GPS失锁时基于神经网络预测的MEMS-SINS误差反馈校正方法研究

1、GPS 失锁时基于神经网络预测的 MEMS2SINS 误差反馈校正方法研究曹娟娟1 , 房建成1 , 盛蔚1 , 白焕旭2(1 . 新型惯性仪表与导航系统技术国防重点学科实验室 , 北京航空航天大学仪器科学与光电工程学院 , 北京 100191 ;2 . 北京航天发射技术研究所 , 北京 100076)摘 要 : GPS 信号失锁时 ,MEMS - SINS 组合 GPS 导航误差会随着时间迅速积聚而无法导航 。提出一种基于RBF 神经网络预测的 MEMS2SINS 误差反馈校正方法 , GPS 有信号时对神经网络进行训练 , GPS 信号中断时用训练好 的 RBF 神经网络预测 MEMS2S

2、INS 的导航误差 。地面车载跑车试验 ,证实了训练后的 RBF 神经网络能很高精度地逼 近 MEMS2SINS/ GPS 组合导航系统输入与输出间的关系 ,在 4 个 50s 以内的 GPS 人为失锁过程中 ,该方法导航结果与 参考系统比较 ,平均位置误差为 3. 8m ,平均速度误差为 0. 6m/ s ,平均姿态误差为 0. 5。关键词 : 捷联惯性导航系统 ; 组合导航 ; 微机电系统 ; 卫星定位系统 ; 神经网络中图分类号 : V249. 32文献标识码 :A文章编号 :100021328 (2009) 0622231206DOI :10. 3873j . issn. 100021

3、328. 2009. 06. 030SINS ,导航误差会随着时间迅速积聚而无法导航 。文献4 介绍一种基于径向基函数神经网络的 在线 SINS/ GNSS 组合导航方法 ,首先用小波多分辨 率分析和比较 SINS 与 GPS 的输出 ,然后训练神经网 络模块并预测 GPS 信号失锁时载体的位置 ,神经网 络的输入是 SINS 的位置和瞬时时间 ,而输出是相应 SINS 的位置误差 。文献5 在没有 DGPS 位置量测 信息时 ,提出一种利用自适应神经模糊推理卡尔曼 滤波模型提供的可靠位置误差估计用来纠正卡尔曼 滤波预测得到的不准确的结果 。本文提出一种基于神经网络预测的 MEMS2SINS

4、误差反馈校正方法 , 该方法中神经网络的输入为 MEMS2SINS 中陀螺仪和加速度计的输出 ,神经网络 的输出为 MEMS2SINS 的导航误差 。在 GPS 信号可 用时 , 在线训练神经网络模型参数 ; 在 GPS 信号中 断时 , 利用训练好的神经网络预测导航误差 , 对 MEMS - SINS 进行校正 。通过地面车载跑车试验 , 证实了训练后的神经网络短时间能很高精度地逼近 MEMS - SINS/ GPS 组合导航系统输入输出关系 。0引言微惯性测量单元 MIMU ( MicroInertial Measure2ment Unit) 是一种基于微机电系统 MEMS (Micro

5、Elec2tromechanical System) 技术的陀螺仪和加速度计组成 的新型惯性测量装置 。与传统的 IMU 相比 ,它具有 体积小 、成本低 、功耗低和寿命长等优点1 ,在微小 型系统及低成本制导武器等领域有着广阔的应用前 景 。但是目前 MEMS 惯性器件的精度较低 ,导致基 于 MEMS 的捷联惯性导航系统 SINS ( Strapdown Iner2 tial Navigation System) 的应用受到一定的限制 。GPS ( Global Positioning System) 与 MEMS2SINS 的组合可以 弥补其各自的不足 ,为低成本 、轻小型导航与制导系

6、统提供了一个非常有吸引力的方案 ,是目前导航技 术发展的主要方向之一2 。尽管 GPS 能够为地球上任何地点的用户提供 导航信息 ,但它要求捕获四颗或更多卫星 。所以在 城市 、峡谷 、森林等地区 ,由于受建筑物 、山体 、树木 等遮挡 , 导致 GPS 信号衰减或失锁 , 从而造成定位 精度的下降 ,甚至无法正常工作3 。由于 MEMS 惯 性器件误差很大 , 在 GPS 失锁时 , 单独使用 MEMS21MEMS2SINS/ GPS 组合导航逻辑对于组合导航系统 ,建立准确的误差方程是采收稿日期 :2008211221 ; 修回日期 :2009203217基金项目 :国家自然科学基金重点项

7、目(60736025) ;国防基础科研重大项目(D2120060013)宇航学报第 30 卷2232 b n用滤波技术的基础 。通常采用 角方程或 角方程都是在假定失准角为小量条件下导出的 。 由于目前国内 MEMS 惯性器件精度很差 ,一般硅微陀螺仪精度都在每小时几十度到上百度左右 ,不能敏感地球自转角速度 ,故无法利用硅微陀螺仪 进行方位姿态自对准 。硅微加速度计精度较好一 些 ,一般精度优于 500g ,故利用硅微加速度计输出 进行水平姿态自对准还是可行的 ,能够满足微小型 无人机的水平姿态要求 。故 MEMS2SINS/ GPS 组合 导航系统一般是在大方位失准角下进行的 。1. 1

8、状态方程M. J . Yu 等人提出用四元数误差来表示系统的 姿态误差 ,没有对三个姿态误差作任何假设 ,推导出 适合三个姿态误差是任何角度的情况6 - 7 。当姿态 误差为小角度时 ,所推导的四元数误差方程与小干 扰线性方程是等效的 。(1) 姿态误差微分方程文献6 - 7 中姿态四元数误差方程如下 :式中 : f 为加速度计测量值 , Cb 为 b 系到 n 系的方V b= V bbb T向余弦矩阵计算值 ,Vz 为加VyxTY (q) U (q) 的速度计随机常值漂移 。非线性项详见文献8。(3) 位置误差微分方程位置误差方程推导过程中仍然不需要对姿态误差角作任何假设 ,等同于姿态误差小

9、的情况 。y yv hvL = -+ R( R + h) 2M+ hM vxL secL tanL vxhsecL vx secL(3) =-+ R( R + h) 2NR + h+ hNN h = vz式中 : L , h 表示纬度和高度误差 ; L ,h 分别表示 其相应误差 ; RM 和 RN 分别表示沿子午圈和卯酉圈 的主曲率半径 。在一般的建模方法中 ,为了尽可能的将惯性器 件的误差估计出来 ,在系统建模时通常将惯性器件 误差作为状态变量的一部分 。系统的状态方程为 : q =(Kb ) - 1 n q +1ibin22X aFN0610FS066XaXe1 ( U ( q)b- Y

10、 ( q)n )+ f ( X , t)(4)(1)=+ Gwibin2X eq0 q1q2q3T式中 : q = q - q =为计算= XTT T式中 : 系 统 的 状 态 变 量 为 Xa , Xe , Xa =四元数与真实四元数的差 , b 表示 b 系相对 i 系角 TibLhvxvyvzq0q1q2q3, Xe速度在 b 系上的投影 , n 表示 n 系相对 i 系角速度bbbbbb Tx yz , f ( X , t ) 为非线in= VxVyVz在 n 系上的投影 。 b = b + b 为陀螺测量值 , bib ib性部分 ,矩阵F 、F 和 G 中的参数可由公式 ( 1)

11、 、NST 表示陀螺随机常值漂移 。 n = nb b b=x y zin in(2) 和 (3) 得出 , w 为系统噪声矢量 。1. 2量测方程MEMS2SINS/ GPS 组合导航系统采用位置 、速度+ n 表示利用位置和速度计算值得到的 n 系相对ini 系角速度 。其中 b 系为载体坐标系 , i 系为惯性坐标系 , n 系为导航坐标系 。矩阵 (Kb ) 、n 、的浅组合的方式 ,由于 MEMS SINS2质心与 GPS 天线ibinU ( q) 和 Y ( q) 表达式见文献8。式(1) 为q 的线性微分方程 ,在推导过程中并 未假设失准角为小量 ,因此该方程能够准确描述在 任意

12、失准角下的姿态误差传播特性 。(2) 速度误差方程中心并不在同一位置 ,故进行融合前要对 GPS 位置和速度信息进行杆臂误差的补偿 。但目前民用 GPS 接收机位置误差一般在 5 m ( CEP) 以上 ,而车身宽度 在 1 . 5 米左右 ,所以杆臂误差可以忽略 。取 MEMS2SINS 解算的位置 、速度与 GPS 输出的位置 、速度之 差作为量测值 ,即T设速度矢量为 V = vxvz , 误差矢量为给出速度误差方vyV = vx程为vyvz , 由文献7T= P - PGPS= V - V GPSy1 ( t)y2 ( t )式中 : P = L=-(5)(6)PS INSVS INS

13、PGPSV GPS n b n b TV = - 2 Cb f Y ( q)q + 2 Cb f q q -Th T ,P = Lh T , 下 bY (q) U (q) f + Cb V -Tnb(ienn+ in ) 标表示状态所属的系统 ,其中 为经度 , 为经度误差 。V -(n+ n ) V(2)ie in HYPERLINK :/www / 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 第 6 期曹娟娟等 : GPS 失锁时基于神经网络预测的 MEMS2SINS

14、误差反馈校正方法研究2233由于经纬度误差均用弧度表示 ,数值很小 ,易引起滤波数值的不稳定 ,故采用如下公式 ,把误差单位 由弧度转换成米 ,即RM (L - L GPS )Wi = 1/ 2 ( n + ) n + ( S( Xk - 1 ) i + n k - 1= X-k - 1 ) i= 1/ 2 ( n + ) Wi + n式中 : 为实数 , n 为状态维数 , W 为权值 , ( S)k - 1 iRN co sL ( - GPS )h - hGPSy1 ( t) =(7)为 S的第 i 列 。k - 1故 2 n + 1 个采样点组成的矩阵为 :则量测方程写成 :n + (

15、Sk - 1 ) i=Xk - 1 +,Xk - 1 -Xk - 1k - 1y1 ( t)Y ( t) =H ( t) X ( t)+ v ( t )(8)n + ( Sk - 1 ) i(11)i = 1 ,2 , ny2 ( t)式中 : k - 1 为 n 行 2 n + 1 列矩阵 。(3) 时间更新式中 : Y 为观测矢量 ;I3 3 为量测矩1 ; 矩阵 v ( t )H = M3 3RN co sL阵 ,其中 M3 3 = di ag RM为量测噪声矢量 。k/ k - 1= f (k - 1 , k - 1)2 n(12)1. 3MEMS2SINS/ GPS 组合滤波方法由于

16、 MEMS2SINS/ GPS 组合滤波的模型存在非 线性 ,故需采用非线性滤波方法 。S. J . J uliear 等人 提出了 UKF (Unscented Kalman Filter) 9 - 10 方法 ,一种 典型的非线性变换估计方法 ,滤波精度明显优于扩 展卡尔曼滤波 EKF ( Extended Kalman Filter) 。为了保 证了状态协方差阵的非负定性 ,提高了滤波的数值 稳定性 , 改进标准 UKF , 将 QR 分解用在 UKF 方法 中 。此种方法也是一种平方根滤波方法 ,在没有增 -6ii , k/ k - 1()X k=W13i = 0 -W1 (1 :2

17、n , k/ k - 1 -X k )Qk (14)(15) (16)(17)S k=QR -= M- X10 , k/ k - 1 k-S-=chol updat a S k , M1 , W0 k= h (k/ k - 1 , k -2 n1)yk/ k - 1 -6(18)Y k=Wi yi , k/ k - 1i = 0量测更新(4)加滤波计算量的同时提高了滤波数值稳定性11假设一个离散非线性系统。 -=QRW1 ( y1 :2 n , k/ k - 1 -Yk )Rk (19)S Yk -(20)(21)M2=y0 , k/ k - 1- Y k= f ( Xk , k)(9)(10

18、)Xk + 1+ wkchol updat a S Y2 n, M2 , W0 S YYk = h ( Xk , k) + vkkk式中 : Xk 为系统状态向量 , wk N (0 , Qk ) 为系统噪声向量 , Yk 观测向量 , vk N (0 , Rk ) 为量测噪声 向量 。在 Xk 附近选取一系列采样点 ,这些采样点的 均值和协方差分别为 Xk 和 Pk , 这些采样点通过该 非线性系统 ,产生相应的变换采样点 。对这些变换 采样点进行计算 ,便得到预测的均值和协方差 。(1) 初始化 - - T6=W X- X Y-Y 22()PXk Yii , k/ k - 1 ki , k

19、/ k - 1kki = 0T - 1( S Y S Y )(23)(24) (25)(26)Kk=PX Ykkkk - -+ Kk ( Yk -Y k )=XkX kKk S YUkS = chol updat a S -k , U , -1k式中 : chol updat a 和 QR 均为 matlab 中的函X0 = E X0 ,数 ,前者为 Cholesky 分解的一次更新函数 ,若 R =1TS 0 = chol E ( X0- X0 ) ( X0 - X0 ) chol updat a R , X , M , 则 R TTT= R R + M XX 。后= QR A , 则 R

20、=1 R1其中 : chol 为 matlab 中的上三角 Cholesky 分解函数 ,若 L = chol A , 则 A = L TL 。(2) 计算采样点 对于 k 1 ,者为矩阵 QR 分解函数 , 若 Rchol A TA 。2基于 RBF2ANN 预测 MEMS2SINS 误差反馈校正方法W0 = / ( n + )n + ( S k - 1 ) i( Xk - 1 ) 0 Xk - 1=2. 1基于径向基函数的神经网络结构人工神经网络 ( Artificial Neural Network , ANN)( Xk - 1 ) iXk - 1=+ HYPERLINK :/www /

21、 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 宇航学报第 30 卷2234是一个大规模分布式并行处理器 ,可用于模型高度复杂和非线性随机问题 。ANN 由规模较小的神经 元组成 ,通过一个学习过程和中间神经元连接权 ,进 行训练并存储学习知识 。学习过程分两个阶段 : 第 一阶段是通过确定的学习算法进行训练 ; 第二阶段 是预测 ,即在存储的学习知识的基础上 , 利用 ANN 处理输入数据来估计输出 。根据内在结构和学习算法的不同 ,ANN 有许多 不同 的 类 型 。基

22、于 径 向 基 函 数 RBF ( Radial2Basis Function) 的 ANN 属于多层前向 ANN ,是一种 3 层前 向网络 ,如图 1 所示 。一是自组织学习阶段 ,即学习隐层基函数的中心与方差阶段 ;二是有监督学习阶段 ,即学习输出层权值 的阶段 ,通过先前可以获取的样本来学习 。2. 2MEMS2SINS 误差反馈校正方法由于 MEMS2SINS 位置误差 、速度误差和姿态误 差是由 MEMS2SINS 中的陀螺仪和加速度计误差引 起的 ,所以 RBF2ANN 的输入选取陀螺仪和加速度计 的输出 ,而输出是相应 MEMS - SINS 的位置误差 、速 度误差和姿态误差

23、 。GPS 信号可用时 , 对 RBF2ANN 进行训练 。GPS 信号和 MEMS2SINS 组合导航滤波输出作为目标网 络的输出 ,同一时刻的 MEMS2SINS 中陀螺仪和加速 度计的输出作为目标网络的输入 。训练算法不断修 改网络参数 ,尽可能降低误差的均方值 ,得到最优神 经网络模型参数 ,如图 2 所示 。图 1 径向基函数神经网络结构Fig. 1 Architecture of RBF artificial neural networks图 1 中 表示“基函数”,本文选用神经网络最普遍的基函数高斯函数 ,是对中心点径向对称且衰 减的非负非线性函数 ,即图 2 利用 MEMS2S

24、INS 误差训练神经网络模型过程Fig. 2 Training procedure of ANN module for modelingMEMS2SINS errors( x - )2( x) = exp( 0 ,x R)-22GPS 信号中断后 ,由于 MEMS 陀螺仪和加速度计精度较差 ,单独工作的 MEMS2SINS 导航精度急剧 下降 ,很难满足导航要求 。在这一阶段 ,MEMS2SINS 中陀螺仪和加速度计的输出再次作为已经训练好的 RBF2ANN 的输入 , 来预测相应的位置误差 、速度误 差和姿态误差 ,如图 3 所示 。(27)式中 , 为高斯基函数的中心 , 为方差 。RBF

25、2ANN 的第 1 层输入层由信号源节点组成 ; 第 2 层为隐含层 ,隐单元的个数由所描述的问题而 定 ,隐 单 元 的 变 换 函 数 采 用 RBF 作 为 隐 单 元 的 “基”,构成隐含层空间 , 隐含层对输入矢量进行变 换 ,将低维的模式输入数据变换到高维空间内 ,使得 在低维空间内的线性不可分问题在高维空间内线性可分 ; 第 3 层为输出层 ,它对输入模式作出响应12 。 由于 RBF2ANN 只有 3 层结构 ,训练过程更简单 、快 捷 ,故本文采用 RBF2ANN 。RBF2ANN 要学习的参数有三个 : 基函数的中心 、 方差和权值 wij 。根据径向基函数中心选取方法的

26、不同 ,RBF - ANN 网络有很多种学习方法 ,本文采用 自组织选取中心法12 。这种方法由两个阶段组成 :图 3 神经网络模块预测 MEMS2SINS 误差过程Fig. 3 Prediction procedure of ANN module for modelingMEMS2SINS errors HYPERLINK :/www / 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 第 6 期曹娟娟等 : GPS 失锁时基于神经网络预测的 MEMS2SINS 误差反馈校正

27、方法研究2235图 3 表明了在 GPS 失锁时 , RBF2ANN 在预测阶段工作的结构 。利用 RBF2ANN 预测值校正 MEMS2SINS 的位置 、速度和姿态信息 , 获得精度较高的导 航信息 ,从而实现连续导航 。系统同时输出 GPS 失锁过程中纯 MEMS2SINS 的导航结果和经过径向基函数神经网络预测值校正后的 MEMS2SINS 的导航信息 。另外一个 MEMS2SINS/ GPS 组合导航系统正常工作 ,作为参考系统 。图 6 为跑车过程中经纬度图 ,图 7 为跑车过程中第 4 个 GPS 失锁过程中的三种情况经纬度比较 图 ,图 8 为跑车过程中第 4 个 GPS 失锁

28、过程中的横 滚角比较图 。3地面车载跑车试验验证为了验证基于径向基函数的神经网络预测的MEMS2SINS 误差反馈校正方法的有效性 ,采用实验室 研制的组合导航硬件系统进行了地面车载跑车试验。 MEMS2SINS/ GPS 组合导航硬件系统采用了 LCG50 陀 螺仪和 AD1221 加速度计组成的 MIMU 以及 Ublox 接 收机 ,整个组合导航系统实物如图 4 所示。图 6 跑车过程中三种情况经纬度比较图Fig. 6 Position figures during GPS outage图 4 MEMS2SINS/ GPS 组合导航系统Fig. 4 MEMS2SINS/ GPS inte

29、grated navigation system图 7 第 4 个 GPS 失锁三种情况经纬度比较图Fig. 7 Position error figures during GPS outage 4从图 6 至图 8 可看出 ,经过径向基函数神经网络预测值校正后的 MEMS2SINS 的导航信息非常接 近参考系统的导航信息 ,说明了径向基函数神经网络学习的有效性 。表 1 总结了在 4 个 GPS 人为失锁内 ,位置 、速度 和姿态参数的径向基神经网络模型的性能 。从表中 可看出 ,在 GPS 失锁区 ,与参考系统比较 ,经过径向 基函数神经网络预测值校正后的 MEMS2SINS 的导 航信息

30、平均位置误差小于 3 . 8 m , 平均速度误差小于 0 . 6 m/ s ,平均姿态误差小于 0 . 5。图 5 试验的组合导航系统Fig. 5 Two integrated navigation systems for experiment车辆平均车速为 60km/ h , 跑车路线为北京四环 ,为了便于比较将两个同样的 MEMS2SINS/ GPS 组 合导航系统一起进行跑车实验 ,如图 5 所示 。实验 过程中对其中一个 MEMS2SINS/ GPS 组合导航系统 人为制造 4 个 GPS 失锁 ( 均在运动模式下) ,每次失 锁时间均不相同 ; GPS 正常工作时径向基函数神经网络

31、采用训练模式 , GPS 失锁时切换为预测模式 ,此 HYPERLINK :/www / 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 宇航学报第 30 卷2236参考文献 :Mao Gang , Gu Qitai . The application of microminiature inertial mea2 surement unit to the measurement of ejection movement parameters C/ / Position Loc

32、ation and Navigation Symposium , IEEE 2000 . San Diego , CA , USA. 437 - 442 .Snyder , S , Schipper , B , Vallot , L , et al . Differential GPS/ inertial navigation approach/ landing : flight test resultsJ . IEEE Aerospace and Electronic Systems Magazine , 1992 ,7 : 3 - 11 .Grewal M S , Weill L R ,

33、Andrews A P. Global Positioning Systems , Inertial Navigation and Integration M . New York : Wiley Inter 2 science , 2007 .Sharaf R , Noureldin A. Online INS/ GPS integration with a radial ba2 sis function neural networkJ . IEEE Aerospace and Electronic Sys 2 tems Magazine , 2005 , 20 : 8 - 14 .Abde

34、l2Hamid W , Noureldin A , El2Sheimy N. Adaptive fuzzy predic2 tion of low2cost inertial2based positioning errors J . IEEE Transac 2 tions on Fuzzy Systems , 2007 ,15 (3) : 519 - 529 .Yu M J , Park H W , Jeon C B. Equivalent Nonlinear Error Models ofStrapdown Inertial Navigation Systems R . AIAA - 97

35、 - 3563 ,1997 : 581 - 587 .Yu M J , Lee J G , Park H W. Comparison of SDINS in2flight align2 ment using equivalent error models J . IEEE Transactions on Aero 2 space and Electronic Systems ,1999 ,35 (3) : 1046 - 1054 .曹娟娟 , 房建成 , 盛蔚. 大失准角下 MIMU 空中快速对准技术J . 航空学报 , 2007 , 28 ( 6) : 1395 - 1400 . CAO J

36、 uan 2juan , FANGJian2cheng , SHENG Wei . A fast in2flight alignment for MIMUunder large attitude errors J . Chinese Journal of Aeronautics ,2007 , 28 (6) :1395 - 1400 (in Chinese) .J ulier S J , Uhlmann J K. A new extension of the kalman filter to non2 linear systemsC/ / The Proceedings of AeroSens

37、e : The 11th Interna 2 tional Symposium on Aerospace/ Defense Sensing , Simulation and Controls , Orlando , USA , 1997 :182 - 193 .J ulier S J , Uhlmann J K. Unscented filtering and nonlinear estimationJ . Proceedings of the IEEE , 2004 , 92 (3) : 401 - 422 .Van der Merwe R , Wan E A. The square2roo

38、t unscented kalman filter for state and parameter2estimation C / / ICASSP , IEEE International Conference on Acoustics , Speech and Signal Processing , Inst of Elec2 trical and Electronics Engineers , New York , 2001 ,6 : 3461 - 3464 .高隽. 人工神经网络原理及仿真实例M . 北京 : 机械工业出版社 , 2003 . GAO J uan. Artificial

39、Neural Network Theory and Sim 2ulation ExamplesM. Beijing : Mechanism Industry Press , 2003 .1234图 8 第 4 个 GPS 失锁三种情况横滚角比较图Fig. 8 Roll error figures during GPS outage 45表 1 在 GPS 失锁中试验方法的平均误差Table 1 Average error of method during GPS outage6失锁时间( s)位置误差均值(m)速度误差均值(m/ s)姿态误差均值()失锁序号1234254050303 . 53

40、 . 84 . 13 . 70 . 50 . 60 . 70 . 60. 30. 50. 70. 5784结论本文提出一种 基 于 RBF2ANN 预 测 的 MEMS2SINS 误差反馈校正方法 ,首先根据 MEMS2SINS/ GPS 组合导航滤波输出信号的特点确定神经网络的结构 模型 , GPS 有信号时根据 MEMS2SINS/ GPS 组合导航 滤波输入输出信号获取神经网络的训练样本 ,进行在线神经网络训练 ,得到最优的神经网络模型参数 ; 当 GPS 信号中断时根据已经训练好的神经网络模 块预测出 GPS 信号失锁时载体的位置误差 、速度误 差和姿态误差 ,对 MEMS2SINS

41、进行误差校正得到较 为准确的导航参数 。通过地面车载跑车试验 ,对人为制造的 4 个 50s以内的盲区进行了精度分析 。实验结果证实了训练 后的神经网络能很高精度地逼近 MEMS2SINS/ GPS 组合导航系统输入与输出间的关系且具有很强的泛化能力 , 能在 GPS 信号短时间中断时使得 MEMS2SINS 利用神经网络的输出进行反馈校正后得到较 为准确的导航参数 ,实现连续导航 。但是对与长时间如 5 分钟或更长的 GPS 信号失 锁 ,神经网络模型参数的有效性还有待研究 ,如何改 进神经网络模型参数的辨识让其能够自适应误差的 变化也是后续研究的重点 。9101112作者简介 :曹娟娟(

42、1978 - ) , 女 , 北京航空航天大学仪器科学与光电工程学院博士研究生 ,主要研究方向为惯性导航 ,组合 导航算法研究与应用。通信地址 :北京航空航天大学仪器科学与光电工程学院新主 楼 B - 614 (100191) : (010) 82317078E2mail :caojuanjuan aspe . buaa . edu. cn(下转第 2264 页) HYPERLINK :/www / 1994-2014 China Academic Journal Electronic Publishing House. All rights reserved. 宇航学报第 30 卷2264P

43、a ssive Image2ba sed Safe Landing Site Searching andSlope Estimation in Probe LandingDING Meng1 , CAO Yun2feng1 ,2 , WU Qing2xian1(1 . Automatic Engineering College , Nanjing University of Aeronautics and Astronautics , Nanjing 210016 , China ;2 . Academy of Frontier Science , Nanjing University of

44、Aeronautics and Astronautics , Nanjing 210016 , China)Abstract : In the research of lunar probe autonomous landing , the first step is to search safe landing site . In this paper , land2 ing site searching based on Intensity variation and slope estimation algorithm based on two views geometry was de

45、veloped. The pa2 per can be divided into three sections. Firstly , Multi2scale Window Intensity Standard Deviation was introduced for Safe Landing Candidate Region searching. Secondly , Scale Invariant Feature Transform and Random Sample Consensus were employed for fea2 ture point extraction and mat

46、ching robustly and accurately. Lastly , this paper used principle of homograph matrix H compatible with fundamental matrix F to estimated slope . Compared with similar algorithm , this algorithm did not need movement parameters of probe attitude and position. Relative experiment demonstrates that result of this method can satisfy requirements of slope estima2 tion in probe landing.Key words : Passive vision ; Safe landing site searching ; Slope estimation ; Compatibility(上接第 2236 页)Ada ptive Neural Net work Prediction Feedback f orMEMS2SINS During GPS OutageCAO J uan