[发明专利]基于自学习多速率残差校正的偏振光惯性严密组合导航方法

说明书

本发明公开了一种基于自学习多速率残差校正的偏振光惯性严密组合导航方法，当偏振光系统正常工作时，将惯性导航系统输出的航向角转换为载体体轴相对于太阳子午线的方位角并作为状态量，以偏振光导航系统解算的载体体轴相对于太阳子午线方位角作为观测量，利用CKF‑ERC进行两数据的融合；将时间信息和z轴角速率作为长短时记忆神经网络的输入、以偏振光导航系统解算的数据作为网络输出，对其进行训练，实现自学习功能；当偏振光系统不可用，进入误差补偿阶段，通过LSTM预测偏振光的数据，并将预测值与惯性解算的方位角进行数据融合，提高复杂环境下载体长时间导航精度。本发明可有效提高导航定向的自主性，进而提高无人机的智能化程度。

技术领域

本发明涉及深度学习与导航定位技术领域，具体涉及一种基于自学习多速率残差校正的偏振光惯性严密组合导航方法。

背景技术

惯性导航系统(Inertial Navigation System，INS)以其抗干扰、高自主、输出效率高等优点已广泛应用于航空航天、智能汽车、无人机等军用民用行业，但其利用积分获得导航参数的同时也带来了累积误差的存在，从而使得长航时条件下精度发散严重，偏振光导航系统是利用稳定的大气偏振模式实现载体航向角获取，具有精度高、体积小、无累积误差等优点，是一种新兴的导航方式。但其受遮挡、阴雨天的影响较大，从而很难满足载体对航向角的获取精度要求。偏振光/惯性严密组合导航系统在充分发挥二者的优势的同时弥补各自的不足，即偏振光导航系统可校正惯性导航系统的累积误差，惯性导航系统可在阴雨天等不利条件下为载体提供导航信息，进而提高组合导航系统的可靠性与精度。但是在偏振光导航不可用时，组合导航系统的精度便难以保持。无人机在情报侦察、精确打击、遥感绘图、航拍建模等军用民用领域获得了广泛的应用。导航定位是无人机的关键技术之一，但在单一惯性导航模式下，很难满足无人机的导航需求。总而言之，目前长时工作条件下惯性导航技术还不够智能化，从而无法提供高精度导航信息。

发明内容

发明目的：为了解决现有技术中，偏正光导航系统不可用时，且在长航时工作条件下，组合导航系统的精度发散的问题，本发明提供一种基于自学习多速率残差校正的偏振光惯性严密组合导航方法。

技术方案：一种基于自学习多速率残差校正的偏振光惯性严密组合导航方法，包括以下步骤：

(1)利用偏振光导航系统解算出载体体轴相对于太阳子午线的方位角，作为观测量；同时利用惯性导航系统解算出载体体轴相对于太阳子午线的方位角，作为状态量；将观测量与状态量输入基于多速率残差校正的容积卡尔曼滤波器，进行数据的差速融合；

(2)当偏振光导航系统正常工作时，将计时器输出的时间信息、惯性导航系统输出的Z轴角速率与偏振光导航系统解算出的数据作为训练样本，对长短时记忆神经网络进行训练；

(3)当偏振光导航系统不可正常工作时，利用训练完成的长短时记忆神经网络根据计时器输出的时间信息与惯性导航系统输出的Z轴角速率预测得出偏振光导航系统的预测数据，将偏振光导航系统的预测数据与惯性导航系统解算出的数据进行融合；

(4)将融合后得到的载体体轴相对于太阳子午线的方位角，与天文公式进行结合，转化为绝对航向信息。

进一步地，步骤(1)中，基于多速率残差校正的容积卡尔曼滤波器的滤波过程为：当状态量与观测量同时输入时，进行完整的滤波操作，既进行时间更新也进行观测更新；当在高频惯性导航系统解算出的数据输出间隔时，只进行时间更新，并使用估计的残差对滤波状态量进行校正。

进一步地，步骤(2)训练的过程为：将计时器输出的时间信息、惯性导航系统输出的Z轴角速率以及偏振光导航系统解算出的数据作为训练样本，输入到长短时记忆神经网络中存储单元的输入门中进行训练，经过输出门和遗忘门的解算后，输出为偏振光导航系统的预测数据。

进一步地，步骤(3)的具体方法为：