基于小波和人工智能的INS/GPS组合导航系统无缝定位技术研究

定位及导航技术在车辆上的应用趋势日益增加，现今所有的车载导航系统都组合了两种或更多种辅助的定位技术，但都存在若干问题，归根结底是在自适应性和定位精度方面。本项目将针对此问题展开研究，提出将小波和自适应神经模糊逻辑推理系统（ANFIS）应用于车载INS/GPS组合导航中，在GPS信号阻塞时为INS提供连续的位置和速度修正量，防止误差随时间呈明显的增长甚至发散，从而提高整个系统的精度并保证鲁棒性和定位的精确性。为达该目的，首先利用小波多分辨率分析和小波重构技术对传感器数据作降噪处理，得到的数据作为期望值用于ANFIS的训练，接着训练中采用滑动窗口的方法，由于窗口的大小对系统精度、鲁棒性和实时性影响较大，本项目对窗口大小的选择问题进行深入分析。最后设计一时钟同步器将INS/GPS数据加上时间标签，对INS和GPS数据进行同步。该项目可为车辆提供无缝且精确可靠的定位服务。

本项目研究车载组合导航中的一些关键技术，旨在解决系统可靠性、自适应性和导航精度方面的问题。本项目根据研究计划和任务开展了相关的研究工作，研究内容及成果主要有：（1）本项目基于特定对象和使用环境寻找最适合、成本最低的组合导航系统时间同步方案，首先分析了时间同步误差对系统精度的影响，然后在低动态、中动态和高动态的情况下分别给出适合的硬件或软件同步方法（分别为方法1、方法2和方法3），最后对于每种方案进行了跑车试验或软件仿真，结果证明在低动态和低系统精度的环境下，通过应用三种方法对于提高系统精度效果不明显；中动态环境下方法2和方法3较方法1在姿态角和速度精度上提高了约50%，定位精度提高约20%；高动态下方法3显示出了非常明显的效果，较方法1在各项精度上提高超过70%；（2）本项目为了解决SINS/GPS组合导航中当GPS信号中断时系统精度和可靠性变差的问题，引入了小波去噪辅助神经网络的自适应技术，当GPS信号正常时，用神经网络进行训练，小波去噪后的误差信号作为输出的期望值来提高训练的精度；当GPS信号失锁时用神经网络来估计系统误差用于速度、位置信息的误差补偿。车载试验结果证明小波多分辨率分析可以有效去除原始信号的噪声和扰动，因此基于该方法的神经网络能够帮助系统更加接近真实的系统模型，从而提高系统定位定姿的精度。（3）本项目针对车载试验前的捷联惯导需要自对准的问题，研究了基于罗经法多参数设计的自对准技术，在多种条件下进行了仿真和转台试验，均能够在300s内达到水平姿态0.01°内，航向误差在0.15°内，逼近罗经法的极限精度。又设计了一种改进型快速罗经对准算法，该方法可以在纯惯性模式下快速完成捷联式惯性系统在摇摆基座上的初始对准并达到与经典罗经法同样的精度。