采用LS-SVM辅助EKF滤波方法的分布式无缝紧组合导航方法及系统

摘要

本发明公开了一种采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法及系统，包括：将INS和UWB分别测量的参考节点与目标节点之间的距离的平方做差，作为局部滤波器的观测量；通过局部滤波器得到目标节点的局部预估，主滤波将局部预估结果进行数据融合，最终得到目标节点的最优状态预估。本发明有益效果：通过LS‑SVM的辅助，使局部滤波器的观测量在UWB失锁过程中也能得到相应的预估，实现了分布式滤波算法的无缝预估。

权利要求

1.采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法，其特征在于，包括：将INS和UWB分别测量的参考节点与目标节点之间的距离的平方做差，作为局部滤波器的观测量；

通过局部滤波器得到目标节点的局部预估，主滤波将局部预估结果进行数据融合，最终得到目标节点的最优状态预估；

目标节点运行过程中，如果某一单个参考节点的观测信息出现失锁，利用LS‑SVM算法构建INS解算的位置与INS解算的位置误差之间的映射关系，利用该映射关系对出现失锁的参考节点对应的局部滤波器的观测量进行预估，以补偿观测量的失锁；

第i个局部滤波器的状态方程具体为：其中， 分别为第i个局部滤波器在k时刻和k‑1时刻预估的INS在东向和北向的位置误差； 分别为第i个局部滤波器在k时刻和k‑1时刻预估的INS在东向和北向的速度误差；T为采样时间； 为k‑1时刻的系(i)

统噪声，其协方差阵为Q ；

在UWB数据可用情况下，LS‑SVM处于培训状态，INS位置误差作为LS‑SVM的输入，主滤波器得到的当前时刻最优的INS位置误差预估作为LS‑SVM的目标，以此构建两者之间的映射关系；

在UWB数据不可用情况下，LS‑SVM处于预估状态，以构建的两者之间的映射关系为基础，LS‑SVM的输入与输出分别为INS位置误差和当前时刻最优的INS位置误差预估，通过LS‑SVM预估的INS位置误差，作为失锁的参考节点对应的局部滤波器的观测量。

2.如权利要求1所述的采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法，其特征在于，第i个局部滤波器的观测方程为：其中， 为k时刻INS解算的东向和北向位置； 为k时刻惯性导航器件测量得到的未知节点到第i个参考节点之间的距离； 为k时刻UWB测量得到的未知节点到第i个参(i)

考节点之间的距离； 为第i个参考节点的坐标， 为观测噪声，其协方差阵为R 。

3.如权利要求1所述的采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法，其特征在于，主滤波将局部预估结果进行数据融合具体为：其中，Pk为k时刻主滤波器的误差矩阵、 为k时刻第m个局部滤波器的误差矩阵、 为k时刻主滤波器的状态向量、 为k时刻第m个局部滤波器的状态向量。

4.如权利要求3所述的采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法，其特征在于，

其中，

5.一种采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航系统，其特征在于，包括：INS、UWB和数据处理单元，所述数据处理单元包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1‑4任一项所述的采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行权利要求1‑4任一项所述的采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法。

说明书

采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法

及系统

技术领域

[0001] 本发明涉及复杂环境下组合定位技术领域，尤其涉及一种采用LS‑SVM(最小二乘向量机)辅助EKF(扩展卡尔曼滤波器)滤波方法的分布式无缝紧组合导航方法及系统。

背景技术

[0002] 近年来，行人导航(Pedestrian Navigation,PN)作为导航技术应用的新兴领域，正越来越受到各国学者的重视，并逐渐成为该领域的研究热点。然而在隧道、大型仓库、地
下停车场等室内环境下，外界无线电信号微弱、电磁干扰强烈等因素都会对目标行人导航
信息获取的准确性、实时性及鲁棒性有很大影响。如何将室内环境下获取的有限信息进行
有效的融合以消除室内复杂环境影响，保证行人导航精度的持续稳定，具有重要的科学理
论意义和实际应用价值。

[0003] 在现有的定位方式中，全球卫星导航系统(Global Navigation Satellite System,GNSS)是最为常用的一种方式。虽然GNSS能够通过精度持续稳定的位置信息，但是
其易受电磁干扰、遮挡等外界环境影响的缺点限制了其应用范围，特别是在室内、地下巷道
等一些密闭的、环境复杂的场景，GNSS信号被严重遮挡，无法进行有效的工作。

[0004] 现有技术提出将基于UWB的目标跟踪应用于GNSS失效环境下的行人导航。这种方式虽然能够实现室内定位，但是由于室内环境复杂多变，UWB信号十分容易受到干扰而导致
定位精度下降甚至失锁；与此同时，由于UWB采用的通信技术通常为短距离无线通信技术，
因此若想完成大范围的室内目标跟踪定位，需要大量的网络节点共同完成，这必将引入网
络组织结构优化设计、多节点多簇网络协同通信等一系列问题。因此现阶段基于UWB的目标
跟踪在室内导航领域仍旧面临很多挑战。

[0005] 发明人发现，在导航模型方面，目前在室内行人组合导航领域应用较多的为松组合导航模型。该模型具有容易实现的优点，但是需要指出的是，该模型的实现需要参与组合
导航的多种技术能够独立的完成导航定位。例如，需要UWB设备能够提供行人的导航信息，
这就要求目标行人所处的环境必须能够获取至少3个参考节点信息，这大大的降低了组合
导航模型的应用范围，与此同时，参与导航的子技术独立完成定位，也引入了新的误差，不
利于组合导航技术精度的提高。

[0006] 现有技术提出将紧组合模型应用于室内行人导航领域，紧组合模型直接将参与组合导航的子技术的原始传感器数据应用于最后的导航信息的解算，减少了子技术自行解算
引入新误差的风险，提高了组合导航的精度，但是需要指出的是，现有紧组合导航模型均使
用集中式模式，这一方式系统容错能力差，并不利于日益精确复杂的组合导航模型。除此之
外，目前的研究也很少考虑到分布式局部滤波器的观测量失锁的情况。

发明内容

[0007] 为了解决上述问题，本发明提出了一种采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法及系统，使局部滤波器的观测量在UWB失锁过程中也能得到相应的预估，
实现了分布式滤波算法的无缝预估。

[0008] 为了实现上述目的，本发明采用如下技术方案：

[0009] 在一些实施方式中，采用如下技术方案：

[0010] 采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法，其特征在于，包括：

[0011] 将INS和UWB分别测量的参考节点与目标节点之间的距离的平方做差，作为局部滤波器的观测量；

[0012] 通过局部滤波器得到目标节点的局部预估，主滤波将局部预估结果进行数据融合，最终得到目标节点的最优状态预估。

[0013] 进一步地，目标节点运行过程中，如果某一单个参考节点的观测信息出现失锁，利用LS‑SVM算法构建INS解算的位置与INS解算的位置误差之间的映射关系，利用该映射关系
对出现失锁的参考节点对应的局部滤波器的观测量进行预估，以补偿观测量的失锁。

[0014] 进一步地，在UWB数据可用情况下，LS‑SVM处于培训状态，INS位置误差作为LS‑SVM的输入，主滤波器得到的当前时刻最优的INS位置误差预估作为LS‑SVM的目标，以此构建两
者之间的映射关系。

[0015] 进一步地，在UWB数据不可用情况下，LS‑SVM处于预估状态，以构建的两者之间的映射关系为基础，LS‑SVM的输入与输出分别为INS位置误差和当前时刻最优的INS位置误差
预估，通过LS‑SVM预估的INS位置误差，作为失锁的参考节点对应的局部滤波器的观测量。

[0016] 进一步地，第i个局部滤波器的状态方程具体为：

[0017]

[0018] 其中， 分别为第i个局部滤波器在k时刻和k‑1时刻预估的INS在东向和北向的位置误差； 分别为第i个局部
滤波器在k时刻和k‑1时刻预估的INS在东向和北向的速度误差；T为采样时间； 为k‑1时
(i)
刻的系统噪声，其协方差阵为Q 。

[0019] 进一步地，第i个局部滤波器的观测方程为：

[0020]

[0021] 其中， 为k时刻INS解算的东向和北向位置； 为k时刻惯性导航器件测量得到的未知节点到第i个参考节点之间的距离； 为k时刻UWB测量得到的未知节点到
第i个参考节点之间的距离； 为第i个参考节点的坐标， 为观测噪声，其协方差阵
(i)
为R 。

[0022] 进一步地，主滤波将局部预估结果进行数据融合具体为：

[0023]

[0024]

[0025] 其中，Pk为k时刻主滤波器的误差矩阵、 为k时刻第m个局部滤波器的误差矩阵、为k时刻主滤波器的状态向量、 为k时刻第m个局部滤波器的状态向量。

[0026] 进一步地，

[0027]

[0028]

[0029] 其中，

[0030] 在另一些实施方式中，采用如下技术方案：

[0031] 一种采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航系统，包括：INS、UWB和数据处理单元，所述数据处理单元包括存储器、处理器及存储在存储器上并可在处理器
上运行的计算机程序，所述处理器执行所述程序时实现上述的采用LS‑SVM辅助EKF滤波方
法的分布式无缝紧组合导航方法。

[0032] 在另一些实施方式中，采用如下技术方案：

[0033] 一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行上述的采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法。

[0034] 与现有技术相比，本发明的有益效果是：

[0035] 1、通过LS‑SVM的辅助，使局部滤波器的观测量在UWB失锁过程中也能得到相应的预估，实现了分布式滤波算法的无缝预估。

[0036] 2、可用于室内环境下的移动行人的中高精度定位。

附图说明

[0037] 构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

[0038] 图1为实施例一中INS/UWB组合导航系统示意图；

[0039] 图2为实施例二中采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法示意图。

具体实施方式

[0040] 应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通
常理解的相同含义。

[0041] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式
也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0042] 术语解释：

[0043] UWB：超宽带，是一种不用载波，而采用时间间隔极短(小于1ns)的脉冲进行通信的方式，可利用其亚纳秒级超窄脉冲来做近距离精确室内定位。

[0044] INS：惯性导航系统，利用安装在运载体上的陀螺仪和加速度计来测定运载体位置，通过陀螺仪和加速度计的测量数据，可以确定运载体在惯性参考坐标系中的运动，同时
也能够计算出运载体在惯性参考坐标系中的位置。

[0045] LS‑SVM：最小二乘向量机。

[0046] EKF滤波器：扩展卡尔曼滤波器。

[0047] 实施例一

[0048] 在一个或多个实施方式中公开了一种采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航系统，如图1所示，包括：INS、数据处理单元、UWB均固定在移动行人上，并且与数
据处理单元连接。UWB用于检测移动行人与参考节点之间的距离；INS用于检测移动行人与
参考节点之间的距离；数据处理单元用于对采集到的传感器数据进行数据融合。

[0049] 其中，数据处理单元内设有EKF滤波器，其包括了若干局部滤波器和一个主滤波器，将超宽带(UWB)与惯性导航(INS)分别测量得到的参考节点与目标节点之间的距离平方
的差作为局部滤波器的观测量，通过局部滤波器得到目标节点的局部预估，主滤波将局部
预估进行数据融合，最终得到目标节点的最优的状态预估。目标节点运行过程中，一旦某一
单个参考节点的观测信息出现失锁，首先利用LS‑SVM算法构建INS解算的位置(导航系下的
位置)与INS解算的位置误差之间的映射关系，并利用该映射关系对出现失锁的局部滤波器
的观测量进行预估，以克服观测量的失锁，具体预估过程为：首先在培训阶段培训INS解算
的位置和INS解算的位置误差之间的关系，然后在预测阶段，输入INS的位置，通过培训阶段
构建的关系，预估INS的位置误差，然后由观测方程给出失锁的观测向量。

[0050] 实施例二

[0051] 在一个或多个实施方式中公开的一种采用LS‑SVM辅助EKF滤波方法的分布式无缝紧组合导航方法，如图2所示，包括：

[0052] (1)算法采用联邦滤波结构，将超宽带(UWB)与惯性导航系统(INS)分别测量得到的参考节点与目标节点之间的距离平方的差作为局部滤波器的观测量，通过局部滤波器得
到目标节点的局部预估，主滤波将局部预估进行数据融合，最终得到目标节点的最优的状
态预估；

[0053] 目标节点运行过程中，一旦某一单个参考节点的观测信息出现失锁，首先利用LS‑SVM算法构建INS位置与其误差之间的映射关系，并利用该映射关系对出现失锁的局部滤波
器的观测量进行预估，以克服观测量的失锁。

[0054] LS‑SVM观测向量失锁补偿策略为：

[0055] 在UWB数据可用情况下，LS‑SVM处于培训状态，这种模式下，LS‑SVM的输入与目标分别为INS位置误差和主滤波器得到的当前时刻最优的INS位置误差预估，以此构建两者之
间的映射关系；

[0056] 在UWB数据不可用情况下，LS‑SVM处于预估状态，这种模式下，以上一阶段构建两者之间的映射关系为基础，LS‑SVM的输入与输出分别为INS位置误差和当前时刻最优的INS
位置误差预估，通过LS‑SVM预估的INS位置误差，构建失锁的局部滤波器观测量。

[0057] (2)在组合导航数据处理部分使用的联邦EKF滤波算法，具体包括：

[0058] 第i个局部滤波器的状态方程为：

[0059]

[0060] 其中， 分别为第i个局部滤波器在k时刻和k‑1时刻预估的INS在东向和北向的位置误差； 分别为第i个局部滤
波器在k时刻和k‑1时刻预估的INS在东向和北向的速度误差；T为采样时间； 为k‑1时刻
(i)
的系统噪声，其协方差阵为Q 。

[0061] 第i个局部滤波器的观测方程为：

[0062]

[0063] 其中， 为k时刻INS解算的东向和北向位置； 为k时刻惯性导航器件测量得到的未知节点到第i个参考节点之间的距离； 为k时刻UWB测量得到的未知节点到
第i个参考节点之间的距离； 为第i个参考节点的坐标， 为观测噪声，其协方差阵
(i)
为R 。

[0064] EKF的迭代方程为：

[0065]

[0066]

[0067]

[0068]

[0069]

[0070] 其中，

[0071] 主滤波器的迭代方程，即主滤波将局部预估进行数据融合的过程为：

[0072]

[0073]

[0074] 其中，Pk为k时刻主滤波器的误差矩阵、 为k时刻第m个局部滤波器的误差矩阵、为k时刻主滤波器的状态向量、 为k时刻第m个局部滤波器的状态向量。

[0075] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不
需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。