一种基于WSN/MINS组合导航的导航信息无偏紧组合方法

摘要

本发明公布了一种基于WSN/MINS组合导航的导航信息无偏紧组合方法，属于复杂环境下组合定位技术领域。在本地相对坐标系中将MINS(微惯性导航系统)、WSN(无线传感器网络)进行集成，通过无迹卡尔曼滤波（UnscentedKalmanFilter，UKF）对得到的同步导航数据在导航计算机中进行数据融合，从而得到一种比上述任何单一导航方法精度更高，导航覆盖范围更大也更加稳定的新式组合导航方法。

说明书

技术领域

一种基于WSN/MINS组合导航的导航信息无偏紧组合方法，属于复杂环 境下组合定位技术领域。

背景技术

对未知节点精确位置信息的需求推动了精确定位技术的发展，这种趋势 在未来很长一段时间里仍将保持不变。近年来，无线传感器网络(Wireless  Sensors Network，WSN)以其低成本、低功耗和低系统复杂度的特点在短距 离定位领域表现出很大的潜力。WSN为在无GPS信号地区，即所谓的“盲区” 时，如室内、高层建筑密集的市区、矿井、隧道等环境下未知节点定位提供 了可能，但由于WSN采用的通信技术通常为短距离无线通信技术(如ZigBee、 WIFI等)，因此若想完成长距离的目标跟踪定位，需要大量的网络节点共同 完成，这并不符合WSN低成本、低功耗的需求。

微惯性导航系统(MEMS inertial navigation system，MINS)具有全 自主、运动信息全面、短时、高精度的优点，虽然可以实现自主导航，但误 差随时间积累，长航时运行条件下将导致导航精度严重下降。为了克服单独 使用MINS或WSN定位的缺点，综合了二者的优点，许多学者将上述两种导航 方式融合在一起，形成了WSN/MINS组合导航技术。传统的WSN/MINS组合方 式较多的采用松组合的方式，即将WSN和MINS所测量的位置、速度等相关 的导航信息进行融合，得到最后的最优的误差估计。这种方法思路简单，所 需要的系统结构也很简单，计算量较小，工程实现较容易。但由于两个导航 系统各自独立工作，彼此获得的导航信息具有一定冗余度。而且，SINS系统 输出的载体速度和位置经滤波处理，也使得组合系统的滤波器存在相关性问 题，导致状态误差估计难以达到最优。而目前在组合导航领域较为常用的紧 组合方式基本采用将未知节点与已知节点之间的距离表达公式进行泰勒级 数展开，从展开式中省略二次项之后与相应的WSN测量的距离作差。这种方 法虽然将原始数据进行了融合，但是由于在推导过程中忽略了泰勒展开式中 的二次项，使得滤波精度受到很大影响。

发明内容

为了解决上述问题，本发明提供了一种基于WSN/MINS组合导航的无需 忽略泰勒展开式二次项的导航信息无偏紧组合方法，将微惯性导航系统 (MINS)、无线传感器网络(WSN)通过无迹卡尔曼滤波(Unscented Kalman  Filter，UKF)对得到的同步导航数据在导航计算机中进行数据融合，从而 得到一种比上述任何单一导航方法精度更高，导航覆盖范围更大也更加稳定 的新式组合导航方法。组合导航系统分为培训和自适应补偿两个阶段。将有 WSN信号的区域称为培训阶段。而只有MINS信号的区域称之为自适应补偿阶 段。在培训阶段通过UKF，利用本文提出的紧组合方案，对各种信号采集的 导航信息进行数据融合。滤波模型仅需获得MINS所测量的每个时刻的位置、 速度信息以及WSN测量的每个时刻未知节点与已知节点之间的距离信息。而 不需要获取通过WSN测量的每个时刻未知节点的位置和速度等相关导航信 息。克服了传统松组合必须需要同时获取3个以上的未知节点的信息才能够 完成相应的数据滤波，给出最优估计。与此同时，由于在组合模型的推导过 程中以MINS的测量值(X)与其误差(ΔX)的差值替代了该参数的真实值， 减少了传统紧组合方法由于泰勒展开后忽略二次项对定位精度造成的影响。 在滤波过程中，采用人工智能算法对MINS导航系统的导航误差模型进行训 练，在MINS导航系统离开培训区域之后，依靠之前培训的误差模型对导航 系统进行补偿，克服传统MINS导航系统定位精度随时间发生漂移的缺点， 以及在密闭环境下无法提供有效的训练网络的问题，提供持久的高精度实时 导航。

本发明为解决其技术问题采用如下技术方案：

1、在有WSN信号的培训阶段通过UKF，利用MINS所测量的每个时刻的位置、 速度信息以及WSN测量的每个时刻未知节点与已知节点之间的距离信息进行 数据融合，得到每一时刻在相对本地相对坐标系中MINS最优误差估计。而 不需要获取通过WSN测量的每个时刻未知节点的位置和速度等相关导航信 息。

3、无迹卡尔曼滤波器的系统方程以MINS每一时刻两个方向的位置误差 (e_x，k，e_y，k)和速度误差(e_vx，k，e_vy，k)作为状态变量，以每一时刻MINS和WSN各自 测量的未知节点与参考节点之间的距离的平方差和速度差作为观测量。系统 方程如式(1)所示：

系统方程如式(2)所示：

其中，r_ins，i，(i＝1，2，L，N)为MINS测量的第i个已知节点与未知节点之间 的距离；r_wsn，i，(i＝1，2，L，N)为WSN测量的第i个已知节点与未知节点之间的 距离，(i＝1，2，L，N)；(Δvx，Δvy)为两种测量方式的测量速度之 差；(Δvx，Δvy)为两种测量方式的测量速度之差；(x_Ri，y_Ri)(i＝1，2，L，N)为已知 节点在相对坐标系中的位置；(x_i，y_i)，(i＝1，2，L，N)为MINS测量的未知节点在 相对坐标系中的位置；T为采样周期；ω_k为系统噪声；υ_k为系统噪声；A为 系统转移矩阵；f(X_k)为观测方程的非线性函数。

4、在滤波器进行数据滤波的同时，将UKF得到的这一时刻最优的误差估计 与T输入到人工智能算法中，通过人工智能算法构建MINS预估的相对导航 信息随时间偏差的模型。

5、若未知节点离开搭建有WSN的区域进入自适应补偿阶段，在这一阶段， 组合导航系统获取不到WSN测量的相对导航信息，只能依靠MINS系统完成 这一部分的自主导航，MINS利用在培训区域训练的误差模型对测量的绝对导 航信息进行误差补偿，得到最优的导航信息。

本发明具有如下有益效果：

本发明能满足地面城市交通、狭长隧道、小型智能机器人等中低精度的 定位和定向的要求。

滤波器的系统方程以MINS每一时刻两个方向的位置误差和速度误差作 为状态变量，以每一时刻MINS和WSN各自测量的未知节点与参考节点之间 的距离的平方差和速度差作为观测量。由于该方法在滤波器进行数据融合时 只需要获得MINS的位置、速度信息和WSN测量得到的未知节点与已知节点 之间的距离信息，而不需要获得WSN测量得到的未知节点的位置、速度信息， 因此通过紧组合方法，能够有效的克服传统松组合方式必须至少获得3个以 上未知节点的位置、速度信息才能完成数据融合的缺点，充分的利用了导航 环境中的资源。与此同时，由于在组合模型的推导过程中以MINS的测量值 (X)与其误差(ΔX)的差值替代了该参数的真实值，减少了传统紧组合 方法由于泰勒展开后忽略二次项对定位精度造成的影响。

附图说明

图1为WSN/MINS高精度实时组合导航系统。

图2为组合导航系统利用无迹卡尔曼滤波组合导航方法示意图。

图3为有WSN信号的培训区域组合导航模型。

图4为自适应补偿区域组合导航模型。

具体实施方式

下面结合附图对本发明创造做进一步详细说明

如图1所示为WSN/MINS高精度实时组合导航系统。

本发明一种基于WSN/MINS组合导航的导航信息无偏紧组合方法，包括 下列步骤：在有WSN信号的培训阶段通过UKF，利用MINS所测量的每个时刻 的位置、速度信息以及WSN测量的每个时刻未知节点与已知节点之间的距离 信息进行数据融合，得到每一时刻在相对本地相对坐标系中MINS最优误差 估计。而不需要获取通过WSN测量的每个时刻未知节点的位置和速度等相关 导航信息。

如图2所示，无迹卡尔曼滤波器的系统方程以MINS每一时刻两个方向 的位置误差(e_x，k，e_y，k)和速度误差(e_vx，k，e_vy，k)作为状态变量，以每一时刻MINS 和WSN各自测量的未知节点与参考节点之间的距离的平方差和速度差作为观 测量。系统方程如式(1)所示：

$\left(\begin{array}{c}{e}_{x,k+1}\\ e_{y,k+1}\\ e_{\mathrm{vx},k+1}\\ e_{\mathrm{vy},k+1}\end{array}\right)=\left(\begin{array}{cccc}1& 0& T& 0\\ 0& 1& 0& T\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right)\left(\begin{array}{c}{e}_{x,k}\\ e_{y,k}\\ e_{\mathrm{vx},k}\\ e_{\mathrm{vy},k}\end{array}\right)+\left(\begin{array}{c}{\omega }_{x,k}\\ {\omega }_{\mathrm{vx},k}\\ {\omega }_{y,k}\\ {\omega }_{\mathrm{vy},k}\end{array}\right)---\left(1\right)$

系统方程如式(2)所示：

$\left(\begin{array}{c}\mathrm{\Delta vx}\\ \mathrm{\Delta vy}\\ \Delta {\rho }_1^2\\ M\\ \Delta {\rho }_N^2\end{array}\right)=\left(\begin{array}{c}{e}_{\mathrm{vx},k}\\ e_{\mathrm{vy},k}\\ 2(x_1-x_{R1})\mathrm{\Delta x}+2(y_1-y_{R1})\mathrm{\Delta y}-(\Delta x^2+\Delta y^2)\\ M\\ 2(x_1-x_{\mathrm{RN}})\mathrm{\Delta x}+2(y_1-y_{\mathrm{RN}})\mathrm{\Delta y}-(\Delta x^2+\Delta y^2)\end{array}\right)---\left(2\right)$

其中，(i＝1，2，L，N)为两种测量方式的测量距离之差； (Δvx，Δvy)为两种测量方式的测量速度之差；(x_Ri，y_Ri)，(i＝1，2，L，N)为已知节点 在相对坐标系中的位置；(x_i，y_i)，(i＝1，2，L，N)为MINS测量的未知节点在相对 坐标系中的位置；T为采样周期；ω_k为系统噪声；υ_k为系统噪声。

在滤波器进行数据滤波的同时，将UKF得到的这一时刻最优的误差估计 与T输入到人工智能算法中，通过人工智能算法构建MINS预估的相对导航 信息随时间偏差的模型。

若未知节点离开搭建有WSN的区域进入自适应补偿阶段，在这一阶段， 组合导航系统获取不到WSN测量的相对导航信息，只能依靠MINS系统完成 这一部分的自主导航，MINS利用在培训区域训练的误差模型对测量的绝对导 航信息进行误差补偿，得到最优的导航信息。

如图3为有WSN信号的培训区域组合导航模型，在这一培训区域，WSN 导航系统与MINS导航系统同时工作，利用MINS所测量的每个时刻的位置、 速度信息以及WSN测量的每个时刻未知节点与已知节点之间的距离信息进行 数据融合，得到每一时刻在相对本地相对坐标系中MINS最优误差估计。而 不需要获取通过WSN测量的每个时刻未知节点的位置和速度等相关导航信 息。在采用滤波器进行数据融合，并得出最优导航信息的同时，将滤波器做 出误差信息分别反馈给MINS的误差模型，将MINS自身预估的位置、速度误 差与滤波器给出的最优估计通过人工智能算法进行培训，寻找二者之间的关 系。

若未知节点离开搭建有WSN的区域，则组合导航系统进入自适应补偿阶 段，如图4所示。在这一区域，组合导航系统获取不到WSN测量的相对导航信 息，只能依靠MINS系统完成这一部分的自主导航。MINS利用在培训区域训练 的误差模型对测量的绝对导航信息进行误差补偿，得到最优的导航信息，避 免了因GPS/WSN导航无法工作导致导航误差快速下降、无法保证导航精度的 问题，具有一定的可行性和前瞻性。