基于时序神经网络辅助的农机定位导航方法技术

一种基于时序神经网络辅助的农机定位导航方法，采用的MEMS惯导器件定位快速发散问题，运用了基于改进误差模型的扩展卡尔曼滤波算法，来进行农机组合导航的定位解算，并且根据农机在作业情景中的特点：农机在作业过程中一般为匀速直线进行；农机在路径切换或者作业转场过程中会有静止情况的出现。将以上两种特点作为强有效的观测量加入到以MEM

【技术实现步骤摘要】
基于时序神经网络辅助的农机定位导航方法


[0001]本专利技术公开一种基于时序神经网络辅助的农机定位导航方法，属于利用人工智能进行农机定位的


技术介绍

[0002]农业机械智能化是精准农业重要组成部分,自动导航技术是精准农业的基础，是实现农业机械智能化控制的前提。研究农机自动驾驶技术，可以降低农机操作复杂度，提高农业作业效率和收益。而农机自动驾驶技术的首要环节是进行定位与导航。
[0003]农机在定位过程中常用到GNSS/INS组合导航定位系统，然而在复杂的农场环境及多变的田间道路下，GNSS信号极易受到遮挡，此时卡尔曼滤波器无法接收GNSS信号进行滤波处理，从而转变为纯惯性导航。由于低成本MEMS惯性器件测量误差较大，定位误差会快速累积，而且相比于乘用车来说农机车身的振动较大，会加快MEMS惯导定位结果的发散，导致定位结果不可用，严重影响了接下来的农机自动驾驶作业流程。

技术实现思路

[0004]针对现有技术的不足，本专利技术公开一种基于时序神经网络辅助的农机定位导航方法。
[0005]专利技术概述：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序神经网络辅助的农机定位导航方法，其特征在于，包括：利用MEM
‑
EKF算法对以下信息进行处理，所述信息包括GNSS信号和IMU数据原始数据经机械编排算法后得到的导航信息；所述GNSS信号包括当GNSS信号可用时的实时GNSS信号、当GNSS信号不可用时的利用历史GNSS信号训练得到的推测GNSS信号；所述IMU数据由陀螺仪和加速度计产生，所述IMU数据经判定后认为农机为静止时，则采用零速修正算法对所述农机的航向进行锁定，形成锁定数据；所述IMU数据经判定后认为农机为匀速直线时，则采用匀速修正算法对所述农机的航向进行约束，形成约束数据；所述锁定数据和约束数据均输入至MEM
‑
EKF算法；最终由MEM
‑
EKF算法输出农机的定位导航信息。2.根据权利要求1所述一种基于时序神经网络辅助的农机定位导航方法，其特征在于，所述MEM
‑
EKF算法，包括：定义速度微分方程为：=
‑
[(2)
×
]+（1）在公式（1）中，代表速度微分方程；是姿态转换矩阵；为比力向量；为地球自转角速率在当地导航坐标系下的投影；为导航系相对地球运动在导航系下的投影；是真实速度的值；为当地重力向量；
×
代表将向量转化为斜对称矩阵；公式（1）对应的传统速度误差微分方程被推导为：=
×
+
‑
(2)
×‑
(2)
×ꢀ
（2）在公式（2）中，代表速度误差微分方程；代表比力向量，姿态误差和速度误差向量分别表示为符号、；加速度计误差向量表示为符号；公式（2）中速度误差直接定义为 =，其中是在导航坐标系下惯性导航计算得到的速度向量；新的速度误差定义如下所示：（3）公式（3）中，代表新定义的速度误差；代表坐标系误差；公式（3）对应的微分方程如下：=[
×
+()()])](2)
×ꢀ
++
×
（4）公式（4）中，代表新定义速度误差微分方程；代表角速率误差；基于MEM
‑
EKF算法滤波的组合导航系统在NED（北东地）坐标系下的惯导误差状态方程为：=（5）在公式（5）中，为系统状态向量误差的微分方程；系统矩阵为；系统状态误差向量为；噪声转移矩阵为；过程噪声向量为；具体定义如下：T就是矩阵的转置；代表北东地三个方向姿态误差；代表北东地三
个方向速度误差；代表经纬高三个位置误差； 分别代表三轴陀螺仪零偏和三轴加速度计零偏；（6）=（7）=（8）=（9）=（10）=（11）公式（6）
‑
（11）中，代表为*的反对称矩阵；为三维零向量；代表角增量的反对称矩阵；L代表纬度；代表子午圈曲率半径；代表卯酉圈曲率半径；代表高度；由于位置是GNSS系统的最直接观测量，因此在 GNSS组合导航中卡尔曼滤波算法的外部观测信息通常采取位置更新，此时，卡尔曼滤波算法的位置观测方程可列为：（12）在公式（12）中，代表观测向量；代表观测矩阵；代表所选取的观测量；、、代表从实时的GNSS获得的经度、纬度、高程位置信息；、、代表从惯导系统INS解算出来的经度、纬度、高程位置信息；代表量测噪声；至此，基...

【专利技术属性】
技术研发人员：郝凤琦，魏民，
申请(专利权)人：齐鲁工业大学山东省科学院山东山科智控数字化科技有限公司，
类型：发明
国别省市：