基于深度学习的船端PNT滤波算法研究
作者单位:大连海事大学
学位级别:硕士
导师姓名:姜毅
授予年度:2022年
学科分类:12[管理学] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080401[工学-精密仪器及机械] 081105[工学-导航、制导与控制] 082402[工学-轮机工程] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 0824[工学-船舶与海洋工程] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:组合导航 堆叠稀疏自动编码器 紧组合 松组合 扩展卡尔曼滤波
摘 要:随着智能船舶的兴起及其核心技术的发展,对船端定位、导航和授时(Positioning,Navigation and Timing,PNT)信息提出了更高要求。目前全球卫星导航系统(Global Navigation Satellite System,GNSS)是多数船载系统的主要PNT源,具有全天候、无误差累积等优点,但GNSS信号易受到遮蔽、干扰、欺骗等影响,很难保证为船舶航行提供稳定可靠的定位服务。通过多传感器信息融合的方式将船端各种PNT信息源进行组合,以提供抗干扰性强、连续可用并且稳定可靠的综合PNT信息,成为了目前海事领域的研究热点。传统的组合导航通常是利用滤波方法将惯性导航系统(Inertial Navigation System,INS)与GNSS进行信息融合,然而由于船舶航行过程中环境复杂多变,滤波方法中的测量噪声很难准确建模及估计,噪声的不确定性成为了制约组合导航滤波精度的一个关键因素。本文将堆叠稀疏自动编码器(Stacked Sparse Auto encoder,SSAE)引入INS/GNSS组合导航结构,利用深度学习在信息融合方面拟合能力强、融合精度高的特点,有效解决船端PNT滤波算法中的噪声估计问题,符合智能船舶PNT的发展方向。研究内容具体包括:对基于INS/GNSS组合导航结构,以及SSAE神经网络模型算法进行了深入研究,针对组合导航信息融合滤波过程中的测量噪声难以准确建模及估计的问题,提出了一种基于SSAE的INS/GNSS组合导航EKF滤波算法,推导了基于SSAE的INS/GNSS松组合和紧组合结构的数学模型。使用船舶航行中的传感器测量值作为历史数据对SSAE神经网络模型进行训练,基于训练后的模型对实时输入的原始测量值进行预处理,重构出降噪的传感器数据,并通过与原始数据进行比对,计算测量噪声协方差的动态缩放乘因子,将其引入滤波迭代在上述理论研究的基础上,对基于SSAE的INS/GNSS松组合与紧组合导航EKF算法分别进行了仿真验证。实验结果表明,使用EKF算法进行滤波融合时,基于SSAE的INS/GNSS组合导航算法较传统INS/GNSS组合导航算法,在松组合和紧组合结构下水平误差滤波精度分别提升约14.15%和10.73%。