基于ANFIS的MINS/GNSS组合导航系统GNSS中断期间新位置预测方法

《Electronics》：A New Position Prediction Method Based on ANFIS for MINS/GNSS Integrated Navigation System During GNSS Outages

　　

全球导航卫星系统（GNSS）具有高精度定位能力，是移动终端定位的重要组成部分。然而，在城市环境中，卫星信号易受高层建筑和隧道遮挡与反射，导致定位失效。此时，基于微机电系统（MEMS）技术制造的惯性传感器成为实现连续定位的关键。虽然微惯性导航系统（MINS）与GNSS融合能够持续输出位置信息，但随时间推移，位置误差会不断累积并发散。针对GNSS不可用时组合导航系统位置误差发散问题，研究人员提出了一种基于自适应神经模糊推理系统（ANFIS, Adaptive Neuro-Fuzzy Inference System）的预测模型，并给出模型参数获取方法。该模型以载体坐标系中的位置误差为输出，以GNSS中断持续时间、加速度计数据和陀螺仪数据为输入；其中，后件参数采用最小二乘法（LS, Least Squares）估计，前件参数采用遗传算法（GA, Genetic Algorithm）优化。实验表明，当GNSS中断持续60 s时，所提方法在6个中断区段内将水平定位最大误差降低80%，说明该方法对MINS/GNSS组合导航误差预测具有较强潜力。

在智能化发展背景下，无人机、无人车等移动终端广泛应用，精准定位成为关键研究问题。GNSS作为实时定位手段，在复杂城市环境中常因遮挡而失效，导致组合导航系统无法维持可靠定位。低成本MEMS惯性器件虽具备体积小、成本低等优势，但其静态偏置、非正交误差、比例因子误差及温漂等问题会造成误差积累，尤其在GNSS中断期间使MINS/GNSS组合系统的定位精度迅速下降。为缓解这一问题，已有研究主要从三方面展开：一是提高MEMS惯性器件测量精度，但温漂标定依赖昂贵设备；二是增加里程计、磁力计、视觉等附加传感器，但会提高系统成本；三是利用预测模型约束发散误差，但现有方法存在输出变量选择不合理、参数获取过程不清晰等不足。基于此，研究人员在完成静态偏置补偿后，提出一种新的ANFIS位置误差预测模型，以载体坐标系位置误差作为输出，避免以导航坐标系误差为输出时在转弯场景下产生更大偏差。该研究的核心贡献在于建立了新的误差预测输出形式，并给出了在线训练与参数求解方法。论文发表于《Electronics》。
在方法上，研究人员首先构建了松耦合（loose coupling）MINS/GNSS组合导航系统，利用卡尔曼滤波（Kalman filtering）估计姿态、速度和位置误差状态，再以GNSS位置与MINS推算位置之差作为量测信息。随后，基于Takagi-Sugeno模糊系统建立ANFIS模型：采用广义钟形隶属函数作为模糊化基础，通过规则层、归一化层、去模糊层与输出层实现误差映射。针对参数求解，后件参数由最小二乘法估计，前件参数由遗传算法搜索优化。实验部分使用车载MEMS IMU（ADIS16470）、GNSS接收机以及参考系统CGI-610采集数据，在9段GNSS中断路段上验证方法性能。总体结果表明，该方法在多数中断场景下可有效预测部分定位误差并提升定位精度，且优于传统KF、RBF和已有ANFIS方法。
研究结果主要体现在以下几个方面。首先，在模型设计上，研究人员证明采用载体坐标系误差作为输出更适合描述车辆在不同航向下的误差传播规律，尤其适用于转弯与方向变化场景。其次，在参数估计上，研究人员将ANFIS的前件与后件参数分开求解，分别采用GA与LS，提高了模型训练的可操作性。再次，在实测验证中，9个60 s GNSS中断区段的结果显示，所提方法在多数区段的水平位置误差与RMSE均优于无预测KF、RBF及参考ANFIS方法；其中6个区段最大水平误差降低80%，其余3个区段分别降低31%、47%和35%。此外，研究还指出该方法的训练耗时存在波动，主要与程序未充分优化及GA的随机性有关。
从讨论与结论看，该研究表明，基于ANFIS的载体坐标系位置误差预测方法能够在GNSS中断时对MINS/GNSS组合导航的误差发散进行有效抑制，具有实际应用潜力。其优势在于输出变量更符合车辆运动状态，且在线建模方式适用于短时中断场景；但研究人员也明确指出，当前方法仍存在训练时间不稳定、测试数据量有限等不足，后续需进一步优化模型与参数更新机制，并扩充数据集验证其泛化能力。总体而言，该文为低成本MEMS惯导在复杂环境下的连续定位提供了一种可行的误差预测思路。