论文部分内容阅读
近些年来,低成本低精度惯性导航系统(比如MEMS)在消费电子和工业领域都引起了广泛的关注,全球卫星导航定位系统(GNSS)与惯性导航系统(INS)的组合一直被认为是能够有效克服单一导航方式局限性的理想搭档,特别是惯性导航系统的误差伴随着时间而积累,而GNSS却能够在开阔晴朗的环境中提供相对一致的导航精度。但是,当运载体在城市里密集的高楼大厦中穿梭,或是在密集的树林植被、峡谷地区行驶时,GNSS信号的采集将受到很大影响甚至中断,进而导致整个组合导航系统的导航精度严重下降甚至完全无法导航。因此,研究有卫星信号中断的组合导航系统数据融合算法,提高卫星信号中断期间导航精度,具有重要意义。目前,组合导航系统可以通过两大类方法来提高其导航精度:一类是通过硬件部分的改善,即提高单一导航系统的硬件精度,但是这将会大大提高组合导航系统的成本;另一类则是通过信息融合手段进一步改善导航的精度。本文介绍了三种典型的组合导航系统常用数据融合算法:适用于线性系统的卡尔曼滤波(Kalman Filter,KF)、适用于非线性系统的基于采样的无迹卡尔曼滤波(Unscented Kalman Filter,UKF)、适用于事后处理的RTSS(Rauch-Tung-Striebel smoother)最优反向平滑(Optimal Backward Smoothing Algorithms,OBS)。通过仿真分析了上述算法的性能,指出了不足之处。针对提高卫星信号中断期间导航精度的问题,采用RTSS和人工神经网络(Artificial Neural Networks,ANNs)相结合的方法设计了有卫星信号中断的GNSS/SINS组合导航离线数据融合算法。首先,对GNSS/SINS组合导航系统相关的基础理论进行了介绍,包括SINS的导航参数更新计算以及误差方程的构建等,并且搭建了惯导系统的仿真平台,为下文的数据融合算法提供验证环境。其次,使用KF和UKF对组合导航系统进行数据融合,并通过仿真比较了上述算法,发现尽管UKF较前者精度略优,但是仍然无法解决卫星信号中断时导航参数误差随时间积累的问题。针对离线处理,研究了RTSS对卫星信号中断期间导航性能的改善。再次,由于不了解卫星信号中断期间GNSS/SINS组合导航系统的误差行为,RTSS对卫星信号中断期间的导航性能改善依然有限,尤其在卫星信号中断的中间时刻,导航误差达到最大值,与使用KF/UKF的效果相差不大。因此,本文提出用ANNs对卫星信号中断期间GNSS/SINS组合导航系统的误差行为进行建模。针对级联相关神经网络(CCNN)的训练,运用Quickprop方法代替传统的BP算法,加速了网络的收敛。最后,设计了基于RTSS和ANNs的有卫星信号中断的GNSS/SINS组合导航离线数据融合算法,使用经过训练后的神经网络对GNSS信号中断期间的组合导航系统进行修正。利用与训练数据完全独立的测试数据对误差模型的泛化能力进行了验证,表明了该离线数据融合算法的有效性。仿真结果表明,本文设计的基于RTSS和ANNs的GNSS/SINS组合导航系统离线数据融合算法可以有效提高卫星信号中断期间的导航精度。其中,CCNN和多层前馈神经网络(MFNN)对提高卫星信号中断期间的GNSS/SINS组合导航系统导航精度的效果基本相同,但是CCNN训练时间短、具有自动改变网络拓扑结构的能力,相比MFNN更加智能。