(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111271228.0 (22)申请日 2021.10.2 9 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 江金光　唐亚男　张超　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 代理人 鲁力 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种GNSS信号中断期间使用GRU神经网络辅 助导航的算法 (57)摘要 本发明涉及一种GNSS信号中断期间使用GRU 神经网络辅助导航的算法， 当GNSS信号可用时， INS的速度， 航向和IMU的输出将用作训练GRU模 型的输入特征， GNSS的位置增量为模型的输出。 一旦丢失了GNSS信号， INS的信息将被馈送 到GRU 模型中以生成伪GNSS增量。 累积伪GNSS增量后， 会将伪GNSS位置发送到卡尔曼滤波器， 以校正 INS导航解算结果。 另外考虑到在复杂场景下， 难 以获得大量 GNSS观测良好的数据， 部分地段的可 观测卫星数可能在1至3颗， 此时使用紧耦合模型 仍然可以进行组合导航， 一定程度上保障了更有 效的定位结果， 可以为神经网络提供更好的训练 数据。 因此本发明选择GRU辅助紧耦合的模式。 权利要求书1页 说明书6页 附图9页 CN 114239376 A 2022.03.25 CN 114239376 A 1.一种GNS S信号中断期间使用GRU神经网络 辅助导航的算法， 其特 征在于： 包括 步骤1、 当全球导航卫星系统(GNSS)信号可用时， AI模块将在训练模式下工作， INS的速 度， 航向和IMU的输出将用作训练GRU神经网络的输入特征， 输入特征参数选择为陀螺仪输 出 加速度计输出 INS速度Vn， INS航向角 ψ， 输出选择为GNSS位置增量ΔPGNSS， GNSS的 位置增量 为模型的输出； 步骤2、 GNSS中断丢失GNSS信号时， AI模块将在预测模式下工作， INS的信息将被馈送到 GRU神经网络中以生成伪GNSS增量； 累积伪GNSS增量后， 会将伪GNSS位置发送到KF， 以校正 INS导航解算结果。 2.根据权利 要求1所述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法， 其 特征在于： GRU神经网络包括2个门结构， 更新门和重置门； 更新门可以改变 当前时刻受前一 时刻状态的影响程度， 输出为rt； 更新门的值与保留的信息多少成正比， 更新门输出越小， 则保留的状态信息越少； 重置门的作用是丢弃部分隐藏状态信息， 输出为zt， 重置门的值与 丢弃信息的数量呈反比， 该值越小， 则过去的状态信息 丢弃越多。 3.根据权利 要求2所述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法， 其 特征在于： 当GNSS信号可用时， A I模块将在训练模式下工作， 对GRU神经网络进行训练， 输入 为IMU输出的三轴加速度计数据fb， 三轴陀螺仪数据ωb， INS解算 得到的速度信息VINS和航向 角信息 ψINS； 因此在GNSS信号良好时GRU神经网络找到IMU， INS信息与GNSS增量信息之间的 映射关系， 使得GRU神经网络获取类似于GNS S模块的功能。 4.根据权利 要求2所述的一种GNSS信号中断期间使用GRU神经网络辅助导航的算法， 其 特征在于： 当GNSS中断之后， 系统切换为预测模式， GNSS模块无法继续提供位置信息， 所以 预测模型中没有了GNSS模块； 此时IMU和INS模块 继续向GRU神经网络输入导航信息， 已训练 好的GRU神经网络根据输入来预测GNSS增量ΔPGNSS； 将该增量信息进行积分得到一个预测 的GNSS位置信息， 预测的GNSS位置信息是伪GNSS位置信息， 用于模拟GNSS信号良好时的定 位结果； 将该结果与INS解算的位置PINS作差后送入KF模块即可进行卡尔曼滤波， 此时就可 如GNSS信号良好时一样继续输出位置、 速度、 姿态的误差， 用来对I NS结果进行反馈修 正。权　利　要　求　书 1/1 页 2 CN 114239376 A 2一种GNSS信号中断期间使用GRU神经 网络辅助导航的算法 技术领域 [0001]本发明涉及一种应用于在全球导航卫星系统(Global  Navigation  Satellite System， 简称GNSS)信号中断期间， 通过估计伪GNSS位置来提升GNSS/INS紧耦  合组合导航 系统中惯性导航系统(Inertial  Navigation  System， 简称INS)导航精度  的基于门控循环 单元(Gated  Recurrent  Unit， 简称 GRU)的人工智能(Artifici al Intelli gence， 简称AI) 算法。 背景技术 [0002]目前常见的导航定位手段主要有两种， 分别是捷联惯性导航系统(Strapdown Inertial  Navigation  System,SINS)和全球卫星定位系统(Global  Navigation   Satellite System， GNSS)。 捷联惯性导航系统可以通过自身加速度计、 陀螺仪等惯性元器   件的数据进行解算， 获得载体的导航信息， 能够在短时间内保持高精度的导航。  随着微机 电系统(MEMS)技术的发展,惯性元器件的体积逐渐变小， 成本变得更  低， 也使得相应的惯 导系统应用越来越广泛， 在手机、 儿童手表、 无人机等众  多产品中都有使用。 但是由于MEMS 传感器存在较大噪声， 且不稳定， 很难将  噪声剔除， 因此单一的MEMS惯性导航系统的推算 会随着时间快速发散。 而  GNSS具有精度高、 覆盖广、 使用方便、 全天候等特点， 在观测条件 良好时， GNSS可以满足载体高精度的定位需求。 然而一旦信号受到遮挡， 载体无法收到   GNSS信号， 就会导致只靠单一的GNSS定位模块无法导航定位的结果。 因此将  SINS和GNSS组 合就可以构建一个低成本， 小体积， 高精度， 易 实现的组合导  航系统， 也是目前业内使用最 普遍的定位 技术。 [0003]但是在城市的复杂场景中， GNSS信号很容易受到建筑物、 树木、 隧道等物  体的遮 挡。 在这种情况下， 传 统的卡尔曼滤波缺少了GNSS的观测修正， 组合  导航系统就会简化为 纯惯导解算。 此时由于MEMS传感器的输出数据精度有限，  噪声很大， 导航定位精度发散迅 速， 因此需要引入新的传感器进 行组合修正，  例如里程计、 激光雷达等， 然而这样会增加额 外的器件成本。 因此也有很多 学 者研究了通过神经网络的形式辅助组合导航， 抑制SINS结 果发散。 具体为在  GNSS信号良好时， 选择合适的导航数据训练模 型； GNSS信号失锁后， 利用 训 练好的神经网络输出GNSS的伪观测量， 继续用于组合滤波， 以抑制SINS误差  发散。 因此 为了训练出效果良好的模 型， 需要在GNSS信号良好时提供大量的  导航数据用于训练。 但是 在复杂场景下， 难以获得大量GNSS观测良好的数据，  部分地段的可观测卫星 数可能在1至3 颗， 此时使用紧耦合模型仍然可以进行  组合导航， 一定程度上保障了更有效的定位结果， 可以为神经网络提供 更好的 训练数据。 发明内容 [0004]为了解决现有技术的问题， 以在GNSS中断之后抑制 INS的误差发散， 本发  明提供 了一种利用GRU循环神经网络 辅助紧耦合的方法。 [0005]一种GNSS信号中断期间使用GRU神经网络 辅助导航的算法， 其特 征在于： 包括：说　明　书 1/6 页 3 CN 114239376 A 3