基于深度学习的组合导航方法、装置、系统及存储介质制造方法及图纸

本发明专利技术公开了一种基于深度学习的组合导航方法、装置、系统及存储介质，方法包括：通过卡尔曼滤波器融合INS和GPS，构建INS和GPS组合导航系统；推导GPS的位置增量与INS的输出值之间的关系，确定深度学习模型的输入值和输出值；构建深度学习模型及其损失函数，并学习输入值与输出值之间的非线性关系；分别进行仿真实验和真实场景实验，调整深度学习模型的超参数，得到训练后的深度学习模型；进行GPS中断测试，生成丢失的GPS位置数据，并根据丢失的数据校准INS的输出值，得到GPS中断后的导航数据。本发明专利技术将卡尔曼滤波器和深度学习相结合，提升了INS和GPS组合导航的鲁棒性和精度。了INS和GPS组合导航的鲁棒性和精度。了INS和GPS组合导航的鲁棒性和精度。

【技术实现步骤摘要】
基于深度学习的组合导航方法、装置、系统及存储介质


[0001]本专利技术涉及组合导航
，尤其涉及的是基于深度学习的组合导航方法、装置、系统及存储介质。

技术介绍

[0002]近年来，随着人工智能技术的发展，移动机器人被应用于越来越复杂的环境中执行各种智能任务，如疫情园区安保消毒，配送物资，自主巡检等。移动机器人执行这些高级智能任务的先决条件是明确机器人自身所在环境世界坐标系下的位置与姿态，即移动机器人的定位导航。
[0003]无人机和无人车最常用的定位导航方式有惯性导航系统（Inertial Navigation System， INS）和全球定位系统（Global Positioning System，GPS）。INS是利用陀螺仪和加速度计传感器获取载体的角速度和加速度信息，通过积分运算进一步求取载体的姿态，位置和速度。惯性导航系统的优点是更新频率快，隐蔽性高，但存在积分累积误差。GPS是通过计算卫星与GPS接收机之间的距离，确定载体在GPS坐标系下的绝对位置，不存在累积误差，但GPS更新频率慢且易受干扰。因此，在GPS信号可用的环境下，通常利用卡尔曼滤波器将INS和GPS集成在一起形成的INS和GPS组合导航系统。但是，当装配有GPS的无人机或无人车通过弱GPS场景时，如隧道或高楼群等，卡尔曼滤波器由于无法利用GPS信息作为观测值对组合导航系统进行更新，INS和GPS组合导航系统将退化成纯INS导航系统，而惯性器件的内在固有噪声将导致纯INS精度快速下降。因此，探究在这种GPS短时性中断的场景下，如何提高INS和GPS组合导航精度具有重要意义。
[0004]因此，现有技术还有待改进。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对现有技术缺陷，本专利技术提供一种基于深度学习的组合导航方法、装置、系统及存储介质，以解决INS和GPS组合导航系统在GPS信号中断的情况下导航精度低的技术问题。
[0006]本专利技术解决技术问题所采用的技术方案如下：第一方面，本专利技术提供一种基于深度学习的组合导航方法，包括：通过卡尔曼滤波器融合INS和GPS，构建INS和GPS组合导航系统；推导所述GPS的位置增量与所述INS的输出值之间的关系，确定深度学习模型的输入值和输出值；构建所述深度学习模型及其损失函数，并学习所述输入值与所述输出值之间的非线性关系；分别进行仿真实验和真实场景实验，调整所述深度学习模型的超参数，得到训练后的深度学习模型；利用所述训练后的深度学习模型进行GPS中断测试，生成丢失的GPS位置数据，并
根据所述丢失的GPS位置数据校准所述INS的输出值，得到GPS中断后的导航数据。
[0007]在一种实现方式中，所述通过卡尔曼滤波器融合INS和GPS，构建INS和GPS组合导航系统，包括：通过所述卡尔曼滤波器融合所述INS和所述GPS；构建所述INS的误差模型；将所述GPS的位置增量作为所述INS和GPS组合导航系统的观测值；确定所述INS和GPS组合导航系统的状态向量，构建所述INS和GPS组合导航系统的状态方程和观测方程。
[0008]在一种实现方式中，所述构建INS的误差模型，包括：构建INS姿态误差方程组：其中，为姿态角误差向量；和分别为导航坐标系相对于惯性坐标系的自转角速度及其误差；为导航坐标系下的陀螺仪漂移向量；构建INS速度误差方程组：其中，为东向、北向以及天向的速度误差；为东向、北向以及天向的速度；为比力值；和分别为地球在导航坐标系中的自转速度和相对地球的角度；是加速度计在导航坐标系下的偏差；构建INS位置误差方程组：其中，，以及分别为经度误差、纬度误差以及高度误差；、以及分别为北向速度误差、天向速度误差以及东向速度误差；和分别为地图子午线曲率半径和主垂线曲率半径。
[0009]在一种实现方式中，所述确定INS和GPS组合导航系统的状态向量，构建所述INS和
GPS组合导航系统的状态方程和观测方程，包括：选取若干个系统变量构成所述INS和GPS组合导航系统的状态向量：其中，为在导航坐标系中的姿态角误差向量；为速度误差；为经度误差、纬度误差以及高度误差，和分别表示在机体坐标系中的加速度计偏差和陀螺偏差；基于所述INS的误差模型，构建所述INS和GPS组合导航系统的离散状态空间方程：其中，表示状态转移矩阵；表示系统噪声分布矩阵；和分别是过程噪声和测量噪声；是测量矩阵；是测量向量。
[0010]在一种实现方式中，所述推导GPS的位置增量与所述INS的输出值之间的关系，确定深度学习模型的输入值和输出值，包括：将所述离散状态空间方程代入所述卡尔曼滤波器中进行循环更新迭代；通过所述卡尔曼滤波器对所述GPS的位置增量和所述INS的输出值进行比较，推导所述GPS的位置增量与所述INS的输出值之间的关系，以确定所述深度学习模型的输入值和输出值。
[0011]在一种实现方式中，所述构建深度学习模型及其损失函数，并学习所述输入值与所述输出值之间的非线性关系，包括：构建所述深度学习模型；在特征映射中确定所述INS的输出值与所述GPS的位置增量的表示形式，建立所述深度学习模型的输入层与输出层之间的非线性关系；其中，所述INS的输出值包括姿态角值、比力值以及角速度值。
[0012]在一种实现方式中，所述构建深度学习模型，包括：将所述INS的姿态角值、比力值以及角速度值作为所述深度学习模型的输入值，并将所述GPS的位置增量值作为所述深度学习模型的输出值。
[0013]在一种实现方式中，所述在特征映射中确定所述INS的输出值与所述GPS的位置增量的表示形式，建立所述深度学习模型的输入层与输出层之间的非线性关系，包括：采用卷积层作为特征抽取器，通过所述卷积层学习稀疏特征；对所述INS与所述GPS之间的隐含依赖关系进行建模，在特征映射中提供所述INS的输出值的抽象表示，利用GRU层建模特征图激活的时间动态特性。
[0014]在一种实现方式中，所述分别进行仿真实验和真实场景实验，调整所述深度学习模型的超参数，得到训练后的深度学习模型，包括：
分别进行所述仿真实验和所述真实场景实验；收集所述INS和GPS组合导航系统的数据集，并将所述数据集按照预设比例划分，得到所述训练集和所述测试集；通过所述训练集对所述深度学习模型进行训练，并通过所述测试集对所述深度学习模型进行测试；调整所述深度学习模型的超参数，得到所述训练后的深度学习模型。
[0015]在一种实现方式中，所述利用训练后的深度学习模型进行GPS中断测试，生成丢失的GPS位置数据，并根据所述丢失的GPS位置数据校准所述INS的输出值，包括：将所述INS测量的姿态角值、比力值以及角速度值输入至所述训练后的深度学习模型中，生成所述丢失的GPS位置数据：其中，为GPS中断时初始时刻k的初始位置值，为最终预测的GPS值；将所述丢失的GPS位置数据代入所述卡尔曼滤波器中，更新误差协方差矩阵，得到所述校准的INS输出值；将所述丢失的GPS位置数据与所述校准的INS输出值进行融合，得到GPS中断后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的组合导航方法，其特征在于，所述基于深度学习的组合导航方法包括：通过卡尔曼滤波器融合INS和GPS，构建INS和GPS组合导航系统；推导所述GPS的位置增量与所述INS的输出值之间的关系，确定深度学习模型的输入值和输出值；构建所述深度学习模型及其损失函数，并学习所述输入值与所述输出值之间的非线性关系；分别进行仿真实验和真实场景实验，调整所述深度学习模型的超参数，得到训练后的深度学习模型；利用所述训练后的深度学习模型进行GPS中断测试，生成丢失的GPS位置数据，并根据所述丢失的GPS位置数据校准所述INS的输出值，得到GPS中断后的导航数据。2.根据权利要求1所述的基于深度学习的组合导航方法，其特征在于，所述通过卡尔曼滤波器融合INS和GPS，构建INS和GPS组合导航系统，包括：通过所述卡尔曼滤波器融合所述INS和所述GPS；构建所述INS的误差模型；将所述GPS的位置增量作为所述INS和GPS组合导航系统的观测值；确定所述INS和GPS组合导航系统的状态向量，构建所述INS和GPS组合导航系统的状态方程和观测方程。3.根据权利要求2所述的基于深度学习的组合导航方法，其特征在于，所述构建INS的误差模型，包括：构建INS姿态误差方程组：其中，为姿态角误差向量；和分别为导航坐标系相对于惯性坐标系的自转角速度及其误差；为导航坐标系下的陀螺仪漂移向量；构建INS速度误差方程组：其中，为东向、北向以及天向的速度误差；为东向、北向以及天向的速度；为比力值；和分别为地球在导航坐标系中的自转速度和相对地球的角度；是加速度计在导航坐标系下的偏差；构建INS位置误差方程组：
其中，，以及分别为经度误差、纬度误差以及高度误差；、以及分别为北向速度误差、天向速度误差以及东向速度误差；和分别为地图子午线曲率半径和主垂线曲率半径。4.根据权利要求2所述的基于深度学习的组合导航方法，其特征在于，所述确定INS和GPS组合导航系统的状态向量，构建所述INS和GPS组合导航系统的状态方程和观测方程，包括：选取若干个系统变量构成所述INS和GPS组合导航系统的状态向量：其中，为在导航坐标系中的姿态角误差向量；为速度误差；为经度误差、纬度误差以及高度误差，和分别表示在机体坐标系中的加速度计偏差和陀螺偏差；基于所述INS的误差模型，构建所述INS和GPS组合导航系统的离散状态空间方程：其中，表示状态转移矩阵；表示系统噪声分布矩阵；和分别是过程噪声和测量噪声；是测量矩阵；是测量向量。5.根据权利要求4所述的基于深度学习的组合导航方法，其特征在于，所述推导GPS的位置增量与所述INS的输出值之间的关系，确定深度学习模型的输入值和输出值，包括：将所述离散状态空间方程代入所述卡尔曼滤波器中进行循环更新迭代；通过所述卡尔曼滤波器对所述GPS的位置增量和所述INS的输出值进行比较，推导所述GPS的位置增量与所述INS的输出值之间的关系，以确定所述深度学习模型的输入值和输出值。6.根据权利要求1所述的基于深度学习的组合导航方法，其特征在于，所述构建深度学习模型及其损失函数，并学习所述输入值与所述输出值之间的非线性关系，包括：
构建所述深度学习模型；在特征映射中确定所述INS的输出值与所述GPS的位置增量的表示形式，建立所述深度学习模型的输入层与输出层之间的非线性关系；其中，所述INS的输出值包括姿态角值、比力值以及角速度值。7.根据权利要求6所述的基于深度学习的组合导航方法，其特征在于，所述构建深度学习模型，包括：将所述INS的姿态角值、比力值以及角速度值作为所述深度学习模型的输入值，并将所述G...

【专利技术属性】
技术研发人员：崔金强，刘耀华，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：