高级搜索

基于改进神经网络增强自适应UKF的组合导航系统

陈光武 程鉴皓 杨菊花 刘昊 张琳婧

引用本文: 陈光武, 程鉴皓, 杨菊花, 刘昊, 张琳婧. 基于改进神经网络增强自适应UKF的组合导航系统[J]. 电子与信息学报, 2019, 41(7): 1766-1773. doi: 10.11999/JEIT181171 shu
Citation:  Guangwu CHEN, Jianhao CHENG, Juhua YANG, Hao LIU, Linjing ZHANG. Improved Neural Network Enhanced Navigation System of Adaptive Unsented Kalman Filter[J]. Journal of Electronics and Information Technology, 2019, 41(7): 1766-1773. doi: 10.11999/JEIT181171 shu

基于改进神经网络增强自适应UKF的组合导航系统

    作者简介: 陈光武: 男,1976年生,博士后,研究方向为惯性导航和组合导航;
    程鉴皓: 男,1995年生,硕士生,研究方向为惯性导航和组合导航;
    杨菊花: 女,1978年生,博士,研究方向为交通运输工程;
    刘昊: 男,1995年生,硕士生,研究方向为惯性导航和组合导航;
    张琳婧: 女,1994年生,硕士生,研究方向为惯性导航和组合导航
    通讯作者: 程鉴皓,cjhwww2005@163.com
  • 基金项目: 国家自然科学基金(61863024),甘肃省基础研究创新群体计划(1606RJIA327),甘肃省高等学校科研项目(2018C-11),甘肃省自然基金(18JR3RA107),甘肃省科技计划资助(18CX3ZA004)

摘要: 基于微机电系统(MEMS)的惯性器件和全球定位系统(GPS)的组合导航系统在卫星信号失锁时存在误差发散的问题,该文提出一种基于人工蜂群算法(ABC)改进的径向基函数(RBF)神经网络增强改进的自适应无迹卡尔曼滤波算法(AUKF)。在GPS信号失锁的情况下利用训练好的神经网络输出预测信息来对捷联惯导系统进行误差校正。最后通过车载半实物仿真实验验证该方法的性能。实验结果表明该方法在失锁情况下对于捷联惯导系统的误差发散有较为明显的抑制效果。

English

    1. [1]

      崔留争, 高思远, 贾宏光, 等. 神经网络辅助卡尔曼滤波在组合导航中的应用[J]. 光学精密工程, 2014, 22(5): 1304–1311.
      CUI Liuzheng, GAO Siyuan, JIA Hongguang, et al. Application of neural network aided Kalman filtering to SINS/GPS[J]. Optics and Precision Engineering, 2014, 22(5): 1304–1311.

    2. [2]

      刘昊, 陈光武, 魏宗寿, 等. 改进的最小二乘自适应滤波陀螺仪去噪方法[J]. 仪器仪表学报, 2018, 39(4): 107–114.
      LIU Hao, CHEN Guangwu, WEI Zongshou, et al. Gyro denoising method based on least squares adaptive filter[J]. Chinese Journal of Scientific Instrument, 2018, 39(4): 107–114.

    3. [3]

      王迪, 陈光武, 杨厅. 一种快速高精度GPS组合定位方法研究[J]. 铁道学报, 2017, 39(2): 67–73. doi: 10.3969/j.issn.1001-8360.2017.02.010
      WANG Di, CHEN Guangwu, and YANG Ting. Study on a fast and precision GPS integrated positioning method[J]. Journal of the China Railway Society, 2017, 39(2): 67–73. doi: 10.3969/j.issn.1001-8360.2017.02.010

    4. [4]

      ZHANG Quan and NIU Xiaoji. Research on accuracy enhancement of low-cost MEMS INS/GNSS integration for land vehicle navigation[C]. Proceedings of 2018 IEEE/ION Position, Location and Navigation Symposium, Monterey, USA, 2018: 891–898.doi: 10.1109/PLANS.2018.8373467.

    5. [5]

      WANG Di, XU Xiaosu, and ZHU Yongyun. A novel hybrid of a fading filter and an extreme learning machine for GPS/INS during GPS outages[J]. Sensors, 2018, 18(11): 3863–3885. doi: 10.3390/s18113863

    6. [6]

      JIANG Zhuqing, LIU Chonghua, ZHANG Gong, et al. GPS/INS integrated navigation based on UKF and simulated annealing optimized SVM[C]. Proceedings of the 78th Vehicular Technology Conference, Las Vegas, USA, 2013: 1–5.doi: 10.1109/VTCFall.2013.6692217.

    7. [7]

      NEEDHAM T G and BRAASCH M S. Impact of gravity modeling error on integrated GNSS/INS coasting performance[C]. Proceedings of 2017 IEEE/AIAA 36th Digital Avionics Systems Conference, St. Petersburg, 2017: 1–10.doi: 10.1109/DASC.2017.8102006.

    8. [8]

      高宗余, 李德胜. 神经网络在MEMS-IMU/GPS组合导航中的应用研究[J]. 传感技术学报, 2009, 22(9): 1356–1360. doi: 10.3969/j.issn.1004-1699.2009.09.028
      GAO Zongyu and LI Desheng. Study on application of neural network in MEMS-INS/GPS combination[J]. Chinese Journal of Sensors and Actuators, 2009, 22(9): 1356–1360. doi: 10.3969/j.issn.1004-1699.2009.09.028

    9. [9]

      刘卓凡, 杨凯, 王加详, 等. 基于ANFIS神经网络的GPS/INS组合导航信息融合[J]. 计算机测量与控制, 2012, 20(8): 2291–2293.
      LIU Zhuofan, YANG Kai, WANG Jiaxiang, et al. GPS/INS integrated navigation fusion algorithm based on ANFIS neural network[J]. Computer Measurement &Control, 2012, 20(8): 2291–2293.

    10. [10]

      孙佳兴, 张晓林, 侯冰. ABC优化BP神经网络算法在组合导航中的应用研究[J]. 遥测遥控, 2016, 37(5): 40–48. doi: 10.3969/j.issn.2095-1000.2016.05.008
      SUN Jiaxing, ZHANG Xiaolin, and HOU Bing. Application of ABC-based BP neural network in integrated navigation system[J]. Telemetry Remote Control, 2016, 37(5): 40–48. doi: 10.3969/j.issn.2095-1000.2016.05.008

    11. [11]

      胡高歌, 高社生, 赵岩. 一种新的自适应UKF算法及其在组合导航中的应用[J]. 中国惯性技术学报, 2014, 22(3): 357–361.
      HU Gaoge, GAO Shesheng, and ZHAO Yan. A novel adaptive UKF and its application in integrated navigation[J]. Journal of Chinese Inertial Technology, 2014, 22(3): 357–361.

    12. [12]

      江铭炎, 袁东风. 人工蜂群算法及其应用[M]. 北京: 科学出版社, 2014: 83–94.
      JIANG Mingyan and YUAN Dongfeng. Artificial Bee Colony Algorithm and its Application[M]. Beijing: Science Press, 2014: 83–94.

    13. [13]

      秦永元, 张洪钺, 汪淑华. 卡尔曼滤波与组合导航原理(第三版)[M]. 西安: 西北工业大学出版社, 2011: 221–231.
      QIN Yongyuan, ZHANG Hongyu, and WANG Shuhua. Kalman Filtering and Integrated Navigation Principles (Third Edition)[M]. Xi'an: Northwestern Polytechnical University Press, 2011: 221–231.

    14. [14]

      郭通, 兰巨龙, 李玉峰, 等. 基于量子自适应粒子群优化径向基函数神经网络的网络流量预测[J]. 电子与信息学报, 2013, 35(9): 2220–2226.
      GUO Tong, LAN Julong, LI Yufeng, et al. Network traffic prediction with radial basis function neural network based on quantum adaptive particle swarm optimization[J]. Journal of Electronics &Information Technology, 2013, 35(9): 2220–2226.

    15. [15]

      金瑶, 蔡之华, 梁丁文. 基于差分演化算法的自适应无迹卡尔曼滤波[J]. 电子与信息学报, 2013, 35(4): 838–843.
      JIN Yao, CAI Zhihua, and LIANG Dingwen. Adaptive unscented Kalman filter based on differential evolution algorithm[J]. Journal of Electronics &Information Technology, 2013, 35(4): 838–843.

    16. [16]

      岳哲, 廉保旺, 唐成凯. 基于加权自适应平方根容积卡尔曼滤波的GPS/INS组合导航方法[J]. 电子与信息学报, 2018, 40(3): 565–572. doi: 10.1999/JEIT170597
      YUE Zhe, LIAN Baowang, and TANG Chengkai. A GPS/INS integrated navigation method based on weighting adaptive square-root cubature Kalman filter[J]. Journal of Electronics &Information Technology, 2018, 40(3): 565–572. doi: 10.1999/JEIT170597

    17. [17]

      IANG Chen, ZHANG Shubi, and ZHANG Qiuzhao. A new adaptive h-infinity filtering algorithm for the GPS/INS integrated navigation[J]. Sensors, 2016, 16(12): 2127. doi: 10.3390/s16122127

    18. [18]

      NING Yipeng, WANG Jian, HAN Houzeng, et al. An optimal radial basis function neural network enhanced adaptive robust kalman filter for GNSS/INS integrated systems in complex urban areas[J]. Sensors, 2018, 18(9): 3091–3112. doi: 10.3390/s18093091

    19. [19]

      杨少凡, 余华兵, 陈新华, 等. 基于扩展Kalman滤波的单领航者自主水下航行器协同导航判别式训练方法研究[J]. 电子与信息学报, 2015, 37(11): 2756–2761. doi: 10.11999/JEIT150036
      YANG Shaofan, YU Huabing, CHEN Xinhua, et al. Discriminative training of Kalman filters based cooperative navigation for multiple autonomous underwater vehicles with a single leader[J]. Journal of Electronics &Information Technology, 2015, 37(11): 2756–2761. doi: 10.11999/JEIT150036

    20. [20]

      李江, 钱富才, 刘丁, 等. 具有未知参数的GPS/DR组合导航系统跟踪与辨识[J]. 电子与信息学报, 2013, 35(4): 921–926.
      LI Jiang, QIAN Fucai, LIU Ding, et al. Tracking and identification for GPS/DR integrated navigation system with unknown parameters[J]. Journal of Electronics &Information Technology, 2013, 35(4): 921–926.

    1. [1]

      何灏, 易卫东, 陈永锐, 王喆. 基于无迹卡尔曼滤波估计的无线传感器网络时钟分辨率优化. 电子与信息学报, 2019, 41(3): 687-693.

    2. [2]

      张天骐, 刘董华, 袁帅, 王胜. 组合二进制偏移载波信号的伪码周期及组合码序列盲估计. 电子与信息学报, 2019, 41(4): 917-924.

    3. [3]

      王守华, 陆明炽, 孙希延, 纪元法, 胡丁梅. 基于无迹卡尔曼滤波的iBeacon/INS数据融合定位算法. 电子与信息学报, 2019, 41(9): 2209-2216.

    4. [4]

      王巍, 周凯利, 王伊昌, 王广, 袁军. 基于快速滤波算法的卷积神经网络加速器设计. 电子与信息学报, 2019, 41(0): 1-7.

    5. [5]

      殷礼胜, 唐圣期, 李胜, 何怡刚. 基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测. 电子与信息学报, 2019, 41(9): 2273-2279.

    6. [6]

      耿友林, 解成博, 尹川, 郭兰图, 王先义. 基于卡尔曼滤波的接收信号强度指示差值定位算法. 电子与信息学报, 2019, 41(2): 455-461.

    7. [7]

      张海川, 曾芳玲. 非完备空际间叠干扰下星基导航信号捕获性能分析. 电子与信息学报, 2019, 41(3): 594-601.

    8. [8]

      毕秀丽, 魏杨, 肖斌, 李伟生, 马建峰. 基于级联卷积神经网络的图像篡改检测算法. 电子与信息学报, 2019, 41(0): 1-8.

    9. [9]

      秦华标, 曹钦平. 基于FPGA的卷积神经网络硬件加速器设计. 电子与信息学报, 2019, 41(0): 1-7.

    10. [10]

      盖杉, 鲍中运. 基于改进深度卷积神经网络的纸币识别研究. 电子与信息学报, 2019, 41(8): 1992-2000.

    11. [11]

      贺丰收, 何友, 刘准钆, 徐从安. 卷积神经网络在雷达自动目标识别中的研究进展. 电子与信息学报, 2019, 41(0): 1-13.

    12. [12]

      王鑫, 李可, 宁晨, 黄凤辰. 基于深度卷积神经网络和多核学习的遥感图像分类方法. 电子与信息学报, 2019, 41(5): 1098-1105.

    13. [13]

      梁晓萍, 郭振军, 朱昌洪. 基于头脑风暴优化算法的BP神经网络模糊图像复原. 电子与信息学报, 2019, 41(0): 1-7.

    14. [14]

      张烨, 许艇, 冯定忠, 蒋美仙, 吴光华. 基于难分样本挖掘的快速区域卷积神经网络目标检测研究. 电子与信息学报, 2019, 41(6): 1496-1502.

    15. [15]

      郭晨, 简涛, 徐从安, 何友, 孙顺. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别. 电子与信息学报, 2019, 41(6): 1302-1309.

    16. [16]

      杨宏宇, 王峰岩. 基于深度卷积神经网络的气象雷达噪声图像语义分割方法. 电子与信息学报, 2019, 41(10): 2373-2381.

    17. [17]

      肖成龙, 孙颖, 林邦姜, 汤璇, 王珊珊, 张敏, 谢宇芳, 戴玲凤, 骆佳彬. 基于神经网络与复合离散混沌系统的双重加密方法. 电子与信息学报, 2019, 41(0): 1-8.

    18. [18]

      马彬, 李尚儒, 谢显中. 异构无线网络中基于人工神经网络的自适应垂直切换算法. 电子与信息学报, 2019, 41(5): 1210-1216.

    19. [19]

      陈红松, 陈京九. 基于循环神经网络的无线网络入侵检测分类模型构建与优化研究. 电子与信息学报, 2019, 41(6): 1427-1433.

    20. [20]

      袁野, 贾克斌, 刘鹏宇. 基于深度卷积神经网络的多元医学信号多级上下文自编码器. 电子与信息学报, 2019, 41(0): 1-8.

  • 图 1  组合导航系统结构图

    图 2  改进神经网络训练流程

    图 3  仿真轨迹速度误差对比

    图 4  仿真轨迹位置误差对比

    图 5  仿真轨迹天向速度、位置误差对比

    图 6  车载轨迹与实验设备示意图

    图 7  失锁时间15 s的误差对比图

    图 8  失锁时间20 s的误差对比图

    表 1  传感器误差参数

    性能指标 陀螺仪 加速度计 更新频率
    分辨率 零偏 随机游走 分辨率 零偏 随机游走
    参数 0.007°/s 0.007°/s 2.4°/(s·$\sqrt {{\rm{Hz}}} $) 0.3 mg 0.2 mg 0.2 mg/$\sqrt {{\rm{Hz}}} $ 100 Hz
    下载: 导出CSV

    表 2  仿真轨迹误差

    算法 东向速度(m/s) 北向速度(m/s) 东向位置(m) 北向位置(m)
    均值 标准差 均值 标准差 均值 标准差 均值 标准差
    UKF 0.0020 0.0176 –0.0051 0.0151 –0.0372 0.5383 –0.3385 0.5731
    AUKF 0.0014 0.0133 –0.0045 0.0115 –0.0231 0.333 –0.1554 0.3662
    改进的AUKF 0.0012 0.0062 –0.0016 0.0063 –0.017 0.1516 –0.0134 0.1901
    下载: 导出CSV

    表 3  失锁15 s误差对比

    算法 东向速度 (m/s) 北向速度 (m/s) 东向位置 (m) 北向位置 (m)
    最大误差 标准差 最大误差 标准差 最大误差 标准差 最大误差 标准差
    SINS 6.8848 3.4896 17.1512 8.3593 48.1258 15.5383 113.5873 36.453
    RBF/UKF 2.0323 0.6450 5.8072 2.5089 11.6579 1.0626 42.2483 19.0634
    RBF/AUKF 1.1013 0.3399 4.0176 1.9044 6.2061 1.1394 30.6046 13.1792
    ABC_RBF/AUKF 0.4931 0.1887 1.1604 0.5895 2.1414 0.7315 5.7511 2.2276
    下载: 导出CSV

    表 4  误差收敛幅度(%)

    算法 东向速度 北向速度 东向位置 北向位置
    最大误差 标准差 最大误差 标准差 最大误差 标准差 最大误差 标准差
    RBF/UKF 70.48 81.52 66.14 69.99 75.78 93.16 62.81 50.47
    RBF/AUKF 84.00 90.26 76.58 77.22 87.10 92.67 73.06 63.85
    ABC_RBF/AUKF 92.84 94.59 93.24 92.95 95.50 95.29 94.94 93.90
    下载: 导出CSV

    表 5  失锁20 s误差对比结果

    算法 东向速度 (m/s) 北向速度 (m/s) 东向位置 (m) 北向位置 (m)
    最大误差 标准差 最大误差 标准差 最大误差 标准差 最大误差 标准差
    SINS 3.8304 1.9431 42.3022 21.2832 31.6512 9.5199 397.7599 131.2909
    RBF/UKF 1.4031 0.6460 2.1983 0.6543 13.4591 6.9092 10.5738 6.545
    RBF/AUKF 0.7504 0.4599 1.4436 0.5315 10.2079 5.3060 4.9074 2.8413
    ABC_RBF/AUKF 0.4424 0.1527 1.4165 0.4434 4.6339 2.1145 4.3115 1.5682
    下载: 导出CSV

    表 6  误差收敛幅度对比(%)

    算法 东向速度 北向速度 东向位置 北向位置
    最大误差 标准差 最大误差 标准差 最大误差 标准差 最大误差 标准差
    RBF/UKF 63.37 66.75 94.8 96.93 57.48 27.42 97.34 95.01
    RBF/AUKF 80.41 76.33 96.59 97.52 67.75 44.26 98.77 97.84
    ABC_RBF/AUKF 88.45 92.14 96.65 97.92 85.36 77.79 98.92 98.81
    下载: 导出CSV
  • 加载中
图(8)表(6)
计量
  • PDF下载量:  29
  • 文章访问数:  390
  • HTML全文浏览量:  240
文章相关
  • 通讯作者:  程鉴皓, cjhwww2005@163.com
  • 收稿日期:  2018-12-19
  • 录用日期:  2019-04-22
  • 网络出版日期:  2019-05-22
  • 刊出日期:  2019-07-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章