买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜武汉大学申请的专利一种GNSS信号中断期间使用GRU神经网络辅助导航的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114239376B 。

龙图腾网通过国家知识产权局官网在2025-03-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111271228.0，技术领域涉及：G06F30/27；该发明授权一种GNSS信号中断期间使用GRU神经网络辅助导航的方法是由江金光;唐亚男;张超设计研发完成，并于2021-10-29向国家知识产权局提交的专利申请。

本一种GNSS信号中断期间使用GRU神经网络辅助导航的方法在说明书摘要公布了：本发明涉及一种GNSS信号中断期间使用GRU神经网络辅助导航的算法，当GNSS信号可用时，INS的速度，航向和IMU的输出将用作训练GRU模型的输入特征，GNSS的位置增量为模型的输出。一旦丢失了GNSS信号，INS的信息将被馈送到GRU模型中以生成伪GNSS增量。累积伪GNSS增量后，会将伪GNSS位置发送到卡尔曼滤波器，以校正INS导航解算结果。另外考虑到在复杂场景下，难以获得大量GNSS观测良好的数据，部分地段的可观测卫星数可能在1至3颗，此时使用紧耦合模型仍然可以进行组合导航，一定程度上保障了更有效的定位结果，可以为神经网络提供更好的训练数据。因此本发明选择GRU辅助紧耦合的模式。

本发明授权一种GNSS信号中断期间使用GRU神经网络辅助导航的方法在权利要求书中公布了：1.一种GNSS信号中断期间使用GRU神经网络辅助导航的方法，其特征在于：包括步骤1、当全球导航卫星系统信号可用时，AI模块将在训练模式下工作，INS的速度，航向和IMU的输出将用作训练GRU神经网络的输入特征，输入特征参数选择为陀螺仪输出，加速度计输出，INS速度，INS航向角，输出选择为GNSS位置增量，GNSS的位置增量为模型的输出；步骤2、GNSS中断丢失GNSS信号时，AI模块将在预测模式下工作，INS的信息将被馈送到GRU神经网络中以生成伪GNSS增量；累积伪GNSS增量后，会将伪GNSS位置发送到KF，以校正INS导航解算结果；当GNSS信号可用时，INS的速度，航向和IMU的输出将用作训练GRU神经网络的输入特征，GNSS的位置增量为模型的输出；一旦丢失了GNSS信号，INS的信息将被馈送到GRU神经网络中以生成伪GNSS增量；累积伪GNSS增量后，会将伪GNSS位置发送到KF，以校正INS导航解算结果；并且相较于GRU辅助松耦合模式，GRU辅助紧耦合模式在卫星数1至3颗时继续组合导航，提高了训练数据的精度，也提高了网络训练的效果；利用基于GRU单元的循环神经网络作为附加模型来在GNSS中断之后抑制INS的误差发散，训练模型中的组合导航模型选择为紧耦合；GRU循环神经网络在时间维度和网络深度两个方向训练神经网络，与静态神经网络相比更好的捕捉输入数据的时间动态性能；而相较于同为循环神经网络的LSTM，GRU网络训练性能相近，训练速度更快；目前在GNSS失锁时使用神经网络辅助组合导航的模型有三种，分别是模型，模型和模型，都起到抑制惯导精度发散的作用；模型选择INS信息作为输入，GNSS和INS的位置误差作为输出；模型选择INS信息作为输入，Kalman滤波的状态向量作为输出；模型选择INS信息作为输入，GNSS位置增量信息作为输出；第二种模型输出向量的维度相较于另外两种较大，预测效果也较差，且混入滤波的误差；第一种模型的输出向量同时包含INS信息和GNSS信息，而第三种模型的输出向量仅与GNSS位置信息相关，减少额外的混合误差，所以采用模型；由一些INS信息直接推导得到，具体如公式（1）所示； （1）公式（1）中为方向余弦矩阵，为比力，即加速度计输出，是e系相对于i系的角速率，是n系相对于e系的角速率，为速度，为重力向量；进一步分析重力向量和经纬度相关；和表达式如公式（2）所示，由于纬度，地球子午圈半径和卯酉圈半径在车载环境下变化缓慢，因此二者由影响，因此影响的主要因素为，，；而由姿态角决定，如公式（3），理想姿态矩阵微分方程如公式（4）； （2） （3） （4）因此受姿态角、俯仰角、航向角和陀螺仪输出影响，但在车载环境中，，近似为0，且变化极小，所以最终训练模型的输入特征参数选择为，，，，输出选择为；GRU神经网络训练模型的输入为IMU的三轴陀螺仪数据，三轴加速度计数据，INS解算的三轴速度以及航向角信息，总维度为10维，输出为GNSS增量信息；训练时由于输入的IMU传感器数据，速度，航向角INS信息和GNSS增量信息的频率不同，其中IMU数据和INS信息频率为1秒200次，而GNSS增量信息1秒只能输出1次，因此训练时需要整合高频的IMU和INS信息，将1秒内的IMU和INS信息一起作为输入层的输入，以对应低频的GNSS增量；另外，GRU神经网络具有时间上的维度，反映在数据上就是存在timestep参数；训练数据特征为10维，训练集的数据长度为3000秒，采样频率为200HZ，可知输入层的数据大小为（3000,timestep,2000）；同时，输出端的数据为对应的GNSS增量信息，大小为3000,3；训练的数据量巨大，因此需要设置合适的隐藏层神经元个数和timestep参数，否则会影响到训练的速度和准确度；为了加快训练时的收敛速度并防止过拟合，在训练前对训练的数据进行了归一化处理，使用预测模型进行预测时要对预测结果反归一化；最终timestep参数选择为4，隐藏层单元数选择为128；AI模块的工作模式包括训练模式和预测模式两种：在GNSS信号良好时，对GRU神经网络进行训练，输入为IMU输出的三轴加速度计数据，三轴陀螺仪数据，INS解算得到的速度信息和航向角信息；因此在GNSS信号良好时GRU神经网络找到IMU，INS导航信息与GNSS增量信息之间的映射关系；当GNSS信号失锁后，GNSS模块无法继续提供位置信息，所以预测模型中没有了GNSS模块；此时IMU和INS模块继续向GRU神经网络输入导航信息，已训练好的GRU神经网络根据输入来预测GNSS增量；将该增量信息进行积分，得到一个预测的GNSS位置信息，也叫做伪GNSS位置信息，用于模拟GNSS信号良好时的定位结果；将该结果与INS解算的位置作差后送入KF模块即进行卡尔曼滤波，继续输出位置、速度、姿态的误差，用来对INS结果进行反馈修正；通过这种方式，在GNSS失锁的情况下原本只能利用纯INS解算的组合导航系统，有了伪GNSS信息进行修正，抑制了惯导的误差发散速度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉大学，其通讯地址为：430072 湖北省武汉市武昌区珞珈山武汉大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。