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!
申请/专利权人:中南大学
摘要:本发明公开了一种基于深度神经网络的陀螺仪误差标定方法,包括将待标定的陀螺仪安装在静基座平台上,分析待随机误差并建立随机误差时域模型;将待标定的陀螺仪安装在三轴转台上并采样得到去除随机误差后的观测值;重复以上步骤得到实验数据;构建陀螺仪原始输出数据集;构建陀螺仪误差标定原始模型并训练得到陀螺仪误差标定模型;采用陀螺仪误差标定模型进行实际的陀螺仪的误差标定。本发明在标定前一定程度的排除了随机误差的影响,实现了端到端的预测,能够快速处理并记忆大量历史行为特征,并且具有强大的表达能力,而且可靠性高,而且精度较高。
主权项:1.一种基于深度神经网络的陀螺仪误差标定方法,包括如下步骤:S1.将待标定的陀螺仪安装在静基座平台上,并分析待标定的陀螺仪的随机误差,从而建立随机误差时域模型;具体包括如下步骤:将待标定的陀螺仪安装在静基座平台上,使得IMU坐标系的前、右、下对准当地水平坐标系的北、东、地;然后静止放置时间T,记录若干组观测值;计算陀螺仪三轴静态输出的Allan方差,从而建立Allan标准差与平均时间τ的关系曲线;所述关系曲线包括五条直线:量化噪声曲线:其中Q为量化噪声;角度随机游走曲线:其中N为角度随机游走值;零偏稳定性系数曲线:其中B为零偏稳定性系数;角速率随机游走曲线:其中K为角速率随机游走值;速率斜坡曲线:其中R为速率斜坡值;设定各个误差源以相互独立的高斯白噪声建模,从而得到陀螺仪的随机误差时域模型V为:Viτ=Qψ1τ+Nψ2τ+Kψ3τ+Bψ4τ+Rψ5τ式中ψ1τ~ψ5τ均为独立的高斯白噪声;i取值为x、y或z,并对应于陀螺仪的三轴;S2.将待标定的陀螺仪安装在三轴转台上并进行采样,基于步骤S1获取的随机误差时域模型进行分析,得到去除随机误差后的观测值;具体为将陀螺仪安装在三轴转台上,采用六位置法进行采样,采集得到的观测值A作为卡尔曼滤波器的真实输入Zk,将误差模型V作为卡尔曼滤波器的测量误差eMEA_k,陀螺仪的理论输出M作为卡尔曼滤波器的估计值随机常数作为卡尔曼滤波器的初始估计误差eEST_0,最终得到去除随机误差后的观测值A';S3.重复步骤S1~S2若干次,得到若干组实验数据;S4.根据步骤S3得到的若干组实验数据,以去除随机误差后的观测值作为样本,以对应的真值作为样本标签,构建陀螺仪原始输出数据集;S5.构建陀螺仪误差标定原始模型,并采用步骤S4得到的陀螺仪原始输出数据集进行训练,得到陀螺仪误差标定模型;具体包括如下步骤:构建陀螺仪误差标定原始模型:模型包括Wide广义线性模型和Deep深度神经网络;Wide广义线性模型用于拟合线性误差,Deep深度神经网络用于拟合非线性误差;根据陀螺仪的理论输出模型Wide广义线性模型的稀疏向量输入层分别为到陀螺仪的X、Y、Z三轴的对应真值;经过Wide广义线性模型处理后,输出包含线性误差的三轴估计值的和值;Deep深度神经网络的稀疏向量输入层为陀螺仪的X、Y、Z三轴的测量值、X、Y、Z三轴的加速度值和温度系数;经过Deep深度神经网络处理后,输出向量;将Deep深度神经网络的输出向量与Wide广义线性模型的输出一同作为最后一个隐含层的输入;输出层将输出补偿后的角速度;然后,采用步骤S4得到的陀螺仪原始输出数据集进行训练,得到训练后最优的陀螺仪误差标定模型;S6.采用步骤S5得到的陀螺仪误差标定模型,进行实际的陀螺仪的误差标定。
全文数据:
权利要求:
百度查询: 中南大学 基于深度神经网络的陀螺仪误差标定方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。