循环神经网络辅助GNSS/SINS组合导航方法及性能分析

针对GNSS信号中断时组合导航系统误差迅速发散的问题,提出了使用循环神经网络(RNN)来辅助组合导航系统的方法,RNN可以分别基于当前和过去的位置以及速度样本进行训练,使神经网络更好地处理系统中的时序信号,从而能够更加精确地预测SINS的位置和速度误差。采用无人机飞行试验数据验证了该算法在卫星信号中断时导航精度平均提升了77%,并且满足导航所需的实时性要求,与传统的径向基神经网络辅助的组合导航系统相比,其位置和速度的均方根误差平均降低了39%。

基于融合神经网络RBPF算法的地形辅助导航研究

在地形辅助导航中,粒子滤波由于其良好的实时性及对地形免线性化处理的特性而广泛应用。但该滤波算法也面临着粒子退化、高维空间"维数灾难"的问题,为提升导航性能,提出一种融合神经网络的RBPF算法。在SITAN系统基础上,以粒子滤波代替卡尔曼滤波,建立该系统状态空间模型。在粒子滤波重采样步骤前引入反向传播(BP)神经网络,调整奇异点,平滑权值,并采用Rao-Blackwellized (RB)理论对复杂高维模型进行结构分解,保障导航实时性。通过仿真生成飞行轨迹,与真实的地形高程图进行匹配定位,设定不同粒子数目以改变计算量大小,区别仿真时间。仿真实验证明该算法具备良好实时性,能有效改善粒子滤波缺陷,提升导航定位性能。