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

doi:10.11999/JEIT181171

基于改进神经网络增强自适应UKF的组合导航系统

doi: 10.11999/JEIT181171

陈光武^{1, 2},
程鉴皓^{1, 2, ,},
杨菊花³,
刘昊^{1, 2},
张琳婧^{1, 2}

1.
兰州交通大学自动控制研究所兰州 730070
2.
甘肃省高原交通信息工程及控制重点实验室兰州 730070
3.
兰州交通大学交通运输学院兰州 730070

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)，甘肃省自然科学基金(18JR3RA107)，甘肃省科技计划资助(18CX3ZA004)

详细信息

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

中图分类号: TN967.2
计量
- 文章访问数: 2845
- HTML全文浏览量: 780
- PDF下载量: 85
- 被引次数: 30
出版历程
- 收稿日期: 2018-12-19
- 修回日期: 2019-04-22
- 网络出版日期: 2019-05-22
- 刊出日期: 2019-07-01

Improved Neural Network Enhanced Navigation System of Adaptive Unsented Kalman Filter

Guangwu CHEN^{1, 2},
Jianhao CHENG^{1, 2
, ,},
Juhua YANG³,
Hao LIU^{1, 2},
Linjing ZHANG^{1, 2}

1.
Automatic Control Institute, Lanzhou Jiaotong University, Lanzhou 730070, China
2.
Gansu Provincial Key Laboratory of Traffic Information Engineering and Control, Lanzhou 730070, China
3.
School of Traffic and Transportation, Lanzhou Jiaotong University, Lanzhou 730070, China

Funds: The National Natural Science Foundation of China (61863024), The Gansu Province Basic Research Innovation Group Program (1606RJIA327), The Gansu Province Higher Education Research Project (2018C-11), The Gansu Province Natural Science Foundation (18JR3RA107), The Gansu Province Science and Technology Plan Funding (18CX3ZA004)

摘要

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。
- 组合导航 /
- 径向基神经网络 /
- 无迹卡尔曼滤波 /
- GPS故障
Abstract: In order to solve the problem of speed and position error divergence in the integrated navigation system based on MicroElectro Mechanical Systems (MEMS) inertial device and GPS system combined positioning, an improved Adaptive Unsecnted Kalman Filter (AUKF) enhanced by the Radial Basis Function(RBF) neural network based on Artificial Bee Colony(ABC) algorithm is proposed. When the GPS signal is out of lock, the trained network outputs predictied information to perform error correction on the Strapdown Inertial Navigation System(SINS). Finally, the performance of the method is verified by vehicle-mounted semi-physical simulation experiments. The experimental results show that the proposed method has a significant inhibitory effect on the error divergence of the strapdown inertial navigation system in the case of loss of lock.
- Intergrated navigation /
- Radial basis neural network /
- Unscented Kalman Filter(UKF) /
- GPS break down

HTML全文

图 1 组合导航系统结构图

下载: 全尺寸图片幻灯片

图 2 改进神经网络训练流程

下载: 全尺寸图片幻灯片

图 3 仿真轨迹速度误差对比

下载: 全尺寸图片幻灯片

图 4 仿真轨迹位置误差对比

下载: 全尺寸图片幻灯片

图 5 仿真轨迹天向速度、位置误差对比

下载: 全尺寸图片幻灯片

图 6 车载轨迹与实验设备示意图

下载: 全尺寸图片幻灯片

图 7 失锁时间15 s的误差对比图

下载: 全尺寸图片幻灯片

图 8 失锁时间20 s的误差对比图

下载: 全尺寸图片幻灯片

表 1 传感器误差参数

性能指标	陀螺仪			加速度计			更新频率
性能指标	分辨率	零偏	随机游走	分辨率	零偏	随机游走	更新频率
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)
算法	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)
算法	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
算法	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)
算法	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
算法	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

参考文献(20)

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.

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.

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

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.

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

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.

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.

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

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.

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

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.

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.

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.

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.

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.

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

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

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

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

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.

施引文献

期刊类型引用(14)

1.	许振月，杨磊，周雯. 结合STBC或VBLAST的WSN协作传输的性能对比分析. 无线电工程. 2020(12): 1042-1049 . 百度学术
2.	李军，杨光友，干熊，陈学海，马志艳. 能量高效的事件驱动型大规模农业监测WSNs协作式传输策略. 湖北农业科学. 2017(06): 1155-1160+1168 . 百度学术
3.	孙文胜，李乐媛. 基于混合译码放大转发的最优中继选择方案. 计算机工程. 2017(11): 76-80+89 . 百度学术
4.	王超，刘宏立，徐琨. 不同信道下无线传感网络物理层能耗性能分析. 计算机工程与应用. 2016(12): 112-116 . 百度学术
5.	许晓荣，姚英彪，包建荣，陆宇. 认知WSN中基于能量有效性自适应观测的梯度投影稀疏重构方法. 电子与信息学报. 2014(01): 27-33 . 本站查看
6.	罗玮. 协作通信无线资源管理的研究和应用. 电子世界. 2014(14): 225-226 . 百度学术
7.	贾海云，乐永生. 协作分集技术在无线通信中的中继选择问题研究. 电脑知识与技术. 2013(09): 2053-2055 . 百度学术
8.	李瑞. 计算机软件安全检测技术探讨. 电子技术与软件工程. 2013(11): 40 . 百度学术
9.	李昌，阮秀凯，胡倩，唐震洲. 一种适用于WMSNs传输机制的信道盲估计方法. 传感技术学报. 2012(05): 659-664 . 百度学术
10.	于迎新，王钢. 协作分集系统中基于注水算法的功率分配方案研究. 电子与信息学报. 2012(12): 2830-2836 . 本站查看
11.	季薇，吴鹏悦. 下一代网络的“绿色化”挑战. 微型机与应用. 2012(24): 1-3 . 百度学术
12.	许晓荣，章坚武，黄爱苹. 基于多节点协作的认知WSN能耗优化算法. 杭州电子科技大学学报. 2011(04): 57-60 . 百度学术
13.	郑明才，张大方，赵小超. 基于梯度化邻居节点信息的传感器网络性能优化. 计算机应用研究. 2011(04): 1495-1498 . 百度学术
14.	季薇，郑宝玉. 基于能量有效性的协作节点配置问题研究. 信号处理. 2011(03): 321-327 . 百度学术