GPS失锁情况下基于神经网络的组合导航算法研究

文中针对GPS/SINS组合导航系统中GPS信号失锁问题进行研究,采用基于神经网络的组合导航算法。在GPS信号失锁时间段内,用神经网络模拟GPS的信息,进行信息融合。文中给出了基于神经网络的组合导航系统模型,并进行了数学仿真研究,结果表明,引入了神经网络的组合导航系统,在GPS信号失锁时,能保证一定的导航精度。本文为组合导航系统中GPS信号失锁问题的解决提供了一种方法。

惯性器件建模对GPS失锁段导航精度的影响

针对INS/GPS组合导航系统在GPS信号失锁的条件下导航精度恶化的问题,分析了惯性器件建模对导航精度的影响程度。通过对传统简化模型和考虑载体机动与环境因素的影响而建立的惯性器件完备模型的仿真,对两种模型在组合断开后的纯惯性导航的水平位置误差进行对比。结果表明相比简化模型相对完备模型可以将水平位置误差的精度提高53%,能有效解决INS/GPS组合导航系统因GPS信号失效后纯惯性系统的定位精度迅速恶化问题。

GPS失锁状态下SSW车载激光建模测量系统的点云精度分析

随着高精度动态定位技术、三维激光扫描技术以及自动控制技术的发展与融合,车载移动测量系统应运而生。车载移动测量系统是通过GPS/IMU组合导航来提供姿态信息,针对车载移动测量系统在外业数据采集过程中容易受到遮挡而使得系统GPS信号失锁,进而影响系统外业数据采集精度的情况。文章通过采用SSW车载激光建模测量系统在室内环境下模拟GPS信号失锁实验,然后对比真值与测量值,从而得出GPS失锁状态下SSW车载激光建模测量系统数据采集精度随时间的变化规律。

应用RB无迹卡尔曼滤波组合导航提高GPS重获信号后的导航精度

针对微机电-船舶惯性导航/全球定位（MEMS-SINS/GPS）组合导航系统在GPS信号中断时造成的强非线性误差及重获信号后精度变差的问题,设计了基于Rao-Blackwellised无迹卡尔曼滤波（RB-UKF）的组合导航算法。首先,基于捷联平台欧拉失准角定义了姿态误差,建立了捷联惯导系统的非线性误差传播方程。然后,针对组合导航的状态方程为非线性而量测方程呈线性的特点,设计了RB-UKF算法,在保证精度的同时降低了计算量。最后,设计了滤波算法总体结构,分别给出了GPS信号正常时和中断时组合导航滤波计算的流程。将提出的算法用于跑车实验,结果表明：在GPS失锁20s和40s再重获信号之后,使用RB-UKF算法的组合导航系统位置精度分别优于6m和7.5m,比扩展卡尔曼滤波（EKF）算法精度提高了1.5倍以上,误差收敛速度提高了1.88～16.5倍,计算量比UKF量测更新的计算量减小了41.7%。实验显示该方法显著提升了组合导航系统GPS信号中断再恢复后的滤波精度,且易于工程实现。

基于LabVIEW的车载GPS/SINS组合导航平台实现

针对车辆在GPS车载导航过程中经常出现的GPS失锁而影响导航定位功能的情况,建立了基于GPS/SINS的组合导航平台;将指北惯性导航算法运用到GPS/SINS组合导航系统中;推导了系统误差方程,根据传感器特性和Kalman滤波理论,设计了一种实用的Kalman滤波器,将速度误差和位置误差分开考虑,使误差协方差矩阵在计算过程中不易丢失非负定性,且减少了程序解算量;该平台在LabVIEW环境下完成数据采集与算法实现;使用该平台在中南大学新校区进行了跑车试验,实验结果表明:该平台系统在GPS失锁150s内,具有良好的导航效果。

基于Bagging模型的惯导系统误差抑制方法

由惯性导航系统(SINS)和卫星导航系统(GPS)构成的组合导航系统一直是陆用车辆的主要导航设备。当GPS失锁时,SINS的定位误差将随着时间不受控制的迅速增长。为了提高惯导系统的定位精度,相比较于单一的神经网络,集成学习算法中的Bagging模型能够深度学习惯导误差之间的内在关系,进一步提高导航性能。在智能算法和组合导航系统的框架下提出了惯导系统的误差抑制方案,即在GPS存在时训练组合导航系统数据,当GPS失锁时预测惯导系统位置增量。试验结果表明,该方案能够在GPS丢失时抑制惯导系统定位误差发散,相比较于BP算法,Bagging模型的定位精度在5 min时提高了约49%,15 min时提高了约41%。

基于地磁场矢量误差反馈的姿态补偿算法

针对小型空中机器人在全球定位系统(GPS)失锁情况下的姿态估计问题,提出一种新的闭环姿态补偿算法.有GPS辅助的情况下,采用组合导航算法对姿态角和地磁场矢量做出估计;当组合系统无法有效工作时,将反馈控制的思想引入姿态估计过程,充分利用地磁场测量值与估计值之间隐含的姿态信息,通过地磁场矢量误差反馈对姿态角速率测量值进行修正,进而抑制惯性导航系统误差的发散.在小型空中机器人上对算法进行实物验证,并与参考系统对比.结果显示:在GPS失锁的情况下,与开环工作模式下的INS/GPS组合导航系统相比,新的闭环姿态补偿算法的姿态估计误差更小,使惯性导航系统的姿态误差积累得到了有效的抑制.

基于MLP神经网络改进组合导航算法

为解决GPS信号失锁条件下,GPS/INS(inertial navigation system)组合导航系统解算精度降低甚至发散的问题,提出采用多层感知机神经网络(multilayer perceptron neural networks,MLPNN)来辅助组合导航系统。在GPS信号有效时对神经网络进行训练,在GPS失锁时利用神经网络对INS的导航误差进行修正,实现组合导航的连续性。跑车实验数据表明,GPS信号失锁360 s左右时,MLPNN辅助的组合导航方法最大位置误差在40 m以内,相对于纯惯性导航推算降低了35%的误差。该算法对GPS失锁后抑制GPS/INS组合导航系统误差快速发散、提高导航解算精度有显著效果。

基于GRU循环神经网络辅助的组合导航算法

针对复杂场景下GPS信号失锁导致的INS/GPS组合导航系统定位精度严重下降问题,提出基于GRU(门控循环单元)循环神经网络辅助的方法。在GPS信号锁定的情况下,使用GRU循环神经网络对IMU传感器数据、组合导航信息、GPS信息进行训练;GPS信号失锁后,利用训练好的模型进行预测,继续补偿INS结果。通过实际跑车采得的数据进行验证,在GPS信号失锁时,使用GRU循环神经网络辅助相较于纯惯导系统精度有较大提高。与MLP(多层感知器)辅助的方法进行比较,验证了循环神经网络对于连续时间轨迹推算的优越性。

车载LiDAR在电网GIS平台配网数据采集工作中的应用

车载LiDAR系统具有能快速测定道路、随时上路施测及费用较低等优势,其测距精度可达5mm,综合测点精度达到厘米级,系统采用了先进的直接惯导辅助定位技术(DIA),有效解决了GPS信号失锁的问题。通过电网GIS空间信息服务平台配网数据采集工作的验证,证明在城区电力专题数据采集过程中,车载LiDAR系统能够及时满足相关规范的要求。

移动实景测图系统在三维数字电网构建中的应用

IMMS移动实景测图系统具有快速测定道路、随时上路施测及费用较低等优势,其测距精度可达10～20 mm,测点精度达到cm级,系统采用了先进的CV技术,有效解决了高压电力设备强电磁对GPS信号和激光信号干扰等问题.在高压电力三维数据采集过程中,IMMS移动实景测图系统能够及时满足相关规范的要求.

车载LiDAR在电网GIS平台配网数据采集中的应用

车载LiDAR系统具有能快速测定道路、随时上路施测及费用较低等优势,其测距精度可达5 mm,综合测点精度达到cm级,系统采用了先进的直接惯导辅助定位技术(DIA),有效解决了GPS信号失锁的问题。通过电网GIS空间信息服务平台建设配网数据采集工作的验证,证明了在城区电力专题数据采集过程中,车载LiDAR系统能够满足相关规范的要求。

浅析IEEE1588V2在通信行业的部署方案及应用

TD-LTE网络和5G网络的发展都对通信系统的时间同步提出了严格的要求。当前通信系统普遍采用的GPS授时存在一定的政治风险,而IEEE1588V2具备可类比GPS的高精度授时能力。本文介绍了基于1588V2的通信网络双时钟备份应用,一定程度上解决由于GPS时间干扰造成的通信影响。

IMMS(移动实景测图系统)在三维数字电网构建中的应用

IMMS具有快速测定道路、随时上路施测及费用较低等优势，其测距精度可达10-20mm，测点精度达到厘米级，系统采用了先进的CV技术，有效解决了高压电力设备强电磁对GPS信号和激光信号干扰等问题。通过在三维数字电网构建中工作的验证，IMMS能够及时满足相关规范的要求。