[发明专利]自适应扩展卡尔曼滤波噪声模型建立方法

说明书

本发明公开了一种自适应扩展卡尔曼滤波噪声模型建立方法，包括：采集传感器数据，记录每次扩展卡尔曼滤波计算中观测值与预测值之间的差值与滤波计算后姿态中航向角的变化值，并计算观测值与预测值之间的差值与滤波计算后姿态中航向角的变化值之间的相关系数；根据观测值与预测值之间的差值与滤波计算后姿态中航向角的变化值之间的相关系数建立观测噪声模型；将噪声模型所需的参数作为神经网络的输入，将目标值作为神经网络对应的输出，进行神经网络模型训练，得到观测噪声模型的最优参数。提取外界环境影响与传感器数据之间的关系，并通过神经网络寻找最优模型参数，使外界环境对行走航迹推算的影响达到最小。

技术领域

本发明涉及自适应扩展卡尔曼滤波技术领域，具体地涉及一种行走航迹推算的自适应扩展卡尔曼滤波噪声模型建立方法。

背景技术

行走航迹推算是导航系统的重要组成部分之一，在没有卫星信号或者信号弱的区域，如室内、丛林等区域可借助惯性导航准确的定位行人相对位置。现有的行走航迹推算算法通常使用加速度计、陀螺仪与磁力计等传感器进行姿态判定从而完成航迹推算，在姿态判定的过程中，扩展卡尔曼滤波算法是传感器数据融合判定姿态的关键所在，主要过程是使用陀螺仪数据进行姿态预测，再使用加速度与磁力计数据以一固定的置信度对预测姿态进行一定的修正。因此姿态判定的准确性直接影响了航迹推算的精确度。现有用于传感器姿态判定的扩展卡尔曼滤波算法通常使用固定的观测噪声，这一点在实际复杂多变的外界环境中是不合理的，给某个传感器以固定的观测噪声在某些环境中可以完美使用，但是在传感器数据受到外界较大影响的情况下，会极大地影响航迹推算精度。

发明内容

为了解决上述存在的技术问题，本发明的目的是提出一种自适应扩展卡尔曼滤波噪声模型建立方法，提取外界环境影响与传感器数据之间的关系，并通过神经网络寻找最优模型参数，使外界环境对行走航迹推算的影响达到最小。

本发明的技术方案是：

一种自适应扩展卡尔曼滤波噪声模型建立方法，包括以下步骤：

S01：采集传感器数据，记录每次扩展卡尔曼滤波计算中观测值与预测值之间的差值与滤波计算后姿态中航向角的变化值，并计算观测值与预测值之间的差值与滤波计算后姿态中航向角的变化值之间的相关系数；

S02：根据观测值与预测值之间的差值与滤波计算后姿态中航向角的变化值之间的相关系数建立观测噪声模型；

S03：将噪声模型所需的参数作为神经网络的输入，将目标值作为神经网络对应的输出，进行神经网络模型训练，得到观测噪声模型的最优参数。

优选的技术方案中，所述观测噪声模型为：

STDEV_mag＝k×e+b

其中e为观测值与预测值之间的差值，k、b为参数。

优选的技术方案中，所述神经网络模型包括2层，第一层为Log-Sigmoid层，包含了s¹个神经元，第二层为线性层。

优选的技术方案中，所述步骤S03中目标值为期望，公式为：

t＝k₁×STD_θ+k₂×e_θ

其中STD_θ为前进方向的标准差，e_θ为来回路径的偏差夹角，k₁与k₂为轨迹方向一致性与方向准确性的权重。

与现有技术相比，本发明的优点是：

1、本发明通过传感器数据之间的相关性动态的调整观测数据置信度，减少外界环境导致的干扰数据对姿态判定的影响，从而提高行走航迹推算的准确性，达到最好的跟踪定位效果。