GNSS拒止时基于并行CNN-BiLSTM回归和残差补偿的UAV导航误差校正方法

摘要

全球导航卫星系统（GNSS）拒止时，GNSS/惯性导航系统（INS）组合导航系统的性能严重下降，导致无人机集群导航误差快速发散.目前，利用神经网络预测位置与速度代替GNSS导航信息可校正无人机INS误差，但该方法仍存在定位误差较高且在轨迹突变时预测精度急剧下降的问题.因此，提出了一种基于卷积-双向长短时记忆网络联合残差补偿的位置与速度预测方法，用于提高位置与速度预测精度.首先，针对GNSS拒止后GNSS/INS组合导航系统定位误差较高的问题，提出卷积神经网络（CNN）与双向长短时记忆网络（BiLSTM）的融合模型，该模型可建立惯性测量单元（IMU）动力学测量数据与GNSS导航信息之间的关系，实现较准确的位置和速度预测.其次，针对轨迹突变时预测效果急剧下降的问题，提出并行CNNBiLSTM回归架构，在预测位置与速度的同时，挖掘IMU动力学测量数据、预测值与预测残差之间的关系，预测并补偿预测残差，增强模型在轨迹突变时的预测精度.仿真结果表明，所提模型在预测准确性、有效性和稳定性方面都优于CNN-LSTM、LSTM网络模型.

关键词

全球导航卫星系统拒止 / 卷积神经网络 / 双向长短时记忆网络 / 残差补偿 / 自适应卡尔曼滤波

基金资助

国家自然科学基金资助项目（61771410）; 四川省科技计划资助项目（2023NSFSC1373,2024NSFSC0476）; 西南科技大学博士基金项目（20zx7122,23zx7101）