基于FNN-AEKF的水下SINS与DVL自适应组合导航方法和相关设备与流程

本发明涉及水下导航，尤其是一种基于fnn-aekf的水下sins与dvl自适应组合导航方法和相关设备。

背景技术：

1、现有捷联惯性导航系统/多普勒测速仪（sins/dvl）组合导航多采用传统扩展卡尔曼滤波（ekf）完成数据融合，但其核心缺陷在于观测噪声协方差矩阵采用固定经验参数。水下工况复杂多变，存在随机洋流扰动、分层水流干扰、声速畸变、海底杂波干扰等复杂干扰，导致sins、dvl传感器测量噪声呈现强时变、非线性、非高斯特性，固定噪声参数无法适配动态噪声变化，极易造成滤波精度下降、状态估计偏差增大，甚至出现滤波发散问题。

2、现有自适应滤波算法多依赖预设噪声模型与固定调节规则，仅能适配平缓噪声变化，无法精准辨识水下突发洋流、dvl信号短暂失锁、惯性器件时变漂移带来的突变噪声，导航误差抑制能力有限，难以满足复杂海洋环境下水下载体长时间高精度导航的工程需求。

技术实现思路

1、有鉴于此，本发明实施例主要目的在于提供一种基于fnn-aekf的水下sins与dvl自适应组合导航方法和相关设备，以期解决现有技术问题至少之一，能够提高导航精度。

2、为实现上述目的，本发明实施例的一方面提供了一种基于fnn-aekf的水下sins与dvl自适应组合导航方法，该方法包括：

3、根据捷联惯性导航系统和多普勒测速仪，搭建水下组合导航采集系统；

4、通过所述水下组合导航采集系统采集惯性测量数据、三维速度量测数据以及环境扰动数据；

5、基于所述惯性测量数据构建惯性导航误差状态方程，基于所述三维速度量测数据构建速度量测方程，根据所述惯性导航误差状态方程以及所述速度量测方程，形成组合导航非线性状态空间模型；

6、对所述惯性测量数据、所述三维速度量测数据以及所述环境扰动数据进行特征提取，得到多维扰动特征，并对所述多维扰动特征进行归一化和分层特征加权处理，得到增强特征；

7、将所述增强特征输入预先训练的fnn神经网络，输出动态观测噪声方差；

8、根据所述动态观测噪声方差，构造对角协方差矩阵；

9、根据所述组合导航非线性状态空间模型以及所述对角协方差矩阵，执行自适应扩展卡尔曼滤波，得到状态后验估计；

10、通过所述状态后验估计对所述捷联惯性导航系统进行反馈校正，输出校正后的高精度导航参数。

11、在一些实施例中，所述通过所述水下组合导航采集系统采集惯性测量数据、三维速度量测数据以及环境扰动数据，包括以下步骤：

12、通过所述捷联惯性导航系统采集载体的所述惯性测量数据；所述惯性测量数据包括三轴角速度以及三轴加速度；

13、通过所述多普勒测速仪采集所述载体在水下的所述三维速度量测数据；

14、通过所述水下组合导航采集系统采集所述环境扰动数据；所述环境扰动数据包括水下深度数据以及洋流流速数据；

15、对所述惯性测量数据、所述三维速度量测数据以及所述环境扰动数据进行时序对齐。

16、在一些实施例中，所述基于所述惯性测量数据构建惯性导航误差状态方程，包括以下步骤：

17、根据所述惯性测量数据，通过力学编排算法推导出载体的初始导航参数；

18、根据陀螺零偏误差、加速度计零偏误差、所述初始导航参数的姿态误差、所述初始导航参数的速度误差以及所述初始导航参数的位置误差，构建所述捷联惯性导航系统的误差状态向量；

19、根据所述误差状态向量、系统过程噪声协方差矩阵以及惯性导航误差状态转移函数，构建所述惯性导航误差状态方程。

20、在一些实施例中，所述基于所述三维速度量测数据构建速度量测方程，包括以下步骤：

21、基于所述惯性导航误差状态方程，对上一时刻所述误差状态向量进行惯性导航误差状态转移处理，并叠加所述系统过程噪声向量，得到当前时刻所述误差状态向量；

22、根据当前时刻所述误差状态向量、量测映射函数以及时变观测噪声，构建所述速度量测方程。

23、在一些实施例中，所述对所述惯性测量数据、所述三维速度量测数据以及所述环境扰动数据进行特征提取，得到多维扰动特征，并对所述多维扰动特征进行归一化和分层特征加权处理，得到增强特征，包括以下步骤：

24、对所述惯性测量数据、所述三维速度量测数据以及所述环境扰动数据进行特征提取，得到惯性漂移特征、量测残差特征以及洋流扰动特征；

25、对所述惯性漂移特征、所述量测残差特征以及所述洋流扰动特征分别进行归一化处理，得到归一化的所述惯性漂移特征、归一化的所述量测残差特征以及归一化的所述洋流扰动特征；

26、根据预设加权系数，对归一化的所述惯性漂移特征、归一化的所述量测残差特征以及归一化的所述洋流扰动特征进行分层特征加权处理，得到所述增强特征。

27、在一些实施例中，所述将所述增强特征输入预先训练的fnn神经网络，输出动态观测噪声方差，包括以下步骤：

28、将所述增强特征输入预先训练的所述fnn神经网络，经过两个隐藏层对所述增强特征进行非线性变换，得到中间处理特征；

29、通过输出层对所述中间处理特征进行线性变换，输出所述动态观测噪声方差。

30、为实现上述目的，本发明实施例的另一方面提出了一种基于fnn-aekf的水下sins与dvl自适应组合导航装置，所述装置包括：

31、搭建模块，用于根据捷联惯性导航系统和多普勒测速仪，搭建水下组合导航采集系统；

32、数据采集模块，用于通过所述水下组合导航采集系统采集惯性测量数据、三维速度量测数据以及环境扰动数据；

33、模型构建模块，用于基于所述惯性测量数据构建惯性导航误差状态方程，基于所述三维速度量测数据构建速度量测方程，根据所述惯性导航误差状态方程以及所述速度量测方程，形成组合导航非线性状态空间模型；

34、特征增强模块，用于对所述惯性测量数据、所述三维速度量测数据以及所述环境扰动数据进行特征提取，得到多维扰动特征，并对所述多维扰动特征进行归一化和分层特征加权处理，得到增强特征；

35、动态噪声预测模块，用于将所述增强特征输入预先训练的fnn神经网络，输出动态观测噪声方差；

36、协方差矩阵构造模块，用于根据所述动态观测噪声方差，构造对角协方差矩阵；

37、自适应滤波融合模块，用于根据所述组合导航非线性状态空间模型以及所述对角协方差矩阵，执行自适应扩展卡尔曼滤波，得到状态后验估计；

38、导航校正输出模块，用于通过所述状态后验估计对所述捷联惯性导航系统进行反馈校正，输出校正后的高精度导航参数。

39、为实现上述目的，本发明实施例的另一方面提供了一种电子设备，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前面所述的方法。

40、为实现上述目的，本发明实施例的另一方面提供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前面所述的方法。

41、为实现上述目的，本发明实施例的另一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的方法。

42、本发明的实施例至少包括以下有益效果：本发明提供一种基于fnn-aekf的水下sins与dvl自适应组合导航方法和相关设备，该方案通过捷联惯性导航系统和多普勒测速仪，搭建水下组合导航采集系统，适配水下无卫星信号、低速长航时的作业场景，为多源数据融合提供硬件基础；通过水下组合导航采集系统采集惯性测量数据、三维速度量测数据以及环境扰动数据，为后续误差建模与特征提取提供数据基础；基于惯性测量数据构建惯性导航误差状态方程，基于三维速度量测数据构建速度量测方程，根据惯性导航误差状态方程以及速度量测方程，形成组合导航非线性状态空间模型，为后续滤波算法提供准确的数学模型基础；对惯性测量数据、三维速度量测数据以及环境扰动数据进行特征提取，得到多维扰动特征，并对多维扰动特征进行归一化和分层特征加权处理，得到增强特征，提升后续噪声辨识的准确率；将增强特征输入预先训练的fnn神经网络，输出动态观测噪声方差，替代传统固定观测噪声参数，解决固定噪声参数无法适配水下复杂动态环境的缺陷，提升噪声辨识的时效性；根据动态观测噪声方差，构造对角协方差矩阵；根据组合导航非线性状态空间模型以及对角协方差矩阵，执行自适应扩展卡尔曼滤波，得到状态后验估计，有效抑制惯性导航的积分漂移；通过状态后验估计对捷联惯性导航系统进行反馈校正，输出校正后的高精度导航参数，提高了导航精度与环境鲁棒性。