面向多元未知环境的基于深度高斯过程组合导航轨迹预测方法

传统惯导/卫导组合导航在多元复杂环境下易受干扰，从而导致观测量异常影响导航性能。以无人驾驶车辆为研究对象，展开提升组合导航系统导航精度的研究。采用深度高斯过程(deep Gaussian process, DGP)辅助估计位置的方法减小组合导航误差，提高定位性能。基于DGP的辅助导航方法不仅可以预测无人驾驶车辆的标称轨迹，同时可以预测各时刻位置可信区间的概率分布，为基于深度学习模型的数据融合预测方法提供了严格的理论解释性。真实历史数据下的多重对比实验表明，该算法较传统深度神经网络算法具有更高的精度和可靠性。基于DGP的辅助导航方式能有效提高全球卫星定位系统信号失锁时的导航模型性能，实验表明相对于纯惯性导航系统(integral navigation system, INS)解算和长短期记忆(long and short term memory, LSTM)进行导航信号补偿定位精度分别提高了97.32%和52.13%。