基于极限学习机的黑障区智能导航算法

发布时间：2021-12-18 05:41

　　在黑障区飞行阶段中,惯性导航系统会因缺少辅助导航系统而持续累积误差,导致飞行器导航系统可靠性下降。针对这一问题,提出了一种新的基于极限学习机的黑障区智能导航算法,通过极限学习机（ELM）对GPS正常工作的导航信息进行学习。在黑障区,利用学习得到的模型对惯性导航系统进行误差补偿,较好地修正了当GPS失锁时惯性导航系统的误差,避免了因误差累积而导致的导航信息发散。仿真结果表明,该算法能够保证在GPS失锁的黑障区中导航系统输出的信息有较好的可靠性和精度,能够为接下来的姿态调整和着陆准备提供良好的基础。 

【文章来源】：导航与控制. 2020,19(03)

【文章页数】：7 页

【部分图文】：

极限学习机神经元示意图

天文导航系统(Celestial Navigation System,CNS)独立工作,星敏感器敏感天体方位信息,测得的姿态信息精度高且误差不随时间累积。但是,星敏感器测得的姿态信息是载体系相对于地心惯性系的数据,该数据需要进行坐标转换为需要的导航坐标系下的姿态信息,转换过程中会引入计算误差,同时也会耦合到位置误差,故导致了天文导航系统可靠性的下降[12]。又因为天文导航系统在大气层内易受天气的影响,且进入黑障区后工作条件难以满足,所以为保证导航系统的可靠性,在进入黑障区前利用天文导航信息对陀螺输出信息进行开环修正,不影响GPS的闭环系统工作,其整体设计方案如图2所示。陀螺的误差估计修正要根据陀螺的原始输出信息解出载体相对于惯性坐标系的姿态信息,同天文定姿量测信息相结合,经由Kalman滤波器对陀螺的漂移误差进行估计和跟踪,为黑障区的导航系统可靠性提供保证。为有效利用高精度天文定姿信息,首先需要推导建立地心惯性坐标系下的系统状态方程。记载体相对于地心惯性坐标系的真实姿态四元数为Q,则

根据上述原由,选择ELM进行拟合学习非线性系统模型。该系统的工作状态有两种方式:1)GPS有效时的ELM网络训练方式;2)GPS失锁时的神经网络预测方式。当GPS正常工作时,系统如图3所示。利用传统的INS/GPS组合导航系统进行误差修正(实线部分),同时ELM利用正常数据在线学习(虚线部分)。当GPS失锁时,系统如图4所示,由ELM预测的观测值继续进行误差修正。图4 GPS失锁时的导航系统方案示意图

【参考文献】：
期刊论文
[1]一种未来大型天地往返运输系统平台气动方案[J]. 向先宏,钱战森,李雪飞,李春鹏.  宇航学报. 2019(01)
[2]GPS接收机在探月高速再入返回中的应用[J]. 王猛,周波,刘迎娜.  北京理工大学学报. 2018(08)
[3]高超声速飞行器双GPS/INS松组合导航姿态估计[J]. 谢志成,雷虎民,张大元,李炯,邵雷.  飞行力学. 2014(06)
[4]神经网络辅助卡尔曼滤波在组合导航中的应用[J]. 崔留争,高思远,贾宏光,储海荣,姜瑞凯.  光学精密工程. 2014(05)
[5]基于MEKF的卫星姿态确定精度影响因素分析[J]. 矫媛媛,周海银,王炯琦,潘晓刚.  系统工程与电子技术. 2010(07)

硕士论文
[1]空天飞行器惯性/天文组合导航关键技术研究[D]. 赵慧.南京航空航天大学 2015
[2]基于SINS/BDS/CNS的高超声速飞行器组合导航研究[D]. 周邦大.国防科学技术大学 2010



本文编号：3541746