陶毅峰，江金光，方 伟

(武汉大学 卫星导航定位技术研究中心，湖北 武汉 430079)

0 引 言

基于捷联惯性导航系统和GPS(global positioning system)技术，在GPS信号良好的情况下可以有效地进行导航[1]。卡尔曼滤波(Kalman filtering)技术由于其高精度，设计简单等优点成为了最广泛使用的技术。因为高精度惯性测量单元(inertial measurement unit，IMU)成本昂贵，大部分情况下IMU只是MEMS(microelectro mechanical systems)级别的，这种级别的INS(inertial navigation system)/GPS组合导航系统的定位精度极大地依赖于GPS信号[2]，而GPS信号极易受到高楼、树荫等遮挡而失锁[3-5]；此时INS/GPS组合导航系统仅能依靠纯惯导进行机械编排，定位结果会随着时间的积累发散[6]，导致解算精度迅速下降。而神经网络作为近几年火热的技术，已有许多结合神经网络与INS/GPS的研究[7,8]。如利用BP(back propagation)神经网络[9]、多层感知器(multi-layer perceptron，MLP)[10]来辅助组合导航系统。这些模型将各时刻的输入与输出视为独立的元素，但是实际的组合导航系统显然是一个连续的、各时刻位置相关的系统。循环神经网络(recurrent neural network，RNN)可以将过去时刻的位置信息与当前时刻的输出联系起来，恰好与上述问题契合。因此本文使用循环神经网络中的一种变体结构GRU(gated recurrent unit)算法辅助组合导航系统，以解决GPS失锁时定位精度迅速发散的问题。

1 组合导航卡尔曼滤波模型

INS/GPS组合导航系统的组合方式有：松组合、紧组合、深组合等。其中松组合是基于GPS导航结果的数据组合，即Kalman的观测向量为GPS和INS的速度、位置的数据组合。松组合结构简单，计算负担低，易实现，可靠性很高，但所需卫星数最少为4颗，粗差探测能力弱。紧组合是基于GPS观测量的数据组合，即Kalman的观测向量为GPS的伪距、伪距率的数据组合。……