GPS失鎖時(shí)基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MEMS-SINS誤差反饋校正方法研究

1、GPS 失鎖時(shí)基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的 MEMS2SINS 誤差反饋校正方法研究曹娟娟1 , 房建成1 , 盛蔚1 , 白煥旭2(1 . 新型慣性儀表與導(dǎo)航系統(tǒng)技術(shù)國防重點(diǎn)學(xué)科實(shí)驗(yàn)室 , 北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院 , 北京 100191 ;2 . 北京航天發(fā)射技術(shù)研究所 , 北京 100076)摘 要 : GPS 信號(hào)失鎖時(shí) ,MEMS - SINS 組合 GPS 導(dǎo)航誤差會(huì)隨著時(shí)間迅速積聚而無法導(dǎo)航 。提出一種基于RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的 MEMS2SINS 誤差反饋校正方法 , GPS 有信號(hào)時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 , GPS 信號(hào)中斷時(shí)用訓(xùn)練好 的 RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) MEMS2S

2、INS 的導(dǎo)航誤差 。地面車載跑車試驗(yàn) ,證實(shí)了訓(xùn)練后的 RBF 神經(jīng)網(wǎng)絡(luò)能很高精度地逼 近 MEMS2SINS/ GPS 組合導(dǎo)航系統(tǒng)輸入與輸出間的關(guān)系 ,在 4 個(gè) 50s 以內(nèi)的 GPS 人為失鎖過程中 ,該方法導(dǎo)航結(jié)果與 參考系統(tǒng)比較 ,平均位置誤差為 3. 8m ,平均速度誤差為 0. 6m/ s ,平均姿態(tài)誤差為 0. 5。關(guān)鍵詞 : 捷聯(lián)慣性導(dǎo)航系統(tǒng) ; 組合導(dǎo)航 ; 微機(jī)電系統(tǒng) ; 衛(wèi)星定位系統(tǒng) ; 神經(jīng)網(wǎng)絡(luò)中圖分類號(hào) : V249. 32文獻(xiàn)標(biāo)識(shí)碼 :A文章編號(hào) :100021328 (2009) 0622231206DOI :10. 3873j . issn. 100021

3、328. 2009. 06. 030SINS ,導(dǎo)航誤差會(huì)隨著時(shí)間迅速積聚而無法導(dǎo)航 。文獻(xiàn)4 介紹一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的 在線 SINS/ GNSS 組合導(dǎo)航方法 ,首先用小波多分辨 率分析和比較 SINS 與 GPS 的輸出 ,然后訓(xùn)練神經(jīng)網(wǎng) 絡(luò)模塊并預(yù)測(cè) GPS 信號(hào)失鎖時(shí)載體的位置 ,神經(jīng)網(wǎng) 絡(luò)的輸入是 SINS 的位置和瞬時(shí)時(shí)間 ,而輸出是相應(yīng) SINS 的位置誤差 。文獻(xiàn)5 在沒有 DGPS 位置量測(cè) 信息時(shí) ,提出一種利用自適應(yīng)神經(jīng)模糊推理卡爾曼 濾波模型提供的可靠位置誤差估計(jì)用來糾正卡爾曼 濾波預(yù)測(cè)得到的不準(zhǔn)確的結(jié)果 。本文提出一種基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的 MEMS2SINS

4、誤差反饋校正方法 , 該方法中神經(jīng)網(wǎng)絡(luò)的輸入為 MEMS2SINS 中陀螺儀和加速度計(jì)的輸出 ,神經(jīng)網(wǎng)絡(luò) 的輸出為 MEMS2SINS 的導(dǎo)航誤差 。在 GPS 信號(hào)可 用時(shí) , 在線訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型參數(shù) ; 在 GPS 信號(hào)中 斷時(shí) , 利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)導(dǎo)航誤差 , 對(duì) MEMS - SINS 進(jìn)行校正 。通過地面車載跑車試驗(yàn) , 證實(shí)了訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)短時(shí)間能很高精度地逼近 MEMS - SINS/ GPS 組合導(dǎo)航系統(tǒng)輸入輸出關(guān)系 。0引言微慣性測(cè)量單元 MIMU ( MicroInertial Measure2ment Unit) 是一種基于微機(jī)電系統(tǒng) MEMS (Micro

5、Elec2tromechanical System) 技術(shù)的陀螺儀和加速度計(jì)組成 的新型慣性測(cè)量裝置 。與傳統(tǒng)的 IMU 相比 ,它具有 體積小 、成本低 、功耗低和壽命長等優(yōu)點(diǎn)1 ,在微小 型系統(tǒng)及低成本制導(dǎo)武器等領(lǐng)域有著廣闊的應(yīng)用前 景 。但是目前 MEMS 慣性器件的精度較低 ,導(dǎo)致基 于 MEMS 的捷聯(lián)慣性導(dǎo)航系統(tǒng) SINS ( Strapdown Iner2 tial Navigation System) 的應(yīng)用受到一定的限制 。GPS ( Global Positioning System) 與 MEMS2SINS 的組合可以 彌補(bǔ)其各自的不足 ,為低成本 、輕小型導(dǎo)航與制導(dǎo)系

6、統(tǒng)提供了一個(gè)非常有吸引力的方案 ,是目前導(dǎo)航技 術(shù)發(fā)展的主要方向之一2 。盡管 GPS 能夠?yàn)榈厍蛏先魏蔚攸c(diǎn)的用戶提供 導(dǎo)航信息 ,但它要求捕獲四顆或更多衛(wèi)星 。所以在 城市 、峽谷 、森林等地區(qū) ,由于受建筑物 、山體 、樹木 等遮擋 , 導(dǎo)致 GPS 信號(hào)衰減或失鎖 , 從而造成定位 精度的下降 ,甚至無法正常工作3 。由于 MEMS 慣 性器件誤差很大 , 在 GPS 失鎖時(shí) , 單獨(dú)使用 MEMS21MEMS2SINS/ GPS 組合導(dǎo)航邏輯對(duì)于組合導(dǎo)航系統(tǒng) ,建立準(zhǔn)確的誤差方程是采收稿日期 :2008211221 ; 修回日期 :2009203217基金項(xiàng)目 :國家自然科學(xué)基金重點(diǎn)項(xiàng)

7、目(60736025) ;國防基礎(chǔ)科研重大項(xiàng)目(D2120060013)宇航學(xué)報(bào)第 30 卷2232 b n用濾波技術(shù)的基礎(chǔ) 。通常采用 角方程或 角方程都是在假定失準(zhǔn)角為小量條件下導(dǎo)出的 。 由于目前國內(nèi) MEMS 慣性器件精度很差 ,一般硅微陀螺儀精度都在每小時(shí)幾十度到上百度左右 ,不能敏感地球自轉(zhuǎn)角速度 ,故無法利用硅微陀螺儀 進(jìn)行方位姿態(tài)自對(duì)準(zhǔn) 。硅微加速度計(jì)精度較好一 些 ,一般精度優(yōu)于 500g ,故利用硅微加速度計(jì)輸出 進(jìn)行水平姿態(tài)自對(duì)準(zhǔn)還是可行的 ,能夠滿足微小型 無人機(jī)的水平姿態(tài)要求 。故 MEMS2SINS/ GPS 組合 導(dǎo)航系統(tǒng)一般是在大方位失準(zhǔn)角下進(jìn)行的 。1. 1

8、狀態(tài)方程M. J . Yu 等人提出用四元數(shù)誤差來表示系統(tǒng)的 姿態(tài)誤差 ,沒有對(duì)三個(gè)姿態(tài)誤差作任何假設(shè) ,推導(dǎo)出 適合三個(gè)姿態(tài)誤差是任何角度的情況6 - 7 。當(dāng)姿態(tài) 誤差為小角度時(shí) ,所推導(dǎo)的四元數(shù)誤差方程與小干 擾線性方程是等效的 。(1) 姿態(tài)誤差微分方程文獻(xiàn)6 - 7 中姿態(tài)四元數(shù)誤差方程如下 :式中 : f 為加速度計(jì)測(cè)量值 , Cb 為 b 系到 n 系的方V b= V bbb T向余弦矩陣計(jì)算值 ,Vz 為加VyxTY (q) U (q) 的速度計(jì)隨機(jī)常值漂移 。非線性項(xiàng)詳見文獻(xiàn)8。(3) 位置誤差微分方程位置誤差方程推導(dǎo)過程中仍然不需要對(duì)姿態(tài)誤差角作任何假設(shè) ,等同于姿態(tài)誤差小

9、的情況 。y yv hvL = -+ R( R + h) 2M+ hM vxL secL tanL vxhsecL vx secL(3) =-+ R( R + h) 2NR + h+ hNN h = vz式中 : L , h 表示緯度和高度誤差 ; L ,h 分別表示 其相應(yīng)誤差 ; RM 和 RN 分別表示沿子午圈和卯酉圈 的主曲率半徑 。在一般的建模方法中 ,為了盡可能的將慣性器 件的誤差估計(jì)出來 ,在系統(tǒng)建模時(shí)通常將慣性器件 誤差作為狀態(tài)變量的一部分 。系統(tǒng)的狀態(tài)方程為 : q =(Kb ) - 1 n q +1ibin22X aFN0610FS066XaXe1 ( U ( q)b- Y

10、 ( q)n )+ f ( X , t)(4)(1)=+ Gwibin2X eq0 q1q2q3T式中 : q = q - q =為計(jì)算= XTT T式中 : 系 統(tǒng) 的 狀 態(tài) 變 量 為 Xa , Xe , Xa =四元數(shù)與真實(shí)四元數(shù)的差 , b 表示 b 系相對(duì) i 系角 TibLhvxvyvzq0q1q2q3, Xe速度在 b 系上的投影 , n 表示 n 系相對(duì) i 系角速度bbbbbb Tx yz , f ( X , t ) 為非線in= VxVyVz在 n 系上的投影 。 b = b + b 為陀螺測(cè)量值 , bib ib性部分 ,矩陣F 、F 和 G 中的參數(shù)可由公式 ( 1)

11、 、NST 表示陀螺隨機(jī)常值漂移 。 n = nb b b=x y zin in(2) 和 (3) 得出 , w 為系統(tǒng)噪聲矢量 。1. 2量測(cè)方程MEMS2SINS/ GPS 組合導(dǎo)航系統(tǒng)采用位置 、速度+ n 表示利用位置和速度計(jì)算值得到的 n 系相對(duì)ini 系角速度 。其中 b 系為載體坐標(biāo)系 , i 系為慣性坐標(biāo)系 , n 系為導(dǎo)航坐標(biāo)系 。矩陣 (Kb ) 、n 、的淺組合的方式 ,由于 MEMS SINS2質(zhì)心與 GPS 天線ibinU ( q) 和 Y ( q) 表達(dá)式見文獻(xiàn)8。式(1) 為q 的線性微分方程 ,在推導(dǎo)過程中并 未假設(shè)失準(zhǔn)角為小量 ,因此該方程能夠準(zhǔn)確描述在 任意

12、失準(zhǔn)角下的姿態(tài)誤差傳播特性 。(2) 速度誤差方程中心并不在同一位置 ,故進(jìn)行融合前要對(duì) GPS 位置和速度信息進(jìn)行桿臂誤差的補(bǔ)償 。但目前民用 GPS 接收機(jī)位置誤差一般在 5 m ( CEP) 以上 ,而車身寬度 在 1 . 5 米左右 ,所以桿臂誤差可以忽略 。取 MEMS2SINS 解算的位置 、速度與 GPS 輸出的位置 、速度之 差作為量測(cè)值 ,即T設(shè)速度矢量為 V = vxvz , 誤差矢量為給出速度誤差方vyV = vx程為vyvz , 由文獻(xiàn)7T= P - PGPS= V - V GPSy1 ( t)y2 ( t )式中 : P = L=-(5)(6)PS INSVS INS

13、PGPSV GPS n b n b TV = - 2 Cb f Y ( q)q + 2 Cb f q q -Th T ,P = Lh T , 下 bY (q) U (q) f + Cb V -Tnb(ienn+ in ) 標(biāo)表示狀態(tài)所屬的系統(tǒng) ,其中 為經(jīng)度 , 為經(jīng)度誤差 。V -(n+ n ) V(2)ie in HYPERLINK :/www / 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 第 6 期曹娟娟等 : GPS 失鎖時(shí)基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的 MEMS2SINS

14、誤差反饋校正方法研究2233由于經(jīng)緯度誤差均用弧度表示 ,數(shù)值很小 ,易引起濾波數(shù)值的不穩(wěn)定 ,故采用如下公式 ,把誤差單位 由弧度轉(zhuǎn)換成米 ,即RM (L - L GPS )Wi = 1/ 2 ( n + ) n + ( S( Xk - 1 ) i + n k - 1= X-k - 1 ) i= 1/ 2 ( n + ) Wi + n式中 : 為實(shí)數(shù) , n 為狀態(tài)維數(shù) , W 為權(quán)值 , ( S)k - 1 iRN co sL ( - GPS )h - hGPSy1 ( t) =(7)為 S的第 i 列 。k - 1故 2 n + 1 個(gè)采樣點(diǎn)組成的矩陣為 :則量測(cè)方程寫成 :n + (

15、Sk - 1 ) i=Xk - 1 +,Xk - 1 -Xk - 1k - 1y1 ( t)Y ( t) =H ( t) X ( t)+ v ( t )(8)n + ( Sk - 1 ) i(11)i = 1 ,2 , ny2 ( t)式中 : k - 1 為 n 行 2 n + 1 列矩陣 。(3) 時(shí)間更新式中 : Y 為觀測(cè)矢量 ;I3 3 為量測(cè)矩1 ; 矩陣 v ( t )H = M3 3RN co sL陣 ,其中 M3 3 = di ag RM為量測(cè)噪聲矢量 。k/ k - 1= f (k - 1 , k - 1)2 n(12)1. 3MEMS2SINS/ GPS 組合濾波方法由于

16、 MEMS2SINS/ GPS 組合濾波的模型存在非 線性 ,故需采用非線性濾波方法 。S. J . J uliear 等人 提出了 UKF (Unscented Kalman Filter) 9 - 10 方法 ,一種 典型的非線性變換估計(jì)方法 ,濾波精度明顯優(yōu)于擴(kuò) 展卡爾曼濾波 EKF ( Extended Kalman Filter) 。為了保 證了狀態(tài)協(xié)方差陣的非負(fù)定性 ,提高了濾波的數(shù)值 穩(wěn)定性 , 改進(jìn)標(biāo)準(zhǔn) UKF , 將 QR 分解用在 UKF 方法 中 。此種方法也是一種平方根濾波方法 ,在沒有增 -6ii , k/ k - 1()X k=W13i = 0 -W1 (1 :2

17、n , k/ k - 1 -X k )Qk (14)(15) (16)(17)S k=QR -= M- X10 , k/ k - 1 k-S-=chol updat a S k , M1 , W0 k= h (k/ k - 1 , k -2 n1)yk/ k - 1 -6(18)Y k=Wi yi , k/ k - 1i = 0量測(cè)更新(4)加濾波計(jì)算量的同時(shí)提高了濾波數(shù)值穩(wěn)定性11假設(shè)一個(gè)離散非線性系統(tǒng)。 -=QRW1 ( y1 :2 n , k/ k - 1 -Yk )Rk (19)S Yk -(20)(21)M2=y0 , k/ k - 1- Y k= f ( Xk , k)(9)(10

18、)Xk + 1+ wkchol updat a S Y2 n, M2 , W0 S YYk = h ( Xk , k) + vkkk式中 : Xk 為系統(tǒng)狀態(tài)向量 , wk N (0 , Qk ) 為系統(tǒng)噪聲向量 , Yk 觀測(cè)向量 , vk N (0 , Rk ) 為量測(cè)噪聲 向量 。在 Xk 附近選取一系列采樣點(diǎn) ,這些采樣點(diǎn)的 均值和協(xié)方差分別為 Xk 和 Pk , 這些采樣點(diǎn)通過該 非線性系統(tǒng) ,產(chǎn)生相應(yīng)的變換采樣點(diǎn) 。對(duì)這些變換 采樣點(diǎn)進(jìn)行計(jì)算 ,便得到預(yù)測(cè)的均值和協(xié)方差 。(1) 初始化 - - T6=W X- X Y-Y 22()PXk Yii , k/ k - 1 ki , k

19、/ k - 1kki = 0T - 1( S Y S Y )(23)(24) (25)(26)Kk=PX Ykkkk - -+ Kk ( Yk -Y k )=XkX kKk S YUkS = chol updat a S -k , U , -1k式中 : chol updat a 和 QR 均為 matlab 中的函X0 = E X0 ,數(shù) ,前者為 Cholesky 分解的一次更新函數(shù) ,若 R =1TS 0 = chol E ( X0- X0 ) ( X0 - X0 ) chol updat a R , X , M , 則 R TTT= R R + M XX 。后= QR A , 則 R

20、=1 R1其中 : chol 為 matlab 中的上三角 Cholesky 分解函數(shù) ,若 L = chol A , 則 A = L TL 。(2) 計(jì)算采樣點(diǎn) 對(duì)于 k 1 ,者為矩陣 QR 分解函數(shù) , 若 Rchol A TA 。2基于 RBF2ANN 預(yù)測(cè) MEMS2SINS 誤差反饋校正方法W0 = / ( n + )n + ( S k - 1 ) i( Xk - 1 ) 0 Xk - 1=2. 1基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò) ( Artificial Neural Network , ANN)( Xk - 1 ) iXk - 1=+ HYPERLINK :/www /

21、 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 宇航學(xué)報(bào)第 30 卷2234是一個(gè)大規(guī)模分布式并行處理器 ,可用于模型高度復(fù)雜和非線性隨機(jī)問題 。ANN 由規(guī)模較小的神經(jīng) 元組成 ,通過一個(gè)學(xué)習(xí)過程和中間神經(jīng)元連接權(quán) ,進(jìn) 行訓(xùn)練并存儲(chǔ)學(xué)習(xí)知識(shí) 。學(xué)習(xí)過程分兩個(gè)階段 : 第 一階段是通過確定的學(xué)習(xí)算法進(jìn)行訓(xùn)練 ; 第二階段 是預(yù)測(cè) ,即在存儲(chǔ)的學(xué)習(xí)知識(shí)的基礎(chǔ)上 , 利用 ANN 處理輸入數(shù)據(jù)來估計(jì)輸出 。根據(jù)內(nèi)在結(jié)構(gòu)和學(xué)習(xí)算法的不同 ,ANN 有許多 不同 的 類 型 ?；?

22、于 徑 向 基 函 數(shù) RBF ( Radial2Basis Function) 的 ANN 屬于多層前向 ANN ,是一種 3 層前 向網(wǎng)絡(luò) ,如圖 1 所示 。一是自組織學(xué)習(xí)階段 ,即學(xué)習(xí)隱層基函數(shù)的中心與方差階段 ;二是有監(jiān)督學(xué)習(xí)階段 ,即學(xué)習(xí)輸出層權(quán)值 的階段 ,通過先前可以獲取的樣本來學(xué)習(xí) 。2. 2MEMS2SINS 誤差反饋校正方法由于 MEMS2SINS 位置誤差 、速度誤差和姿態(tài)誤 差是由 MEMS2SINS 中的陀螺儀和加速度計(jì)誤差引 起的 ,所以 RBF2ANN 的輸入選取陀螺儀和加速度計(jì) 的輸出 ,而輸出是相應(yīng) MEMS - SINS 的位置誤差 、速 度誤差和姿態(tài)誤差

23、 。GPS 信號(hào)可用時(shí) , 對(duì) RBF2ANN 進(jìn)行訓(xùn)練 。GPS 信號(hào)和 MEMS2SINS 組合導(dǎo)航濾波輸出作為目標(biāo)網(wǎng) 絡(luò)的輸出 ,同一時(shí)刻的 MEMS2SINS 中陀螺儀和加速 度計(jì)的輸出作為目標(biāo)網(wǎng)絡(luò)的輸入 。訓(xùn)練算法不斷修 改網(wǎng)絡(luò)參數(shù) ,盡可能降低誤差的均方值 ,得到最優(yōu)神 經(jīng)網(wǎng)絡(luò)模型參數(shù) ,如圖 2 所示 。圖 1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 Architecture of RBF artificial neural networks圖 1 中 表示“基函數(shù)”,本文選用神經(jīng)網(wǎng)絡(luò)最普遍的基函數(shù)高斯函數(shù) ,是對(duì)中心點(diǎn)徑向?qū)ΨQ且衰 減的非負(fù)非線性函數(shù) ,即圖 2 利用 MEMS2S

24、INS 誤差訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型過程Fig. 2 Training procedure of ANN module for modelingMEMS2SINS errors( x - )2( x) = exp( 0 ,x R)-22GPS 信號(hào)中斷后 ,由于 MEMS 陀螺儀和加速度計(jì)精度較差 ,單獨(dú)工作的 MEMS2SINS 導(dǎo)航精度急劇 下降 ,很難滿足導(dǎo)航要求 。在這一階段 ,MEMS2SINS 中陀螺儀和加速度計(jì)的輸出再次作為已經(jīng)訓(xùn)練好的 RBF2ANN 的輸入 , 來預(yù)測(cè)相應(yīng)的位置誤差 、速度誤 差和姿態(tài)誤差 ,如圖 3 所示 。(27)式中 , 為高斯基函數(shù)的中心 , 為方差 。RBF

25、2ANN 的第 1 層輸入層由信號(hào)源節(jié)點(diǎn)組成 ; 第 2 層為隱含層 ,隱單元的個(gè)數(shù)由所描述的問題而 定 ,隱 單 元 的 變 換 函 數(shù) 采 用 RBF 作 為 隱 單 元 的 “基”,構(gòu)成隱含層空間 , 隱含層對(duì)輸入矢量進(jìn)行變 換 ,將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi) ,使得 在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分 ; 第 3 層為輸出層 ,它對(duì)輸入模式作出響應(yīng)12 。 由于 RBF2ANN 只有 3 層結(jié)構(gòu) ,訓(xùn)練過程更簡單 、快 捷 ,故本文采用 RBF2ANN 。RBF2ANN 要學(xué)習(xí)的參數(shù)有三個(gè) : 基函數(shù)的中心 、 方差和權(quán)值 wij 。根據(jù)徑向基函數(shù)中心選取方法的

26、不同 ,RBF - ANN 網(wǎng)絡(luò)有很多種學(xué)習(xí)方法 ,本文采用 自組織選取中心法12 。這種方法由兩個(gè)階段組成 :圖 3 神經(jīng)網(wǎng)絡(luò)模塊預(yù)測(cè) MEMS2SINS 誤差過程Fig. 3 Prediction procedure of ANN module for modelingMEMS2SINS errors HYPERLINK :/www / 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 第 6 期曹娟娟等 : GPS 失鎖時(shí)基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的 MEMS2SINS 誤差反饋校正

27、方法研究2235圖 3 表明了在 GPS 失鎖時(shí) , RBF2ANN 在預(yù)測(cè)階段工作的結(jié)構(gòu) 。利用 RBF2ANN 預(yù)測(cè)值校正 MEMS2SINS 的位置 、速度和姿態(tài)信息 , 獲得精度較高的導(dǎo) 航信息 ,從而實(shí)現(xiàn)連續(xù)導(dǎo)航 。系統(tǒng)同時(shí)輸出 GPS 失鎖過程中純 MEMS2SINS 的導(dǎo)航結(jié)果和經(jīng)過徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值校正后的 MEMS2SINS 的導(dǎo)航信息 。另外一個(gè) MEMS2SINS/ GPS 組合導(dǎo)航系統(tǒng)正常工作 ,作為參考系統(tǒng) 。圖 6 為跑車過程中經(jīng)緯度圖 ,圖 7 為跑車過程中第 4 個(gè) GPS 失鎖過程中的三種情況經(jīng)緯度比較 圖 ,圖 8 為跑車過程中第 4 個(gè) GPS 失鎖

28、過程中的橫 滾角比較圖 。3地面車載跑車試驗(yàn)驗(yàn)證為了驗(yàn)證基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MEMS2SINS 誤差反饋校正方法的有效性 ,采用實(shí)驗(yàn)室 研制的組合導(dǎo)航硬件系統(tǒng)進(jìn)行了地面車載跑車試驗(yàn)。 MEMS2SINS/ GPS 組合導(dǎo)航硬件系統(tǒng)采用了 LCG50 陀 螺儀和 AD1221 加速度計(jì)組成的 MIMU 以及 Ublox 接 收機(jī) ,整個(gè)組合導(dǎo)航系統(tǒng)實(shí)物如圖 4 所示。圖 6 跑車過程中三種情況經(jīng)緯度比較圖Fig. 6 Position figures during GPS outage圖 4 MEMS2SINS/ GPS 組合導(dǎo)航系統(tǒng)Fig. 4 MEMS2SINS/ GPS inte

29、grated navigation system圖 7 第 4 個(gè) GPS 失鎖三種情況經(jīng)緯度比較圖Fig. 7 Position error figures during GPS outage 4從圖 6 至圖 8 可看出 ,經(jīng)過徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值校正后的 MEMS2SINS 的導(dǎo)航信息非常接 近參考系統(tǒng)的導(dǎo)航信息 ,說明了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的有效性 。表 1 總結(jié)了在 4 個(gè) GPS 人為失鎖內(nèi) ,位置 、速度 和姿態(tài)參數(shù)的徑向基神經(jīng)網(wǎng)絡(luò)模型的性能 。從表中 可看出 ,在 GPS 失鎖區(qū) ,與參考系統(tǒng)比較 ,經(jīng)過徑向 基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值校正后的 MEMS2SINS 的導(dǎo) 航信息

30、平均位置誤差小于 3 . 8 m , 平均速度誤差小于 0 . 6 m/ s ,平均姿態(tài)誤差小于 0 . 5。圖 5 試驗(yàn)的組合導(dǎo)航系統(tǒng)Fig. 5 Two integrated navigation systems for experiment車輛平均車速為 60km/ h , 跑車路線為北京四環(huán) ,為了便于比較將兩個(gè)同樣的 MEMS2SINS/ GPS 組 合導(dǎo)航系統(tǒng)一起進(jìn)行跑車實(shí)驗(yàn) ,如圖 5 所示 。實(shí)驗(yàn) 過程中對(duì)其中一個(gè) MEMS2SINS/ GPS 組合導(dǎo)航系統(tǒng) 人為制造 4 個(gè) GPS 失鎖 ( 均在運(yùn)動(dòng)模式下) ,每次失 鎖時(shí)間均不相同 ; GPS 正常工作時(shí)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

31、采用訓(xùn)練模式 , GPS 失鎖時(shí)切換為預(yù)測(cè)模式 ,此 HYPERLINK :/www / 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 宇航學(xué)報(bào)第 30 卷2236參考文獻(xiàn) :Mao Gang , Gu Qitai . The application of microminiature inertial mea2 surement unit to the measurement of ejection movement parameters C/ / Position Loc

32、ation and Navigation Symposium , IEEE 2000 . San Diego , CA , USA. 437 - 442 .Snyder , S , Schipper , B , Vallot , L , et al . Differential GPS/ inertial navigation approach/ landing : flight test resultsJ . IEEE Aerospace and Electronic Systems Magazine , 1992 ,7 : 3 - 11 .Grewal M S , Weill L R ,

33、Andrews A P. Global Positioning Systems , Inertial Navigation and Integration M . New York : Wiley Inter 2 science , 2007 .Sharaf R , Noureldin A. Online INS/ GPS integration with a radial ba2 sis function neural networkJ . IEEE Aerospace and Electronic Sys 2 tems Magazine , 2005 , 20 : 8 - 14 .Abde

34、l2Hamid W , Noureldin A , El2Sheimy N. Adaptive fuzzy predic2 tion of low2cost inertial2based positioning errors J . IEEE Transac 2 tions on Fuzzy Systems , 2007 ,15 (3) : 519 - 529 .Yu M J , Park H W , Jeon C B. Equivalent Nonlinear Error Models ofStrapdown Inertial Navigation Systems R . AIAA - 97

35、 - 3563 ,1997 : 581 - 587 .Yu M J , Lee J G , Park H W. Comparison of SDINS in2flight align2 ment using equivalent error models J . IEEE Transactions on Aero 2 space and Electronic Systems ,1999 ,35 (3) : 1046 - 1054 .曹娟娟 , 房建成 , 盛蔚. 大失準(zhǔn)角下 MIMU 空中快速對(duì)準(zhǔn)技術(shù)J . 航空學(xué)報(bào) , 2007 , 28 ( 6) : 1395 - 1400 . CAO J

36、 uan 2juan , FANGJian2cheng , SHENG Wei . A fast in2flight alignment for MIMUunder large attitude errors J . Chinese Journal of Aeronautics ,2007 , 28 (6) :1395 - 1400 (in Chinese) .J ulier S J , Uhlmann J K. A new extension of the kalman filter to non2 linear systemsC/ / The Proceedings of AeroSens

37、e : The 11th Interna 2 tional Symposium on Aerospace/ Defense Sensing , Simulation and Controls , Orlando , USA , 1997 :182 - 193 .J ulier S J , Uhlmann J K. Unscented filtering and nonlinear estimationJ . Proceedings of the IEEE , 2004 , 92 (3) : 401 - 422 .Van der Merwe R , Wan E A. The square2roo

38、t unscented kalman filter for state and parameter2estimation C / / ICASSP , IEEE International Conference on Acoustics , Speech and Signal Processing , Inst of Elec2 trical and Electronics Engineers , New York , 2001 ,6 : 3461 - 3464 .高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例M . 北京 : 機(jī)械工業(yè)出版社 , 2003 . GAO J uan. Artificial

39、Neural Network Theory and Sim 2ulation ExamplesM. Beijing : Mechanism Industry Press , 2003 .1234圖 8 第 4 個(gè) GPS 失鎖三種情況橫滾角比較圖Fig. 8 Roll error figures during GPS outage 45表 1 在 GPS 失鎖中試驗(yàn)方法的平均誤差Table 1 Average error of method during GPS outage6失鎖時(shí)間( s)位置誤差均值(m)速度誤差均值(m/ s)姿態(tài)誤差均值()失鎖序號(hào)1234254050303 . 53

40、 . 84 . 13 . 70 . 50 . 60 . 70 . 60. 30. 50. 70. 5784結(jié)論本文提出一種 基 于 RBF2ANN 預(yù) 測(cè) 的 MEMS2SINS 誤差反饋校正方法 ,首先根據(jù) MEMS2SINS/ GPS 組合導(dǎo)航濾波輸出信號(hào)的特點(diǎn)確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 模型 , GPS 有信號(hào)時(shí)根據(jù) MEMS2SINS/ GPS 組合導(dǎo)航 濾波輸入輸出信號(hào)獲取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本 ,進(jìn)行在線神經(jīng)網(wǎng)絡(luò)訓(xùn)練 ,得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù) ; 當(dāng) GPS 信號(hào)中斷時(shí)根據(jù)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模 塊預(yù)測(cè)出 GPS 信號(hào)失鎖時(shí)載體的位置誤差 、速度誤 差和姿態(tài)誤差 ,對(duì) MEMS2SINS

41、進(jìn)行誤差校正得到較 為準(zhǔn)確的導(dǎo)航參數(shù) 。通過地面車載跑車試驗(yàn) ,對(duì)人為制造的 4 個(gè) 50s以內(nèi)的盲區(qū)進(jìn)行了精度分析 。實(shí)驗(yàn)結(jié)果證實(shí)了訓(xùn)練 后的神經(jīng)網(wǎng)絡(luò)能很高精度地逼近 MEMS2SINS/ GPS 組合導(dǎo)航系統(tǒng)輸入與輸出間的關(guān)系且具有很強(qiáng)的泛化能力 , 能在 GPS 信號(hào)短時(shí)間中斷時(shí)使得 MEMS2SINS 利用神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行反饋校正后得到較 為準(zhǔn)確的導(dǎo)航參數(shù) ,實(shí)現(xiàn)連續(xù)導(dǎo)航 。但是對(duì)與長時(shí)間如 5 分鐘或更長的 GPS 信號(hào)失 鎖 ,神經(jīng)網(wǎng)絡(luò)模型參數(shù)的有效性還有待研究 ,如何改 進(jìn)神經(jīng)網(wǎng)絡(luò)模型參數(shù)的辨識(shí)讓其能夠自適應(yīng)誤差的 變化也是后續(xù)研究的重點(diǎn) 。9101112作者簡介 :曹娟娟(

42、1978 - ) , 女 , 北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院博士研究生 ,主要研究方向?yàn)閼T性導(dǎo)航 ,組合 導(dǎo)航算法研究與應(yīng)用。通信地址 :北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院新主 樓 B - 614 (100191) : (010) 82317078E2mail :caojuanjuan aspe . buaa . edu. cn(下轉(zhuǎn)第 2264 頁) HYPERLINK :/www / 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 宇航學(xué)報(bào)第 30 卷2264P

43、a ssive Image2ba sed Safe Landing Site Searching andSlope Estimation in Probe LandingDING Meng1 , CAO Yun2feng1 ,2 , WU Qing2xian1(1 . Automatic Engineering College , Nanjing University of Aeronautics and Astronautics , Nanjing 210016 , China ;2 . Academy of Frontier Science , Nanjing University of

44、Aeronautics and Astronautics , Nanjing 210016 , China)Abstract : In the research of lunar probe autonomous landing , the first step is to search safe landing site . In this paper , land2 ing site searching based on Intensity variation and slope estimation algorithm based on two views geometry was de

45、veloped. The pa2 per can be divided into three sections. Firstly , Multi2scale Window Intensity Standard Deviation was introduced for Safe Landing Candidate Region searching. Secondly , Scale Invariant Feature Transform and Random Sample Consensus were employed for fea2 ture point extraction and mat

46、ching robustly and accurately. Lastly , this paper used principle of homograph matrix H compatible with fundamental matrix F to estimated slope . Compared with similar algorithm , this algorithm did not need movement parameters of probe attitude and position. Relative experiment demonstrates that result of this method can satisfy requirements of slope estima2 tion in probe landing.Key words : Passive vision ; Safe landing site searching ; Slope estimation ; Compatibility(上接第 2236 頁)Ada ptive Neural Net work Prediction Feedback f orMEMS2SINS During GPS OutageCAO J uan