王 超，周 军，黄浩乾，沈寒伊，唐家成

(河海大学能源与电气学院,江苏 南京 211100)

在捷联惯导系统(SINS)中惯性测量元件(陀螺和加速度计)与运载体固联,通过计算机采集惯性元件的输出信息并进行数值积分,求解运载体的姿态、速度和位置等导航参数。高精度SINS 对惯性器件性能和导航算法精度的要求非常苛刻,但由于高精度惯性器件价格昂贵且提升其精度非常困难,所以在影响SINS 的误差源中要求导航算法误差比重必须很小,一般需小于5%[1]。由于载体姿态可能剧烈变化(如战斗机的翻滚运动),姿态更新算法便成了SINS 算法的核心,对解算精度影响最为突出,具有重要的研究和应用价值。

相对单一的惯导解算,SINS/GPS 组合导航利用SINS 解算得到的速度、位置和GPS 输出的速度、位置的差值构建观测量,通过Kalman 滤波器对惯性解算误差进行最优估计,利用估计出来的误差修正惯性解算结果,从而大大提高导航解算精度。但实际上,GPS 信号受建筑遮挡、载体机动等因素影响可能失锁,Kalman 滤波器失去了一部分观测量,会导致导航系统精度下降甚至发散。针对这些问题,有学者提出了利用神经网络辅助的方法[2-6]。其基本思想是利用GPS 信号有效时的导航数据训练神经网络,在GPS 失效时接入该训练好的网络,由其预测出组合导航数据,使导航结果不发散。鲍泳林等[2]以惯性器件测量数据为输入,Kalman 输出的状态估计作为标签对径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)进行训练,并利用训练结果对滤波器进行校正；……