【学习笔记—汽车电子（1）】一种基于EKF和ANN的车载组合导航方法

　　0 引言

　　为了优化上述基于ANN算法的性能，本文提出一种基于ANN和小波多尺度分析(WMRA)的新算法。该算法利用RBF神经网络，实现简单，训练快速。当GPS良好工作时，将INS提供的信息作为输入对ANN进行训练，并输出相关误差信息。小波多分辨率分析被用于降低INS传感器噪声，以及在不同的分辨率水平下比较INS和GPS的输出结果，从而精确训练ANN。当处于GPS信号间隔时，ANN可以降低INS偏差。因此，相比传统方法，本文所提方法具有更高的精度。

　　一、基于EKF和ANN的组合导航方法

　　1.1 组合导航方法

　　基于EKF和ANN的组合导航系统模型如图1所示。当GPS信号有效时，开关1闭合，开关2断开，EKF融合INS与GPS的输出结果进行估计，并给出INS的导航参数误差。此时ANN把陀螺仪与加速度计的输出作为其输入，把EKF的输出作为其理想输出进行在线训练。当GPS信号无效时，开关1断开，开关2闭合，即EKF不工作，陀螺仪与加速度计的输出作为已训练好的神经网络的输入来预测INS的导航参数误差，并对INS输出的导航信息加以修正。

　　用EKF估计系统状态时存在误差，因此训练后的ANN不可能严格模拟出系统在各种环境条件下的输出状态。为了提高ANN的训练样本精度，本文采用小波变换方法对导航子系统数据进行预处理。

　　1.2 基于小波变换的预处理方法

　　该方法首先采用小波变换对GPS和INS子系统输出的导航数据进行高频去噪，然后进行多尺度分析，获取相同分辨率下两者之间的差别，将其作为样本数据训练ANN。系统的结构框图见图2、图3。

　　如图2所示，对GPS和INS三个方向上的位置和速度信息进行小波变换去噪，通过比较在相同分辨率下的GPS和INS位置和速度分量，确定精确的位置和速度误差，并作为样本数据训练ANN。如图3所示，在GPS信号失效时ANN的输出作为EKF的输入分量，用来修正INS的导航信息，获得系统状态的最优估计。

　　二、实验结果性能分析

　　2.1 实验设备

　　为验证所提出的车载导航滤波方法有效性，进行了车载实验。车载实验使用汽车上装载的不同性能的GPS和INS设备，包括GPS RTK接收仪器Leica GS10和战术精度的INS Crossbow的 AHR400CA设备，以及导航精度的INS Honywell的IMU1700设备。

　　在车载实验中，IMU1700和Leica GS10设备构成的组合导航系统，定位精度可在分米级别，用作参考路径；GPS数据仅使用Leica GS10的伪距定位，与Crossbow低精度设备一起用来测试验证本算法的有效性。

　　2.2 车载路线

　　车载路线如图4所示，逆时针方向绕行2圈，每圈约25 min。车载路线被设计为包含GPS无遮挡环境、半遮挡环境和全遮挡环境。其中全遮挡环境下GPS卫星接收数目小于4个。

　　在车载实验的初始阶段，汽车来回绕8字形圈进行INS初始化，如图4箭头所示，持续大概6 min。其中前3 min的观测值，用来作为陀螺和加速度计偏差的预测，而初始方向从车载的运行轨迹可粗略推算出。

　　2.3 车载实验卫星可见性

　　表1为车载实验过程对GPS间隔进行的统计数据，从表中可以看出实验过程中会出现GPS间隔（GPS可见卫星数目小于4），这是由于车辆在半遮挡环境或者全遮挡环境下造成的。

　　2.4 基于EKF和ANN的组合导航结果

　　该方法采用ANN的输出信息提供速度和位置误差，当出现GPS间隔时可以取代GPS信息进行组合导航。ANN的输出信息包含四种分量，即位置误差和速度误差在南北方向和东西方向的分量。ANN网络隐层单元数目按照经验应为3～10之间，具体选取需要考虑训练误差和学习步长。

　　ANN的训练学习函数通常是不固定的，根据模型和测量数据选择最优。本文选取的是Levenberg–Marquardt学习函数。在本次车载实验中，前400 s是处于GPS可见环境下的，因此用来对ANN进行训练。拟定训练步长200以内，误差小于0.001，经过测试仿真选取隐层单元数目为8。

　　为了显示基于ANN的组合导航性能提升，选取了第4个GPS间隔段内、基于EKF与ANN的导航水平误差，如图5所示。第4个GPS间隔持续约为60 s。

　　由图5可以得出，基于EKF和ANN的组合系统精度明显上升。同一GPS间隔时段内，导航位置最大误差由12 m缩小到8.5 m。但是车载导航希望更高的导航定位精度，同时GPS和INS子系统输出导航分量中含有大量高频噪声，因此采用小波变换对原始数据预处理。

　　2.5 采用小波变换预处理方法结果

　　小波变换方法对GPS和INS的输出导航分量去噪，并采用多尺度分析比较两者的差别，将误差分量作为输入供ANN训练使用。针对上一节同一时段的数据进行仿真分析，得到如图6所示结果。

　　由图6可知，通过小波变换预处理后，位置最大误差小于3.5 m。图7对基于EKF和ANN的方法与经过小波分析预处理后的方法，在GPS间隔段内的位置误差进行了比较。可以看出，每个GPS间隔内，经过小波变换预处理后，定位精度有较大提高。3 m以内的定位精度也满足了车载导航的实际需求，证明了该方法的有效性。

　　三、总结

　　本文将EKF与ANN方法相结合，提出了用于GPS和INS车载组合导航的新方法。当GPS接收机良好运行时，ANN模型被训练。在GPS信号间隔期间，ANN输出位置、速度误差的替代值作为观测值，显著地控制了INS误差的增大。WMRA有效滤出了INS传感器输出中的高频噪声分量。此外，它还可以在不同分辨率下对INS和GPS输出分量进行比较。

　　对所采用的方法进行了跑车实验。在GPS信号间隔期间，基于该算法水平最大误差小于3.5 m，速度最大误差小于0.5 m/s，导航性能有较明显的提升，满足车载导航需求。因此本文所提出方法可以实现无缝衔接的车载导航能力，从而消除GPS信号间隔带来的影响。