基于非线性自适应回归神经网络的GPS/IMU组合导航方法

摘要：

车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一.根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法.首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite sys-tem,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据.最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析.实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2.5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求.

关键词：智能网联汽车、车道级定位、非线性自适应回归神经网络、扩展卡尔曼滤波

所属期刊栏目：19

分类号：TP399(计算技术、计算机技术)

资助基金：国家自然科学基金面上项目51678099;重庆市科学技术委员会人才培养计划cstc2013kjrc-qnrc0148

在线出版日期：2019-10-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：274-280