神经网络在SINS_GPS组合定位中的应用.pdf

【SINS/GPS组合定位】在地籍测量中，单一的定位系统往往无法满足高精度需求，因此常常采用SINS（ Strapdown Inertial Navigation System，捷联惯性导航系统）与GPS（Global Positioning System，全球定位系统）的组合定位技术。SINS通过陀螺仪和加速度计获取载体的角速度和加速度，提供位置、速度和姿态信息，但其测量误差随时间累积，导致定位精度下降。GPS则可提供连续、全天候的高精度位置信息，但易受遮挡和干扰影响。 【卡尔曼滤波（KF）】在SINS/GPS组合定位中，卡尔曼滤波是最常用的融合算法，它能有效地融合SINS和GPS数据，提高定位精度。当GPS信号受到干扰时，系统转为纯SINS解算，定位误差会逐渐累积。 【LSTM神经网络】为了解决GPS信号失效导致的定位精度下降问题，文中提出了一种利用长短期记忆（Long Short-Term Memory, LSTM）神经网络的辅助组合定位算法。LSTM是一种特殊的循环神经网络，适用于处理时间序列数据，尤其在捕捉长期依赖关系方面表现优异。 【神经网络训练】在GPS信号有效的时段，使用KF融合SINS/GPS数据，同时训练LSTM神经网络。当GPS信号失效时，神经网络可以预测GPS位置，以维持KF的滤波功能，防止系统误差发散。 【地籍测量特点】地籍测量对定位精度有较高要求，且GPS信号在城市环境、山区等地形中可能频繁丢失。因此，提出的方法考虑了地籍测量的这些特性，设计了仿真实验验证算法的有效性和鲁棒性。 【算法改进】相比于传统的神经网络方法，如RBFNN、BPNN和RNN，LSTM神经网络在处理时间序列数据时能更好地避免梯度消失和爆炸的问题，且更适合处理SINS/GPS组合定位中的长期依赖问题。 这篇研究结合了LSTM神经网络和卡尔曼滤波，提出了一种新的SINS/GPS组合定位策略，以应对GPS信号中断时的定位挑战。这种方法利用离线数据训练LSTM网络，增强了系统在GPS信号失效时的定位能力，提高了整体定位精度和系统的稳定性。