Algoritmo de navegación y posicionamiento combinado asistido por red neuronal LSTM mejorado para GNSS/SINS montado en vehículos
Autores: Song, Lijun; Xu, Peiyu; He, Xing; Li, Yunlong; Hou, Jiajie; Feng, Haoyu
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Algoritmo de navegación y posicionamiento combinado asistido por red neuronal LSTM mejorado para GNSS/SINS montado en vehículos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Sistema de navegación combinado
Red neuronal LSTM
Señales GNSS
Información SINS
Algoritmo de posicionamiento
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Apuntando al problema del sistema de navegación combinado de GNSS (sistema de navegación por satélite global)/SINS (sistema de navegación inercial de strapdown) a bordo, la precisión del sistema de navegación combinado disminuye debido a la dispersión de los SINS con el tiempo y bajo la condición de No señales de GNSS. Se propone una red neuronal LSTM (memoria de largo plazo y corto plazo) mejorada en condiciones de No señal de GNSS para asistir en la combinación de datos de navegación y el algoritmo de posicionamiento. Cuando la señal de GNSS es una entrada normal, se utiliza la información de datos de sensor de salida actual del módulo de navegación combinado a bordo para el entrenamiento con el fin de mejorar el algoritmo LSTM y establecer la salida incremental de la posición de GNSS del mapeo de los diferentes pesos. En condiciones de No señal de GNSS, el uso del algoritmo LSTM mejorado puede mejorar la combinación de algoritmos de navegación y posicionamiento. Bajo condiciones de No señal de GNSS, se utiliza el modelo de entrenamiento LSTM mejorado para predecir la dinámica de los datos del componente de información de SINS. Bajo condiciones de No señal de GNSS, se completa el diseño de filtrado de navegación combinado, y se lleva a cabo la corrección de errores de la información de navegación y posicionamiento de SINS para obtener una combinación más precisa de la precisión del sistema de navegación y posicionamiento. Se puede observar a través del experimento de prueba real utilizando un automóvil deportivo en las dos trayectorias bajo las condiciones de No señales de GNSS que el algoritmo propuesto puede compararse con el algoritmo LSTM. En secciones de carretera de prueba, el algoritmo propuesto, al compararse con el algoritmo LSTM para obtener la posición hacia el norte, mejoró los errores cuadrados medios en un 55.63% y 76.64%, y los errores cuadrados medios de la posición hacia el este mejoraron en un 43.42% y 54.67%. En una trayectoria en línea recta, mejorar la precisión y confiabilidad de la navegación y posicionamiento es significativo.
Descripción
Apuntando al problema del sistema de navegación combinado de GNSS (sistema de navegación por satélite global)/SINS (sistema de navegación inercial de strapdown) a bordo, la precisión del sistema de navegación combinado disminuye debido a la dispersión de los SINS con el tiempo y bajo la condición de No señales de GNSS. Se propone una red neuronal LSTM (memoria de largo plazo y corto plazo) mejorada en condiciones de No señal de GNSS para asistir en la combinación de datos de navegación y el algoritmo de posicionamiento. Cuando la señal de GNSS es una entrada normal, se utiliza la información de datos de sensor de salida actual del módulo de navegación combinado a bordo para el entrenamiento con el fin de mejorar el algoritmo LSTM y establecer la salida incremental de la posición de GNSS del mapeo de los diferentes pesos. En condiciones de No señal de GNSS, el uso del algoritmo LSTM mejorado puede mejorar la combinación de algoritmos de navegación y posicionamiento. Bajo condiciones de No señal de GNSS, se utiliza el modelo de entrenamiento LSTM mejorado para predecir la dinámica de los datos del componente de información de SINS. Bajo condiciones de No señal de GNSS, se completa el diseño de filtrado de navegación combinado, y se lleva a cabo la corrección de errores de la información de navegación y posicionamiento de SINS para obtener una combinación más precisa de la precisión del sistema de navegación y posicionamiento. Se puede observar a través del experimento de prueba real utilizando un automóvil deportivo en las dos trayectorias bajo las condiciones de No señales de GNSS que el algoritmo propuesto puede compararse con el algoritmo LSTM. En secciones de carretera de prueba, el algoritmo propuesto, al compararse con el algoritmo LSTM para obtener la posición hacia el norte, mejoró los errores cuadrados medios en un 55.63% y 76.64%, y los errores cuadrados medios de la posición hacia el este mejoraron en un 43.42% y 54.67%. En una trayectoria en línea recta, mejorar la precisión y confiabilidad de la navegación y posicionamiento es significativo.