[发明专利]基于残差补偿多速率CKF的惯性/天文组合导航方法

权利要求书

1.基于残差补偿多速率CKF的惯性/天文组合导航方法，其特征在于，包括如下步骤：

(1)初始化惯性/天文组合导航系统，建立组合导航系统的状态和量测方程，实时记录星敏感器的星图、姿态信息和惯性传感器的解算输出；

(2)利用基于SRN的图像去模糊方法对“拖尾”星图进行解模糊处理；在SRN中，从基于序列的模糊图像中获取一系列不同尺度先验特征作为网络的输入，并且将相应的参考图像块作为训练的标签；并且将相应的参考图像块作为训练的标签对模糊图像尺度分解，构造不同尺度下的编码和解码器网络，最终融合输出重构复原图像；

(3)将步骤(2)去模糊之后的姿态信息作为基于残差补偿的多速率容积卡尔曼滤波的观测量的一部分，步骤(1)中INS位置、速度、姿态以及加速度计和陀螺仪的常值漂移作为系统状态量，共同输入到滤波器中进行滤波估计；通过残差补偿校正星敏感器的输出延迟，实现数据同步；

(4)在进行步骤(3)的同时，滤波器仍然是以星敏感器的输出周期作为更新周期持续“降采样”工作；此时，在基于残差补偿的多速率容积卡尔曼滤波器中引入长短时记忆神经网络估计器作为滤波器的子模块，扩充星敏感器的输出数据，提高天文导航系统的输出频率，实现CNS和惯性导航系统的同频输出；具体包括如下过程：

首先将滤波工作过程依照CNS间采样的间隔分为n个节点，那么LSTM-MRCKF可由n个结构和参数完全相同的LTSM估计器和MRCKF滤波器构成，n的个数取决于CNS间采样的次数；一组LSTM和MRCKF记为一个滤波节点，节点之间信号传递的工作过程保持一致；对于一个节点，步骤(1)解算得到系统观测量之后，初始化LSTM-1网络的权值向量W_f和偏置向量b_f，同时将LSTM-1估计器分为离线训练和在线预测两阶段；离线训练阶段以CNS频率作为基准，给定当前时刻t的前l个时刻下CNS解算姿态A_CNS作为训练的输入记为：

x_t＝[A_CNS(t-l),...A_CNS(t-2),A_CNS(t-1)]

输出o_t为对应时刻INS和CNS姿态的差值，记为：

o_t＝[z(t-l),...z(t-2),z(t-1)]

其中z(t)＝A_INS(t)-A_CNS(t)；A_INS(t)A_CNS(t)分别表示INS和CNS在t时刻的姿态信息；

将设定好的输入量输入到LSTM-1神经网络中存储单元的输入门i_t中训练，信号在输入门中的传递如式(22-24)所示，其中x_t表示输入信号，S_t表示输入门的输出状态：

i_t＝sigmoid(W_i,xx_t+W_i,hh_t-1+b_i) (22)

信号通过输入门之后，经过遗忘门(f_t)，输出门(o_t)的解算后，得到最优训练结果：

o_t＝sigmoid(W_o,xx_t+W_o,hh_t-1+b_o) (25)

其中S_t表示输入门的输出状态，h_t表示输出门的输出状态，即LSTM存储核心单元的输出；W_f,x,W_f,h,W_i,x,W_i,h W_o,x,W_o,h是权值矩阵；b_f,b_i,b_o是偏差向量；

在线预测阶段为INS和CNS输出数据同步后，利用训练好的LTSM-1模型，输出对应在t+1时刻下的m个预测的INS和CNS姿态差值，记为z′(t+1),z′(t+2),...z′(t+m)；

(5)基于步骤(4)完成补偿的数据，建立系统状态和量测模型，实现INS/CNS组合导航姿态的最优估计。