[发明专利]一种GNSS信号中断期间使用GRU神经网络辅助导航的算法

说明书

本发明涉及一种GNSS信号中断期间使用GRU神经网络辅助导航的算法，当GNSS信号可用时，INS的速度，航向和IMU的输出将用作训练GRU模型的输入特征，GNSS的位置增量为模型的输出。一旦丢失了GNSS信号，INS的信息将被馈送到GRU模型中以生成伪GNSS增量。累积伪GNSS增量后，会将伪GNSS位置发送到卡尔曼滤波器，以校正INS导航解算结果。另外考虑到在复杂场景下，难以获得大量GNSS观测良好的数据，部分地段的可观测卫星数可能在1至3颗，此时使用紧耦合模型仍然可以进行组合导航，一定程度上保障了更有效的定位结果，可以为神经网络提供更好的训练数据。因此本发明选择GRU辅助紧耦合的模式。

技术领域

本发明涉及一种应用于在全球导航卫星系统(Global Navigation SatelliteSystem，简称GNSS)信号中断期间，通过估计伪GNSS位置来提升GNSS/INS紧耦 合组合导航系统中惯性导航系统(Inertial Navigation System，简称INS)导航精度 的基于门控循环单元(Gated Recurrent Unit，简称GRU)的人工智能(Artificial Intelligence，简称AI)算法。

背景技术

目前常见的导航定位手段主要有两种，分别是捷联惯性导航系统(StrapdownInertial Navigation System,SINS)和全球卫星定位系统(Global NavigationSatellite System，GNSS)。捷联惯性导航系统可以通过自身加速度计、陀螺仪等惯性元器件的数据进行解算，获得载体的导航信息，能够在短时间内保持高精度的导航。 随着微机电系统(MEMS)技术的发展,惯性元器件的体积逐渐变小，成本变得更 低，也使得相应的惯导系统应用越来越广泛，在手机、儿童手表、无人机等众 多产品中都有使用。但是由于MEMS传感器存在较大噪声，且不稳定，很难将 噪声剔除，因此单一的MEMS惯性导航系统的推算会随着时间快速发散。而 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， GNSS可以满足载体高精度的定位需求。然而一旦信号受到遮挡，载体无法收到GNSS信号，就会导致只靠单一的GNSS定位模块无法导航定位的结果。因此将 SINS和GNSS组合就可以构建一个低成本，小体积，高精度，易实现的组合导 航系统，也是目前业内使用最普遍的定位技术。

但是在城市的复杂场景中，GNSS信号很容易受到建筑物、树木、隧道等物 体的遮挡。在这种情况下，传统的卡尔曼滤波缺少了GNSS的观测修正，组合 导航系统就会简化为纯惯导解算。此时由于MEMS传感器的输出数据精度有限， 噪声很大，导航定位精度发散迅速，因此需要引入新的传感器进行组合修正， 例如里程计、激光雷达等，然而这样会增加额外的器件成本。因此也有很多学 者研究了通过神经网络的形式辅助组合导航，抑制SINS结果发散。具体为在 GNSS信号良好时，选择合适的导航数据训练模型；GNSS信号失锁后，利用训 练好的神经网络输出GNSS的伪观测量，继续用于组合滤波，以抑制SINS误差 发散。因此为了训练出效果良好的模型，需要在GNSS信号良好时提供大量的 导航数据用于训练。但是在复杂场景下，难以获得大量GNSS观测良好的数据， 部分地段的可观测卫星数可能在1至3颗，此时使用紧耦合模型仍然可以进行 组合导航，一定程度上保障了更有效的定位结果，可以为神经网络提供更好的 训练数据。

发明内容

为了解决现有技术的问题，以在GNSS中断之后抑制INS的误差发散，本发 明提供了一种利用GRU循环神经网络辅助紧耦合的方法。

一种GNSS信号中断期间使用GRU神经网络辅助导航的算法，其特征在于： 包括：

步骤1、当全球导航卫星系统(GNSS)信号可用时，AI模块将在训练模式 下工作，INS的速度，航向和IMU的输出将用作训练GRU神经网络的输入特征， 输入特征参数选择为陀螺仪输出加速度计输出INS速度Vⁿ，INS航向角 ψ，输出选择为GNSS位置增量ΔP_GNSS，GNSS的位置增量为模型的输出。