一种自适应组合导航方法和装置、电子设备及存储介质

1.本技术涉及导航系统技术领域，尤其涉及一种自适应组合导航方法和装置、电子设备及存储介质。


背景技术：

2.目前，当组合导航系统中的卫星导航受到遮挡、电磁干扰等外界环境影响，导致卫星导航定位精度发生下降时，若采用固定的量测噪声方差阵对量测信息的噪声统计特性进行表征，由于量测噪声模型与实际情况不符往往会导致组合导航系统的测量精度出现大幅下降甚至滤波发散的问题，会较大程度地影响量测噪声方差阵的估计准确性和组合导航的精度。


技术实现要素：

3.本技术实施例的主要目的在于提出一种自适应组合导航方法和装置、电子设备及存储介质，旨在提高对量测噪声方差阵的估计准确性，从而提高组合导航的精度。
4.为实现上述目的，本技术实施例的第一方面提出了一种自适应组合导航方法，所述方法包括：
5.获取目标导航系统的状态数据和量测数据；
6.基于所述状态数据构建状态方程，并基于所述量测数据构建量测方程；
7.对所述目标导航系统进行状态预测，得到预测状态数据；
8.基于预设的卡尔曼滤波算法对所述目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；
9.基于预设的模糊推理系统对所述目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵；
10.基于所述第一量测噪声方差阵和所述第二量测噪声方差阵，得到目标量测噪声方差阵；
11.基于所述目标量测噪声方差阵对所述目标导航系统进行参数估计，得到状态估计参数；
12.基于状态估计参数对所述目标导航系统进行反馈校正。
13.在一些实施例，所述基于预设的卡尔曼滤波算法对所述目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵，包括：
14.基于所述预测状态数据和所述量测方程，计算所述目标导航系统的新息序列；
15.基于所述卡尔曼滤波算法、所述新息序列和预设的加权系数进行噪声矩阵预测，得到所述第一量测噪声方差阵。
16.在一些实施例，所述基于预设的模糊推理系统对所述目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵，包括：
17.基于所述模糊推理系统的模糊控制器对所述目标导航系统进行噪声调节因子预
测，得到预测调节因子；
18.基于所述预测调节因子对预设的基准量测噪声方差阵进行加权处理，得到所述第二量测噪声方差阵。
19.在一些实施例，所述基于所述模糊推理系统的模糊控制器对所述目标导航系统进行噪声调节因子预测，得到预测调节因子，包括：
20.获取所述目标导航系统的精度衰减因子和最大载波信噪比；
21.对所述精度衰减因子进行模糊化处理，得到所述精度衰减因子对应的第一隶属数据；
22.对所述最大载波信噪比进行模糊化处理，得到所述最大载波信噪比对应的第二隶属数据；
23.基于所述模糊控制器的预设模糊规则、所述第一隶属数据、所述第二隶属数据对所述目标导航系统进行工作状态分析，得到所述目标导航系统的当前工作状态；
24.基于所述当前工作状态和预设的基准调节因子，得到所述预测调节因子。
25.在一些实施例，所述第一隶属数据包括所述精度衰减因子的第一隶属状态，所述第一隶属状态包括良好、中等、差中的其中一种，所述第二隶属数据包括所述最大载波信噪比的第二隶属状态，所述第二隶属状态包括良好、中等、差中的其中一种，所述预设模糊规则，包括：
26.若所述第一隶属状态为良好，则所述当前工作状态与所述第二隶属状态相同；
27.若所述第一隶属状态为中等，则所述当前工作状态与所述第二隶属状态相同；
28.若所述第一隶属状态为差，则所述当前工作状态为差。
29.在一些实施例，所述基于所述目标量测噪声方差阵对所述目标导航系统进行参数估计，得到状态估计参数，包括：
30.基于所述目标量测噪声方差阵进行滤波增益计算，得到所述卡尔曼滤波增益；
31.基于所述预测状态数据、所述卡尔曼滤波增益对所述目标导航系统进行状态估计，得到所述状态估计参数。
32.在一些实施例，所述基于所述第一量测噪声方差阵和所述第二量测噪声方差阵，得到目标量测噪声方差阵，包括：
33.获取预设的权重数据；
34.基于所述权重数据对所述第一量测噪声方差阵和所述第二量测噪声方差阵进行加权处理，得到所述目标量测噪声方差阵。
35.为实现上述目的，本技术实施例的第二方面提出了一种自适应组合导航装置，所述装置包括：
36.数据获取模块，用于获取目标导航系统的状态数据和量测数据；
37.方程构建模块，用于基于所述状态数据构建状态方程，并基于所述量测数据构建量测方程；
38.状态预测模块，用于对所述目标导航系统进行状态预测，得到预测状态数据；
39.第一矩阵预测模块，用于基于预设的卡尔曼滤波算法对所述目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；
40.第二矩阵预测模块，用于基于预设的模糊推理系统对所述目标导航系统进行噪声
矩阵预测，得到第二量测噪声方差阵；
41.目标矩阵确定模块，用于基于所述第一量测噪声方差阵和所述第二量测噪声方差阵，得到目标量测噪声方差阵；
42.参数估计模块，用于基于所述目标量测噪声方差阵对所述目标导航系统进行参数估计，得到状态估计参数；
43.反馈校正模块，用于基于状态估计参数对所述目标导航系统进行反馈校正。
44.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
45.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
46.本技术提出的一种自适应组合导航方法、自适应组合导航装置、电子设备及存储介质，其通过获取目标导航系统的状态数据和量测数据；基于状态数据构建状态方程，并基于量测数据构建量测方程；对目标导航系统进行状态预测，得到预测状态数据；基于预设的卡尔曼滤波算法对目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；基于预设的模糊推理系统对目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵；基于第一量测噪声方差阵和第二量测噪声方差阵，得到目标量测噪声方差阵；基于目标量测噪声方差阵对目标导航系统进行参数估计，得到状态估计参数；基于状态估计参数对目标导航系统进行反馈校正。这一方式能够将基于卡尔曼滤波算法预测的量测噪声方差阵和基于模糊推理系统预测的量测噪声方差阵相结合来实现对目标量测噪声方差阵的实时估计，从而能够更为准确地、实时地对目标导航系统进行参数估计，实现对目标导航系统的信息融合以及误差调整，能够较好地提高了对系统噪声统计特性估计的实时性和准确性，提高了卡尔曼滤波对状态量的估计精度，进而提高了组合导航系统的测量精度，保证了组合导航系统在不同环境下工作的可靠性。
附图说明
47.图1是本技术实施例提供的自适应组合导航方法的流程图；
48.图2是图1中的步骤s104的流程图；
49.图3是图1中的步骤s105的流程图；
50.图4是图3中的步骤s301的流程图；
51.图5是图1中的步骤s106的流程图；
52.图6是图1中的步骤s107的流程图；
53.图7是本技术实施例提供的自适应组合导航装置的结构示意图；
54.图8是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不
用于限定本技术。
56.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
57.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
58.首先，对本技术中涉及的若干名词进行解析：
59.机器学习：机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。基于学习方式对机器学习分类，可以划分为监督学习、无监督学习和强化学习。监督学习的输入数据中有导师信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。无监督学习的输入数据中无导师信号，采用聚类方法，学习结果为类别。典型的无导师学习有发现学习、聚类、竞争学习等。强化学习是以环境反馈(奖/惩信号)作为输入，以统计和动态规划技术为指导的一种学习方法。
60.由于惯性导航具有输出导航信息全面、自主性好、抗干扰能力强等优点，但是由于其误差会随时间累积，通常只能满足短时导航需要。卫星导航能够实现全球、全天候测速定位，其导航精度较高、误差不会随时间累积，但导航信息输出频率较低，易受外界环境干扰。在组合导航系统中通过惯性导航与卫星导航的组合，利用信息融合算法对惯导信息和卫星导航信息进行融合，可实现惯性导航与卫星导航之间的优势互补，提高导航系统测量精度。
61.信息融合算法是组合导航系统实现各子系统优势互补的关键，其中卡尔曼滤波算法的应用最为广泛，当系统模型和误差统计特性能够较精确获取时，通过卡尔曼滤波算法可以实现对系统状态量的较高精度估计，但当误差统计特性无法准确确定或者在应用过程中发生改变时，卡尔曼滤波算法的估计精度将下降，影响组合导航系统测量精度。量测噪声方差阵代表了量测信息的可信度，组合导航输出信息的精度受到量测噪声方差阵准确性的影响，当卫星导航受到遮挡、电磁干扰、多径等复杂环境影响，卫星导航的定位误差增大，需要根据卫星导航的工作状态实时动态调整量测噪声方差阵，真实反映量测噪声的实际情况，才能确保组合导航输出信息的精度和可信度。
62.自适应卡尔曼滤波算法利用观测数据在递推过程中对噪声统计特性进行在线估计调整，降低了卡尔曼滤波算法对初始噪声统计特性的依赖，保证了导航系统在噪声统计特性发生改变时卡尔曼滤波算法估计精度，提高了算法的鲁棒性。
63.目前，当组合导航系统中的卫星导航受到遮挡、电磁干扰等外界环境影响，导致卫星导航定位精度发生下降时，若采用固定的量测噪声方差阵对量测信息的噪声统计特性进行表征，由于量测噪声模型与实际情况不符往往会导致组合导航系统的测量精度出现大幅下降甚至滤波发散的问题，会较大程度地影响量测噪声方差阵的估计准确性和组合导航的精度。
64.基于此，本技术实施例提供了一种自适应组合导航方法、自适应组合导航装置、电
子设备及存储介质，旨在提高对量测噪声方差阵的估计准确性，从而提高组合导航的精度。
65.本技术实施例提供的自适应组合导航方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的自适应组合导航方法。
66.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
67.本技术实施例提供的自适应组合导航方法，涉及导航技术领域。本技术实施例提供的自适应组合导航方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现自适应组合导航方法的应用等，但并不局限于以上形式。
68.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
69.图1是本技术实施例提供的自适应组合导航方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s108。
70.步骤s101，获取目标导航系统的状态数据和量测数据；
71.步骤s102，基于状态数据构建状态方程，并基于量测数据构建量测方程；
72.步骤s103，对目标导航系统进行状态预测，得到预测状态数据；
73.步骤s104，基于预设的卡尔曼滤波算法对目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；
74.步骤s105，基于预设的模糊推理系统对目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵；
75.步骤s106，基于第一量测噪声方差阵和第二量测噪声方差阵，得到目标量测噪声方差阵；
76.步骤s107，基于目标量测噪声方差阵对目标导航系统进行参数估计，得到状态估计参数；
77.步骤s108，基于状态估计参数对目标导航系统进行反馈校正。
78.本技术实施例所示意的步骤s101至步骤s108，通过获取目标导航系统的状态数据和量测数据；基于状态数据构建状态方程，并基于量测数据构建量测方程；对目标导航系统
进行状态预测，得到预测状态数据；基于预设的卡尔曼滤波算法对目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；基于预设的模糊推理系统对目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵；基于第一量测噪声方差阵和第二量测噪声方差阵，得到目标量测噪声方差阵；基于目标量测噪声方差阵对目标导航系统进行参数估计，得到状态估计参数；基于状态估计参数对目标导航系统进行反馈校正。这一方式能够将基于卡尔曼滤波算法预测的量测噪声方差阵和基于模糊推理系统预测的量测噪声方差阵相结合来实现对目标量测噪声方差阵的实时估计，从而能够更为准确地、实时地对目标导航系统进行参数估计，实现对目标导航系统的信息融合以及误差调整，能够较好地提高了对系统噪声统计特性估计的实时性和准确性，提高了卡尔曼滤波对状态量的估计精度，进而提高了组合导航系统的测量精度，保证了组合导航系统在不同环境下工作的可靠性。
79.在一些实施例的步骤s101中，根据组合导航系统的特点，将目标导航系统设置为由惯性导航和卫星导航组合的导航系统，选取目标导航系统的位置误差[δl δv δh]、失准角误差[φ
e φ
n φu]、速度误差[δv
e δv
n δvu]、陀螺仪慢变漂移[ε
rx ε
ry ε
rz
]、加速度计慢变漂移作为目标导航系统的状态量，将这些状态量整合为状态数据。其中，状态数据x可以表示如下，其中，t表示对状态量进行转置操作。
[0080][0081]
进一步地，选取惯性导航速度、位置与卫星导航速度、位置的差值作为量测量，将量测量整合为目标导航系统的量测数据，其中，量测数据z可以表示如下。
[0082][0083]
其中，分别为惯性导航的东向、北向、天向速度，分别为卫星导航的东向、北向、天向速度，l
ins
,λ
ins
,h
ins
分别为惯性导航的经度、纬度、高度，lg,λg,hg分别为卫星导航的经度、纬度、高度。
[0084]
在一些实施例的步骤s102中，在基于状态数据构建状态方程，并基于量测数据构建量测方程时，基于状态数据建立离散化的状态方程，该状态方程可以表示如公式(1)所示。同样地，基于量测数据建立离散化的量测方程，该量测方程可以表示如公式(2)所示。
[0085]
xk＝φ
k,k-1
x
k-1
+γ
k,k-1wk-1
ꢀꢀ
公式(1)
[0086]
zk＝hkxk+vkꢀꢀ
公式(2)
[0087]
其中，xk为k时刻的目标导航系统的状态数据，φ
k,k-1
为目标导航系统的状态转移矩阵，w
k-1
为k-1时刻的目标导航系统的系统噪声序列，γ
k,
为目标导航系统的噪声驱动矩阵，zk为k时刻的目标导航系统的量测数据，hk为k时刻的量测矩阵，vk为k时刻的量测噪声序列；w
k-1
和vk为高斯白噪声，目标导航系统的系统噪声序列和量测噪声序列的均值和方差分别为：e[wk]＝0,e[vk]＝0,其中
qk为系统噪声方差阵，rk为量测噪声方差阵，或称为量测噪声方差阵，δ
kj
为δ函数，即狄拉克函数。
[0088]
在一些实施例的步骤s103中，在对目标导航系统进行状态预测，得到预测状态数据时，更新状态一步预测值的具体过程可以表示如公式(3)所示。
[0089][0090]
其中，为k时刻的预测状态数据，φ
k,k-1
为目标导航系统的状态转移矩阵，为k-1时刻的预测状态数据。
[0091]
请参阅图2，在一些实施例中，步骤s104可以包括但不限于包括步骤s201至步骤s202：
[0092]
步骤s201，基于预测状态数据和量测方程，计算目标导航系统的新息序列；
[0093]
步骤s202，基于卡尔曼滤波算法、新息序列和预设的加权系数进行噪声矩阵预测，得到第一量测噪声方差阵。
[0094]
在该实施例具体实现时，因为组合导航系统中系统噪声统计特性相对稳定的特点，为了减少计算量，本技术实施例主要针对量测噪声进行自适应调整，易于工程实现，对sage-husa自适应卡尔曼滤波算法中对目标导航系统的量测噪声方差阵估计部分进行简化，利用简化后的sage-husa自适应卡尔曼滤波算法进行噪声矩阵预测，得到第一量测噪声方差阵其中，该简化后的sage-husa自适应卡尔曼滤波算法即为上述步骤s104中声称的卡尔曼滤波算法。
[0095]
具体地，首先利用k时刻量测数据zk和一步预测状态值计算新息序列和第一量测噪声方差阵。其中，基于预测状态数据和量测方程计算新息序列的过程可以表示如公式(4)所示。
[0096][0097]
其中，zk是k时刻的量测数据，是一步预测状态值，hk为k时刻的量测矩阵。
[0098]
进一步地，计算加权系数dk，其中，计算加权系数的过程具体可以表示如公式(5)所示。
[0099][0100]
其中，b是常数加权因子，取值范围为0至1。
[0101]
进一步地，基于卡尔曼滤波算法、新息序列和预设的加权系数进行噪声矩阵预测，得到第一量测噪声方差阵的过程可以表示如公式(6)所示。
[0102][0103]
其中，dk加权系数，为k-1时刻的目标量测噪声方差阵，rk为k时刻的新息序列，hk为量测矩阵，p
k,k-1
为误差方差阵。
[0104]
通过上述步骤s201至步骤s202能够较为方便地利用利用简化后的sage-husa自适
应卡尔曼滤波算法进行噪声矩阵预测，得到第一量测噪声方差阵。本技术中的卡尔曼滤波算法相对于传统卡尔曼滤波算法，能有效地降低对系统噪声统计特性先验知识的依赖，解决了现有自适应卡尔曼滤波算法中存在的量测噪声方差阵估计实时性差，易受异常值影响，在长时间滤波后自适应能力逐渐减弱等问题，提高了对系统噪声统计特性估计的实时性和准确性，也提高了卡尔曼滤波对状态量的估计精度，从而能够提高组合导航系统的测量精度，保证了组合导航系统在不同环境下工作的可靠性。此外，本技术实施例的组合导航方法采用简化sage-husa自适应卡尔曼滤波算法还能有效地减少了计算量，利于工程实现。
[0105]
请参阅图3，在一些实施例中，步骤s105可以包括但不限于包括步骤s301至步骤s302：
[0106]
步骤s301，基于模糊推理系统的模糊控制器对目标导航系统进行噪声调节因子预测，得到预测调节因子；
[0107]
步骤s302，基于预测调节因子对预设的基准量测噪声方差阵进行加权处理，得到第二量测噪声方差阵。
[0108]
在一些实施例的步骤s301中，首先获取目标导航系统的精度衰减因子和最大载波信噪比。再对精度衰减因子进行模糊化处理，得到精度衰减因子对应的第一隶属数据，并对最大载波信噪比进行模糊化处理，得到最大载波信噪比对应的第二隶属数据。进一步地，基于模糊控制器的预设模糊规则、第一隶属数据、第二隶属数据对目标导航系统进行工作状态分析，得到目标导航系统的当前工作状态；最后，基于当前工作状态和预设的基准调节因子，得到预测调节因子β。
[0109]
在一些实施例的步骤s302中，获取预设的基准量测噪声方差阵rb，该基准量测噪声方差阵是根据量测噪声统计特性预先建立的，可以根据卫星导航正常工作下的噪声统计特性获得。因此，基于预测调节因子对预设的基准量测噪声方差阵进行加权处理，能较为方便地得到模糊逻辑估计的第二量测噪声方差阵r
l
，其中，r1＝β*rb。
[0110]
通过上述步骤s301至步骤s302能够利用精度衰减因子和最大载波信噪比较充分地反映卫星导航的误差大小，通过选取能够充分反映卫星导航接收机工作状态的精度衰减因子和最大载波信噪比作为模糊推理系统的模糊控制器的输入，能够有效地提高模糊推理的准确性和合理性。
[0111]
请参阅图4，在一些实施例中，步骤s301可以包括但不限于包括步骤s401至步骤s405：
[0112]
步骤s401，获取目标导航系统的精度衰减因子和最大载波信噪比；
[0113]
步骤s402，对精度衰减因子进行模糊化处理，得到精度衰减因子对应的第一隶属数据；
[0114]
步骤s403，对最大载波信噪比进行模糊化处理，得到最大载波信噪比对应的第二隶属数据；
[0115]
步骤s404，基于模糊控制器的预设模糊规则、第一隶属数据、第二隶属数据对目标导航系统进行工作状态分析，得到目标导航系统的当前工作状态；
[0116]
步骤s405，基于当前工作状态和预设的基准调节因子，得到预测调节因子。
[0117]
在该实施例具体实现时，首先对目标导航系统的卫星导航接收机在导航过程中输出的精度衰减因子dop和最大载波信噪比snr进行模糊化处理。
[0118]
在一些实施例的步骤s402中，在对精度衰减因子(dop值)进行模糊化处理，得到精度衰减因子对应的第一隶属数据时，将精度衰减因子按照数值大小分为良好(h1)、中等(m1)、差(l1)三个模糊集合，即精度衰减因子的第一隶属状态包括良好、中等、差中的一种，其中，每个模糊集合对应的隶属度函数可以表示为w
m1
、w
l1
。
[0119]
dop值为良好(h1)的隶属度函数为
[0120]
dop值为中等(m1)的隶属度函数：
[0121]
dop值为差(l1)的隶属度函数：
[0122]
其中，a1、a2、a3是根据实际情况设置的常数。
[0123]
在一些实施例的步骤s403中，在对最大载波信噪比(snr)进行模糊化处理，得到最大载波信噪比对应的第二隶属数据时，将最大载波信噪比按照数值大小分为良好(h2)、中等(m2)、差(l2)三个模糊集合，即最大载波信噪比的第二隶属状态包括良好、中等、差中的一种，其中，每个模糊集合对应的隶属度函数可以表示为w
m2
、w
l2
。
[0124]
载波信噪比为良好(h2)的隶属度函数：
[0125]
载波信噪比为中等(m2)的隶属度函数：
[0126]
载波信噪比为差(l2)的隶属度函数：
[0127]
其中，b1、b2、b3是根据实际情况设置的常数。
[0128]
在一些实施例的步骤s404中，在模糊控制器中含有预设模糊规则，该预设模糊规则包括：
为k时刻的第二量测噪声方差阵。
[0152]
通过上述步骤s501至步骤s502能够较为方便地将利用卡尔曼滤波算法预测的第一量测噪声方差阵和利用模糊推理系统预测的第二量测噪声方差阵相结合来估计出目标量测噪声方差阵，能实现目标量测噪声方差阵的在线实时估计，能提高对目标量测噪声方差阵的调节及时性，能有效地解决当外界环境发生改变导致目标导航系统测量精度下降甚至发散的问题，提高了目标导航系统的抗干扰性。此外，本技术实施例的组合导航方法通过引入卫星导航的工作状态参数，能够更加准确的实现对量测噪声的估计，通过两种自适应算法(即卡尔曼滤波算法和模糊推理)相结合，能在线实时地调节量测噪声方差阵，在卫星导航受干扰时，提高组合导航输出信息的可信度。
[0153]
请参阅图6，在一些实施例，步骤s107包括但不限于包括步骤s601至步骤s602：
[0154]
步骤s601，基于目标量测噪声方差阵进行滤波增益计算，得到卡尔曼滤波增益；
[0155]
步骤s602，基于预测状态数据、卡尔曼滤波增益对目标导航系统进行状态估计，得到状态估计参数。
[0156]
在该实施例具体实现时，首先一步预测k-1时刻的误差方差阵p
k,k-1
，该预测过程可以表示如公式(9)所示。
[0157][0158]
进一步地，基于目标量测噪声方差阵进行滤波增益计算，得到k时刻的卡尔曼滤波增益kk，该计算过程可以表示如公式(10)所示。
[0159][0160]
进一步地，基于预测状态数据、卡尔曼滤波增益对目标导航系统进行状态估计，得到k时刻的状态估计参数，该计算过程可以表示如公式(11)所示。
[0161][0162]
最后，基于卡尔曼滤波增益、状态估计参数对目标导航系统进行误差方差阵估计，得到k时刻的预测误差方差阵pk。该计算过程可以表示如公式(12)所示。
[0163]
pk＝(i-k
khk
)p
k,
公式(11)
[0164]
通过上述步骤s601至步骤s602能够较为方便地对状态估计参数进行实时在线估计，能提高估计准确性和实时性。
[0165]
在一些实施例的步骤s108中，在基于状态估计参数对目标导航系统进行反馈校正时，可以不断地重复上述步骤s102至步骤s107,对状态估计参数进行实时在线估计。在通过卡尔曼滤波算法完成对惯导误差的较高精度估计后，通过反馈校正的方式，利用误差估计参数修正组合导航系统中的惯导系统的导航信息，从而实现卫星导航信息与惯性导航信息之间的融合。这一方式通过实时对目标量测噪声方差阵进行估计调整，使目标导航系统能很好地适应不同的工作环境，有效地提高了组合导航的系统测量精度。
[0166]
在一个具体实施例中，通过matlab对本技术实施例的组合导航方法进行仿真验证，对比了应用本技术实施例提出的组合导航方法、sage-husa自适应卡尔曼滤波算法、传统卡尔曼滤波算法进行数据融合时组合导航系统各导航信息测量误差。仿真过程中将陀螺仪的零偏不稳定性设置为100
°
/h，角度随机游走设置为0.5
°
/√hz，加速度计的零偏不稳定
性设置为1mg，速度随机游走设置为1.5mg/√hz，卫星导航误差在仿真过程中随机改变。仿真结果如表1所示。通过仿真结果可以发现，本技术提出的组合导航方法通过实时对量测噪声方差阵进行估计调整，使组合导航系统能很好地适应不同工作环境，有效提高了系统测量精度。
[0167]
表1
[0168][0169]
请参阅图7，本技术实施例还提供一种自适应组合导航装置，可以实现上述组合导航方法，该装置包括：
[0170]
数据获取模块701，用于获取目标导航系统的状态数据和量测数据；
[0171]
方程构建模块702，用于基于状态数据构建状态方程，并基于量测数据构建量测方程；
[0172]
状态预测模块703，用于对目标导航系统进行状态预测，得到预测状态数据；
[0173]
第一矩阵预测模块704，用于基于预设的卡尔曼滤波算法对目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；
[0174]
第二矩阵预测模块705，用于基于预设的模糊推理系统对目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵；
[0175]
目标矩阵确定模块706，用于基于第一量测噪声方差阵和第二量测噪声方差阵，得到目标量测噪声方差阵；
[0176]
参数估计模块707，用于基于目标量测噪声方差阵对目标导航系统进行参数估计，得到状态估计参数；
[0177]
反馈校正模块708，用于基于状态估计参数对目标导航系统进行反馈校正。
[0178]
该自适应组合导航装置的具体实施方式与上述自适应组合导航方法的具体实施例基本相同，在此不再赘述。
[0179]
本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据
总线，程序被处理器执行时实现上述自适应组合导航方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0180]
请参阅图8，图8示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0181]
处理器801，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0182]
存储器802，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器802可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器802中，并由处理器801来调用执行本技术实施例的自适应组合导航方法；
[0183]
输入/输出接口803，用于实现信息输入及输出；
[0184]
通信接口804，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0185]
总线805，在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息；
[0186]
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
[0187]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述自适应组合导航方法。
[0188]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0189]
本技术实施例提供的自适应组合导航方法、自适应组合导航装置、电子设备及计算机可读存储介质，其通过将利用卡尔曼滤波算法预测的第一量测噪声方差阵和利用模糊推理系统预测的第二量测噪声方差阵相结合来估计出目标量测噪声方差阵，能实现目标量测噪声方差阵的在线实时估计，能提高对目标量测噪声方差阵的调节及时性，能有效地解决当外界环境发生改变导致目标导航系统测量精度下降甚至发散的问题，提高了目标导航系统的抗干扰性。此外，本技术实施例的组合导航方法通过引入卫星导航的工作状态参数，能够更加准确的实现对量测噪声的估计，通过两种自适应算法(即卡尔曼滤波算法和模糊推理)相结合，能在线实时地调节量测噪声方差阵，在卫星导航受干扰时，提高组合导航输出信息的可信度。此外，本技术中的卡尔曼滤波算法相对于传统卡尔曼滤波算法，能有效地降低对系统噪声统计特性先验知识的依赖，解决了现有自适应卡尔曼滤波算法中存在的量测噪声方差阵估计实时性差，易受异常值影响，在长时间滤波后自适应能力逐渐减弱等问题，提高了对系统噪声统计特性估计的实时性和准确性，也提高了卡尔曼滤波对状态量的
估计精度，从而能够提高组合导航系统的测量精度，保证了组合导航系统在不同环境下工作的可靠性。本技术实施例的组合导航方法采用简化sage-husa自适应卡尔曼滤波算法还能有效地减少了计算量，利于工程实现。本技术实施例的组合导航方法通过实时对量测噪声方差阵进行估计调整，使组合导航系统能很好地适应不同工作环境，有效提高了系统测量精度。
[0190]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0191]
本领域技术人员可以理解的是，图1-6中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0192]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0193]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0194]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0195]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0196]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0197]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0198]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0199]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0200]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种自适应组合导航方法，其特征在于，所述方法包括：获取目标导航系统的状态数据和量测数据；基于所述状态数据构建状态方程，并基于所述量测数据构建量测方程；对所述目标导航系统进行状态预测，得到预测状态数据；基于预设的卡尔曼滤波算法对所述目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；基于预设的模糊推理系统对所述目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵；基于所述第一量测噪声方差阵和所述第二量测噪声方差阵，得到目标量测噪声方差阵；基于所述目标量测噪声方差阵对所述目标导航系统进行参数估计，得到状态估计参数；基于所述状态估计参数对所述目标导航系统进行反馈校正。2.根据权利要求1所述的自适应组合导航方法，其特征在于，所述基于预设的卡尔曼滤波算法对所述目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵，包括：基于所述预测状态数据和所述量测方程，计算所述目标导航系统的新息序列；基于所述卡尔曼滤波算法、所述新息序列和预设的加权系数进行噪声矩阵预测，得到所述第一量测噪声方差阵。3.根据权利要求1所述的自适应组合导航方法，其特征在于，所述基于预设的模糊推理系统对所述目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵，包括：基于所述模糊推理系统的模糊控制器对所述目标导航系统进行噪声调节因子预测，得到预测调节因子；基于所述预测调节因子对预设的基准量测噪声方差阵进行加权处理，得到所述第二量测噪声方差阵。4.根据权利要求3所述的自适应组合导航方法，其特征在于，所述基于所述模糊推理系统的模糊控制器对所述目标导航系统进行噪声调节因子预测，得到预测调节因子，包括：获取所述目标导航系统的精度衰减因子和最大载波信噪比；对所述精度衰减因子进行模糊化处理，得到所述精度衰减因子对应的第一隶属数据；对所述最大载波信噪比进行模糊化处理，得到所述最大载波信噪比对应的第二隶属数据；基于所述模糊控制器的预设模糊规则、所述第一隶属数据、所述第二隶属数据对所述目标导航系统进行工作状态分析，得到所述目标导航系统的当前工作状态；基于所述当前工作状态和预设的基准调节因子，得到所述预测调节因子。5.根据权利要求4所述的自适应组合导航方法，其特征在于，所述第一隶属数据包括所述精度衰减因子的第一隶属状态，所述第一隶属状态包括良好、中等、差中的其中一种，所述第二隶属数据包括所述最大载波信噪比的第二隶属状态，所述第二隶属状态包括良好、中等、差中的其中一种，所述预设模糊规则，包括：若所述第一隶属状态为良好，则所述当前工作状态与所述第二隶属状态相同；若所述第一隶属状态为中等，则所述当前工作状态与所述第二隶属状态相同；
若所述第一隶属状态为差，则所述当前工作状态为差。6.根据权利要求1所述的自适应组合导航方法，其特征在于，所述基于所述目标量测噪声方差阵对所述目标导航系统进行参数估计，得到状态估计参数，包括：基于所述目标量测噪声方差阵进行滤波增益计算，得到所述卡尔曼滤波增益；基于所述预测状态数据、所述卡尔曼滤波增益对所述目标导航系统进行状态估计，得到所述状态估计参数。7.根据权利要求1至6任一项所述的自适应组合导航方法，其特征在于，所述基于所述第一量测噪声方差阵和所述第二量测噪声方差阵，得到目标量测噪声方差阵，包括：获取预设的权重数据；基于所述权重数据对所述第一量测噪声方差阵和所述第二量测噪声方差阵进行加权处理，得到所述目标量测噪声方差阵。8.一种自适应组合导航装置，其特征在于，所述装置包括：数据获取模块，用于获取目标导航系统的状态数据和量测数据；方程构建模块，用于基于所述状态数据构建状态方程，并基于所述量测数据构建量测方程；状态预测模块，用于对所述目标导航系统进行状态预测，得到预测状态数据；第一矩阵预测模块，用于基于预设的卡尔曼滤波算法对所述目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；第二矩阵预测模块，用于基于预设的模糊推理系统对所述目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵；目标矩阵确定模块，用于基于所述第一量测噪声方差阵和所述第二量测噪声方差阵，得到目标量测噪声方差阵；参数估计模块，用于基于所述目标量测噪声方差阵对所述目标导航系统进行参数估计，得到状态估计参数；反馈校正模块，用于基于所述状态估计参数对所述目标导航系统进行反馈校正。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的自适应组合导航方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的自适应组合导航方法。

技术总结
本申请提供一种自适应组合导航方法和装置、电子设备及存储介质，属于导航系统技术领域。方法包括：获取目标导航系统的状态数据和量测数据；基于状态数据构建状态方程，基于量测数据构建量测方程；对目标导航系统进行状态预测得到预测状态数据；基于卡尔曼滤波算法对目标导航系统进行噪声矩阵预测，得到第一量测噪声方差阵；基于模糊推理系统对目标导航系统进行噪声矩阵预测，得到第二量测噪声方差阵；基于第一量测噪声方差阵和第二量测噪声方差阵得到目标量测噪声方差阵；基于目标量测噪声方差阵对目标导航系统进行参数估计得到状态估计参数；基于状态估计参数对目标导航系统进行反馈校正，提高了对量测噪声方差阵的估计准确性和组合导航的精度。确性和组合导航的精度。确性和组合导航的精度。


技术研发人员：韩松 江文 王凭慧 王欣欣
受保护的技术使用者：南方科技大学
技术研发日：2023.04.28
技术公布日：2023/8/6