一种基于多源信息融合的无人车导航方法技术

本发明专利技术公开了一种基于多源信息融合的无人车导航方法，包括：采集无人车车载惯性导航系统、卫星导航系统以及温度传感器的多源信息；处理多源信息，构建无人车的线性化位置、姿态和速度误差模型；根据扩展卡尔曼滤波算法，构建基于扩展卡尔曼滤波的融合模型；将多源信息以及无人车的误差信息进行融合处理，完成扩展卡尔曼滤波中状态向量更新及对误差值的最优估计；构建NARX神经网络误差估计模型；根据卫星导航是否有效，选择使用基于扩展卡尔曼滤波的融合模型或NARX神经网络误差估计模型，实时修正并更新无人车的导航信息，完成基于多源信息融合的无人车导航。本发明专利技术设计的方法不受无人车类型的限制，适用性广，可拓展性强。可拓展性强。可拓展性强。

【技术实现步骤摘要】
一种基于多源信息融合的无人车导航方法


[0001]本专利技术涉及一种无人车导航方法，特别是一种基于多源信息融合的无人车导航方法。

技术介绍

[0002]随着无人技术的快速发展，无人领域已经成为我军作战的研究重点，针对无人装备精确定位的要求也逐步提升。目前，无人领域多采用惯性导航与国产化卫星导航组合的方式，为无人车提供位姿解算，支撑无人车的定位与导航，惯性/卫星组合导航系统是我军指挥作战中无人车的重要位置基准。在卫星导航丢失的条件下，惯性导航在一定距离内仍然能够为无人车提供高精度位置信息，同时，利用车体本身行进中的速度和姿态信息，进一步提高无人车位置的精度。但是，惯性导航系统精度严重依赖惯性传感器性能和计算方法，在卫星导航丢失超过一定时间后，惯性导航系统的偏置漂移误差在积分算法下持续累积，并且，无人车在沙漠、高山等野外高、低温环境下作业时，其惯性导航系统输出信息的精度受 温度影响很大，加剧影响解算结果，累积误差持续增加，极有可能导致无人车接收错误位置信号而偏离路径，无法满足无人车的精度要求。随着无人领域的发展，我军对无人车的定位精度要求越来越高。因此，急需解决上述在卫星导航系统丢失和高温、低温条件下，无人车定位误差累积、位置精度显著下降的问题，组合导航系统正面临重大挑战。
[0003]多源信息融合技术利用多个传感器获取的信息，按照特定的规则对这些信息进行分类、处理、融合和使用，实现各传感器之间的信息优势互补。随着我军对无人车精准作战、定点辅助需求的日益增加，无人车定位精度要求也随之提高，故本专利技术引入多源信息融合技术。如果期望得到对各传感器信息的最优互补和估计结果，那么需要选择合适的算法辅助多源信息融合技术，本专利技术引入卡尔曼滤波算法和神经网络算法，创建合适的模型，修正惯性导航系统中的误差，为系统提供更加安全可靠和精准的位置信息。因此，建立基于多源信息融合的无人车导航方法，为我军精确定位、高效作战提供了有利的手段。

技术实现思路

[0004]专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于多源信息融合的无人车导航方法。
[0005]为了解决上述技术问题，本专利技术公开了一种基于多源信息融合的无人车导航方法，包括以下步骤：步骤1，采集无人车车载惯性导航系统、卫星导航系统以及温度传感器的多源信息；所述多源信息包括：无人车的角速度、速度、加速度、位姿信息以及温度信息；步骤2，处理步骤1中采集到的多源信息，构建无人车的线性化位置、姿态和速度误差模型；得到无人车的误差信息，包括：位置误差、速度误差和姿态误差；步骤3，根据扩展卡尔曼滤波算法，构建基于扩展卡尔曼滤波的融合模型；将步骤1中得到的多源信息以及步骤2中得到的无人车的误差信息进行融合处理，获取融合后的误
差估计结果；完成扩展卡尔曼滤波中状态向量更新及对误差值的最优估计；步骤4，构建NARX神经网络误差估计模型：利用NARX神经网络构建以惯性信息（惯性信息包括加速度和角速度）和温度信息为输入的误差估计模型；在卫星导航失效时引入NARX神经网络误差估计模型进行惯性解算，修正由于卫星信号失效、惯性积分算法、环境温度等因素造成的定位误差；步骤5，根据卫星导航是否有效，选择使用步骤3中所述基于扩展卡尔曼滤波的融合模型或步骤4中所述NARX神经网络误差估计模型，实时修正并更新无人车的导航信息，完成基于多源信息融合的无人车导航。
[0006]本专利技术步骤2中所述构建无人车的线性化位置、姿态和速度误差模型时，对其中的陀螺偏置误差模型进行改进，用受温度影响的非线性模型代替白噪声陀螺偏置误差模型。
[0007]步骤2中所述用受温度影响的非线性模型代替白噪声陀螺偏置误差模型的具体方法包括：上式中，为改进后的陀螺偏置误差模型，为车载惯性导航系统的惯性传感器输出得到的陀螺偏置信息，为温度传感器采集的温度信息，为惯性传感器信息采集间隔时间，为白噪声模型，且，为零均值高斯白噪声模型，即为过程噪声。
[0008]本专利技术步骤3中所述的扩展卡尔曼滤波算法包括：扩展卡尔曼滤波的系统模型为：其中，为第k+1步的状态变量，为第k步的状态变量，为第k步的过程噪声；为扩展卡尔曼滤波中的非线性状态函数；实现系统矩阵线性化的方法包括：其中，为对偏导的雅克比矩阵，为第k
‑
1步的后验状态估计，为状态变量；假设传播间隔足够小，状态转移矩阵近似为：其中，为传播间隔，即传感器更新频率的倒数，表示指数函数；扩展卡尔曼滤波的观测模型为：其中，为观测变量，为观测噪声，为扩展卡尔曼滤波中的量测函数；实现观测矩阵线性化的方法包括：
其中，为对偏导的雅可比矩阵，为第k步的状态估计。
[0009]步骤3中所述的融合处理方法包括：根据扩展卡尔曼滤波的系统模型和观测模型，将步骤2中得到的误差信息作为系统状态变量，将步骤2中改进后的陀螺偏置误差模型作为过程噪声中的陀螺偏置项；将卫星导航系统测量得到的位置和速度信息与惯性导航系统测量得到的位置和速度信息的差值作为观测模型的变量；完成扩展卡尔曼滤波中状态向量的更新及对误差值的最优估计。
[0010]步骤3中所述的扩展卡尔曼滤波中状态向量更新的方法，包括以下步骤：步骤3
‑
1，一步状态预测更新：其中，为上一状态的最优值，为当前状态的一步预测值；步骤3
‑
2，一步预测估计误差协方差矩阵更新：其中，为对应的协方差一步预测值，为状态转移矩阵，为对应的协方差， 为的转置，为过程噪声协方差矩阵；步骤3
‑
3，计算扩展卡尔曼滤波增益：其中，为扩展卡尔曼滤波增益矩阵，为观测矩阵，为观测矩阵的转置，为测量噪声协方差矩阵；步骤3
‑
4，由观测向量计算新息，并更新状态估计：其中，为当前状态的最优估计值，为当前观测值，为当前观测预测值。
[0011]步骤3
‑
5，更新估计误差协方差：其中，为对应的协方差，为单位矩阵。
[0012]本专利技术步骤4中所述NARX神经网络误差估计模型，以步骤3中所述的基于扩展卡尔曼滤波的融合模型的状态误差值作为所述NARX神经网络误差估计模型的输出，以步骤1中所述多源信息中无人车的加速度、角速度以及温度信息作为输入。
[0013]此外，考虑到NARX神经网络的动态延时反馈特性，步骤4中所述NARX神经网络误差估计模型的输入信息还包括k步延时输入反馈和n步延时输出反馈（k，n大小根据多源信息特点选取）。
[0014]本专利技术步骤5中所述的选择使用模型的方法包括：
在卫星导航有效时，选用扩展卡尔曼滤波融合模型估计的误差作为解算结果；在卫星导航失效时，利用NARX神经网络误差估计模型预测的误差作为解算结果；使用所述解算结果完成无人车定位及导航。
[0015]有益效果：1、改进传统的陀螺偏置误差模型，并在扩展卡尔曼滤波模型中引入，降低温度信息对状态估计值的精度影响。
[0016]2、构建具备延时反馈、准确性高的NARX神经网络误差估计模型，保证无人车在卫星导航失效时导航定位精度不下降。...

【技术保护点】

【技术特征摘要】
1.一种基于多源信息融合的无人车导航方法，其特征在于，包括以下步骤：步骤1，采集无人车车载惯性导航系统、卫星导航系统以及温度传感器的多源信息；所述多源信息包括：无人车的角速度、速度、加速度、位姿信息以及温度信息；步骤2，处理步骤1中采集到的多源信息，构建无人车的线性化位置、姿态和速度误差模型；得到无人车的误差信息，包括：位置误差、速度误差和姿态误差；步骤3，根据扩展卡尔曼滤波算法，构建基于扩展卡尔曼滤波的融合模型；将步骤1中得到的多源信息以及步骤2中得到的无人车的误差信息进行融合处理，获取融合后的误差估计结果；完成扩展卡尔曼滤波中状态向量更新及对误差值的最优估计；步骤4，构建NARX神经网络误差估计模型：利用NARX神经网络构建以惯性信息和温度信息为输入的误差估计模型；在卫星导航失效时引入NARX神经网络误差估计模型进行惯性解算，修正定位误差；步骤5，根据卫星导航是否有效，选择使用步骤3中所述基于扩展卡尔曼滤波的融合模型或步骤4中所述NARX神经网络误差估计模型，实时修正并更新无人车的导航信息，完成基于多源信息融合的无人车导航。2.根据权利要求1所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤2中所述构建无人车的线性化位置、姿态和速度误差模型时，对其中的陀螺偏置误差模型进行改进，用受温度影响的非线性模型代替白噪声陀螺偏置误差模型。3.根据权利要求2所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤2中所述用受温度影响的非线性模型代替白噪声陀螺偏置误差模型的具体方法包括：上式中，为改进后的陀螺偏置误差模型，为车载惯性导航系统的惯性传感器输出得到的陀螺偏置信息，为温度传感器采集的温度信息，为惯性传感器信息采集间隔时间，为白噪声模型，且，为零均值高斯白噪声模型，即为过程噪声。4.根据权利要求3所述的一种基于多源信息融合的无人车导航方法，其特征在于，步骤3中所述的扩展卡尔曼滤波算法包括：扩展卡尔曼滤波的系统模型为：其中，为第k+1步的状态变量，为第k步的状态变量，为第k步的过程噪声；为扩展卡尔曼滤波中的非线性状态函数；实现系统矩阵线性化的方法包括：其中，为对偏导的雅克比矩阵，为第k
‑
1步的后验状态估计，为状态变量；假设传播间隔足够小，状态转移矩阵近似为：
其中，为传播间隔，即传感器更新频率的倒数，表示指数函数；扩展卡尔曼滤波的观测模型为：其中，为观测变量，为观测噪声，为扩展卡尔曼滤波中的量测函数；实现观测矩阵线性化的方法包括：其中，为对偏导的雅可...

【专利技术属性】
技术研发人员：李源，朱峰，李磊，姚传明，石畅，邵卫，张义武，唐伟，梅世纪，鲁兴河，冯超，胡耀辉，陈忠，郭锐，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：