[发明专利]一种数据驱动的高精度组合导航数据融合方法

说明书

本发明公开了一种数据驱动的高精度组合导航数据融合方法，采用高斯过程实现组合导航系统导航参数后验分布的精确估计，并实现采样点误差阵的数据驱动变换，具体为：组合导航系统上电后，在时刻t_kt_n时进行采样点误差传播模型的拟合；当时刻t_kt_n时，基于IMU原始数据进行模型误差的逼近，进行采样点误差矩阵的预测。基于采样点预测误差阵，将组合导航系统中的天向陀螺输出角增量、载体行进方向比力作为采样点误差传播模型的输入变量，实现了采样点更新，直接基于传感器数据进行系统模型矩匹配误差的逼近。本发明实现组合系统导航参数的精确估计，改善了组合导航系统参数化模型的鲁棒性。

技术领域

本发明属于组合导航及多源数据融合领域，具体涉及一种数据驱动的高精度组合导航数据方法。

背景技术

导航定位在国防、工业及农业领域上都有广泛应用，如卫星导航、惯性导航、视觉导航以及LiDAR等，由于单一的导航系统往往无法处理复杂环境下的导航问题，应用中需要建立基于多源传感器的组合导航系统。尤其是以无人驾驶为代表的新型导航定位应用，其对导航系统的鲁棒性和智能化要求极为苛刻，多源组合导航成为优选方案。以扩展卡尔曼滤波(EKF)为代表的非线性滤波技术在组合导航领域应用广泛，通过在模型预测点处将模型函数线性化能够满足非线性滤波模型的组合滤波。然而受系统和量测不确定性影响，EKF在矩匹配的精度、量测更新的效率以及鲁棒性等方面均无法满足实际组合导航系统的需求。以无迹卡尔曼滤波(UKF)为代表的确定性采样点逼近策略可以较EKF获得更好的矩匹配精度和收敛速度。对于状态维数较高的组合导航滤波问题，容积卡尔曼滤波(CKF)较UKF有更好的稳定性。

由于采用有限的确定性采样点，无法匹配状态模型的整体概率分布函数，CKF的估计常常过于乐观即其方差值偏小。现有技术均没有考虑量测模型非线性对滤波更新的影响，且均假设高斯逼近过程中随机变量的二阶矩可以精确匹配，忽略了系统不确定性对状态估计模型的影响。

发明内容

为了克服现有技术的不足，本发明提出了一种数据驱动的高精度组合导航数据融合方法，基于IMU(惯性测量单元)原始数据进行模型误差的逼近，实现组合系统导航参数的精确估计，改善了CKF组合滤波算法的鲁棒性。

为实现上述目的，本发明采用的技术方案为：

一种数据驱动的高精度组合导航数据融合方法，组合导航系统正常工作时，基于多源异构传感器数据进行导航参数和采样点递推更新；当组合导航系统受到干扰时，采样点误差传播模型给组合导航系统提供连续的辅助量测更新，所述采样点误差传播模型采用极限学习机结合惯性测量单元的原始数据进行采样点更新。

进一步，所述极限学习机的输入为状态模型的先验预测分布信息、天向陀螺输出角增量和行进方向比力，输出为后验采样点误差阵。

更进一步，所述先验预测分布信息包括采样点预测误差阵和

更进一步，所述其中为系统函数的采样点预测矩阵，为状态先验分布的均值。

更进一步，所述其中为量测函数的采样点预测矩阵，为似然函数的均值。

更进一步，所述状态先验分布和似然函数采用高斯过程积分矩匹配GPQMT计算得到。

进一步，所述极限学习机的输入参数频率是异步数据，输出参数频率可选为输入参数频率的任意一种。

进一步，所述采样点误差传播模型的训练过程为：设为输入变量，为输出变量；其中为k时刻天向陀螺输出角增量，为k时刻载体行进方向比力输出，均为采样点预测误差阵，n为组合导航系统状态维数；