[发明专利]一种基于小波神经网络的视觉惯性卫星紧耦合定位方法

权利要求书

1.一种基于小波神经网络的视觉惯性卫星紧耦合定位方法，其特征在于，具体包括如下步骤：

步骤一：在载体上安装双目摄像机VO、惯性传感器IMU和GNSS接收机，组成定位系统；

步骤二：对系统进行初始化，将VO坐标系和IMU坐标系均转换到GNSS的世界坐标系下，并将VO、IMU和GNSS采集的数据进行时间同步；

步骤三：跟踪第k时刻图像帧中的FAST特征点，从而得到第k+1时刻图像帧中的FAST特征点；

步骤四：基于相邻两帧图像之间的FAST特征点，计算该相邻两帧图像之间的VO重投影误差；

步骤五：对第k时刻与第k+1时刻之间IMU测得数据进行预积分，得到IMU误差传递模型，利用该模型对相邻两时刻之间IMU测得数据进行噪声处理，从而计算出相邻两个时刻之间IMU的惯性残差；

步骤六：根据步骤四中的重投影误差和步骤五中的惯性残差，计算得到第k+1时刻时载体位置的估计值；

步骤七：判断GNSS信号是否被遮挡，若否，则根据第k时刻载体位置估计值和第k+1时刻载体位置估计值之差，设置GNSS接收机搜索的频域范围，GNSS接收机在设置的频域范围内对卫星信号进行三维搜索，测得第k+1时刻载体的位置信息，并且以GNSS接收机测得的载体的位置信息与载体实际位置之间的残差、IMU的惯性残差和VO的重投影误差的三者之和最小为目标，建立优化函数，并求解该函数得到第K+1时刻时载体位置的最优估计值；若GNSS信号被遮挡，则转步骤八；

步骤八：将第k时刻和第k+1时刻之间的VO重投影误差与IMU惯性残差之和输入至训练好的小波神经网络中，从而得到第k+1时刻载体位置估计值的修正量，并基于该修正量调整第k+1时刻时载体位置的估计值，从而得到第k+1时刻时载体位置的最优估计值；所述训练好的小波神经网络具体为：在GNSS信号没有被遮挡的情况下，采集n组相邻两个时刻之间的VO重投影误差和IMU惯性残差，将第q组重投影误差和第q组惯性残差之和作为小波神经网络的输入向量，将第q组重投影误差和第q组惯性残差对应的载体位置估计值与载体位置实际值之差作为第q组修正量，并将该修正量作为小波神经网络的输出向量，q＝1,2,…n，基于粒子群算法，对小波神经网络进行训练；

所述步骤七中的优化函数为：

其中，χ*为视觉-惯性-卫星紧耦合构成的系统状态变量的最优估计值，χ为视觉-惯性-卫星紧耦合构成的系统的状态变量，r_G为GNSS接收机测得的载体的位置信息与载体实际位置之间的残差，J为残差对状态变量求导的雅克比，r_B(.)为IMU惯性残差函数，为第k时刻到第k+1时刻之间IMU的观测量，为第k时刻到第k+1时刻之间IMU观测量的权重矩阵，C为第k时刻到第k+1时刻之间所有图像帧对应的VO测量值的集合，ρ(.)为重投影误差函数，(l,C_j)为集合C中第j个图像帧的第l个FAST特征点，为集合C中第j个图像帧的第l个FAST特征点的灰度值，为集合C中第j个图像帧的第l个FAST特征点的权重。

2.根据权利要求1所述的一种基于小波神经网络的视觉惯性卫星紧耦合定位方法，其特征在于，所述步骤三中采用光流计算法跟踪第k时刻图像帧中的FAST特征点。

3.根据权利要求1所述的一种基于小波神经网络的视觉惯性卫星紧耦合定位方法，其特征在于，所述步骤四中采用多点透视法计算相邻两帧图像之间的VO重投影误差。

4.根据权利要求1所述的一种基于小波神经网络的视觉惯性卫星紧耦合定位方法，其特征在于，所述步骤八中的粒子群算法采用改进的粒子群算法，具体为：首先让整个粒子群独立寻找最优位置，从而构造小生境环境，再将各粒子的搜索信息共享，指导每个粒子向最优位置搜索。

5.根据权利要求1所述的一种基于小波神经网络的视觉惯性卫星紧耦合定位方法，其特征在于，所述步骤八中小波神经网络训练时激活函数选择莫雷小波函数。

6.根据权利要求1所述的一种基于小波神经网络的视觉惯性卫星紧耦合定位方法，其特征在于，所述步骤七中设置GNSS接收机搜索的频域具体为：在[-10KHz,10KHz]的频域范围内,以500Hz为频率步长，GNSS接收机搜索的频域根据相邻两个时刻之间载体位置估计值之差的大小呈线性变化，差值越大则搜索的频域越大。