详情

原文传递基于神经网络辅助的INS/GNSS组合导航算法研究

论文题名：	基于神经网络辅助的INS/GNSS组合导航算法研究
关键词：	船用组合导航;惯性导航系统;全球导航卫星系统;神经网络;滤波技术
摘要：	以惯性导航系统(InertialNavigationSystem,INS)以及全球导航卫星系统（GlobalNavigationSatelliteSystems,GNSS）构成的组合导航在船用组合导航领域应用极为广泛，如何能提升其精度一直是国内外学者的研究重点。INS导航属于自主导航设备，不易受外界环境信息干扰，短时噪声低且可连续工作，但由于解算特性和惯性传感器误差源等原因，导航非线性误差会随时间增加而大幅累积。GNSS导航可以提供长时间高精度的位置输出，但其抗干扰能力较差，结果数据更新率低。INS/GNSS组合导航取两者之优，具有精度高、成本低、全天候工作的优点。但在天气较为恶劣的情况下，GNSS接收机因电磁干扰、接收天线被遮蔽等原因解算精度将急剧下降，滤波发散，使得工作于纯惯模式的导航性能严重恶化，引入神经网络辅助滤波方法是解决这一问题的重要方法。应用神经网络辅助滤波后，在GNSS信号完全失锁的情况下，导航仍可以实现高鲁棒性的无缝解算。　　本文主要研究了INS/GNSS组合导航中的神经网络辅助滤波算法，针对组合导航失锁情况下现有的神经网络辅助滤波方法对解算精度和可靠性的提升效果不明显、难以满足导航定位要求的情况，分别采用RBF神经网络和粒子群算法改进的RBF神经网络算法进行辅助滤波。　　（1）介绍了INS和GNSS导航的基本原理及INS/GNSS组合导航系统结构，通过Mahony互补滤波器利用加速度计对姿态解算加以补偿，并基于地理坐标系下的导航解算特性构建了相应的导航误差解算模型。　　（2）研究了标准卡尔曼滤波和其框架下的扩展卡尔曼滤波的基本理论，根据算法特性构建了组合导航的误差解算模型，利用二维仿真运动验证了在INS/GNSS组合导航中扩展卡尔曼滤波相较于标准卡尔曼滤波的优势，也进一步验证了GNSS导航失锁后组合导航精度存在下降问题，有引入辅助方法加以处理的必要性。　　（3）介绍了基于前馈神经网络的组合导航算法，其能够利用高精度导航输出对惯导输出结果加以补偿。介绍了BP（BackPropagation)神经网络的训练过程，并分析了BP神经网络的缺点，引入了可以局部逼近且同为前馈网络的RBF（RadialBasisFunction）神经网络。详细研究了RBFNN的基本原理和训练方法，并针对RBFNN由于网络参数学习方法而产生的精度不高的现状提出了粒子群算法优化的RBFNN（PSO-RBF）算法，对三种神经网络在组合导航算法中的应用作了简单性能比较。　　（4）由GNSS接收机于极端条件下处于失锁状态使得导航性能急剧下降而引入神经网络辅助滤波方法进行研究。对现有船舶导航神经网络辅助算法应用中的优劣加以分析，针对组合导航中BP神经网络辅助滤波对解算精度提升效果不显著的情况，分别采用RBF神经网络和粒子群算法改进的RBF神经网络算法辅助滤波。通过三维船载运动实验，验证神经网络辅助滤波技术对于解决GNSS信号中断后导航精度迅速下降问题有效，并说明了粒子群算法优化参数的RBF神经网络辅助滤波对组合导航系统的精度和稳定性都具有良好的提升效果，并对解算精度加以量化对比。
作者：	刘姿含
专业：	航海科学与技术
导师：	史国友
授予学位：	硕士
授予学位单位：	大连海事大学
学位年度：	2022