[发明专利]一种SINS和DVL组合导航方法、设备与系统

说明书

本发明公开了一种SINS和DVL组合导航方法、设备与系统，该方法包括：步骤1：构建RBFNN模型；其中，所述RBFNN模型的输入为以SINS所测量的DVL坐标系下的三维速度，所述RBFNN模型的输出为DVL波束方向的速度值；步骤2：在DVL波束信息完整状态下，对所述RBFNN模型进行在线训练，建立所述RBFNN模型的输入与所述输出之间的映射关系；步骤3：在所述DVL波束信息缺失状态下，以所述SINS所测量的所述DVL坐标系下的三维速度作为输入，根据所述映射关系获得DVL波束方向的速度预测值；步骤4：根据所述SINS所测量的三维速度和步骤3获得的所述DVL波束方向的速度预测值进行导航。

技术领域

本发明涉及一种自主水下机器人路径跟踪技术领域，特别涉及一种SINS和DVL组合导航方法、设备与系统。

背景技术

高精度、高可靠性的水下导航定位技术是完成水下工作任务的关键，在水下导航系统中，捷联惯性导航系统(SINS)是一种拥有不依赖外界环境、具有良好隐蔽性、高可靠性等特点的导航系统。但是由于SINS的常值测量误差会随着时间的推移而累积，因此常采用其他辅助方法结合SINS形成组合导航系统。而捷联惯性导航/多普勒(SINS/DVL)组合导航是目前实现自主组合导航的主要方式之一。

在理想的海洋环境中，采用数据融合算法可以在一定程度上提高SINS/DVL组合导航的精度。但在复杂海洋环境下，如鱼群干扰、海床上存在强吸波地质等情况下，会出现DVL波束方向上的速度信息缺少甚至完全丢失的情况，此时组合导航系统仅能依靠捷联惯性导航所提供的消息，导航误差会随着时间的推移而增大。目前研究人员提出了许多方法解决此问题，一些学者利用外部传感器补偿缺失波束信息进行多传感器辅助导航，例如利用水声定位系统辅助的LBL/SINS/DVL组合导航技术等。一些研究者则利用纯算法实现DVL信息缺失情况下的预测，例如将人工神经网络(ANN)、支持向量回归(SVR)、极限学习机(ELM)、小波神经网络(WNN)、随机森林回归(RFR)等辅助算法引入SINS/DVL组合导航，并通过仿真验证了其优越性。

但上述算法仅能解决DVL波束信息部分缺失问题，目前针对DVL波束信息完全缺失问题的解决方法研究较少。

发明内容

本发明的目的在于提供一种SINS和DVL组合导航方法、设备与系统，来克服或至少减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明实施例提供一种SINS和DVL组合导航方法，包括：

步骤1：构建RBFNN(径向基函数神经网络)模型；其中，所述RBFNN模型的输入为以SINS(捷联惯性导航系统)所测量的DVL(多普勒测速仪)坐标系下的三维速度，所述RBFNN模型的输出为DVL波束方向的速度值；

步骤2：在DVL波束信息完整状态下，对所述RBFNN模型进行在线训练，建立所述RBFNN模型的输入与所述输出之间的映射关系；

步骤3：在所述DVL波束信息缺失状态下，以所述SINS所测量的所述DVL坐标系下的三维速度作为输入，根据所述映射关系获得DVL波束方向的速度预测值；

步骤4：根据所述SINS所测量的三维速度和步骤3获得的所述DVL波束方向的速度预测值进行导航。

优选的，所述步骤1中构建RBFNN模型包括构建下式：

其中，y_n为所述RBFNN模型的输出，表示所述DVL波束方向的速度值；g_nm为权重值；