文摘
丘陵地区需要一个字段机动车高自动化所需的劳动力减少运输农产品和提高生产力。在本文中,自适应组合导航方法(结合全球导航卫星系统(GNSS)和惯性导航系统(INS)和路径跟踪控制策略的公路车辆研究视野的问题频繁的GNSS中断和丘陵地区的自动控制精度高的要求。一个间接的卡尔曼滤波器(KF)是专为GNSS / INS信息融合。修改KF自适应因子的计算方法,提出了有效抑制KF的散度和阈值判断方法放弃异常GNSS测量提出了应对GNSS中断。为了实现自动驾驶,一个五层模糊神经网络控制器,采用横向偏差,航向偏差,和路径曲率作为输入,并转向角为输出,提出了控制车辆自主导航轨迹的精确跟踪。拟议的系统评价田间道路上通过仿真和实验测试。仿真结果表明,调整KF融合算法可以有效地减少单个GNSS测量的偏差,提高整体精度。测试结果显示实际的旅行轨迹的最大偏差从预期的轨道车辆在水平方向上的12.2厘米,平均偏差为5.3厘米。GNSS停机期间由于障碍,在水平方向上的最大偏差是12.7厘米,平均偏差为6.1厘米。结果表明,设计的GNSS / INS组合导航系统和轨迹跟踪控制策略可以控制车辆自动驾驶时沿着田间道路的丘陵地区。
1。介绍
丘陵地区的道路窄而弯曲。常规驾驶车辆沿着这样的道路是具有挑战性的,使农业原材料和产品的运输在丘陵地区农业生产的一个严重问题。在中国,大多数农业原材料和产品运输到摩托车,车,三轮车,其他交通工具(1]。这些运输方式有一些问题,如劳动强度高、低效率、低操作安全。此外,丘陵地区的劳动力严重缺乏。这些因素在丘陵地区强烈影响农业的发展。因此,农业工人在丘陵地区迫切需要一个高度自动化领域机动车转移农业材料和产品旨在减少所需的劳动强度和提高生产效率。
车辆的自动驾驶的关键领域的道路上是自主导航和轨迹跟踪控制。目前,最常用的自主导航系统是惯性导航系统(INS),卫星导航系统,磁导航系统,机器视觉导航系统,两个或多个子系统组成的组合导航系统(2- - - - - -4]。与实时运动学的快速部署全球导航卫星系统(RTK-GNSS) GNSS定位性能将显著提高可用性、准确性、可靠性和连续性。因此,GNSS定位已经成为一个无处不在的设施在户外条件下,和GNSS导航广泛用于车辆导航系统。事实上,短的GNSS信号阻塞会发生在受限制的条件下,如叶衰减和临时障碍阴影条件(5]。自从GNSS的定位性能直接取决于卫星信号的连续跟踪,定位方法基于GNSS观察单独不能提供一个连续GNSS-constrained环境中的导航解决方案(6]。为了解决这个问题,GNSS常与INS集成。INS GNSS停机期间提供定位信息,从而协助GNSS信号中断后重新获取,减少所需的搜索域GNSS周跳检测并纠正。综合GNSS / INS系统结合了这两种技术的优势通过减少INS误差,不断提供可靠的导航数据。所以GNSS / INS组合导航系统有利的优势互补,使它优于其他组合导航系统在性能方面(4,7]。
GNSS / INS组合导航的关键技术是融合与INS GNSS观察测量来获得更精确的导航信息(7]。不同的融合方法,如卡尔曼滤波器(KF),扩展卡尔曼滤波器(EKF),粒子滤波(PF)和人工智能(AI)方法被提出和实施整合INS和GNSS数据。在现有的信息融合技术,最成熟和广泛使用的方法是KF和其改进算法(8- - - - - -10]。在[11),一种改进的KF方法被用来组装的导航信息。计算性能、收敛速度和收敛精度优于传统的KF扩展。在[12),一个自适应KF被用来将GNSS导航信息与INS导航信息来提高农业机械的抗干扰能力,以应对情况卫星信号被防风林在自动农业机械的操作。在[13),一个创新的模糊自适应KF算法和自适应交互multimodel算法基于multimodel角测量不同噪声的特点,介绍了一个车载GPS / INS组合导航系统。最近,一些基于ai技术,如模糊神经网络(14),小波神经网络(15,16)和自适应神经模糊推理系统(17),提出了更换或混合各种滤波方法来提高车载导航系统的定位精度18]。这些架构背后的基本原理利用人工神经网络(ANN)是模拟的最新汽车动力学只要GNSS信号是可用的。在培训期间,安训练模拟输入输出功能的关系与INS和GNSS相关数据。在GNSS中断的情况下,这些基于ai模型在预测模式,以纠正错误在INS输出(19]。然而,由于固有的高INS传感器错误,输入输出的非线性复杂性增加和功能关系的准确性ANN-based架构降解的低成本的INS。此外,一些自适应参数优化ANN-based架构有一些限制,导致巨大的计算负载,然后他们的实时实现的影响19]。特别是,当GNSS信号丢失,KF -和基于ai的方法将不再有效。然而,在最初的几秒钟GNSS停机,KF可能比一些基于ai技术(20.]。
农业自主导航的目的是控制车辆的路径沿着预定的轨道。自动路径跟踪控制算法的发展是至关重要的实现自动车辆操作(21]。路径跟踪方法被分为三组:几何方法,运动控制律和最优控制22]。在[23),设计了PID控制算法,控制为自动导航车的前轮转向。测试结果表明,这种控制方法效果很好。在[24),更好地利用机器视觉导航控制车辆导航控制方法基于改进粒子群优化自适应模糊控制,提出了具有高响应速度等特点,小超调,横向的快速清除错误。在[25],提出了分层滑模自适应鲁棒控制器,和一个神经网络用于轨迹跟踪和稳定的欠驱动水面舰艇。在[26),一本小说Nussbaum-based自适应模糊控制方案提出了轨迹跟踪的USV在复杂的未知的非线性和完全未知动力学,和跟踪错误聚集到任意零的小社区。一般来说,常用的路径跟踪控制方法包括PID控制、模糊控制、神经网络控制、最优控制和综合控制方法(例如,模糊神经网络控制方法)。
本文旨在解决问题的自主驾驶在丘陵地区农业机械田间道路上。然而,由于领域强大的曲折的道路和偶尔的GNSS信号中断由于障碍如树木、相对自主导航的研究领域在山区公路车辆是非常有限的。在本文中,一种低成本的GNSS / INS组合导航方法和模糊神经网络路径跟踪算法提出了考虑复杂环境的特点,狭窄的道路,经常会出现短时GNSS停机,自动驾驶控制的高精度要求现场丘陵地区的道路。本文的贡献包括以下:(1)设计修改KF GNSS / INS信息融合和调整KF自适应因子的计算方法,提出了有效抑制KF分歧在GNSS短时中断,(2)一个模糊神经网络用于控制字段的自动转向机动车为了解决非线性路径跟踪控制问题,和(3)提出了GNSS / INS组合导航方法和模糊神经网络路径跟踪算法进行了仿真和实验验证了。
本文的其余部分组织如下。部分2介绍了组合导航系统的体系结构。部分3描述了自适应KF的建立和自适应因子的计算方法,提出了一种修改。部分4介绍了模糊神经网络跟踪控制策略。部分5包含仿真结果,实验细节,和测试结果。
2。自主导航系统的体系结构
联合利用GNSS和INS允许两个系统的优点互补,协同加强这两种技术和提供更准确和可靠的导航信息。GNSS系统和INS系统的互补优势体现在以下几点:(1)INS系统是一个封闭的、完全独立的导航系统(27),可以弥补GNSS系统易受干扰和大导航错误;(2)INS测量的更新频率很高(28),它可以弥补GNSS系统的更新频率低;(3)GNSS系统独立于时间的误差,可以弥补错误的INS系统,随着时间的积累29日,30.]。
丘陵地区的现场道路狭窄和崎岖的特点和要求精度高、稳定的自动导航系统领域的道路车辆。因此,本文采用INS作为主要的导航系统,采用GNSS纠正INS,然后制定松散耦合的GNSS / INS组合导航方法实现自主导航领域丘陵地区的道路。所以GNSS / INS组合导航系统包括GNSS、INS,主控制器和转向系统。系统的架构如图1。
本文中使用的低成本INS由高精度单轴陀螺仪和使用硬件加速器,可以直接实现单轴方位角和使用硬件加速。因此有必要计算航向角和角增量的其他间接两个轴。
GNSS RTK-GPS系统,包括GPS基站和车载GPS接收机。GPS基站传输自己的GPS测量数据和位置坐标信息的车辆GPS接收器的无线信号传输。车辆GPS接收这些数据通过无线电信号接收器,收集自己的GPS观测数据,并实现了一个实时运动(RTK)微分定位系统,最终为车辆提供了厘米级定位结果。INS监控车辆的实时加速度和角速度。
定位RTK-GPS获得的数据和加速度和角速度INS获得的数据被发送到主控制器。主控制器采用KF设计融合GNSS和INS数据获得准确、可靠的导航信息。模糊神经网络确定所需车辆的轨迹基于导航信息。
车辆的转向系统控制迂回基于计算所需的车辆,车辆轨迹可以自动旅行。
3所示。建立适应KF
的过程中自动车辆操作,GNSS和INS测量车辆的位置和姿态信息。信息融合是必不可少的GNSS和INS在一起工作。本文运用自适应间接KF保险丝GNSS / INS数据,利用GNSS / INS系统的误差方程建立KF,然后正确的导航参数的估计误差制定更精确的导航信息。在信息融合过程中,如果GNSS信号阈值来判断短期异常,GNSS测量数据被丢弃。
3.1。测量参数
GNSS和INS松散组合导航系统选择车辆的位置和速度作为测量参数。因此,测量误差包括位置的不同和GNSS测量值之间的速度差异和INS测量值。
位置误差方程是 在哪里 是地球的半径; , ,和位置误差噪声的经度,纬度,由INS和高度测量,分别; , ,和位置误差噪声的经度,纬度,分别由GNSS和高度测量。
速度误差方程是: 在哪里 , ,和误差噪声向东、向北、由INS和向上的速度测量,分别; , ,和是误差噪声向东、向北分别由GNSS和向上的速度测量。
然后,完全测量误差方程是通过结合位置误差方程和速度误差方程:
3.2。KF方程
KF方程领域机动车的GNSS / INS组合导航系统如下。(1)一步预测的状态方程: 在哪里状态转移矩阵和吗国家不同(2)估计的状态方程: 在哪里滤波器增益矩阵和吗是测量矩阵(3)滤波器增益方程: 在哪里预测协方差误差方程和吗是测量噪声的方差矩阵,它是由选定的GNSS和INS传感器的参数: 在哪里 , , , , ,和代表比例常数的位移误差和速度误差 , ,和方向,分别在汽车坐标系。(4)对预测误差协方差方程:
的方程,方差矩阵系统的噪声矩阵吗 : 在哪里 , , , , ,和代表的比例常数加速度误差和角速度误差 , ,和方向,分别在汽车坐标系。
在方程(10),系统噪声矩阵可以从状态方程获得: (5)估计误差协方差方程:
上面的五个方程的基本方程的KF GNSS / INS组合导航系统。周期性计算使用以前的估计价值状态来计算的当前状态,然后纠正使用当前的测量值的状态估计。通过不断迭代更新,最好的估计GNSS / INS组合导航系统的最终获得。
3.3。自适应KF的设计
KF的内存增加到正无穷(31日,32];所有当前时刻之前的观测数据是用来估计当前状态。KF的递归,在过滤之前的数据量逐渐增加,占据了很大一部分的所有数据,而新数据的比例太小,导致错误的积累和导致过滤器看似发散[33]。克服滤波器发散问题的一种有效方法是添加一个过滤器来减少自适应因素之前的数据过滤的比例计算,增加新数据的比例。
自适应因子降低了滤波发散通过实时调整协方差矩阵和增加强调创新,如方程所示(14): 在哪里是自适应因子,预测误差协方差矩阵,是状态转移矩阵,是在前一个周期获得的误差估计协方差矩阵,是系统噪声矩阵,是系统噪声方差矩阵。
定义作为创新的测量矩阵序列在时间 :
然后,协方差矩阵创新可以派生
在线性KF,是白噪声序列。我们可以推导出线性KF的创新自相关函数(33),见方程(17)。
表示
在实际计算中,由于系统模型中的错误,创新理论和实际值的协方差矩阵不完全相同;因此,自相关函数的值不一定是零。因此,我们让 通过调整增益矩阵 。然后,它可以使新自相关函数(方程(17))= 0,迫使正交序列的创新。
在创新序列(方程(15),一个估计误差是由实际的计算。滤波发散的原因是,估计误差与理论不一致的错误。因此,我们可以评估是否KF展品分歧通过比较创新和协方差的平方之和。
方程(16)是理论创新的协方差。一个创新的区间长度 ,估计的价值的协方差矩阵可以被描述为
的求解公式 ,估计的价值 ,它可以代替理论价值 ,可以带入方程(18)和组 ,然后
自 , ,和都是满秩的对称矩阵,下面的关系可以从上述公式获得:
在方程(22),是整个的重量值协方差误差。很难优化每个单个重量测量参数值。所以矩阵的主对角线的元素 分别除以相应的矩阵主对角线上的元素( ),和结果是用作重量值,如方程所示(23)。
这个方法寻找重量值相当于把创新经度误差协方差,纬度误差,高度误差,向东速度误差,速度误差向北,向上的速度误差的误差协方差来获取一个适应性的因素。
3.4。测量方程调整
在方程(7),是测量误差。当车辆定期场路上开车,获得GNSS和INS测量。然而,丘陵地区的道路状况是复杂的和不同的,和GNSS通常患有大错误由于多路径,可怜的几何,和高噪音。有时候,障碍如树将会使双方的道路和中断GNSS信号,导致大型GNSS定位错误。因为INS不需要外部参考(初始化之后)和没有与外部设备的信息交换,是免疫干扰和欺骗。此外,INS可以用作短期回退而GNSS信号不可用。因此,如果突然GNSS定位值的变化和偏差超出一定范围,只有INS测量值是用来计算 。但长期GNSS中断,自主导航将机器视觉导航(这个问题将会在后续的一篇论文中讨论)。
定义的平均值吗创新序列协方差矩阵:
方程(24)反映了测量和估计的平均误差在一段时间内。定义的测量值是恶化因素
估计的误差随时间逐渐增加。在正常情况下,一个测量值的误差应符合平均值 。如果GNSS的测量干扰,和异常会增加。所以,我们可以定义一个错误阈值估计,如果 测量的误差是不正常的。在这种情况下,测量值的GNSS测量误差方程会被抛弃,只有INS的测量值是可用的,所以测量误差方程(5)改变方程(27):
图2显示了修改后的KF的迭代计算过程。
4所示。模糊神经网络跟踪控制
后车辆的实时位置和速度得到了通过修改KF,仍然需要有相应的控制策略来控制车辆自主导航轨迹的精确跟踪。模糊控制和神经网络控制可以结合利用双方的优势互补。在此基础上,设计了模糊神经网络路径跟踪控制策略的车辆。模糊神经网络的功能是决定根据偏差自动转向角和车辆的实时位置和速度之间导航。
4.1。模糊神经网络控制器的结构
控制车辆的自动化操作是一个高度非线性的复杂控制系统由多个变量(34),与横向控制(也称为转向控制)是至关重要的35,36]。横向控制直接关系到横向偏差,航向偏差,和路径曲率。因此,一个五层模糊神经网络结构有三个输入参数和一个输出实现,如图3。输入参数包括横向偏差,航向偏差,和路径曲率。输出参数是机动车的转向角领域。外侧和航向偏差计算的实时位置和速度得到了通过修改KF,而路径曲率计算的导航路线。
4.2。学习算法
每个节点的输入和输出功能的道路车辆模糊神经网络不同于普通神经网络节点和有特殊形式。定义和节点的函数和输出值吗层,分别。每一层的输出函数恒等函数。以下的推导说明了每一层的节点函数和输出值。
第一层是输入层节点函数 在哪里 。
在第二层中,每个节点代表一个模糊语言变量值。这一层的隶属函数计算每个输入组件属于每一个语言变量 。摘要模糊集的每个输入组件包括7模糊变量和高斯函数作为隶属函数。这一层的节点功能 在哪里 ; ; 和是隶属函数的中心值和宽度,分别。
在第三层,每个节点代表一个模糊规则。第三层是匹配的角色模糊规则的前提下,计算每个模糊规则的使用程度。乘法算法采用节点功能, 在哪里 , ,和 。
在第四层,单神经元和相应的规则是标准化的。节点功能
在第五层,进行去模糊化计算,所需的车辆的转向角输出。节点功能 在方程(23),(24)和(25), ,和 。
4.3。培训和测试
模糊神经网络跟踪控制器的参数需要确定通过自主学习包括最后一层输入变量的重量 和中央值和宽度 隶属函数的第二层。汽车的模糊神经网络控制器结构属于多层前馈网络。根据反向传播(BP)网络结构(37),选择误差反向传播学习算法学习的相关参数。
当训练模糊神经网络,测试数据用于验证结果为每个训练步骤,和趋势的均方误差(MSE)的测试数据随着训练时间的增加。通过这种方式,我们可以找到最合适的培训时间,确保模糊神经网络具有学习后满意的普遍性。测试数据的变化MSE的训练时间在这项研究如图4。
随着训练时间的增加,MSE减少迅速,然后缓慢。当训练的数量达到331,0.01的均方误差达到最小;之后,它开始增加,这是由于噪声的影响和模型的复杂性,和过度拟合发生的趋势。早期停止迭代法应用于确定培训时间。因此,从331年的上层地位获得的结果是最好的训练。我们把这种培训的结果作为最终结果,然后确定 , ,和 。
为了验证控制效果模糊神经网络路径的跟踪、测试数据的输入参数输入到训练模糊神经网络控制器,和车辆的转向角获得的解决方案与实际测量车辆的转向角。如图5,可以看出输出转向角的模糊神经网络可以很好地预测实际转向角的变化在测试期间,平均偏差为1.12°。这表明所设计的模糊神经网络控制器具有良好的控制性能的自动驾驶车辆。
5。结果与讨论
5.1。模拟信息融合
验证的正确性融合处理和修改后的定位精度的改善效果KF算法,模拟了信息融合MATLAB R2015。仿真是基于下面的步骤:(一)设置初始状态的道路车辆。根据重庆的地理位置,车辆位于30°N。106°E。,和0 height. The initial speed of the vehicle was set to 2 m/s with the positive south direction(b)一系列的车辆的加速度是随机生成的。的加速度值 - - - - - -轴(即。,the lateral direction), the - - - - - -轴(即。,the longitudinal direction), and the - - - - - -轴(即。,the plumb direction) were limited within ±0.2 m/s2,±0.5 m / s2,±0.1 m / s2,分别。车辆的最大速度仅限于10 m / s(c)计算车辆的姿态角根据车辆的运动学模型和生成的随机加速度在步骤(b)(d)计算模拟轨道车辆的时间集成的基础上随机加速度和姿态角(e)模拟GNSS输出数据。根据所选的GNSS的性能,一系列的噪声值被添加到轨迹GNSS的输出值。模拟GNSS输出数据之间的偏差和模拟车辆的轨迹如图6(f)模拟INS输出数据。根据选定的INS模块的性能,一系列的噪声值被添加到模拟加速度和姿态角的INS的输出值。模拟INS输出数据在图所示7(g)计算车辆的行驶轨迹利用提出了KF融合的模拟车辆轨迹,模拟GNSS输出数据和INS输出数据。驾驶轨迹被KF信息融合的结果
图6显示模拟GNSS输出值之间的偏差和模拟轨迹波动在零附近5厘米的偏差,这是符合GNSS中使用的性能测试。
图7显示模拟INS的输出数据,轻微的波动相对于模拟驾驶车辆的状态。模拟INS输出是通过添加噪声模拟车辆轨迹,这是符合INS模块的性能测试。
从图7的加速度和旋转模拟轨迹,不规则的和可变的,能反映客观情况的汽车驾驶在丘陵地区的道路。模拟GNSS和INS输出值,包括模拟测量噪音,也符合所选设备的性能。所以,模拟轨迹和GNSS和INS输出值可用于验证修改后的KF信息融合算法。
比较计算推动修改KF融合算法和轨迹模拟轨迹,它们之间的偏差,如图8。
从图8向东,可以看出偏差,向北偏移,并向上KF融合之间的偏差驾驶轨迹和模拟轨迹波动约0,和最大偏差值是3厘米内。相比于模拟GNSS输出图6KF融合输出的偏差的趋势是一致的模拟GNSS输出,但KF融合输出的最大偏差是减少了40%。这表明该GNSS / INS组合导航和调整KF融合算法可以有效地减少单个GNSS测量的偏差,提高整体精度。它提供了一个自动驾驶控制更可靠的参数依据。
为了验证信息融合功能GNSS信号时失去了在短时间内,一个人为的噪声误差添加到原始GNSS数据从781年代到800年代,如图9模拟异常GNSS信号。改进的车辆设计的卡尔曼滤波器相比,本文模拟车辆轨迹来验证该算法的有效性在GNSS信号丢失的情况下短时间内。图9显示了向东、向北,向上偏差之间的自适应卡尔曼滤波输出和模拟车辆的跟踪从770年代到810年代,分别。
从图可以看出9输出值之间的偏差卡尔曼滤波器的信息融合和增加旅游轨迹模拟车辆在780年代(A)。800年代偏差达到最大值(B点),东14厘米的偏差,向北偏移16厘米,向上偏移的23厘米。穿越点B后,卡尔曼滤波器的输出值之间的差异信息融合和模拟车辆出行轨迹正在迅速减少,和卡尔曼滤波器的输出值信息融合在805年代恢复正常。
从仿真结果可以看出,当GNSS信号丢失,卡尔曼滤波器的信息融合依赖INS的输出数据来计算车辆的驾驶状态。尽管解决方案的偏差会积累一段时间后,仍然可以使用它在一个短的时间。GNSS信号恢复正常时,卡尔曼滤波器的信息融合算法利用GNSS和INS的输出数据同时,可迅速纠正偏差。
5.2。实验正常的道路
验证的有效性GNSS / INS组合导航系统和模糊神经网络跟踪控制策略,此车自动驾驶测试进行正常场道路和公路的GNSS患有偶尔中断的位置。现场道路车辆的长度是1.13米,它的轴距是0.76米,它的胎面0.45米,其最大负载能力是150公斤。实验场道路宽1.2米,高度和曲率将发生重大变革。汽车的速度是2米/秒。高精度RTK-GPS(模型K706 ComNav科技有限公司生产的),其中包括一个固定的基站和罗孚汽车减少定位误差,是用于收集道路的中线坐标信息并将其存储为自主导航路径。的定位精度RTK-GPS是2厘米。INS模块(模型LPMS-NAV2 LP-RESEARCH Inc .)生产的,这是由高精度单轴陀螺仪和使用硬件加速计,是成本低分辨率为0.122毫克/ LSB和一个角度分辨率0.01°。
在测试期间,车辆面临的起始位置放置在前进方向的道路。车辆的行驶模式设置为自主旅行。自动汽车驾驶场景如图10。
自主旅游的过程中,主控制器实时记录经度,纬度和海拔GNSS / INS组合导航系统的数据和比较这些信息与预期路径信息获取的实际路径偏差。向东、向北和自主旅游的向上偏离轨迹如图11。
自主行驶轨迹的偏差周围波动0因为不均匀的加速度计测量由于路面粗糙度的加上GNSS定位错误,机械转向系统的错误和其他错误。向东方向,最大偏差是8.9厘米,平均偏差为4.6厘米。向北的方向,最大偏差是11.9厘米,平均偏差为4.9厘米。在上行方向,最大偏差是17.3厘米,平均偏差为6.8厘米。
水平方向上的偏差,这反映了路径跟踪控制的准确性,可以直接计算出向量操作向北东偏差和偏差。水平方向上的最大偏差是12.2厘米,平均偏差为5.3厘米。测试结果表明,该设计GNSS / INS组合导航系统可以准确地控制车辆自动驾驶的丘陵地区的道路上一个字段。
5.3。实验期间GNSS中断
在丘陵地区,障碍如树木和农作物田间路上可能可以阻止GNSS的信号。因此,GNSS定位信息可能强烈扭曲或不可用。来验证设计的有效性在GNSS中断GNSS / INS组合导航系统,设计以下实验。
在实验中,该领域的一小段路沿着GNSS系统信号被一个高大的植物选择(见图12)。
当车辆沿路段旅行图所示12GNSS患有中断的位置由于卫星通信链路故障和损失锁由于闭塞的果树双方田野的路上,导致定位误差。在自动驾驶车辆的测量位置坐标图所示13。从A点,GNSS信号开始扭曲,定位信息强烈背离。汽车旅行到B点后,GNSS信号恢复正常。
向上向北东偏差,偏差,偏差的自动操作车辆在GNSS中断如图14。
图14显示车辆仍略有波动的偏差约0在自动化操作。向东方向,最大偏差是12.3厘米,平均偏差为5.6厘米。向北的方向,最大偏差是7.2厘米,平均偏差为3.8厘米。在上行方向,最大偏差是14.1厘米,平均偏差为5.2厘米。
计算最大偏差在水平方向上向北东偏差和偏差是12.7厘米,平均偏差是6.1厘米,通常表明,车辆仍然可以继续沿着计划路当GNSS打扰很短的一段时间。
AB段的分析GNSS摄动时表明,向东偏差继续增加,直到达到最大偏差为12.3厘米。向北偏差以缓慢的速度下降,天空偏差相对变动沿着这段。这一结果主要是因为GNSS / INS组合导航系统只使用导航信息的INS GNSS期间中断。INS误差随时间积累,导致增加偏见和向东和向北方向的修正速度缓慢。自从INS设备是由一个单轴陀螺仪和三轴加速度计,使用加速度计测量高度信息转换。由于粗糙的路面和车辆的震动,加速度计的测量噪声很大,导致大型转换高度信息中的错误和波动现象的向上偏移。
总之,GNSS系统是影响植被两边的道路车辆的自动化操作期间,导致缺乏信号可用性和较大的定位误差。当时,GNSS / INS组合导航系统利用INS的测量结果计算出导航信息和进口到模糊神经网络控制器。结果,车辆仍然可以自动沿着预定的道路的道路。
6。结论
本文基于车辆驾驶的特点以及现场道路在丘陵地区,这些作者设计一个松散耦合的GNSS / INS组合导航系统结构和利用间接KF修改信息融合。使用模糊神经网络作为车辆路径跟踪控制器。
仿真结果表明,与模拟GNSS输出相比,KF融合输出的偏差趋势是一致的模拟GNSS输出,但KF融合输出的最大偏差是减少了40%。提出了GNSS / INS组合导航和调整KF融合算法可以有效地减少单个GNSS测量的偏差和提高整体精度。
在正常道路实验,在水平方向上的最大偏差是12.2厘米,平均偏差为5.3厘米。在GNSS短期停机实验中,水平方向的最大偏差是12.7厘米,平均偏差为6.1厘米。田间道路试验验证提出了GNSS / INS组合导航系统可以准确地控制车辆的自动化操作字段丘陵地区的道路。
GNSS / INS组合导航系统中使用本文可以处理GNSS中断在很短的时间内。然而,如果GNSS信号丢失了很长时间,导航误差将会增加由于INS系统错误的积累,导致车辆的偏差从狭窄的山路在丘陵山区。因此,辅助导航系统添加了机器视觉导航等后续研究在这个项目中,可提高导航系统的能力来应对恶劣的导航环境在丘陵地区。
数据可用性
实验结果数据用于支持本研究的结果包括在本文和源代码的数据可从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究是由贵州省科学技术支持项目(批准号[2019]2384号)为中央大学和基础研究基金(批准号XDJK2017C079)。