[发明专利]利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法

说明书

本发明涉及一种利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法，属于组合导航技术领域；包括：GNSS/INS组合导航过程中GNSS正常时，在设定的周期内，交替训练第一神经网络和第二神经网络；通过逐个周期循环，使第一神经网络和第二神经网络中始终有一个处于训练过程的训练状态和另一个处于训练好的待命状态；其中，训练好的神经网络用于实现根据输入的INS数据预测出伪GNSS信号功能；当导航过程中GNSS丢失时，将处于待命状态的神经网络接入组合导航的组合结构；将INS数据输入到接入的神经网络，利用神经网络预测出的伪GNSS信号通过卡尔曼滤波器对INS原始数据进行补偿输出定位结果。本发明在GNSS丢失时能做出符合用户当前所处环境的预测，具有很强的实时性和灵活性。

技术领域

本发明涉及组合导航技术领域，尤其涉及一种利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法。

背景技术

GNSS/INS组合导航由于其较高的定位精度和泛用性，成为了导航领域研究的热点。但当GNSS信号失锁时，仅靠INS进行导航服务时，由于INS的累计误差，导航的精度会急剧下降。因此，如何在GNSS信号失锁时补偿INS的累计误差，将组合导航的精度维持在较高的范围，是提高GNSS/INS组合导航可用性的重要课题。

近几年人工智能技术的兴起，为解决GNSS信号失锁时组合导航精度下降问题提供了新的方向。目前，利用神经网络解决组合导航中GNSS信号失锁问题的方法主要有两种，分别是神经网络输出伪GNSS信号和神经网络输出INS信号的误差。目前的研究大多存在一些缺陷，一些研究都没有考虑历史导航信息的影响，而考虑了历史导航信息的研究大多采用了较为复杂的神经网络（如CNN-LSTM串联神经网络等），训练成本较高，这导致它们无法进行实时的训练，必须在投入应用前利用已有的数据集进行训练，这将使他们的神经网络模型无法根据用户当时的环境做出预测，使其在实际应用中的精度和灵活性有所降低。因此，能够实时训练的神经网络辅助组合导航系统具有探索和研究的价值。

发明内容

鉴于上述的分析，本发明旨在公开了一种利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法；用于在GNSS失锁时提高GNSS/INS组合导航的精度。

本发明公开了一种利用神经网络模型在线学习和补偿的GNSS/INS组合导航方法，包括：

步骤S1、GNSS/INS组合导航过程中GNSS正常时，在设定的周期内，交替训练第一神经网络和第二神经网络；通过逐个周期循环，使第一神经网络和第二神经网络中始终有一个处于训练过程的训练状态和另一个处于训练好的待命状态；其中，训练好的神经网络用于实现根据输入的INS数据预测出伪GNSS信号功能；

步骤S2、当导航过程中GNSS丢失时，将处于待命状态的神经网络接入组合导航的组合结构；将INS数据输入到接入的神经网络，利用神经网络预测出的伪GNSS信号通过卡尔曼滤波器对INS原始数据进行补偿输出定位结果。

进一步地，所述步骤S1包括：

步骤S101、在GNSS正常工作时，收集INS原始输出数据和GNSS输出的位置变化量数据，在设定的周期内，将收集的数据进行打包处理；

步骤S102、对打包处理后的INS原始数据中的包括比力和角速度在内的数据进行去噪和标准化处理得到用于神经网络训练的INS数据；

步骤S103、对设为训练状态的第一神经网络或第二神经网络进行训练；训练中，将用于神经网络训练的INS数据作为训练神经网络的输入特征，将打包处理后的GNSS位置变化量作为神经网络的输出特征的目标数据；所述训练的过程不超过半个周期；

步骤S104、将训练好的神经网络设为待命状态，同时将另一神经网络设为训练状态进行训练；所述训练过程同样不超过半个周期；

进入下一个周期后，重复步骤S101-S104，交替训练两个神经网络。