一种船舶组合导航系统混合误差模型及应用

针对GPS与微机电系统组合导航系统存在高非线性的缺陷,特别是GPS失效期间同卡尔曼滤波方位估计相关的不确定性的影响,提出混合误差模型。使用支持向量机对卡尔曼滤波输出进行建模,利用基于自回归的快速正交搜索对非线性方位误差进行建模,针对GPS/简化的惯性传感器系统利用混合支持向量机-快速正交搜索方法同传统卡尔曼滤波和增强卡尔曼滤波-快速正交搜索方法进行比较,结果表明,混合支持向量机-快速正交搜索方法优于卡尔曼滤波算法和增强卡尔曼滤波-快速正交搜索算法。

基于级联深度神经网络的车辆位姿融合估计

在复杂的城市环境下,全球导航卫星系统信号失效时,现有利用单目相机或惯性导航系统估计车辆位姿的方法存在严重的累积误差。针对以上问题,提出了一种基于级联深度神经网络(CDNN)的车辆位姿融合估计算法。首先,设计了一种级联深度神经网络,减小单目相机因尺度模糊和尺度漂移造成的累积误差;其次,为了减小引入的器件噪声,利用简化惯性传感器系统(RISS)获取车辆横向、纵向加速度和横摆角速度。为了减小系统中不确定噪声的影响,利用H∞滤波融合CDNN和RISS的输出,在准确估计车辆位姿的同时保证高频输出。在KITTI数据集上的实验结果表明,与基于卡尔曼滤波的方法相比,本文算法估计得到的东向位置均方根误差(RMSE)减小了41.3%,北向位置RMSE减小了70.6%,航向角RMSE减小了66.6%。

3D RISS/GPS组合导航在卫星失锁下的定位精度分析

针对车辆组合导航在卫星信号失锁条件下定位精度较低的问题,提出了一种输出校正和反馈校正同时进行的三维简化惯性传感器系统(3D RISS)/全球定位系统(GPS)组合导航模型。该模型在卫星信号正常的时候进行3D RISS和GPS的组合导航,由扩展卡尔曼滤波对二者的输出进行融合,并通过输出校正和反馈校正同时进行的方式得到当前的位置、姿态、速度以及传感器误差等信息,在卫星信号失锁后切换至3DRISS自主导航,并补偿之前所估计的传感器误差。实验结果表明,该组合导航模型可以保证车辆在卫星信号正常和失锁阶段都有较高的定位精度。