基于双通道ResidualINS_GPS组合导航算法.pdfVIP

基于双通道Residual-LSTM的SINS/GPS组合导航算法

摘要

面对当前严峻的导航任务需求，SINS/GPS组合导航系统因其明显提升了单一系统的

导航准确性而成为了导航技术中被广泛采用的方案。然而，在现实复杂的环境中，例如

建筑遮蔽、恶劣的气候条件或是水下环境，GPS信号可能受到干扰，这将使得组合导航

系统无法从外部获得校正信息进而依赖于SINS系统独立运算。由于内部惯性器件固有的

随机误差，捷联惯性导航系统的准确性可能会随着时间的推移而快速降低。与此同时，

神经网络作为一种无需确切系统模型，通过训练学习很好地拟合数据非线性关系的人工

智能技术，为解决这一挑战提供了可能性。对于上述问题，本文提出了一种利用神经网

络辅助提升组合导航系统性能的方法。研究内容主要分为两个部分：

第一，研究将关注于基于注意力机制与残差模块的神经网络优化设计。在此，针对

传统的长短期记忆神经网络在处理长时间序列时记忆能力不足的挑战，研究提出了一种

改进的注意力机制，通过权重赋值增强了神经网络的记忆单元，以优化长短期记忆神经

网络的隐状态。其次为解决由多层神经网络层组成的深度神经网络出现的梯度消失问题，

本文提出一种结合残差高速通道链式求导算法改进方法，并对此进行原理公式推导证明；

分别基于优化改进后神经网络，设计仿真数据通过对比实验证明在不同运动条件和拟合

时长下对神经网络模型优化内容的有效性。

第二，研究了一种基于神经网络的组合导航系统导航信息更新方案。在GPS/SINS组

合导航系统中，当GPS信号受阻导致量测信息缺失时，捷联惯性导航系统需要长时间的

导航信息进行辅助更新。为应对这一问题，本研究提出了一种新的更新方案，利用神经

网络模型预测组合导航系统的量测信息。首先针对惯导系统中经、纬度误差传播特性的

差异，建立双通道长短期记忆神经网络模型结构并引入遗忘信息共享机制，结合网络优

化设计内容自适应地利用历史导航数据对经度、纬度信息进行拟合预测。同时，针对神

经网络模型的输入信息之间存在较强耦合性的问题，采用卷积神经网络对模型输入信息

进行解耦，以提高双通道长短期记忆神经网络模型对导航输入信息的特征识别效率，最

后通过仿真数据，设计对比实验证明卷积神经网络解耦有效性。最后将优化后的双通道

残差长短期记忆神经网络与反向传播神经网络、传统长短期记忆神经网络、单通道残差

长短期记忆神经网络进行对比仿真，实验结果表明本算法能够在GPS信号拒止时辅助组

合导航系统完成导航任务。

关键词：捷联惯性导航系统；卡尔曼滤波算法；GPS信号拒止；长短期记忆神经网络；

注意力机制；深度神经网络

基于双通道Residual-LSTM的SINS/GPS组合导航算法

ABSTRCT

Facedwiththesevererequirementsofcurrentnavigationtasks,SINS/GPSintegrated

navigationsystemhasbecomeawidelyadoptedschemeinnavigationtechnologybecauseit

significantlyimprovesthenavigationaccuracyofasinglesystem.However,inrealcomplex

environments,suchasbuildingshelter,harshweatherconditionsorunderwaterenvironments,

GPSsignalsmaybeinterfered,whichwillmaketheintegratednavigationsystemunableto

obtaincorrectioninformationfromtheoutsideandrelyontheindependentoperationofthe

SINSsystem.Duetorandomerrorsinherentininternalinertialcomponents,theaccuracyofa

strapdowninertial