建立低成本INS误差模型。如利用神经网络、模糊推理等非 线性预测方法辅助低成本INS。这些方法在一定程度上很好的解决了 GPS失效带来的影响， 但是存在网络结构复杂、训练算法复杂和不能长时间保持收敛等缺点，不易于工程实现。
[0006] 参考文献[1] (Burak H. Kayg 1 s 1 z, Aydan M. Erkmen, Ismet Erkmen, Enhancing positioning accuracy of GPS/INS system during GPS outages utilizing artificial neural network，Neural Processing Letters. 25 (2007) 171-186)公开了一种基于神经网 络/KF的方法估计INS误差。该文献通过使用神经网络增强KF的自适应能力，能够使得系 统在GPS失效500s内将位置误差控制在100m以内。但是该方法估计的位置误差不稳定， 并且当GPS失效更长时间时，位置误差开始发散。
[0007] 参考文献[2] (Xiyuan Chen，Chong Shen，Wei-bin Zhang，Masayoshi Tomizuka， Yuan Xu, Novel hybrid of strong tracking Kalman filter and wavlet neural network for GPS/INS during GPS outages，Measurement 46(2013) :3847_3854)公开了一种将 3 PINS(P)- 5 PINS(C)模型与 STKF/小波神经网络（strong tracking Kalman filter/wavlet neural network)算法相结合的新方法补偿GPS失效时的INS误差。该文献首先采用STKF 融合INS和GPS的位置信息得到位置误差SP INS，然后将SPINS(t-l)和SPINS(t)分别作为 输入输出数据训练神经网络，最终将本方法与KF/RBF和STFF/RBF进行对比，表明本方法能 够更好的估计INS的位置误差。由于该方法是基于上一时刻的误差来估计下一刻的误差， 仅在GPS失效较短时间（60s)内有较好的效果，而在GPS失效较长时间（300s)后发散。
[0008] 参考文献[3](Linzhouting Chen, Jiancheng Fang. A hybrid prediction methodfor bridging GPS outages in high-precision POS application,IEEE Trans, Instrum. Meas. 63 (2014) 1656-1663)公开了一种基于RBF和时间序列分析的方法估 计INS的速度位置姿态误差。该文献分别通过RBF和时间序列分析建立INS误差的非线性 特性和随机性特性模型，然后将两个模型叠加起来得到INS误差模型。最后实施了场地实 验，结果表明该方法比单纯使用RBF或者KF的效果好，且能够在GPS失效600s时将位置误 差控制在50m。但是存在INS误差被过大估计的风险，因为RBF和时间序列分析并不能将 INS误差的非线性特性和随机性特性完全分离开，即存在耦合。
[0009] 参考文献[4](专利文献号CN 103149580A)公开了一种与参考文献[2]相似的方 法，不同点在于本文献使用了 spINS(p)、svINS(p)-spINS(c)、svINS(c)模型，更立体的学习 了 INS的误差。该方法能够得到比参考文献[2]中更好的INS误差估计，但是依旧不能满 足GPS长时间（300s)失效的场景。
【发明内容】
[0010] 本发明提出了一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，该 方法克服了 GPS长时间（300s)失效带来的车辆无法进行导航定位的问题，能够提供持久的 较高精度导航。该方法在GPS信号有效阶段，利用小波分析和数据压缩策略处理低成本INS 和KF输出信息，构造神经网络训练数据，在GPS信号失效阶段，借助训练好的神经网络对低 成本INS进行位置误差和速度误差补偿。
[0011] 本发明提供一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，将低 成本INS/GPS组合导航系统的运行阶段分为训练阶段和误差补偿阶段，所述训练阶段为 GPS信号有效的阶段，采用GPS信号进行导航；所述误差补偿阶段为GPS信号失效的阶段； 所述误差补偿阶段为非KF参与阶段，不再将低成本INS的位置速度信息与补偿后的位置速 度信息经KF进行数据融合，充分信任神经网络的预测结果。所述无缝导航方法具体包括下 列步骤：
[0012] 第一步，米用GPS {目号进行导航；
[0013] 第二步，神经网络训练：
[0014] 将低成本INS解算得到的速度、位置和姿态信息经小波分析做降噪处理，去除其 中的随机白噪声；所述小波分析采用多尺度小波分析方法。
[0015] 采用数据压缩策略处理降噪后的数据，构造神经网络训练数据：以Is (GPS信号周 期）为压缩单元，将Is内速度的平均值和姿态的变化量作为输入；将Is内位置误差和速度 误差作为输出，所述位置误差为Is内真实位置变化量与低成本INS位置变化量的差值，所 述速度误差为Is内真实速度变化量与低成本INS速度变化量的差值，所述的真实位置和真 实速度由卡尔曼滤波器（KF)将GPS信息和降噪处理后的低成本INS信息融合后得到。
[0016] 采用的神经网络为改进的BP神经网络：网络包含输入层、隐藏层和输出层三层； 隐藏层和输出层均采用tan-sigmoid函数作为激活函数；权值更新过程中增加动量项，以 避免权值的震荡。
[0017] 第三步，在GPS长时间失效时，即车辆进入误差补偿阶段，将经小波分析和数据压 缩处理的低成本INS的速度和姿态信息作为神经网络输入，将神经网络预测的位置误差和 速度误差补偿给低成本INS，以得到修正的定位结果。
[0018] 本发明的有益效果在于：
[0019] (1)神经网络适于学习数据中的非线性特性，对随机性特性的学习能力较差，因 此，本发明中利用多尺度小波分析方法滤除系统输出信息中的随机白噪声，提高神经网络 对位置误差和速度误差的学习能力。
[0020] (2)本发明提出了基于数据压缩的神经网络训练数据产生策略，抑制了神经网络 预测结果发散，使低成本INS导航误差始终平稳地保持在较低水平，提高系统在GPS信号长 时间（300s)失效时的导航精度。
[0021] (3)将Is内速度的平均值和姿态的变化量作为神经网络训练数据，有利于减小训 练数据的规模，即只需选取包含车辆行驶速度范围内的直线运动和转弯运动数据，即可得 到较好的位置误差和速度误差预测结果。
[0022] (4)利用神经网络逼近低成本INS解算的位置与速度误差的非线性映射，可得到 稳定位置误差估计。
【附图说明】
[0023] 图1为本发明中GPS有效时低成本INS/GPS组合导航框图；
[0024] 图2为本发明的基于数据压缩和神经网络的低成本INS/GPS位置与速度误差训练 框图；
[0025] 图3为本发明中GPS失效时低成本INS/GPS误差补偿框图；
[0026] 图4A~4C为本发明实施例中GPS失效300s时间段内"低成本INS/GPS"、"神经 网络"和"低成本INS"导航结果的对比曲线；
[0027] 图5A~5B为本发明实施例中GPS失效300s时间段内神经网络补偿后东向和北 向位置误差。
【具体实施方式】
[0028] 下面结合附图对本发明做进一步详细说明。
[0029] 本发明提供一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，所述 导航方法的原理是：
[0030] 低成本INS/GPS是广泛应用于车辆定位的组合导航系统。尽管GPS能够提供动态 的三维位置和速度信息，实现全球、全天候的连续实时导航定位。但GPS是非自主导航系 统，需要至少接收四颗卫星的信号。当车辆穿越城市高楼区、林荫道、隧道以及高山峡谷等 特殊地带，GPS信号可能会长时间被遮挡，低成本INS的导航误差会很快增长至无法接受的 程度，无法独立完成导航定位。因此必须对GPS失效时的低成本INS误差进行补偿。
[0031] 目前研宄较多的误差补偿方法有神经网络、模糊推理等人工智能方法。在采用神 经网络的方法中，大多通过改进神经网络的训练算法、增大神经网络的网络规模或者增加 神经网络的输入维数来提高神经网络的估计精度。但是这些方法一味追求神经网络估计的 高精度，忽略了工程实现所需的可用性和易用性。因此，本发明首先对低成本INS/GPS导航 系统输出进行降噪和数据压缩处理，然后再对训练算法和网络结构简单的神经网络进行训 练。该方法能将低成本INS的导航误差长时间（300s)稳定在可接受范围内，能够在GPS长 时间（300s)失效时，实现无缝导航。
[0032] 如图2为基于数据压缩和神经网络的低成本INS/GPS位置与速度误差训练框图， 由图可见：当GPS信号正常时，将低成本INS解算的速度、位置和姿态信息经由小波分析和 数据压缩处理后，得到神经网络的输入数据：1s内的速度平均值和姿态变化量；将经小波 分析降噪处理的速度、位置和姿态信息与GPS的速度位置信息经由KF进行滤波，得到神经 网络的期望输出数据：1s内位置误差和速度误差。
[0033] 本发明提供的一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，将 低成本INS/GPS组合导航系统的运行阶段分为训练阶段和误差补偿阶段，所述训练阶段为 GPS信号有效的阶段，采用GPS信号进行导航；所述误差补偿阶段为GPS信号失效的阶段； 所述误差补偿阶段为非KF参与阶段，不再将低成本INS的位置速度信息与补偿后的位置速 度信息经KF进行数据融合，充分信任神经网络的预测结果。所述无缝导航方法具体包括下 列步骤：
[0034] 第一步，采用GPS信号进行导航；如图1，当GPS信号正常时，将低成本INS解算的 速度、位置和姿态信息经由小波分析进行降噪处理，以去除其中的随机白噪声；然后将降噪 后的信息与GPS速度、位置信息经由卡尔曼滤波器（KF)进行信息融合，以得到低成本INS 的状态误差；将状态误差补偿给低成本INS便得到了较准确的定位信息。
[0035] 第二步，训练阶段；
[0036] 如图2所示，将低成本INS解算得到的速度、位置和姿态信息经小波分析做降噪处 理，去除其中的随机白噪声；所述小波分析采用多尺度小波分析方法。
[0037] 采用数据压缩策略处理降噪后的数据，构造神经网络训练数据：以Is(GPS信号周 期）为压缩单元，将Is内速度的平均值和姿态的变化量作为输入；将Is内位置误差和速度 误差作为输出。所述位置误差为Is内真实位置变化量与低成本INS位置变化量的差值，所 述速度误差为Is内真实速度变化量与低成本INS速度变化量的差值；所述的真实位置和真 实速度由卡尔曼滤波器（KF)将GPS信息和降噪处理后的低成本INS信息融合后得到。
[0038] 第三步，当GPS失效时，即车辆进入误差补偿阶段，如图3,在GPS长时间失效的时 间段内，将低成本INS解算的速度、位置和姿态信息经由小波分析和数据压缩处理后直接 输入神经网络，将神经网络的预测结果补偿给低成本INS，以得到修正的定位结果，即系统 的导航结果。所述的长时间是指300s时间内。
[0039] 所述的神经网络为改进的BP神经网络：网络包含输入层、隐藏层和输出层三层； 隐藏层和输出层均采用tan-sigmoid函数的一般形式f (x，T，0 )作为激活函数，如公式（1) 所示，其中T为缩放系数，0为位移参数，W为联接权值。T和0决定了单个神经元的响应 特性，与W结合，形成功能强大的大规模并行信息处理网络；用实际输出与期望输出的方差 作为误差测度，即误差函数，如公式（2)所示，其中n为输出层神经元个数，y k为输出层第k 个神经元的实际输出，yk#为输出层第k个神经元的期望输出；为了有效抑制网络陷入局部 极小值并减小训练过程的震荡趋势，参数W，T和0的更新过程中增加动量项如公式（3) (4) 和（5)，其中，LW、L#PL 0分别为W、T和0的学习率，a w、ajP a 0分别为W、T和0的动 量项系数。AW(t-1)为t-1时刻W的变化量，AW(t)为当前t时刻联接权值W的变化量， △ 9⑴为t时刻位移的变化量，AT(t)为t时刻缩放系数的变化量。
[0045] 结果分析：
[0046] (1)低成本INS误差设置：三轴加速度计零偏为10mg，白噪声均值为2mg ;三轴陀 螺仪零偏为10度/小时，白噪声均值为2度/小时。
[0047] (2)导航结果如图4A~4C所示。其中，图4A为低成本INS/GPS组合导航结果，即 期望的结果；图4B为GPS失效时神经网络补偿低成本INS后的导航结果；图4C为GPS失效 时低成本INS独立导航结果。图4C与图4A相比完全偏离，而图4B与图4A相比基本一致。 结果表明本发明方法可以保证GPS在较长时间（300s)失效时的导航精度。
[0048] (3)神经网络预测的位置误差如图5A、5B所示。其中图5A为东向位置误差，图5B 为北向的位置误差。神经网络预测结果分析如表1所示。分析表明本发明可以抑制神经网 络预测结果发散，使低成本INS导航误差始终平稳地保持在较低水平，提高系统在GPS信号 长时间（300s)失效时的导航精度。
[0049] 表1神经网络预测结果分析
【主权项】
1. 一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，其特征在于：包括 下列步骤： 第一步，采用GPS信号进行导航； 第二步，神经网络训练： 将低成本INS解算得到的速度、位置和姿态信息经小波分析做降噪处理，去除其中的 随机白噪声； 采用数据压缩策略处理降噪后的数据，构造神经网络训练数据：以Is为压缩单元，将Is内速度的平均值和姿态的变化量作为输入；将Is内位置误差和速度误差作为输出，所述 位置误差为Is内真实位置变化量与低成本INS位置变化量的差值，所述速度误差为Is内 真实速度变化量与低成本INS速度变化量的差值，所述的真实位置和真实速度由卡尔曼滤 波器将GPS信息和降噪处理后的低成本INS信息融合后得到； 第三步，在GPS长时间失效时，即车辆进入误差补偿阶段，将经小波分析和数据压缩处 理的低成本INS的速度和姿态信息作为神经网络输入，将神经网络预测的位置误差和速度 误差补偿给低成本INS，以得到修正的定位结果。2. 根据权利要求1所述的一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方 法，其特征在于：所述小波分析采用多尺度小波分析方法。3. 根据权利要求1所述的一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方 法，其特征在于：所述的神经网络为改进的BP神经网络：网络包含输入层、隐藏层和输出层 三层；隐藏层和输出层均采用tan-sigmoid函数作为激活函数；权值更新过程中增加动量 项，以避免权值的震荡。4. 根据权利要求1所述的一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方 法，其特征在于：第一步中的具体导航过程为： 当GPS信号正常时，将低成本INS解算的速度、位置和姿态信息经由小波分析进行降噪 处理，以去除其中的随机白噪声；然后将降噪后的信息与GPS速度、位置信息经由卡尔曼滤 波器进行信息融合，以得到低成本INS的状态误差；将状态误差补偿给低成本INS便得到了 定位信息。
【专利摘要】本发明公开了一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，属于车辆导航定位技术领域。本发明将低成本INS/GPS组合导航系统的运行阶段分为训练阶段和误差补偿阶段，训练阶段采用GPS信号进行导航和神经网络训练，在GPS长时间失效时进入误差补偿阶段。本发明利用多尺度小波分析方法滤除系统输出信息中的随机白噪声，提高神经网络对位置误差和速度误差的学习能力；提高系统在GPS信号长时间(300s)失效时的导航精度。
【IPC分类】G01C21/16, G01S19/49
【公开号】CN104898148
【申请号】CN201510294299
【发明人】李保国, 芦佳振, 王娜, 刘思庆
【申请人】北京航空航天大学
【公开日】2015年9月9日
【申请日】2015年6月2日
【技术领域】
[0001] 本发明设计一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，属于 车辆导航定位技术领域。
【背景技术】
[0002] 随着经济的快速发展，城市间的交通网络日益庞杂，导航系统成为车辆中必不可 少的安全导引设备。许多导航设备使用GPS获取高精确的速度和位置信息。GPS是美国70 年代开始研制的第二代星级无线电导航系统，可为各类用户连续地提供动态的三维位置、 三维速度和时间信息，实现全球、全天候的连续实时导航、定位和授时。GPS的显著特点是精 度高、成本低和长期稳定性好，但也存在致命缺点。GPS定位要求至少接收到四颗卫星的信 号，为非自主式导航。当车辆穿越城市高楼区、林荫道、隧道以及高山峡谷等特殊地带，GPS 信号可能会长时间被遮挡，车辆无法定位。
[0003] 与GPS定位的非自主式相反，惯性导航系统（INS，inertial navigation system) 是一种不依赖任何外部信息、也不向外部辐射能量的自主式导航系统。其基本工作原理是 建立在牛顿力学定律基础之上，利用惯性测量元件测量载体相对于惯性空间的运动参数， 并经过计算后实施导航任务的。但是INS的导航误差随时间而积累，这对于载体的远距离 导航来说是致命的缺陷。信息融合技术的出现推动了组合导航系统的发展，其中，INS/GPS 组合导航是最主要的组合方式之一。
[0004] 为了控制车辆导航系统所占车辆总价值的比重，一般采用低成本INS与GPS进行 组合。当GPS信号正常时，低成本INS/GPS组合导航系统能够使导航系统维持长时间的高 精度定位，但是，当GPS信号长时间（300s)失效时，低成本INS不能提供长时间、高精定位。 因此，针对GPS长时间失效状况下的低成本INS/GPS无缝导航研宄显得尤为重要。
[0005] 针对GPS长时间失效状况下低成本INS/GPS无缝导航的这一类问题，国内外学者 提出了利用人工智能辅助算法建立低成本INS误差模型。如利用神经网络、模糊推理等非 线性预测方法辅助低成本INS。这些方法在一定程度上很好的解决了 GPS失效带来的影响， 但是存在网络结构复杂、训练算法复杂和不能长时间保持收敛等缺点，不易于工程实现。
[0006] 参考文献[1] (Burak H. Kayg 1 s 1 z, Aydan M. Erkmen, Ismet Erkmen, Enhancing positioning accuracy of GPS/INS system during GPS outages utilizing artificial neural network，Neural Processing Letters. 25 (2007) 171-186)公开了一种基于神经网 络/KF的方法估计INS误差。该文献通过使用神经网络增强KF的自适应能力，能够使得系 统在GPS失效500s内将位置误差控制在100m以内。但是该方法估计的位置误差不稳定， 并且当GPS失效更长时间时，位置误差开始发散。
[0007] 参考文献[2] (Xiyuan Chen，Chong Shen，Wei-bin Zhang，Masayoshi Tomizuka， Yuan Xu, Novel hybrid of strong tracking Kalman filter and wavlet neural network for GPS/INS during GPS outages，Measurement 46(2013) :3847_3854)公开了一种将 3 PINS(P)- 5 PINS(C)模型与 STKF/小波神经网络（strong tracking Kalman filter/wavlet neural network)算法相结合的新方法补偿GPS失效时的INS误差。该文献首先采用STKF 融合INS和GPS的位置信息得到位置误差SP INS，然后将SPINS(t-l)和SPINS(t)分别作为 输入输出数据训练神经网络，最终将本方法与KF/RBF和STFF/RBF进行对比，表明本方法能 够更好的估计INS的位置误差。由于该方法是基于上一时刻的误差来估计下一刻的误差， 仅在GPS失效较短时间（60s)内有较好的效果，而在GPS失效较长时间（300s)后发散。
[0008] 参考文献[3](Linzhouting Chen, Jiancheng Fang. A hybrid prediction methodfor bridging GPS outages in high-precision POS application,IEEE Trans, Instrum. Meas. 63 (2014) 1656-1663)公开了一种基于RBF和时间序列分析的方法估 计INS的速度位置姿态误差。该文献分别通过RBF和时间序列分析建立INS误差的非线性 特性和随机性特性模型，然后将两个模型叠加起来得到INS误差模型。最后实施了场地实 验，结果表明该方法比单纯使用RBF或者KF的效果好，且能够在GPS失效600s时将位置误 差控制在50m。但是存在INS误差被过大估计的风险，因为RBF和时间序列分析并不能将 INS误差的非线性特性和随机性特性完全分离开，即存在耦合。
[0009] 参考文献[4](专利文献号CN 103149580A)公开了一种与参考文献[2]相似的方 法，不同点在于本文献使用了 spINS(p)、svINS(p)-spINS(c)、svINS(c)模型，更立体的学习 了 INS的误差。该方法能够得到比参考文献[2]中更好的INS误差估计，但是依旧不能满 足GPS长时间（300s)失效的场景。
【发明内容】
[0010] 本发明提出了一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，该 方法克服了 GPS长时间（300s)失效带来的车辆无法进行导航定位的问题，能够提供持久的 较高精度导航。该方法在GPS信号有效阶段，利用小波分析和数据压缩策略处理低成本INS 和KF输出信息，构造神经网络训练数据，在GPS信号失效阶段，借助训练好的神经网络对低 成本INS进行位置误差和速度误差补偿。
[0011] 本发明提供一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，将低 成本INS/GPS组合导航系统的运行阶段分为训练阶段和误差补偿阶段，所述训练阶段为 GPS信号有效的阶段，采用GPS信号进行导航；所述误差补偿阶段为GPS信号失效的阶段； 所述误差补偿阶段为非KF参与阶段，不再将低成本INS的位置速度信息与补偿后的位置速 度信息经KF进行数据融合，充分信任神经网络的预测结果。所述无缝导航方法具体包括下 列步骤：
[0012] 第一步，米用GPS {目号进行导航；
[0013] 第二步，神经网络训练：
[0014] 将低成本INS解算得到的速度、位置和姿态信息经小波分析做降噪处理，去除其 中的随机白噪声；所述小波分析采用多尺度小波分析方法。
[0015] 采用数据压缩策略处理降噪后的数据，构造神经网络训练数据：以Is (GPS信号周 期）为压缩单元，将Is内速度的平均值和姿态的变化量作为输入；将Is内位置误差和速度 误差作为输出，所述位置误差为Is内真实位置变化量与低成本INS位置变化量的差值，所 述速度误差为Is内真实速度变化量与低成本INS速度变化量的差值，所述的真实位置和真 实速度由卡尔曼滤波器（KF)将GPS信息和降噪处理后的低成本INS信息融合后得到。
[0016] 采用的神经网络为改进的BP神经网络：网络包含输入层、隐藏层和输出层三层； 隐藏层和输出层均采用tan-sigmoid函数作为激活函数；权值更新过程中增加动量项，以 避免权值的震荡。
[0017] 第三步，在GPS长时间失效时，即车辆进入误差补偿阶段，将经小波分析和数据压 缩处理的低成本INS的速度和姿态信息作为神经网络输入，将神经网络预测的位置误差和 速度误差补偿给低成本INS，以得到修正的定位结果。
[0018] 本发明的有益效果在于：
[0019] (1)神经网络适于学习数据中的非线性特性，对随机性特性的学习能力较差，因 此，本发明中利用多尺度小波分析方法滤除系统输出信息中的随机白噪声，提高神经网络 对位置误差和速度误差的学习能力。
[0020] (2)本发明提出了基于数据压缩的神经网络训练数据产生策略，抑制了神经网络 预测结果发散，使低成本INS导航误差始终平稳地保持在较低水平，提高系统在GPS信号长 时间（300s)失效时的导航精度。
[0021] (3)将Is内速度的平均值和姿态的变化量作为神经网络训练数据，有利于减小训 练数据的规模，即只需选取包含车辆行驶速度范围内的直线运动和转弯运动数据，即可得 到较好的位置误差和速度误差预测结果。
[0022] (4)利用神经网络逼近低成本INS解算的位置与速度误差的非线性映射，可得到 稳定位置误差估计。
【附图说明】
[0023] 图1为本发明中GPS有效时低成本INS/GPS组合导航框图；
[0024] 图2为本发明的基于数据压缩和神经网络的低成本INS/GPS位置与速度误差训练 框图；
[0025] 图3为本发明中GPS失效时低成本INS/GPS误差补偿框图；
[0026] 图4A~4C为本发明实施例中GPS失效300s时间段内"低成本INS/GPS"、"神经 网络"和"低成本INS"导航结果的对比曲线；
[0027] 图5A~5B为本发明实施例中GPS失效300s时间段内神经网络补偿后东向和北 向位置误差。
【具体实施方式】
[0028] 下面结合附图对本发明做进一步详细说明。
[0029] 本发明提供一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，所述 导航方法的原理是：
[0030] 低成本INS/GPS是广泛应用于车辆定位的组合导航系统。尽管GPS能够提供动态 的三维位置和速度信息，实现全球、全天候的连续实时导航定位。但GPS是非自主导航系 统，需要至少接收四颗卫星的信号。当车辆穿越城市高楼区、林荫道、隧道以及高山峡谷等 特殊地带，GPS信号可能会长时间被遮挡，低成本INS的导航误差会很快增长至无法接受的 程度，无法独立完成导航定位。因此必须对GPS失效时的低成本INS误差进行补偿。
[0031] 目前研宄较多的误差补偿方法有神经网络、模糊推理等人工智能方法。在采用神 经网络的方法中，大多通过改进神经网络的训练算法、增大神经网络的网络规模或者增加 神经网络的输入维数来提高神经网络的估计精度。但是这些方法一味追求神经网络估计的 高精度，忽略了工程实现所需的可用性和易用性。因此，本发明首先对低成本INS/GPS导航 系统输出进行降噪和数据压缩处理，然后再对训练算法和网络结构简单的神经网络进行训 练。该方法能将低成本INS的导航误差长时间（300s)稳定在可接受范围内，能够在GPS长 时间（300s)失效时，实现无缝导航。
[0032] 如图2为基于数据压缩和神经网络的低成本INS/GPS位置与速度误差训练框图， 由图可见：当GPS信号正常时，将低成本INS解算的速度、位置和姿态信息经由小波分析和 数据压缩处理后，得到神经网络的输入数据：1s内的速度平均值和姿态变化量；将经小波 分析降噪处理的速度、位置和姿态信息与GPS的速度位置信息经由KF进行滤波，得到神经 网络的期望输出数据：1s内位置误差和速度误差。
[0033] 本发明提供的一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，将 低成本INS/GPS组合导航系统的运行阶段分为训练阶段和误差补偿阶段，所述训练阶段为 GPS信号有效的阶段，采用GPS信号进行导航；所述误差补偿阶段为GPS信号失效的阶段； 所述误差补偿阶段为非KF参与阶段，不再将低成本INS的位置速度信息与补偿后的位置速 度信息经KF进行数据融合，充分信任神经网络的预测结果。所述无缝导航方法具体包括下 列步骤：
[0034] 第一步，采用GPS信号进行导航；如图1，当GPS信号正常时，将低成本INS解算的 速度、位置和姿态信息经由小波分析进行降噪处理，以去除其中的随机白噪声；然后将降噪 后的信息与GPS速度、位置信息经由卡尔曼滤波器（KF)进行信息融合，以得到低成本INS 的状态误差；将状态误差补偿给低成本INS便得到了较准确的定位信息。
[0035] 第二步，训练阶段；
[0036] 如图2所示，将低成本INS解算得到的速度、位置和姿态信息经小波分析做降噪处 理，去除其中的随机白噪声；所述小波分析采用多尺度小波分析方法。
[0037] 采用数据压缩策略处理降噪后的数据，构造神经网络训练数据：以Is(GPS信号周 期）为压缩单元，将Is内速度的平均值和姿态的变化量作为输入；将Is内位置误差和速度 误差作为输出。所述位置误差为Is内真实位置变化量与低成本INS位置变化量的差值，所 述速度误差为Is内真实速度变化量与低成本INS速度变化量的差值；所述的真实位置和真 实速度由卡尔曼滤波器（KF)将GPS信息和降噪处理后的低成本INS信息融合后得到。
[0038] 第三步，当GPS失效时，即车辆进入误差补偿阶段，如图3,在GPS长时间失效的时 间段内，将低成本INS解算的速度、位置和姿态信息经由小波分析和数据压缩处理后直接 输入神经网络，将神经网络的预测结果补偿给低成本INS，以得到修正的定位结果，即系统 的导航结果。所述的长时间是指300s时间内。
[0039] 所述的神经网络为改进的BP神经网络：网络包含输入层、隐藏层和输出层三层； 隐藏层和输出层均采用tan-sigmoid函数的一般形式f (x，T，0 )作为激活函数，如公式（1) 所示，其中T为缩放系数，0为位移参数，W为联接权值。T和0决定了单个神经元的响应 特性，与W结合，形成功能强大的大规模并行信息处理网络；用实际输出与期望输出的方差 作为误差测度，即误差函数，如公式（2)所示，其中n为输出层神经元个数，y k为输出层第k 个神经元的实际输出，yk#为输出层第k个神经元的期望输出；为了有效抑制网络陷入局部 极小值并减小训练过程的震荡趋势，参数W，T和0的更新过程中增加动量项如公式（3) (4) 和（5)，其中，LW、L#PL 0分别为W、T和0的学习率，a w、ajP a 0分别为W、T和0的动 量项系数。AW(t-1)为t-1时刻W的变化量，AW(t)为当前t时刻联接权值W的变化量， △ 9⑴为t时刻位移的变化量，AT(t)为t时刻缩放系数的变化量。
[0045] 结果分析：
[0046] (1)低成本INS误差设置：三轴加速度计零偏为10mg，白噪声均值为2mg ;三轴陀 螺仪零偏为10度/小时，白噪声均值为2度/小时。
[0047] (2)导航结果如图4A~4C所示。其中，图4A为低成本INS/GPS组合导航结果，即 期望的结果；图4B为GPS失效时神经网络补偿低成本INS后的导航结果；图4C为GPS失效 时低成本INS独立导航结果。图4C与图4A相比完全偏离，而图4B与图4A相比基本一致。 结果表明本发明方法可以保证GPS在较长时间（300s)失效时的导航精度。
[0048] (3)神经网络预测的位置误差如图5A、5B所示。其中图5A为东向位置误差，图5B 为北向的位置误差。神经网络预测结果分析如表1所示。分析表明本发明可以抑制神经网 络预测结果发散，使低成本INS导航误差始终平稳地保持在较低水平，提高系统在GPS信号 长时间（300s)失效时的导航精度。
[0049] 表1神经网络预测结果分析
【主权项】
1. 一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，其特征在于：包括 下列步骤： 第一步，采用GPS信号进行导航； 第二步，神经网络训练： 将低成本INS解算得到的速度、位置和姿态信息经小波分析做降噪处理，去除其中的 随机白噪声； 采用数据压缩策略处理降噪后的数据，构造神经网络训练数据：以Is为压缩单元，将Is内速度的平均值和姿态的变化量作为输入；将Is内位置误差和速度误差作为输出，所述 位置误差为Is内真实位置变化量与低成本INS位置变化量的差值，所述速度误差为Is内 真实速度变化量与低成本INS速度变化量的差值，所述的真实位置和真实速度由卡尔曼滤 波器将GPS信息和降噪处理后的低成本INS信息融合后得到； 第三步，在GPS长时间失效时，即车辆进入误差补偿阶段，将经小波分析和数据压缩处 理的低成本INS的速度和姿态信息作为神经网络输入，将神经网络预测的位置误差和速度 误差补偿给低成本INS，以得到修正的定位结果。2. 根据权利要求1所述的一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方 法，其特征在于：所述小波分析采用多尺度小波分析方法。3. 根据权利要求1所述的一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方 法，其特征在于：所述的神经网络为改进的BP神经网络：网络包含输入层、隐藏层和输出层 三层；隐藏层和输出层均采用tan-sigmoid函数作为激活函数；权值更新过程中增加动量 项，以避免权值的震荡。4. 根据权利要求1所述的一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方 法，其特征在于：第一步中的具体导航过程为： 当GPS信号正常时，将低成本INS解算的速度、位置和姿态信息经由小波分析进行降噪 处理，以去除其中的随机白噪声；然后将降噪后的信息与GPS速度、位置信息经由卡尔曼滤 波器进行信息融合，以得到低成本INS的状态误差；将状态误差补偿给低成本INS便得到了 定位信息。
【专利摘要】本发明公开了一种基于数据压缩和神经网络的低成本INS/GPS无缝导航方法，属于车辆导航定位技术领域。本发明将低成本INS/GPS组合导航系统的运行阶段分为训练阶段和误差补偿阶段，训练阶段采用GPS信号进行导航和神经网络训练，在GPS长时间失效时进入误差补偿阶段。本发明利用多尺度小波分析方法滤除系统输出信息中的随机白噪声，提高神经网络对位置误差和速度误差的学习能力；提高系统在GPS信号长时间(300s)失效时的导航精度。
【IPC分类】G01C21/16, G01S19/49
【公开号】CN104898148
【申请号】CN201510294299
【发明人】李保国, 芦佳振, 王娜, 刘思庆
【申请人】北京航空航天大学
【公开日】2015年9月9日
【申请日】2015年6月2日
最新回复(0)