[发明专利]一种自适应UKF算法的导航方法及系统

说明书

本发明提供一种自适应UKF算法的导航方法及系统，包括采集惯性传感器原始数据、惯性导航系统定位信息更新、搜索采集GPS定位信息并判断卫星信号可信度、当卫星数目大于4颗且HDOP值约为1时，进入GPS/INS组合导航模式，否则进入神经网络预测修正模式、对惯性导航系统输出的定位信息进行补偿修正、误差协方差阵自适应更新、保存神经网络训练样本并对神经网络结构参数进行训练更新等。本发明提出的技术方案在卫星信号正常的情况下通过自适应调节UKF滤波器系统噪声和量测噪声协方差阵从而减小了由于系统噪声统计特征不明确或不准确导致的滤波精度下降、发散等问题。

技术领域

本发明涉及导航技术领域，具体的说是一种自适应UKF算法的导航方法及系统。

背景技术

基于MEMS惯性传感器器件和GPS(Global Position System)的组合导航系统具有体积小、功耗低、可靠性高且价格便宜的优点，因而广泛应用于车载导航定位，无人机飞行控制与导航等多个领域。但受限于捷联惯性导航系统采用的MEMS惯性器件精度较低且存在误差积累的问题，在卫星信号丢失或是信号较弱的情况下只依靠惯性导航会使得定位误差急剧发散，导致定位失败。对此国内外专家和学者进行了研究并提出了多种解决方法。RBF(Radial Baisi Function)辅助AKF(Adaptive Kalman Filtering)滤波的算法，在卫星信号正常的时候对RBF神经网络进行训练，当卫星信号失锁时用训练好的RBF神经网络输出替代卫星输出数据从而可以继续依靠自适应卡尔曼滤波来对惯性导航误差进行修正，但仍存在标准的卡尔曼滤波算法对于非线性系统的估计不准确的问题。采用前馈神经网络在卫星失锁的情况下为卡尔曼滤波更新提供误差补偿，确保卡尔曼滤波能够正常工作，但前馈神经网络易陷入局部最优且普通卡尔曼滤波对于非线性系统的估计存在局限性。对自适应神经网络模糊推理技术的新息采取自适应调整从而获得一个适应性较强的非线性神经网络来抑制卡尔曼滤波器的滤波发散问题。基于ABC(Artificial Bee Colony)算法的反向传播BP神经网络，利用ABC算法较强的搜索能力来解决BP神经网络易陷入局部最优的缺陷。最优RBF神经网络增强自适应鲁棒卡尔曼滤波的方法，其通过对神经网络进行训练用以区分动态模型误差和观察模型误差对滤波器造成的影响然后采用自适应卡尔曼滤波或是鲁棒卡尔曼滤波以提高滤波效果，并且这种方法在GNSS信号短期中断的情况下能够提高整体定位的准确性。

发明内容

为了解决上述技术问题，本发明提供了一种自适应UKF算法的导航方法及系统，利用全局人工蜂群算法来对RBF神经网络进行优化，再配合噪声更新采样窗口宽度可调的自适应UKF算法，以期在卫星信号正常的情况下可以提高组合导航定位精度，并对神经网络进行训练，在卫星失锁时利用训练好的神经网络预测输出来抑制位置和速度误差发散。

为达到上述目的，本发明通过以下技术方案来具体实现：

一种自适应UKF算法的导航方法，

步骤1：采集惯性传感器原始数据，包括加速度计输出的三轴加速度值和陀螺仪输出的三轴角速率值；

步骤2：惯性导航系统定位信息更新，根据惯性测量器件输出的加速度值和角速率值以及系统状态初值计算载体在东北天坐标系下的东向、北向、天向速度以及俯仰角、横滚角、航向角，再计算得到经度、纬度和高度信息；

步骤3：搜索采集GPS定位信息，包括当前载体经纬度、高度、东北天三向速度，根据接收到的HDOP值和卫星数目判断卫星信号可信度，即接收的卫星颗数大于4颗且HDOP值小于1.2时认为卫星信号可信；

步骤4：当卫星数目大于4颗且HDOP值为1时，进入GPS/INS组合导航模式，否则转入步骤8进入神经网络预测修正模式；

步骤5：GPS/INS组合导航模式采用改进自适应UKF算法用卫星的定位信息对惯性导航系统输出的定位信息进行补偿修正；

步骤5.1：确定状态向量并计算均方误差阵P：