CN106546261A - 一种基于虚拟现实设备的角度数据补偿方法及装置 - Google Patents
一种基于虚拟现实设备的角度数据补偿方法及装置 Download PDFInfo
- Publication number
- CN106546261A CN106546261A CN201610834687.8A CN201610834687A CN106546261A CN 106546261 A CN106546261 A CN 106546261A CN 201610834687 A CN201610834687 A CN 201610834687A CN 106546261 A CN106546261 A CN 106546261A
- Authority
- CN
- China
- Prior art keywords
- component
- angle
- angle component
- compensation
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- User Interface Of Digital Computer (AREA)
- Gyroscopes (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于虚拟现实设备的角度数据补偿方法及装置。该方法包括:获取陀螺仪采集的角速度分量并根据角速度分量获取第一角度分量;根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量;判断补偿后的第一角度分量是否达到稳定;若补偿后的第一角度分量达到稳定,输出补偿后的第一角度分量至虚拟现实设备。通过上述方式,本发明能够提高陀螺仪输出至虚拟现实设备的角度数据的准确性,进而可以提高用户对虚拟现实设备的使用时的体验度。
Description
技术领域
本发明涉及虚拟现实设备领域,特别是涉及一种基于虚拟现实设备的角度数据补偿方法及装置。
背景技术
随着虚拟现实设备的火爆,虚拟现实设备的用户体验度越来越受到关注。而虚拟现实设备的主要用户体验为视角宽度、景深、沉浸感以及画面延迟对大脑的眩晕等,其中沉浸感和画面延迟的很大一部分原因来自于陀螺仪输出的角度数据的准确性。当从陀螺仪获取的角度数据存在误差,且存在误差的角度数据直接被虚拟现实设备调用时,将会使虚拟现实设备在运动过程中出现偏差,进而使得虚拟现实设备中的静态画面出现抖动现象。
因此,如何提高陀螺仪输出的角度数据的准确性以提高用户的体验度,是个亟待解决的问题。
发明内容
本发明主要解决的技术问题是提供一种基于虚拟现实设备的角度数据补偿方法及装置,能够提高陀螺仪输出的角度数据的稳定性和准确性。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于虚拟现实设备的角度数据补偿方法,该方法包括:获取陀螺仪采集的角速度分量并根据角速度分量获取第一角度分量;根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量;判断补偿后的第一角度分量是否达到稳定;若补偿后的第一角度分量达到稳定,输出补偿后的第一角度分量至虚拟现实设备。
其中,获取陀螺仪采集的角速度分量并根据角速度分量获取第一角度分量的步骤具体为:获取陀螺仪采集的角速度分量并对角速度分量进行卡尔曼滤波;对经卡尔曼滤波后的角速度分量进行积分以获取第一角度分量。
其中,根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量的步骤包括:获取加速度计采集的加速度分量,根据加速度分量获取加速度角度;根据神经网络自学习算法利用加速度角度获取第二角度分量;其中,第二角度分量满足如下公式:
其中,yj为第二角度分量,oi为加速度角度,wij为是由上一层的单元i到单元j的连接权值,θj为单元j的偏移值;
根据第二角度分量对第一角度分量进行补偿以获取补偿后的第一角度分量;其中,补偿后的第一角度分量满足如下公式:
αj=αj'+βjwj+yj(1-wj);
其中,αj为补偿后的第一角度分量,βj为第一角度分量,yj为第二角度分量,wj为补偿权重,j'为上一状态值。
其中,判断补偿后的第一角度分量是否达到稳定的步骤具体为:获取上次补偿后的第一角度分量对应的第一k值和当前补偿后的第一角度分量对应的第二k值;判断第二k值和第一k值的差值是否小于预定门限值;若第二k值和第一k值的差值小于预定门限值,则判定当前补偿后的第一角度分量达到稳定;
其中,k值满足如下公式:
其中,k为补偿后的第一角度分量对应的k值,αj为补偿后的第一角度分量,wj为补偿权重。
其中,该方法进一步包括:若补偿后的角速度未达到稳定,继续执行根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量的操作。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种基于虚拟现实设备的角度数据补偿装置,该装置包括:获取模块,设置在虚拟现实设备中,用于获取陀螺仪采集的角速度分量并根据角速度分量获取第一角度分量;补偿模块,设置在虚拟现实设备中,与获取模块连接,用于根据神经网络自学习算法利用加速度计获取的加速度分量对获取模块获取的第一角度分量进行补偿以获取补偿后的第一角度分量;判断模块,设置在虚拟现实设备中,与补偿模块连接,用于判断补偿模块补偿后的第一角度分量是否达到稳定;处理模块,设置在虚拟现实设备中,与判断模块连接,用于当判断模块判断补偿后的第一角度分量达到稳定时,输出补偿后的第一角度分量至虚拟现实设备。
其中,获取模块包括:滤波单元,用于获取陀螺仪采集的角速度分量并对角速度分量进行卡尔曼滤波;积分单元,与滤波单元连接,用于对滤波单元进行卡尔曼滤波后的角速度分量进行积分以获取第一角度分量。
其中,补偿模块包括:第一获取单元,用于获取加速度计采集的加速度分量,根据加速度分量获取加速度角度;第二获取单元,与第一获取单元连接,用于根据神经网络自学习算法利用第一获取单元获取的加速度角度获取第二角度分量;其中,第二角度分量满足如下公式:
其中,yj为第二角度分量,oi为加速度角度,wij为是由上一层的单元i到单元j的连接权值,θj为单元j的偏移值;
补偿单元,与第二获取单元和获取模块连接,用于根据第二获取单元获取的第二角度分量对获取模块获取的第一角度分量进行补偿以获取补偿后的第一角度分量;其中,补偿后的第一角度分量满足如下公式:
αj=αj'+βjwj+yj(1-wj);
其中,αj为补偿后的第一角度分量,βj为第一角度分量,yj为第二角度分量,wj为补偿权重,j'为上一状态值。
其中,判断模块用于:获取上次补偿后的第一角度分量对应的第一k值和当前补偿后的第一角度分量对应的第二k值;判断第二k值和第一k值的差值是否小于预定门限值;若第二k值和第一k值的差值小于预定门限值,则判定当前补偿后的第一角度分量达到稳定;其中,k值满足如下公式:
其中,k为补偿后的第一角度分量对应的k值,αj为补偿后的第一角度分量,wj为补偿权重。
其中,当判断模块判断补偿后的第一角度分量未达到稳定时,处理模块还用于控制补偿模块继续执行根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量的操作。
本发明的有益效果是:区别于现有技术的情况,本发明的基于虚拟现实设备的角度数据补偿方法及装置根据神经网络自学习算法利用加速度计获取的加速度分量对陀螺仪获取的角度分量进行补偿,使得补偿后的角度分量达到稳定,从而提高了陀螺仪输出的角度分量的准确性,减少了误差,进而提高了用户对虚拟现实设备使用时的体验度。
附图说明
图1是本发明实施例的基于虚拟现实设备的角度数据补偿方法的流程图;
图2是本发明实施例的基于虚拟现实设备的角度数据补偿装置的结构示意图;
图3是本发明实施例的虚拟现实设备的一实体装置的结构示意图。
具体实施方式
在说明书及权利要求书当中使用了某些词汇来指称特定的组件。所属领域中的技术人员应可理解,制造商可能会用不同的名词来称呼同样的组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的基准。下面结合附图和实施例对本发明进行详细说明。
图1是本发明实施例的基于虚拟现实设备的角度数据补偿方法的流程图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括步骤:
步骤S101:获取陀螺仪采集的角速度分量并根据角速度分量获取第一角度分量。
在步骤S101中,获取陀螺仪采集的角速度分量并根据角速度分量获取第一角度分量的步骤具体为:获取陀螺仪采集的角速度分量并对角速度分量进行卡尔曼滤波;对经卡尔曼滤波后的角速度分量进行积分以获取第一角度分量。
在本实施例中,陀螺仪为MEMS(Micro-Electro-Mechanical System,微机电系统)中的陀螺仪也即三轴陀螺仪,其采集到的角速度分量为三个轴上的角速度分量。
在MEMS中,陀螺仪采集的角速度分量存在环境偏差噪声及测量偏差噪声等,在一般情况下,这些噪声近似于高斯白噪声(噪声的数学期望值是0,成正态分布,方差是σ2)。其中,对角速度分量进行卡尔曼滤波满足A,H的系统模型,其具体如下所示:
X(k)=AX(k-1)+BU(k-1)+ΓW(k-1);
Z(k)=HX(k)+V(k)
其中,X(k)为状态变量(也就是理想值),U(k)为控制量,W(k)为环境偏差噪声,A为状态转移矩阵,B为控制输入矩阵,Γ为噪声系数,k-1为上一状态值,Z(k)为角速度分量的测量值,H为观测矢量,V(k)为观测噪声。
按照上述系统模型进行卡尔曼滤波,此时,前一状态的角速度分量的测量值与前一状态的理想值的方差P(k-1)根据如下公式计算:
P(k-1)=(Z(k-1)-X(k-1))2;
进一步,预计偏差P(k|k-1)根据如下公式进行计算:
P(k|k-1)=P(k-1)+Q;
其中,Q为环境偏差噪声W(k)的方差。
卡尔曼增益Kg根据如下公式进行计算:
其中,R为观测噪声V(k)的方差。
此时,经卡尔曼滤波后的角速度分量Xkf(k)根据如下公式继续计算:
Xkf(k)=Z(k-1)+Kg*(Z(k)-Z(k-1));
同时,更新当前状态的角速度分量的测量值与当前状态的理想值的方差P(k),其根据如下公式计算:
P(k)=(1-Kg*H)P(k|k-1)。
延续上述的处理流程,对每个角速度分量进行卡尔曼滤波,从而能够收敛角速度分量的测量值的偏差,随后对经卡尔曼滤波后的角速度进行积分以获取第一角度分量。其中,当长时间积分时容易出现积分误差,从而使得第一角度分量偏离正确值,为避免该问题,需要对第一角度分量进行补偿。
步骤S102:根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量。
在步骤S102中,根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量的步骤具体为:
S1、获取加速度计采集的加速度分量,根据加速度分量获取加速度角度。其中,加速度角度为加速度方向对应三轴瞬时矢量的夹角。
S2、根据神经网络自学习算法利用加速度角度获取第二角度分量,其中,第二角度分量满足如下公式:
其中,yj为第二角度分量,oi为加速度角度,wij为是由上一层的单元i到单元j的连接权值,θj为单元j的偏移值。
由于第二角度分量yj包括三轴也即X轴、Y轴和Z轴的分量,分别记为y1,y2和y3,加速度角度oi对应包括X轴、Y轴和Z轴的分量,分别记为o1,o2和o3,则上述公式展开后具体为:
y1=ω11o1+ω21o2+ω31o3+θ1
y2=ω12o1+ω22o2+ω32o3+θ2;
y3=ω13o1+ω23o2+ω33o3+θ3
本领域的技术人员可以理解,当步骤S103判断补偿后的第一角度分量没有达到稳定并再次执行步骤S102时,需要对连接权值wij和偏移值θj进行更新。其中,获取更新后的连接权值wij和偏移值θj具体如下所示:
首先,通过S型函数以及给定第二角度分量yj,则单元j的输出Oj根据如下公式计算:
则继续向后传输的误差Errj为:
Errj=Oj(1-Oj)(Tj-Oj);
其中,Tj是单元j基于给定训练样本的已知类标号的真正输出。
此时,连接权值wij的增量Δwij根据如下公式计算:
Δwij=(l)Errjoi;
其中,l为学习率,更新后的连接权值wij为连接权值wij和连接权值wij的增量Δwij的和值。
偏移值θj的增量Δθj根据如下公式计算:
Δθj=(l)Errj;
其中,l为学习率,更新后的偏移值θj为偏移值θj和偏移值θj的增量Δθj的和值。
当连接权值wij和偏移值θj进行更新后,加速度角度oi对应为更新后的输出Oj时,继续上述步骤S2的处理过程即可获得更新后的第二角度分量,然后继续执行步骤S3。
S3、根据第二角度分量对第一角度分量进行补偿以获取补偿后的第一角度分量,其中,补偿后的第一角度分量满足如下公式:
αj=αj'+βjwj+yj(1-wj);
其中,αj为补偿后的第一角度分量,βj为第一角度分量,yj为第二角度分量,wj为补偿权重,j'为上一状态值。
由于第一角度分量βj包括X轴、Y轴和Z轴的分量,分别记为β1,β2和β3。本领域的技术人员可以理解,第一角度分量βj为步骤S101中对角速度分量进行积分后得到的值。补偿后的第一角度分量包括X轴、Y轴和Z轴的分量,分别记为α1,α2和α3,则上述公式展开后具体为:
α1=α1'+β1w1+y1(1-w1)
α2=α2'+β2w2+y2(1-w2);
α3=α3'+β3w3+y3(1-w3)
步骤S103:判断补偿后的第一角度分量是否达到稳定,若是,执行步骤S104,否则继续执行步骤S102。
在步骤S103中,判断补偿后的第一角度分量是否达到稳定的步骤具体为:获取上次补偿后的第一角度分量对应的第一k值和当前补偿后的第一角度分量对应的第二k值;判断第二k值和第一k值的差值是否小于预定门限值;若第二k值和第一k值的差值小于预定门限值,则判定当前补偿后的第一角度分量达到稳定。
其中,k值满足如下公式:
其中,k为补偿后的第一角度分量对应的k值,αj为补偿后的第一角度分量,wj为补偿权重。
其中,上述公式展开后具体为:
k=α1ω1+α2ω2+α3ω3。
步骤S104:输出补偿后的第一角度分量至虚拟现实设备。
在步骤S104中,当步骤S103判断补偿后的第一角度分量达到稳定后,输出补偿后的第一角度分量至虚拟现实设备。
图2是本发明实施例的基于虚拟现实设备的角度数据补偿装置的结构示意图。如图2所示,该装置包括:获取模块21、补偿模块22、判断模块23和处理模块24。
获取模块21设置在虚拟现实设备中,用于获取陀螺仪采集的角速度分量并根据角速度分量获取第一角度分量。
具体来说,获取模块21包括滤波单元211和积分单元212。滤波单元211用于获取陀螺仪采集的角速度分量并对角速度分量进行卡尔曼滤波;积分单元212与滤波单元211连接,用于对滤波单元211进行卡尔曼滤波后的角速度分量进行积分以获取第一角度分量。
补偿模块22设置在虚拟现实设备中,与获取模块21连接,用于根据神经网络自学习算法利用加速度计获取的加速度分量对获取模块21获取的第一角度分量进行补偿以获取补偿后的第一角度分量。
具体来说,补偿模块22包括第一获取单元221、第二获取单元222和补偿单元223。第一获取单元221用于获取加速度计采集的加速度分量,根据加速度分量获取加速度角度。第二获取单元222与第一获取单元221连接,用于根据神经网络自学习算法利用第一获取单元221获取的加速度角度获取第二角度分量。
其中,第二角度分量满足如下公式:
其中,yj为第二角度分量,oi为加速度角度,wij为是由上一层的单元i到单元j的连接权值,θj为单元j的偏移值。
补偿单元223与第二获取单元222和获取模块21中的积分单元212连接,用于根据第二获取单元222获取的第二角度分量对获取模块21获取的第一角度分量进行补偿以获取补偿后的第一角度分量;
其中,补偿后的第一角度分量满足如下公式:
αj=αj'+βjwj+yj(1-wj);
其中,αj为补偿后的第一角度分量,βj为第一角度分量,yj为第二角度分量,wj为补偿权重,j'为上一状态值。
判断模块23设置在虚拟现实设备中,与补偿模块22中的补偿单元223连接,用于判断补偿模块22补偿后的第一角度分量是否达到稳定。
具体来说,判断模块23用于:获取上次补偿后的第一角度分量对应的第一k值和当前补偿后的第一角度分量对应的第二k值;判断第二k值和第一k值的差值是否小于预定门限值;若第二k值和第一k值的差值小于预定门限值,则判定当前补偿后的第一角度分量达到稳定。
其中,k值满足如下公式:
其中,k为补偿后的第一角度分量对应的k值,αj为补偿后的第一角度分量,wj为补偿权重。
处理模块24,设置在虚拟现实设备中,与判断模块23连接,用于当判断模块23判断补偿后的第一角度分量达到稳定时,输出补偿后的第一角度分量至虚拟现实设备;以及当判断模块23判断补偿后的第一角度分量未达到稳定时,控制补偿模块22继续执行根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量的操作。
图3是本发明实施例的虚拟现实设备的一实体装置的结构示意图,本实施方式的装置可以执行上述方法中的步骤,相关内容请参见上述方法中的详细说明,在此不再赘叙。
该装置包括:处理器31、与处理器31耦合的存储器32、陀螺仪33和加速度计34。
存储器32用于存储程序指令、补偿后的第一角度分量和预定门限值。
陀螺仪33用于采集虚拟现实设备的角速度分量。
加速度计34用于采集虚拟现实设备的加速度分量。
处理器31用于:执行存储器32中的程序指令以获取陀螺仪33采集的角速度分量并根据角速度分量获取第一角度分量;根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量;判断补偿后的第一角度分量是否达到稳定;若补偿后的第一角度分量达到稳定,输出补偿后的第一角度分量至虚拟现实设备。
处理器31获取陀螺仪33采集的角速度分量并根据角速度分量获取第一角度分量的操作具体为:处理器31获取陀螺仪33采集的角速度分量并对角速度分量进行卡尔曼滤波;对经卡尔曼滤波后的角速度分量进行积分以获取第一角度分量。
处理器31根据神经网络自学习算法利用加速度计34获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量的操作具体为:处理器31获取加速度计34采集的加速度分量,根据加速度分量获取加速度角度;根据神经网络自学习算法利用加速度角度获取第二角度分量;
其中,第二角度分量满足如下公式:
其中,yj为第二角度分量,oi为加速度角度,wij为是由上一层的单元i到单元j的连接权值,θj为单元j的偏移值;
根据第二角度分量对第一角度分量进行补偿以获取补偿后的第一角度分量;
其中,补偿后的第一角度分量满足如下公式:
αj=αj'+βjwj+yj(1-wj);
其中,αj为补偿后的第一角度分量,βj为第一角度分量,yj为第二角度分量,wj为补偿权重,j'为上一状态值。
处理器31判断补偿后的第一角度分量是否达到稳定的操作具体为:获取上次补偿后的第一角度分量对应的第一k值和当前补偿后的第一角度分量对应的第二k值;判断第二k值和第一k值的差值是否小于预定门限值;若第二k值和第一k值的差值小于预定门限值,则判定当前补偿后的第一角度分量达到稳定;
其中,k值满足如下公式:
其中,k为补偿后的第一角度分量对应的k值,αj为补偿后的第一角度分量,wj为补偿权重。
处理器31还用于若补偿后的角速度未达到稳定,继续执行根据神经网络自学习算法利用加速度计获取的加速度分量对第一角度分量进行补偿以获取补偿后的第一角度分量的操作。
在本发明所提供的几个实施方式中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的有益效果是:区别于现有技术的情况,本发明的基于虚拟现实设备的角度数据补偿方法及装置根据神经网络自学习算法利用加速度计获取的加速度分量对陀螺仪获取的角度分量进行补偿,使得补偿后的角度分量达到稳定,从而提高了陀螺仪输出的角度分量的准确性,减少了误差,进而提高了用户对虚拟现实设备使用时的体验度。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于虚拟现实设备的角度数据补偿方法,其特征在于,所述方法包括:
获取陀螺仪采集的角速度分量并根据所述角速度分量获取第一角度分量;
根据神经网络自学习算法利用加速度计获取的加速度分量对所述第一角度分量进行补偿以获取补偿后的所述第一角度分量;
判断补偿后的所述第一角度分量是否达到稳定;
若补偿后的所述第一角度分量达到稳定,输出补偿后的所述第一角度分量至所述虚拟现实设备。
2.根据权利要求1所述的方法,其特征在于,所述获取陀螺仪采集的角速度分量并根据所述角速度分量获取第一角度分量的步骤具体为:
获取陀螺仪采集的角速度分量并对所述角速度分量进行卡尔曼滤波;
对经卡尔曼滤波后的所述角速度分量进行积分以获取所述第一角度分量。
3.根据权利要求2所述的方法,其特征在于,所述根据神经网络自学习算法利用加速度计获取的加速度分量对所述第一角度分量进行补偿以获取补偿后的所述第一角度分量的步骤包括:
获取加速度计采集的加速度分量,根据所述加速度分量获取加速度角度;
根据神经网络自学习算法利用所述加速度角度获取第二角度分量;
其中,所述第二角度分量满足如下公式:
其中,yj为第二角度分量,oi为加速度角度,wij为是由上一层的单元i到单元j的连接权值,θj为单元j的偏移值;
根据所述第二角度分量对所述第一角度分量进行补偿以获取补偿后的所述第一角度分量;
其中,补偿后的所述第一角度分量满足如下公式:
αj=αj'+βjwj+yj(1-wj);
其中,αj为补偿后的第一角度分量,βj为第一角度分量,yj为第二角度分量,wj为补偿权重,j'为上一状态值。
4.根据权利要求3所述的方法,其特征在于,所述判断补偿后的所述第一角度分量是否达到稳定的步骤具体为:
获取上次补偿后的所述第一角度分量对应的第一k值和当前补偿后的所述第一角度分量对应的第二k值;
判断所述第二k值和所述第一k值的差值是否小于预定门限值;
若所述第二k值和所述第一k值的差值小于所述预定门限值,则判定当前补偿后的所述第一角度分量达到稳定;
其中,所述k值满足如下公式:
其中,k为补偿后的第一角度分量对应的k值,αj为补偿后的第一角度分量,wj为补偿权重。
5.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
若补偿后的所述角速度未达到稳定,继续执行所述根据神经网络自学习算法利用加速度计获取的加速度分量对所述第一角度分量进行补偿以获取补偿后的所述第一角度分量的操作。
6.一种基于虚拟现实设备的角度数据补偿装置,其特征在于,所述装置包括:
获取模块,设置在所述虚拟现实设备中,用于获取陀螺仪采集的角速度分量并根据所述角速度分量获取第一角度分量;
补偿模块,设置在所述虚拟现实设备中,与所述获取模块连接,用于根据神经网络自学习算法利用加速度计获取的加速度分量对所述获取模块获取的所述第一角度分量进行补偿以获取补偿后的所述第一角度分量;
判断模块,设置在所述虚拟现实设备中,与所述补偿模块连接,用于判断所述补偿模块补偿后的所述第一角度分量是否达到稳定;
处理模块,设置在所述虚拟现实设备中,与所述判断模块连接,用于当所述判断模块判断补偿后的所述第一角度分量达到稳定时,输出补偿后的所述第一角度分量至所述虚拟现实设备。
7.根据权利要求6所述的装置,其特征在于,所述获取模块包括:
滤波单元,用于获取陀螺仪采集的角速度分量并对所述角速度分量进行卡尔曼滤波;
积分单元,与所述滤波单元连接,用于对所述滤波单元进行卡尔曼滤波后的所述角速度分量进行积分以获取所述第一角度分量。
8.根据权利要求7所述的装置,其特征在于,所述补偿模块包括:
第一获取单元,用于获取加速度计采集的加速度分量,根据所述加速度分量获取加速度角度;
第二获取单元,与所述第一获取单元连接,用于根据神经网络自学习算法利用所述第一获取单元获取的所述加速度角度获取第二角度分量;
其中,所述第二角度分量满足如下公式:
其中,yj为第二角度分量,oi为加速度角度,wij为是由上一层的单元i到单元j的连接权值,θj为单元j的偏移值;
补偿单元,与所述第二获取单元和所述获取模块连接,用于根据所述第二获取单元获取的所述第二角度分量对所述获取模块获取的所述第一角度分量进行补偿以获取补偿后的所述第一角度分量;
其中,补偿后的所述第一角度分量满足如下公式:
αj=αj'+βjwj+yj(1-wj);
其中,αj为补偿后的第一角度分量,βj为第一角度分量,yj为第二角度分量,wj为补偿权重,j'为上一状态值。
9.根据权利要求8所述的装置,其特征在于,所述判断模块用于:获取上次补偿后的所述第一角度分量对应的第一k值和当前补偿后的所述第一角度分量对应的第二k值;
判断所述第二k值和所述第一k值的差值是否小于预定门限值;
若所述第二k值和所述第一k值的差值小于所述预定门限值,则判定当前补偿后的所述第一角度分量达到稳定;
其中,所述k值满足如下公式:
其中,k为补偿后的第一角度分量对应的k值,αj为补偿后的第一角度分量,wj为补偿权重。
10.根据权利要求9所述的装置,其特征在于,当所述判断模块判断补偿后的所述第一角度分量未达到稳定时,所述处理模块还用于控制所述补偿模块继续执行根据神经网络自学习算法利用加速度计获取的加速度分量对所述第一角度分量进行补偿以获取补偿后的所述第一角度分量的操作。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610834687.8A CN106546261B (zh) | 2016-09-20 | 2016-09-20 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
PCT/CN2017/083189 WO2018054063A1 (zh) | 2016-09-20 | 2017-05-05 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610834687.8A CN106546261B (zh) | 2016-09-20 | 2016-09-20 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106546261A true CN106546261A (zh) | 2017-03-29 |
CN106546261B CN106546261B (zh) | 2019-08-23 |
Family
ID=58367874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610834687.8A Active CN106546261B (zh) | 2016-09-20 | 2016-09-20 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106546261B (zh) |
WO (1) | WO2018054063A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018054063A1 (zh) * | 2016-09-20 | 2018-03-29 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
CN107941463A (zh) * | 2017-10-26 | 2018-04-20 | 深圳多哚新技术有限责任公司 | 头戴设备水平缺陷检测方法及系统 |
WO2019037762A1 (zh) * | 2017-08-23 | 2019-02-28 | 中兴通讯股份有限公司 | 信息处理方法、装置及虚拟现实设备 |
CN112665617A (zh) * | 2019-10-16 | 2021-04-16 | 多摩川精机株式会社 | 旋转设备控制系统及编码器 |
CN116347057A (zh) * | 2023-05-29 | 2023-06-27 | 缤汇数字科技(南京)有限公司 | 一种App端实现动态模型AR实景展示方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06270827A (ja) * | 1993-03-17 | 1994-09-27 | Mitsubishi Motors Corp | 後輪操舵制御装置 |
CN101034309A (zh) * | 2007-04-10 | 2007-09-12 | 南京航空航天大学 | 基于多加速度传感器的虚拟现实头盔防眩晕系统及方法 |
CN101131311A (zh) * | 2007-10-15 | 2008-02-27 | 北京航空航天大学 | 一种智能化机载导弹动基座对准及标定方法 |
CN101566483A (zh) * | 2009-05-22 | 2009-10-28 | 哈尔滨工程大学 | 光纤陀螺捷联惯性测量系统振动误差补偿方法 |
CN102707305A (zh) * | 2012-06-06 | 2012-10-03 | 山东大学 | 摔倒检测定位系统及方法 |
CN103913171A (zh) * | 2014-04-28 | 2014-07-09 | 北京理工大学 | 基于加速度计和陀螺仪的载体转速与转角补偿测量方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140297212A1 (en) * | 2013-04-02 | 2014-10-02 | Kionix, Inc. | Systems and Methods for Compensating for a Misalignment Angle Between an Accelerometer and a Magnetometer |
CN105300379B (zh) * | 2015-10-13 | 2017-12-12 | 上海新纪元机器人有限公司 | 一种基于加速度的卡尔曼滤波姿态估计方法及系统 |
CN105651242B (zh) * | 2016-04-05 | 2018-08-24 | 清华大学深圳研究生院 | 一种基于互补卡尔曼滤波算法计算融合姿态角度的方法 |
CN106546261B (zh) * | 2016-09-20 | 2019-08-23 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
-
2016
- 2016-09-20 CN CN201610834687.8A patent/CN106546261B/zh active Active
-
2017
- 2017-05-05 WO PCT/CN2017/083189 patent/WO2018054063A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06270827A (ja) * | 1993-03-17 | 1994-09-27 | Mitsubishi Motors Corp | 後輪操舵制御装置 |
CN101034309A (zh) * | 2007-04-10 | 2007-09-12 | 南京航空航天大学 | 基于多加速度传感器的虚拟现实头盔防眩晕系统及方法 |
CN101131311A (zh) * | 2007-10-15 | 2008-02-27 | 北京航空航天大学 | 一种智能化机载导弹动基座对准及标定方法 |
CN101566483A (zh) * | 2009-05-22 | 2009-10-28 | 哈尔滨工程大学 | 光纤陀螺捷联惯性测量系统振动误差补偿方法 |
CN102707305A (zh) * | 2012-06-06 | 2012-10-03 | 山东大学 | 摔倒检测定位系统及方法 |
CN103913171A (zh) * | 2014-04-28 | 2014-07-09 | 北京理工大学 | 基于加速度计和陀螺仪的载体转速与转角补偿测量方法 |
Non-Patent Citations (1)
Title |
---|
张静娴等: "基于卡尔曼滤波-神经网络预测的GNSS/INS误差反馈校正的研究", 《电子设计工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018054063A1 (zh) * | 2016-09-20 | 2018-03-29 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
WO2019037762A1 (zh) * | 2017-08-23 | 2019-02-28 | 中兴通讯股份有限公司 | 信息处理方法、装置及虚拟现实设备 |
CN107941463A (zh) * | 2017-10-26 | 2018-04-20 | 深圳多哚新技术有限责任公司 | 头戴设备水平缺陷检测方法及系统 |
CN112665617A (zh) * | 2019-10-16 | 2021-04-16 | 多摩川精机株式会社 | 旋转设备控制系统及编码器 |
CN112665617B (zh) * | 2019-10-16 | 2024-04-19 | 多摩川精机株式会社 | 旋转设备控制系统及编码器 |
CN116347057A (zh) * | 2023-05-29 | 2023-06-27 | 缤汇数字科技(南京)有限公司 | 一种App端实现动态模型AR实景展示方法 |
CN116347057B (zh) * | 2023-05-29 | 2023-07-25 | 缤汇数字科技(南京)有限公司 | 一种App端实现动态模型AR实景展示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106546261B (zh) | 2019-08-23 |
WO2018054063A1 (zh) | 2018-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106546261A (zh) | 一种基于虚拟现实设备的角度数据补偿方法及装置 | |
CN107479368B (zh) | 一种基于人工智能的训练无人机控制模型的方法及系统 | |
US10994417B2 (en) | Systems, devices, and methods for the distribution and collection of multimodal data associated with robots | |
CN105069826B (zh) | 弹性物体变形运动的建模方法 | |
Gonzalez-Hernandez et al. | Real-time altitude control for a quadrotor helicopter using a super-twisting controller based on high-order sliding mode observer | |
CN108318027B (zh) | 载体的姿态数据的确定方法和装置 | |
EP3201694B1 (en) | System and method for controller adaptation | |
CN113110563A (zh) | 无人机的多余度仲裁切换方法、系统及计算机设备 | |
CN109445275A (zh) | 一种比例滞后控制方法、装置及设备 | |
US10556336B1 (en) | Determining robot inertial properties | |
CN113656891B (zh) | 液体火箭动特性建模分析方法及终端设备 | |
CN113618730B (zh) | 一种机器人运动分析方法、装置、可读存储介质及机器人 | |
Lyu et al. | A dynamic model parameter identification method for quadrotors using flight data | |
CN116360504B (zh) | 无人机集群任务的确定方法、装置、电子设备及存储介质 | |
Shamsudin et al. | Recursive Gauss-Newton based training algorithm for neural network modelling of an unmanned rotorcraft dynamics | |
CN116141314A (zh) | 基于射影几何代数的机器人动力学参数辨识方法及系统 | |
CN113985732B (zh) | 针对飞行器系统的自适应神经网络控制方法及装置 | |
CN114620074A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN108803378B (zh) | 数据处理方法、装置、飞行模拟器及存储介质 | |
CN114861318A (zh) | 自动驾驶控制参数模型的训练方法、参数获取方法和装置 | |
CN113447044A (zh) | 一种对称结构的阵列式惯性测量实验系统的设置方法 | |
Coronado et al. | Self-Tuning Extended Kalman Filter Parameters to Identify Ankle's Third-Order Mechanics | |
CN112975965A (zh) | 仿人机器人的解耦控制方法、装置和仿人机器人 | |
CN118034065B (zh) | 一种无人机决策网络的训练方法及装置 | |
CN108920842A (zh) | 一种潜艇动力学模型参数在线估计方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |