【技术实现步骤摘要】
本专利技术涉及导航，尤其涉及一种基于卷积神经网络的惯性里程导航校正方法及系统。
技术介绍
1、惯性导航系统(inertial navigation system，ins)可以通过加速度计、陀螺仪等惯性元器件的数据不依赖于环境或其他条件进行导航解算，获得载体的位置、速度和姿态的导航信息，能够在短时间内保持高精度的导航。全球导航卫星系统(global navigationsatellite system，gnss)具有精度高、覆盖广、使用方便、全天候等特点，在观测条件良好时，可以满足载体高精度的定位需求。根据全球导航卫星系统和惯性导航系统的互补特性，通常将两者合并为gnss/ins组合导航系统来使用，合并后的组合导航系统能够在开放的户外环境下提供包括位置、速度和姿态在内的高精度导航参数，因此也常用于陆用车辆、机器人等的导航定位。
2、然而，当车辆行驶于森林、隧道、建筑群等复杂场景中，gnss信号很容易受到树木、建筑物等物体的遮挡，gnss信号发生中断。在这种情况下，传统的卡尔曼滤波(kalmanfilter，kf)缺少了gnss...
【技术保护点】
1.一种基于卷积神经网络的惯性里程导航校正方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络的惯性里程导航校正方法，其特征在于，构建基于卷积神经网络的惯性里程计，包括：
3.根据权利要求2所述的基于卷积神经网络的惯性里程导航校正方法，其特征在于，采用所述训练集和所述验证集对所述惯性里程计进行训练，得到载体行驶前向速度预测模型，包括：
4.根据权利要求1所述的基于卷积神经网络的惯性里程导航校正方法，其特征在于，将IMU输出的经过补偿的三轴陀螺仪信息以及三轴加速度计信息输入所述载体行驶前向速度预测模型，输出载体预测前向行
【技术特征摘要】
1.一种基于卷积神经网络的惯性里程导航校正方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络的惯性里程导航校正方法，其特征在于，构建基于卷积神经网络的惯性里程计，包括：
3.根据权利要求2所述的基于卷积神经网络的惯性里程导航校正方法，其特征在于，采用所述训练集和所述验证集对所述惯性里程计进行训练，得到载体行驶前向速度预测模型，包括：
4.根据权利要求1所述的基于卷积神经网络的惯性里程导航校正方法，其特征在于，将imu输出的经过补偿的三轴陀螺仪信息以及三轴加速度计信息输入所述载体行驶前向速度预测模型，输出载体预测前向行驶速度，包括：
5.根据权利要求1所述的基于卷积神经网络的惯性里程导航校正方法，其特征在于，将ins更新得到的位置、速度、姿态和所述载体预测前向行驶速度发送至kf，结合nhc和zupt，得到惯性里程计的校正导航结果，包括：...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。