一种基于注意力增强TCN的混合无人机SINS/GNSS信息融合方法，适用于GNSS信号被干扰的环境 徐川（Chuan Xu） 陈帅（Shuai Chen） 赵大翔（Daxiang Zhao） 侯志宽（Zhikuan Hou） 江长辉（Changhui Jiang）

《Remote Sensing》：A Hybrid Drone SINS/GNSS Information Fusion Method Based on Attention-Augmented TCN in GNSS-Denied Environments Chuan Xu, Shuai Chen, Daxiang Zhao, Zhikuan Hou and Changhui Jiang

　　**亮点**

**主要发现是什么？**
本文提出了一种混合信息融合方法，用于无人机SINS/GNSS集成导航系统，通过在GNSS信号缺失的情况下联合利用TCN（时间卷积网络）和自注意力机制来提高定位精度。该注意力增强的TCN模型表现出一定的泛化能力，在飞行测试中使用典型训练参数时，能够在不同的GNSS信号缺失时段实现有效的定位精度提升。

**主要发现的意义是什么？**
所提出的方法有效缓解了GNSS信号缺失环境下无人机SINS/GNSS集成系统中的误差发散问题，从而提高了飞行安全性、操作精度和整体效率。该方法无需额外传感器，并且与仅使用TCN的预测模型相比，具有更强的误差状态校正能力。

**摘要**
在无人机导航系统领域，集成式惯性导航系统（SINS）/全球导航卫星系统（GNSS）可以提供高精度的定位解决方案。但是当卫星信号受到高建筑物的干扰或遮挡时，由于复杂的空气和机械振动，SINS的误差会迅速扩散，导致导航精度严重下降。为了在这种情况下提高定位性能，本文提出了一种基于注意力增强时间卷积网络（TCN）的混合信息融合方法。构建了一个特征集成和预测模型，在GNSS信号缺失期间为集成导航滤波器提供伪定位参考。TCN用于基于惯性测量和SINS数据建立预测性定位误差校正模型，而自注意力模型用于提取复杂的全局无人机运动特征。通过使用真实无人机飞行测试收集的全球定位系统（GPS）和SINS数据，实验验证了所提方法的性能。比较结果表明，所提方法能够在特定的GNSS信号缺失环境中有效提高无人机定位精度。

**1. 引言**
由SINS和GNSS组成的集成导航系统在GNSS信号可用时，可以为大多数现代无人机提供连续的高精度定位和导航解决方案。卡尔曼滤波器（KF）能够抑制SINS的误差漂移并计算SINS传感器的动态零偏，已被广泛认为是当前SINS/GNSS集成方案的标准最优估计工具[1]。然而，由于导航卫星的轨道高度较高（例如，GPS卫星的轨道高度超过20,000公里），其信号在到达地面时较弱。随着对低空环境下无人机操作的需求增加，电磁干扰和建筑物遮挡等挑战变得越来越严重，这可能导致GNSS接收器的定位过程中断。在缺乏GNSS测量的情况下，集成滤波器无法完成测量更新和惯性导航误差的精确校正，从而导致导航系统的精度迅速下降，特别是当使用由微机电系统（MEMS）工艺制造的低成本惯性测量单元（IMU）时。

在GNSS信号缺失期间，已经收敛了陀螺仪和加速度计状态参数的SINS/GNSS集成KF可以通过状态预测部分为SINS提供正的定位误差状态估计能力，因为收敛的陀螺仪漂移和加速度计偏差符合当前实际的惯性系统误差参数。然而，在GNSS信号缺失的环境中，这些收敛状态保持不变，无法适应复杂的载体动态，因为缺乏测量更新部分。

已经提出了许多研究方法来提高GNSS信号缺失条件下的定位系统精度。例如，部署额外的传感器（如视觉单元）可以在GNSS信号缺失期间提供比仅使用SINS更高的精度辅助测量数据[2]，但这可能会增加额外的硬件成本和设备体积。最近，随着人工智能技术的发展，基于神经网络（NN）的方法被广泛用于建模伪卫星或IMU参数。这些方法的主要思想是从SINS提供的动态信息建立映射关系到预测参考模型，如融合定位结果[3,4,5,6,7]、伪卫星导航位置或相应的增量[8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23]。这些预测模型使用在GNSS可用期间收集的数据和集成滤波器收敛时进行训练，以近似实时传感器参数模型。在没有GNSS的情况下，它们被集成到导航系统中，以替代导航卫星并提供预测性辅助测量信息。然而，由于预测模型无法提供绝对定位观测值，基于SINS的这些模型的预测精度会随时间降低。考虑到SINS误差具有一定的趋势，一些研究使用时间作为输入[24]。此外，为了解决模型精度下降引起的协方差估计问题，一些研究采用自适应参数来调整滤波器的收敛方向[8,10]，或将协方差相关参数纳入预测模型进行训练和优化[25,26]。

随着人工智能的快速发展，已经研究了各种NN结构来构建这些预测模型，其中循环神经网络（RNN），如GRU和LSTM，由于其序列预测能力，可以表现出更准确的预测性能[6,8,11,13,15,22]。这些方法在传统的陆地车辆导航场景中显示出有希望的性能。然而，将其应用于无人机导航仍然具有挑战性。与车载系统相比，无人机导航系统的IMU通常需要更高的采样率，因为它们的运动特性更高维，并且受到更复杂的高频振动和传感器噪声的影响。在这种情况下，具有高效并行计算能力、强大的长高频序列捕获能力和较低稳态传感器噪声敏感性的模型特别受欢迎。

时间卷积网络（TCN）由于其并行计算能力、较大的感受野和稳定的训练行为而成为一种有吸引力的替代方案。最近的研究证明了基于TCN的模型在序列预测任务中的有效性[10]。然而，单一的TCN模型主要强调时间依赖性提取，可能无法充分描述多维陀螺仪和加速度计测量之间的相关结构，这对于高动态无人机机动至关重要。为了解决这些限制，本文提出了一种基于注意力增强TCN的混合信息融合方法，用于GNSS信号缺失期间的无人机SINS/GNSS集成导航系统。首先，开发了一个基于TCN的时间特征提取模型，其并行计算机制提供了更高的计算效率和对抗稳态噪声的鲁棒性，适用于高动态、高振动的无人机惯性系统。然后，在预测模型中引入了自注意力模块，以捕获与多维陀螺仪和加速度计惯性序列之间的全局相关特征。通过联合利用时间动态和传感器间相关性，所提模型改善了GNSS中断期间无人机SINS/GNSS集成导航系统的定位误差预测和补偿。

本文的其余部分组织如下：第2节描述了所提出的混合信息融合方法，包括预测模型的设计和集成系统的执行过程。第3节介绍了验证所提方法的实验飞行测试，包括实验设置和详细结果。第4节进行了分析和讨论。第5节提出了结论。

**2. 方法**
**2.1 混合信息融合方案**
作为现代高精度定位、导航和定时（PNT）应用中的核心技术之一，SINS/GNSS集成解决方案旨在克服独立导航系统的固有局限性。然而，GNSS中断可能导致导航解决方案中的周期性不连续性和SINS误差的累积。因此，将一个智能预测模型集成到SINS/GNSS中，以替代GNSS，提供替代测量并减少GNSS信号缺失环境中的SINS误差。预测模型的主要目的是在GNSS运行时建立无人机动态特性与SINS水平位置误差漂移估计之间的相关性，从而在GNSS信号缺失期间提高滤波器的状态校正能力，表现为SINS和参考信息之间的误差观测值。

混合融合方案基于惯性参考松耦合模式，因为它具有高效率、灵活性和简单的结构，便于维护。在这种方案中，SINS和参考源独立运行，GNSS或预测模型作为辅助测量源，定期提供位置和速度观测值，以减轻INS的累积漂移。根据参考源的不同，所提出的导航策略包括两个不同的阶段：GNSS集成通道和预测器校正通道，如图1所示。

如图1所示，由于加速度计校准相对复杂，在本研究中，INS在通电后基于静止陀螺仪数据进行零偏重复性校准，然后进行捆绑式惯性导航计算和集成导航。为了减轻不可避免的系统噪声和测量噪声的影响，并实现导航系统状态信息的实时推断和更新，数据融合中使用了KF。相应的离散时间状态方程和测量方程可以表示为：

（公式此处省略）

本文采用局部东-北-上（ENU）地理坐标系作为导航参考框架。状态向量通常包括导航状态误差以及惯性传感器误差。状态向量可以设置为15维向量：

（公式此处省略）

其中表示计算出的导航框架相对于实际框架的错位角度。表示速度误差，表示位置误差。和分别表示车辆机体框架（-框架）中三个轴上的加速度计偏差和陀螺仪漂移。根据误差状态向量中各个组件的时间特性，并忽略一些小量的影响，根据SINS的线性误差方程构建状态转移矩阵：

（公式此处省略）

本文采用局部东-北-上（ENU）地理坐标系作为导航参考框架。状态向量通常包括导航状态误差以及惯性传感器误差。状态向量可以设置为15维向量：

（公式此处省略）

其中表示计算出的导航框架相对于实际框架的错位角度。表示速度误差，表示位置误差。和分别表示车辆机体框架（-框架）中三个轴上的加速度计偏差和陀螺仪漂移。基于误差状态向量中各个组件的时间特性，并忽略一些小量的影响，根据SINS的线性误差方程构建状态转移矩阵：

（公式此处省略）

其中上标和上标分别表示导航框架和车辆机体框架。表示-框架相对于i框架的角速度及其误差。和分别是地球自转速度及其在-框架中的误差，和分别是-框架相对于地球框架（-框架）的角速度及其误差。是用于将坐标从-框架转换到-框架的方向余弦矩阵。表示在-框架中由加速度计测量的特定力。和表示真实速度向量及其在-框架中的投影及其误差。和分别是子午线和主垂直方向的曲率半径。

在GNSS集成通道中，SINS和GNSS之间的六维速度和位置差异定义为测量向量，表示为，测量矩阵为：

（公式此处省略）

其中表示单位矩阵，其下标表示矩阵维度。

在每次更新GNSS测量之前，系统持续收集和存储来自IMU和SINS的部分输出。这些数据包含无人机的实时运动特性，用于构建时间输入序列，作为预测模型的训练基础。当滤波器根据GNSS测量更新状态向量时，输入序列记录周期完成。同时，记录参考校正信息，以建立与输入序列的映射关系，作为预测模型的相应训练输出。

这个记录过程根据滤波器的更新间隔不断重复，在此期间记录输入序列和相应的输出，并用于训练预测模型，直到建立稳定的映射关系。在GNSS信号缺失期间，导航系统切换到预测器校正通道。在此阶段，按照训练阶段的格式将时间序列输入到预训练的预测模型中。利用实时载体运动信息，模型计算参考校正信息，以观测向量的形式为集成滤波器执行测量更新和随后的状态校正。由于训练有素的预测模型具有固有的泛化能力，它计算出的参考校正信息在复杂飞行条件下提供了比收敛滤波器的恒定偏差状态校正更大的灵活性和准确性。为了保持模型预测准确性的稳定性，输入数据排除了高维的离散信息，如速度、位置或相关的误差。预测模型的输入序列主要由IMU数据组成，同时还包括偏航角序列，以增强-帧中的数据与-帧中的校正输出之间的相关性。预测模型包含两个组成部分：TCN序列特征建模和注意力增强的全局特征提取，它们具有不同格式的输入序列。对于时间卷积块，输入序列的具体表达式可以表示为：(5) 其中 和 分别是-帧中陀螺仪和加速度计输出的角度速度和特定力测量数据。下标 和 分别表示-帧的-轴、-轴和-轴。 是偏航角。下标 表示滤波器测量更新时间。 和 是序列长度，当GNSS更新率为1秒时，它对应于IMU的测量频率。

对于注意力增强块，输入序列将被分割成多个块，并仅使用IMU数据将其展平为一个序列。假设 是 的第n列，注意力增强块的输入序列可以展平为：(6) 每个 即单轴惯性传感器序列被分割成 个块：(7) 其中 由传感器序列长度 和块大小 决定：(8) 包含在 中的每个块向量可以表示为：(9) 在GNSS中断后的早期阶段，IMU和SINS的输出在较短的滤波器测量更新周期内保持相对稳定，达到厘米级的精度。尝试直接将这些输入映射到包含原始标准点定位GNSS位置数据的信息（该数据表现出米级噪声）可能会导致模型过拟合噪声、收敛困难以及局部泛化能力差等问题。因此，通过利用滤波器的抗噪声优势，采用融合过程的最优估计作为记录的参考输出。因此，在应用不同的滤波器或自适应参数以应对各种复杂环境的干扰时，这种输入-输出映射结构仍然具有适应性，并可以从架构改进中受益。考虑到GNSS拒绝的情况，例如电磁干扰或高建筑的遮挡，主要发生在几百米的低海拔地区，通过校准良好的消费级高度计可以有效地抑制海拔误差，预测模型专注于建模水平误差——特别是纬度和经度状态估计——以减少模型复杂性并提高训练效率和准确性。

基于预测的二维水平位置参考校正信息与集成滤波器的状态模型之间的关系，预测模型的输出定义如下：(10) 其中 是在GNSS可用期间测量更新时间 的滤波器的最优纬度和经度误差状态，作为预测模型的训练输出。 和 分别是推断出的输出测量向量和测量矩阵。

基于对混合集成方案的上述分析，需要构建一个回归NN模型，将多维传感器序列映射到参考状态校正信息，并将其纳入信息融合框架中。2.2. 注意力增强的TCN预测模型

时间网络适合构建预测模型，因为IMU序列和位置误差校正状态之间存在显著的时间依赖性。与陆地车辆安装的系统不同，无人机导航系统由于其高维运动特性而需要更高的测量频率，它们的惯性测量系统包含了来自电机、螺旋桨和机械共振的更多稳态噪声。因此，在这项工作中采用了TCN来构建回归预测模型，其并行处理机制提供了更高的计算效率，并且对稳态噪声具有更好的鲁棒性。实际上，RNN的“无限记忆”优势在很大程度上不存在，TCN比具有相同容量的循环架构具有更长的记忆[29]。TCN采用卷积结构而不是循环结构进行时间序列建模，结合了扩展的因果卷积和残差连接机制。因果卷积确保了序列的时间顺序得到保持，而膨胀卷积使模型能够在不增加网络深度的情况下捕获长距离依赖性。残差连接块增强了训练稳定性，并促进了更深层次架构中的学习。TCN的结构图如图2所示，以一个卷积滤波器大小为3的三层TCN为例。图2. TCN的结构图。在大规模时间序列建模场景中，卷积架构通常需要堆叠多层网络来有效扩展单个神经元的感受野。为了避免网络深度过大，TCN使用膨胀卷积来增加感受野。如图2所示，膨胀因子分别为1、2和4。通过堆叠三个膨胀因果卷积层，网络可以捕获长输入序列中的依赖性。膨胀因子遵循以2为底的指数序列，产生膨胀因子 ，其中 表示隐藏层索引。通过堆叠多个膨胀层，可以在不增加网络深度的情况下显著扩展感受野。

假设对输入序列应用了膨胀卷积，其公式表示如下[29]：(11) 其中 表示序列中的卷积结果， 表示核大小为 的滤波器，d是膨胀因子。增加网络深度可能会导致模型性能饱和甚至恶化。为了解决深度神经网络中常见的这种性能下降问题，设计了残差块。它们的本质在于构建一个跳过连接路径，使网络能够学习输入和输出之间的残差函数，而不是直接拟合复杂的映射。跳过连接通过身份映射或1×1卷积实现维度匹配。包括残差连接的膨胀因果卷积块的结构如图3所示。图3. 膨胀因果卷积残差块的结构（滤波器大小为3）。残差块主要由两个膨胀因果卷积层、权重归一化层、非线性激活函数（ReLU）和dropout组成。这些组件共同使块能够学习复杂的残差映射。

TCN通过卷积扩展和残差连接有效地增强了其捕获大规模序列特征的能力。然而，预测模型的输入包括三轴角速度、三轴特定力和航向角。显然，这些七维序列在位置估计误差和校正参考方面表现出强烈的相关性。为了捕获这些输入中的特征依赖性并将它们映射到参考位置校正输出，将自注意力网络纳入预测模型中。自注意力是一种注意力机制，可以建立不受空间距离限制的跨距离信息传播路径，并提取单个序列内任何位置之间的相关特征。自注意力编码器的示意图如图4所示。图4. 自注意力编码器的结构示意图。在嵌入和位置编码之后，输入序列分别乘以权重矩阵 、 和 。得到的矩阵 、 和 进行缩放点积注意力计算。具体来说，计算 和 之间的点积，通过因子1/进行缩放以防止梯度变得极小，然后通过SoftMax函数进行归一化，最后乘以矩阵 得到缩放点积注意力输出，其计算公式如下[30]：(12) 其中 、 和 分别表示查询矩阵、键矩阵和值矩阵。多头注意力机制使模型能够关注不同注意力子空间中的关键信息的不同位置。具体来说，输入数据通过单独的线性变换投影到多个子空间中，并通过缩放点积注意力计算获得不同的注意力权重表示。然后，所有头的输出被连接起来形成最终表示。数学公式如下：(13) (14) 其中 根据公式(12)计算。

基于上述原则和分析，构建的注意力增强TCN预测模型的示意图如图5所示。如图5所示，堆叠的TCN层作为主干网络，集成多头自注意力以增强全局时间依赖性的建模。图5. 注意力增强TCN预测模型的示意图。TCN的每一层包括一个1D卷积层、权重归一化层、ReLU激活函数层和dropout层在主路径中。一个并行的1×1卷积和身份映射作为残差分支，其输出通过加法层与主路径结合。同时，输入数据序列被提取、展平并分割成不同的块段。在位置嵌入之后，多头注意力层提取多轴传感器数据中的全局相关特征。TCN块和基于注意力的特征提取块的输出通过全局平均池化进行压缩，并投影为固定长度的特征向量。然后，这些向量被连接起来进行特征融合。最后，融合的特征通过全连接层传递，并映射到二维输出空间。TCN的卷积核大小设置为典型的3，滤波器数量设置为64。这些超参数是基于时间序列建模中的常见实践选择的，提供了短期动态特征提取、计算效率和过拟合控制之间的平衡。步长设置为1以保持时间连续性并避免丢失局部运动细节。

引入多头注意力层有效地增强了长距离建模能力，并减少了TCN中对过多层深度的需求。因此，TCN中卷积层的深度设置为5。通过定义膨胀因子，顶层的有效感受野超过了60个时间步长。为了匹配TCN的感受野，注意力模块的块长度设置为50个样本，使其能够有效地捕获不同感受野中的相关特征。本研究中使用的IMU的测量频率为400 Hz。根据公式(8)，这导致每个传感器轴有8个块，六个轴输入序列总共有48个块。

为了验证预测模型的结构合理性和鲁棒性，训练参数是根据序列建模研究中的典型值选择的。详细模型和训练参数配置总结在表1中。表1. 模型和训练参数配置。为了进一步评估所提出模型的泛化能力和所提出的融合方法的有效性，所有后续实验和分析都使用表1中指定的相同训练模型和参数进行，避免因场景特定调整而影响泛化能力和所提出方法在不同实验条件下的实际适用性。3. 实验 3.1. 数据集描述

为了验证所提出方法的性能，在配备SINS/GNSS集成导航系统的六轴旋翼无人机平台上进行了飞行实验。实验的硬件平台和配置如图6所示，主要具体参数总结在表2中，其中m、s、h、mg和ug分别表示米、秒、小时、毫重力和微重力。SINS中使用的是采样率为400 Hz的自主研发的MEMS IMU。GNSS接收器是北京BDStar Navigation有限公司开发的UM482，采样率为1 Hz，设置为GPS信号模式。实时数据处理和收集单元是GD32H7微控制器单元（MCU），用于实时数据处理和数据收集。IMU和GNSS数据分别使用独立的直接内存访问（DMA）和中断控制器进行采样和存储，以确保数据同步。图6. 飞行实验中的数据采集平台。表2. 主要导航设备的规格。飞行实验在中国江苏省南京市浦口区进行。在起飞之前，无人机被放置在地面上，并且机载系统被启动。启动后立即，数据采集平台开始连续记录所有传感器的测量数据。在最初的0-60秒期间，系统保持静止状态，以完成卫星信号采集、陀螺仪零偏校准以及导航解决方案所需的初始化程序，包括SINS初始对准和随后激活SINS/GNSS集成导航模式。这一地面初始化阶段被排除在有效飞行数据集之外。初始化过程完成后，无人机在61秒时起飞，并垂直爬升至最大高度490米。然后它向北飞行，在此期间进行了短暂的飞行稳定性测试，之后转向东方向目的地前进。水平飞行轨迹使用Google Maps（https://www.google.com/maps，访问日期为2026年4月20日）进行绘制，其中起飞位置和目的地航点分别用圆形和方形符号标记。无人机在613秒时到达目的地，此时数据采集终止，数据集也完成。因此，记录的总数据集持续时间为613秒，而用于分析的有效飞行数据覆盖了553秒（从61秒到613秒）。速度剖面显示在图8中。图7展示了飞行实验中的水平飞行轨迹。图8展示了飞行实验中的飞行速度。

3.2. 实验数据集划分
所有飞行实验数据根据导航工作流程和模拟的GNSS中断场景被划分为三个时间上独立的部分。
第一部分对应于起飞后的早期飞行阶段，从第61秒到第373秒。在此期间，GNSS信号完全可用。这些数据主要用于验证飞行状态的稳定性，并使SINS/GNSS集成导航滤波器从其初始化状态收敛到稳定运行状态。将这一部分从模型训练和测试中排除也有助于避免起飞后可能出现的瞬态误差的影响。
为了评估在GNSS不可用条件下的提出方法，假设无人机在任务的第493秒进入了GNSS中断区域。因此，提取了到达目的地前的最后240秒飞行数据，并将其均匀划分为两个连续的120秒部分。
第二部分从第374秒到第493秒，代表GNSS正常可用下的预中断阶段。这一部分用于模型训练，使提出的网络能够学习GNSS丢失前的近期运动动态和传感器误差特性。
第三部分从第494秒到第613秒，代表信号中断后的模拟GNSS不可用阶段。在此期间，GNSS测量数据被从导航系统中屏蔽，提出的方法用于预测SINS解决方案的导航状态校正。这一部分的定位和状态估计性能被用来验证提出方法在GNSS中断条件下的有效性。验证方案如表3所示。表3列出了实验验证方案的时间分配。通过比较四种融合策略在模拟GNSS不可用区域运行时的水平定位和速度误差，验证了提出的预测模型结构和信息融合方案的有效性：（1）仅使用SINS；（2）SINS结合收敛的KF预测；（3）SINS结合基于TCN的校正；（4）SINS结合提出的TCN-Attention校正模型。在GNSS不可用条件下的性能验证使用了三种验证场景，分别标记为实验1-3，每种场景旨在检验不同中断持续时间和时间条件下的提出方法。
实验1评估了从第494秒到第553秒的60秒验证间隔内的短期GNSS中断性能。在此场景中，模型使用之前的GNSS可用数据段进行训练，并比较了四种方法在无人机在GNSS不可用区域内运行一分钟后的定位和速度准确性。
实验2使用与实验1相同的60秒GNSS中断验证间隔，但在训练数据结束和验证期开始之间引入了30秒的时间间隔。具体来说，从第494秒到第523秒的间隔被排除在训练之外，被视为未观测的过渡期。这一场景旨在评估模型在时间分布变化和适应运动动态变化方面的鲁棒性。
实验3评估了从第494秒到第613秒的120秒间隔内的长期GNSS中断性能。在这种情况下，中断前的训练段和中断验证段都设置为120秒，从而在训练和测试之间提供了等长的分割。这一场景旨在比较不同方法在长时间GNSS中断下的长期预测稳定性和累积误差抑制能力。
所有实验都使用了相同的TCN和TCN-Attention模型，这些模型是在指定的模型训练段（第374秒到第493秒）上使用表1中列出的参数设置进行训练的。对于不同的验证场景，没有进行重新训练或参数调整。这种统一的评估协议是必要的，以确保实验之间的公平比较，并消除特定于场景的调整影响，从而客观评估提出方法在不同GNSS中断条件下的泛化能力和实际应用性。基于上述实验设置，下面展示了三种验证场景的比较结果，每个实验都关注GNSS中断导航性能的不同方面。

3.3. 实验1
实验1旨在测试当无人机在GNSS不可用区域内飞行超过60秒时，提出方法的位置校正性能。图9显示了仅使用SINS、结合收敛KF预测的SINS（简称KF Prediction）、结合TCN的SINS（简称TCN）以及结合TCN-Attention的SINS（简称TCN-Attention）的参考飞行轨迹和相应的定位结果。图10展示了实验1中无人机在GNSS不可用区域内飞行超过60秒时四种方法的水平定位误差。表4提供了实验1中水平定位误差的相应比较结果。图11展示了实验1中四种方法的东西向和北向速度误差。表5提供了速度误差的相应比较结果。

3.4. 实验2
实验2旨在测试在存在时间间隔的不连续分割情况下，提出方法的位置校正性能。GNSS中断持续时间仍为60秒，但相对于训练轨迹有一个30秒的间隔。图12显示了仅使用SINS、结合收敛KF预测的SINS、结合TCN的SINS以及结合TCN-Attention的SINS的参考飞行轨迹和相应的定位结果。图13展示了实验2中四种方法的水平定位误差。表6提供了实验2中水平定位误差的相应比较结果。图14展示了实验2中四种方法的东西向和北向速度误差。表7提供了速度误差的相应比较结果。

3.5. 实验3
实验3旨在测试在长时间连续分割情况下，提出方法的位置校正性能。当无人机在GNSS不可用区域内飞行120秒后，图15显示了参考轨迹和相应的定位结果。图16展示了无人机在GNSS不可用区域内飞行超过2分钟时四种方法的水平定位误差。表8提供了实验3中水平定位误差的相应比较结果。图17展示了实验3中四种方法的东西向和北向速度误差。表9提供了速度误差的相应比较结果。

4. 讨论
从图10、图13和图16，以及表4、表6和表8可以看出，在实验1-3中，所有三种辅助策略都显著降低了相对于仅使用SINS解决方案的最大水平定位误差。水平定位和速度误差是作为其相应二维分量误差的欧几里得范数计算的。与仅使用SINS相比，结合了收敛KF预测部分的SINS解决方案分别减少了20%、26%和26%。这表明即使没有进一步的GNSS更新，之前收敛的滤波器状态仍然可以为惯性误差的增长提供有用的短期补偿。当通过数据驱动的校正模型进一步引入实时运动信息时，获得了更大的改进。基于TCN的方法分别减少了24%、32%和31%的最大水平定位误差，表明时间卷积在从中断前的惯性序列中学习近期动态误差演变方面是有效的。通过注意力机制进一步结合与机动性相关的特征提取后，提出的TCN-Attention方法取得了最佳的整体性能，误差分别减少了26%、35%和34%。额外的增益表明，在多维惯性测量之间建模通道依赖性是有益的，特别是在无人机运动高度动态的情况下。
在图11、图14和图17以及表5、表7和表9中显示的水平速度结果中也观察到了类似的趋势。对于基于学习的方法，尽管观测向量仅包含纬度和经度误差估计，但速度误差也通过SINS误差状态方程的递归传播得到间接约束。与仅使用SINS相比，结合收敛KF预测的方法在实验1-3中分别减少了25%、23%和26%的最大水平速度误差。基于TCN的方法进一步将这些减少幅度提高到了27%、27%和31%，而提出的TCN-Attention方法实现了最大的减少幅度，分别为29%、29%和35%。这些结果表明，收敛的KF预测部分对于短期补偿仍然有效，因为之前估计的参数（如传感器零偏状态）与当前的惯性系统仍然一致。然而，一旦测量更新不可用，这些固定估计就无法适应飞机的机动变化或传感器行为的变化，从而导致校正能力逐渐受限。两种基于学习的校正方法在GNSS中断期间的水平定位和速度准确性方面都优于传统的KF预测策略，因为它们能够适应性地利用最近的IMU运动序列来估计变化的导航误差。在此基础上，提出的TCN-Attention框架在所有三个实验中都比仅使用TCN的模型取得了额外的性能提升。这表明，通过利用与无人机机动相关的全球通道依赖性，额外的注意力机制进一步捕捉了近期IMU运动动态与累积SINS导航误差之间的关系，从而提高了校正精度。此外，在实验2和3中，当引入时间不匹配或更长的中断持续时间时，性能优势更加明显。这表明提出的方法对变化的运动条件具有更强的鲁棒性，并且在较长的GNSS中断间隔内具有更强的累积惯性漂移抑制能力，这解释了其在不同验证场景中始终表现优越的原因。

5. 结论
本文提出了一种基于注意力增强的TCN的混合无人机SINS/GNSS信息融合方法，该方法可以在不需要额外传感器的情况下进一步抑制GNSS不可用条件下的惯性导航误差。通过利用TCN的高计算效率和其对稳态噪声的鲁棒性，引入了一种自注意力机制来解决卷积网络在捕捉多维传感器序列中的长距离特征相关性方面的局限性。基于从无人机SINS/GNSS集成导航系统收集的真实飞行数据，进行了三项实验，包括短视距和长视距连续分割、存在时间间隔的不连续分割，以及涉及自注意力模块的消融研究。实验结果表明，与独立的TCN模型相比，所提出的预测模型和数据融合方案通过多维特征提取和建模，在惯性测量与定位误差校正之间建立了更准确的映射，从而展现了更强的状态校正能力。此外，由于该预测模型使用融合后的状态作为训练目标来减轻观测噪声，因此该框架具有扩展到其他传感器融合架构的潜力。通过将集成导航系统的融合定位输出作为监督参考，模型可以学习惯性数据与最优或次优参考校正状态之间的关系，从而在传感器退化或故障条件下提供冗余的校正信息。

尽管取得了令人鼓舞的结果，但仍存在一些局限性。首先，与其他混合型NN-KF架构类似，神经网络提供的观测数据的协方差必须仔细指定。由于本研究的主要贡献在于回归预测模型的结构，本文采用了传统的基于残差的恒定参数化方法。未来的研究可以结合基于创新统计的自适应协方差估计，或者将其整合到神经网络建模中以学习不确定性。其次，本研究的实验验证使用了单一飞行数据集和相对有限的飞行任务剖面。测试的轨迹主要由具有中等机动过渡的直线飞行段组成，这代表了许多低空无人机的操作路径。然而，仍需要在更多样化的飞行模式下进行更广泛的验证。因此，还需要在更多样化的轨迹、剧烈转弯机动、高度变化的任务以及未见过的操作条件下进行进一步验证。未来的工作可能会研究在线适应、持续学习或领域泛化策略以提高模型的鲁棒性。最后，尽管所提出的模型在多个模拟的GNSS拒绝验证设置中展现了良好的泛化能力，但训练过程是基于从一个平台和一种传感器配置收集的数据。涉及不同无人机平台、IMU等级、载荷条件以及环境干扰的额外研究将有助于评估跨平台的可移植性和鲁棒性。