CN107167131B - 一种微惯性测量信息的深度融合与实时补偿的方法及系统 - Google Patents

Abstract

本发明公开一种微惯性测量信息的深度融合与实时补偿的方法及系统，所述方法包括：分别获取研究对象的角速度信息、加速度信息和磁场强度信息；采用深度学习方法分别对角速度信息、加速度信息和磁场强度信息进行实时补偿，分别得到补偿后的补偿角速度信息、补偿加速度信息和补偿磁场强度信息；根据补偿角速度信息确定第一欧拉角，根据补偿加速度信息和补偿磁场强度信息确定第二欧拉角；根据第一欧拉角的均方差和第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据融合增益系数将第一欧拉角和第二欧拉角融合，得到融合欧拉角。本发明提供的方法及系统可以提高微惯性测量的精度，稳定性好和可靠性高，时效比高，响应速度快。

Description

一种微惯性测量信息的深度融合与实时补偿的方法及系统

技术领域

本发明涉及信号处理领域，特别是涉及一种微惯性测量信息的深度融合与实时补偿的方法及系统

背景技术

目前国内外所研究的微机电惯性测量设备主要是由多个微机电测量器件，如微机电系统(Microelectro Mechanical Systems，MEMS)、陀螺仪和加速度计通过信息融合技术组合而成。由于其低成本优势被广泛应用于移动机器人、航空航天、汽车自动导航等领域。多传感器的测量偏差会导致融合偏差增大，为了消除偏差需要对传感器进行线下标定或者滤波处理，但是，由于传感器的线下标定效率低，而且会引入新的误差，常规的滤波方法并没有对误差进行深度融合和补偿，因此现有技术中的微惯性测量精度很低。

因此，如何提高微惯性测量的精度，成为本领域技术人员亟需解决的技术问题。

发明内容

本发明的目的是提供一种微惯性测量信息的深度融合与实时补偿的方法，所述方法能够提高微惯性测量的精度。

为实现上述目的，本发明提供了如下方案：

一种微惯性测量信息的深度融合与实时补偿的方法，所述方法包括：

分别获取研究对象的角速度信息、加速度信息和磁场强度信息；

采用深度学习方法分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿，分别得到补偿后的补偿角速度信息、补偿加速度信息和补偿磁场强度信息；

根据所述补偿角速度信息确定第一欧拉角，根据所述补偿加速度信息和所述补偿磁场强度信息确定第二欧拉角；

根据所述第一欧拉角的均方差和所述第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据所述融合增益系数将所述第一欧拉角和所述第二欧拉角融合，得到融合欧拉角，以用于对所述研究对象进行微惯性测量。

可选的，所述采用深度学习方法分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿具体包括：

根据传感器误差特性建立补偿模型：W_c＝A·G(T)·[W_real-B(T)]，其中，A为常数对称矩阵，G(T)为用于测量所述角速度信息、所述加速度信息和所述磁场强度信息的各传感器的转移增益函数，B(T)为各所述传感器的偏置函数，T表示各传感器的温度，W_real为各所述传感器的实际输出，W_c为补偿后的输出信息；

采用深度学习方法确定所述转移增益函数和所述偏置函数中各参数的最优值；

根据各所述最优值更新所述补偿模型，并根据所述补偿模型分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿。

可选的，通过三轴陀螺仪测量所述研究对象的角速度信息，通过三轴加速度计测量所述研究对象的加速度信息，通过三轴磁强计测量所述研究对象的磁场强度信息。

可选的，所述根据所述第一欧拉角的均方差和所述第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据所述融合增益系数将所述第一欧拉角和所述第二欧拉角融合具体包括：

根据公式：确定融合偏差的均方差，其中，MSE表示均方差，d_α表示偏航角的融合偏差，d_β表示俯仰角的融合偏差,d_γ表示滚转角的融合偏差，K_α表示偏航融合增益系数，K_β表示俯仰融合增益系数，K_γ表示滚转融合增益系数，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角，α_gyro表示所述第一偏航角，β_gyro表示所述第一俯仰角，γ_gyro表示所述第一滚转角，α_mag表示所述第二偏航角，β_acc表示所述第二俯仰角，γ_acc表示所述第二滚转角；

根据所述融合偏差的均方差更新所述融合增益系数；

根据公式：得到融合欧拉角，其中，所述融合欧拉角包括：融合偏航角、融合俯仰角和融合滚转角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滚转角。

本发明的目的还在于提供一种微惯性测量信息的深度融合与实时补偿的系统，所述系统能够提高微惯性测量的精度。

为实现上述目的，本发明提供了如下方案：

一种微惯性测量信息的深度融合与实时补偿的系统，所述系统包括：

信息获取模块，用于分别获取研究对象的角速度信息、加速度信息和磁场强度信息；

实时补偿模块，用于采用深度学习方法分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿，分别得到补偿后的补偿角速度信息、补偿加速度信息和补偿磁场强度信息；

欧拉角解算模块，用于根据所述补偿角速度信息确定第一欧拉角，根据所述补偿加速度信息和所述补偿磁场强度信息确定第二欧拉角，其中，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角；

融合模块，用于根据所述第一欧拉角的均方差和所述第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据所述融合增益系数将所述第一欧拉角和所述第二欧拉角融合，得到融合欧拉角，以用于对所述研究对象进行微惯性测量。

可选的，所述实时补偿模块具体包括：

建模单元，用于根据传感器误差特性建立补偿模型：W_c＝A·G(T)·[W_real-B(T)]，其中，A为常数对称矩阵，G(T)为用于测量所述角速度信息、所述加速度信息和所述磁场强度信息的各传感器的转移增益函数，B(T)为各所述传感器的偏置函数，T表示各传感器的温度，W_real为各所述传感器的实际输出，W_c为补偿后的输出信息；

参数确定单元，用于采用深度学习方法确定所述转移增益函数和所述偏置函数中各参数的最优值；

补偿单元，用于根据各所述最优值更新所述补偿模型，并根据所述补偿模型分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿。

可选的，通过三轴陀螺仪测量所述研究对象的角速度信息，通过三轴加速度计测量所述研究对象的加速度信息，通过三轴磁强计测量所述研究对象的磁场强度信息。

可选的，所述融合模块具体包括：

融合偏差均方差单元，用于根据公式：

确定融合偏差的均方差，其中，MSE表示均方差，d_α表示偏航角的融合偏差，d_β表示俯仰角的融合偏差,d_γ表示滚转角的融合偏差，K_α表示偏航融合增益系数，K_β表示俯仰融合增益系数，K_γ表示滚转融合增益系数，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角，α_gyro表示所述第一偏航角，β_gyro表示所述第一俯仰角，γ_gyro表示所述第一滚转角，α_mag表示所述第二偏航角，β_acc表示所述第二俯仰角，γ_acc表示所述第二滚转角；

更新单元，用于根据所述融合偏差的均方差更新所述融合增益系数；

欧拉角融合单元，用于根据公式：得到融合欧拉角，其中，所述融合欧拉角包括：融合偏航角、融合俯仰角和融合滚转角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滚转角。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明首先采用深度学习方法对MEMS传感器所测量的信息进行实时补偿，与线下标定与滤波处理相比，解决了传感器误差长时漂移的问题，并且具有良好的容错性。然后根据补偿后的测量信息的均方差确定自适应增益方法的融合增益系数，采用深度融合的方法可有效缩短融合时间，提高融合精度，从而提高姿态和航向角的估计精度。本发明提供的方法及系统可以提高微惯性测量的精度，稳定性好和可靠性高，时效比高，响应速度快，可以为各种设备提供精确的测量信息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例1的流程图；

图2为本发明实施例1步骤12的流程图；

图3为本发明实施例1步骤14的流程图；

图4为本发明实施例2的结构框图；

图5为本发明实施例2实时补偿模块的结构框图；

图6为本发明实施例2融合模块的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种微惯性测量信息的深度融合与实时补偿的方法及系统，能够提高微惯性测量的精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

如图1所示，微惯性测量信息的深度融合与实时补偿的方法包括：

步骤11：分别获取研究对象的角速度信息、加速度信息和磁场强度信息，本实施例中，通过三轴陀螺仪测量研究对象的角速度信息，通过三轴加速度计测量研究对象的加速度信息，通过三轴磁强计测量研究对象的磁场强度信息；

步骤12：采用深度学习方法分别对角速度信息、加速度信息和磁场强度信息进行实时补偿，分别得到补偿后的补偿角速度信息、补偿加速度信息和补偿磁场强度信息；

步骤13：根据补偿角速度信息确定第一欧拉角，根据补偿加速度信息和补偿磁场强度信息确定第二欧拉角；

步骤14：根据第一欧拉角的均方差和第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据融合增益系数将第一欧拉角和第二欧拉角融合，得到融合欧拉角，以用于对研究对象进行微惯性测量。

如图2所示，步骤12具体包括：

步骤121：根据传感器误差特性建立补偿模型：W_c＝A·G(T)·[W_real-B(T)]，其中，A为常数对称矩阵，G(T)为用于测量所述角速度信息、所述加速度信息和所述磁场强度信息的各传感器的转移增益函数，B(T)为各所述传感器的偏置函数，W_real为各所述传感器的实际输出，W_c为补偿后的输出信息；

步骤122：采用深度学习方法确定所述转移增益函数和所述偏置函数中各参数的最优值；

步骤123：根据各所述最优值更新所述补偿模型，并根据所述补偿模型分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿。

如图3所示，步骤14具体包括：

步骤141：根据公式：确定融合偏差的均方差，其中，MSE表示均方差，d_α表示偏航角的融合偏差，d_β表示俯仰角的融合偏差,d_γ表示滚转角的融合偏差，K_α表示偏航融合增益系数，K_β表示俯仰融合增益系数，K_γ表示滚转融合增益系数，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角，α_gyro表示所述第一偏航角，β_gyro表示所述第一俯仰角，γ_gyro表示所述第一滚转角，α_mag表示所述第二偏航角，β_acc表示所述第二俯仰角，γ_acc表示所述第二滚转角；

步骤142：根据所述融合偏差的均方差更新所述融合增益系数；

步骤143：根据公式：得到融合欧拉角，其中，所述融合欧拉角包括：融合偏航角、融合俯仰角和融合滚转角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滚转角。

本实施例首先利用多个MEMS传感器，包括三轴陀螺仪、三轴加速度计和三轴磁强计所测量的信息建立一个误差补偿模型，然后在传感器工作状态下进行均方差估计，在此基础上提出了一种自适应增益融合算法，可有效提高姿态和航向角的估计精度。采用深度学习的方法对传感器的输出误差进行实时补偿，避免了线下标定与滤波处理，解决了传感器误差长时漂移问题，并且具有良好的容错性。

实施例2：

如图4所示，微惯性测量信息的深度融合与实时补偿的系统包括：

信息获取模块41，用于分别获取研究对象的角速度信息、加速度信息和磁场强度信息；

实时补偿模块42，用于采用深度学习方法分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿，分别得到补偿后的补偿角速度信息、补偿加速度信息和补偿磁场强度信息；

欧拉角解算模块43，用于根据所述补偿角速度信息确定第一欧拉角，根据所述补偿加速度信息和所述补偿磁场强度信息确定第二欧拉角，其中，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角；

融合模块44，用于根据所述第一欧拉角的均方差和所述第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据所述融合增益系数将所述第一欧拉角和所述第二欧拉角融合，得到融合欧拉角，以用于对所述研究对象进行微惯性测量。

如图5所示，实时补偿模块42具体包括：

建模单元421，用于根据传感器误差特性建立补偿模型：W_c＝A·G(T)·[W_real-B(T)]，其中，A为常数对称矩阵，G(T)为用于测量角速度信息、加速度信息和磁场强度信息的各传感器的转移增益函数，B(T)为各传感器的偏置函数，W_real为各传感器的实际输出，W_c为补偿后的输出信息；

参数确定单元422，用于采用深度学习方法确定转移增益函数和偏置函数中各参数的最优值；

补偿单元423，用于根据各最优值更新补偿模型，并根据补偿模型分别对角速度信息、加速度信息和磁场强度信息进行实时补偿。

如图6所示，融合模块44具体包括：

融合偏差均方差单元441，用于根据公式：

确定融合偏差的均方差，其中，MSE表示均方差，d_α表示偏航角的融合偏差，d_β表示俯仰角的融合偏差,d_γ表示滚转角的融合偏差，K_α表示偏航融合增益系数，K_β表示俯仰融合增益系数，K_γ表示滚转融合增益系数，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角，α_gyro表示所述第一偏航角，β_gyro表示所述第一俯仰角，γ_gyro表示所述第一滚转角，α_mag表示所述第二偏航角，β_acc表示所述第二俯仰角，γ_acc表示所述第二滚转角；

更新单元442，用于根据所述融合偏差的均方差更新所述融合增益系数；

欧拉角融合单元443，用于根据公式：

得到融合欧拉角，其中，所述融合欧拉角包括：融合偏航角、融合俯仰角和融合滚转角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滚转角。

本发明针对现有滤波系统精度低，融合精度低，误差补偿效果不佳的问题，首先采用深度学习方法对传感器输出的信息进行实时补偿，然后采用深度融合方法对补偿后的信息进行估计，估计误差采用自适应增益法进行融合，可有效提高融合精度，同时可消除稳态需求和线下标定，可对传感器长时漂移误差进行有效补偿，使测量系统的融合精度更高，稳定性更好。

实施例3：微惯性测量信息的深度融合与实时补偿的方法包括：

步骤31：分别获取研究对象的角速度信息、加速度信息和磁场强度信息：

获取微机电系统(Microelectro Mechanical Systems，MEMS)传感器，包括三轴陀螺仪、三轴加速度计、三轴磁强计，分别输出的角速度信息、加速度信息和磁场强度信息,传感器的三个轴向X-Y-Z定义为前-右-下，欧拉角用α-Yaw,β-Pitch,γ-Roll表示，载体姿态用滚转角γ和俯仰角β表示，航向用偏航角α表示。

步骤32：采用深度学习方法分别对角速度信息、加速度信息和磁场强度信息进行实时补偿，分别得到补偿后的补偿角速度信息、补偿加速度信息和补偿磁场强度信息；

(1)根据各传感器的误差特性建立补偿模型：W_c＝G(T)·W_real-B(T)，其中，G(T)为用于测量角速度信息、加速度信息和磁场强度信息的各传感器的转移增益函数，B(T)为各传感器的偏置函数，T表示各传感器的温度，W_real为各传感器的实际输出，W_c为补偿后的输出信息。

转移增益函数G(T)和偏置函数B(T)可以表示为：

其中，N表示传感器的采样个数，k表示第k个采样点,i＝x,y,z。一般系统中陀螺仪和加速度计每个轴向都有自己的输出增益和偏置补偿函数，传感器的误差漂移速度比增益快，因此将误差函数从增益函数中隔离出来，有助于方便计算，修改后的原始输出和补偿输出关系式为：

W_c＝A·G(T)·[W_real-B(T)]，

其中，A为常数对称矩阵，

其中，G_x(T)，G_y(T)，G_z(T)分别表示传感器的X轴，Y轴，Z轴的转移增益函数，g_x,k、g_y,k、g_z,k分别表示第k个采样点的相应增益函数的参数，B_x(T)，B_y(T)，B_z(T)分别表示X轴，Y轴，Z轴的偏置函数，b_x,k、b_y,k、b_z,k分别表示第k个采样点相应偏置函数的参数。

(2)通过深度学习方法确定参数g_i,k，b_i,k的最优值，采用扩展梯度下降法最小化损失函数：

式中W_l表示传感器的理论输出值，e表示实际输出值与理论值的偏差。损失函数的梯度表示为：

其中c_i,k表示补偿模型中的相关系数，通过损失函数的梯度公式将W_c＝A·G(T)·[W_real-B(T)]细化展开，得到：

其中，B_i(T)是多项式B_i当前归一化温度T时的值，G_i(T)是多项式G_i当前归一化温度T时的值，m＝1,2,3。通过对g_i,k和b_i,k求梯度，统计该系数的自适应学习率，最终获取最优参数，提高深度学习效率，有效补偿传感器的实时输出误差。

步骤33：根据所述补偿角速度信息确定第一欧拉角，根据所述补偿加速度信息和所述补偿磁场强度信息确定第二欧拉角：

(1)本发明采用均方差的方法来提高估计精度，假设传感器变量为y＝f(x₁,x₂,.....x_n)，其均方差可近似表示为：

其中，y表示传感器输出，x_k表示传感器变量，N表示总的采样点，MSE表示均方差。

利用补偿后的陀螺仪数据估计第一欧拉角，补偿后的陀螺仪的输出角速度用ω表示，角速度通过旋转矩阵合成欧拉角。根据每个时刻的角速度来更新旋转矩阵：

R_u＝R_update×R，

其中,α′表示原始偏航角，β′表示原始俯仰角，γ′表示原始滚转角,ω_x,ω_y,ω_z依次表示补偿后的x轴、y轴和z轴的角速度矢量，Δt是陀螺仪的采样周期，MSE(ω_iΔt)＝MSE(δ_i)＝E_gyro，R_u表示更新后的旋转矩阵，R_updata表示旋转矩阵的更新因子矩阵，R表示原始旋转矩阵。更新后的旋转矩阵R_u的均方差MSE为：

R_ui,k′表示矩阵R_u的第i行第k′列，R_i,k′表示矩阵R的第i行第k′列，MSE表示均方差,其中E_gyro表示陀螺误差，δ表示角度增量，i＝1，2，3，k′＝1,2,3，陀螺仪解算的第一欧拉角表示为：

α_gyro＝atan2(R_u2,3,R_u3,3)，β_gyro＝arcsin(-R_u1,3)，γ_gyro＝atan2(R_u1,2,R_u1,1)，其中，α_gyro表示第一偏航角，β_gyro表示第一俯仰角，γ_gyro表示第一滚转角。

相对应的欧拉角均方差为：

(2)利用补偿后的加速度计数据估计第二滚转角和第二俯仰角，a_x,a_y,a_z分别表示x轴、y轴和z轴输出的加速度，根据稳态条件下的初始对准，可以将第二滚转角和第二俯仰角分别表示为：γ_acc＝atan2(-a_y,-a_z)，所估计姿态角的均方差表示为：

(3)利用补偿后的磁强计数据估计第二偏航角，x轴、与轴和z轴的磁场强度数据分别用B_x,B_y,B_z表示，需要对地磁数据进行坐标系变换，转换到导航坐标系下，转化关系为：

其中，R表示原始旋转矩阵，B′_x,B′_y,B′_z分别表示导航坐标系下的磁场强度，第二偏航角的计算公式为：

α_mag＝atan2(-B′_y,-B′_x)，

所估计的第二偏航角的均方差表示为：

步骤34：根据第一欧拉角的均方差和所述第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据融合增益系数将第一欧拉角和第二欧拉角融合，得到融合欧拉角，以用于对研究对象进行微惯性测量：

采用自适应增益的方法进行融合，得到融合欧拉角：

其中K_α,K_β,K_γ表示融合增益系数，d_α,d_β,d_γ表示融合偏差：

融合偏差的均方差表示为：

本实施例采用深度学习方法，即扩展梯度下降法对传感器的输出误差进行实时补偿，可实现在线学习，避免了线下标定与滤波处理，解决了传感器误差长时间漂移的问题，并且具有良好的容错性。利用不同传感器的独有性能按照实现的功能，采用自适应增益方法进行功能信息的深度融合，较少冗余信息和无用信息的融合，采用均方差方法极大地提高了估计精度，从而有效缩短融合时间，提高融合精度。同时，本实施例对补偿模型也进行了优化，对模型中的相关参数进行深度学习训练，从而获取最优参数，达到深度融合与补偿的效果。本实施例提供的方法可以保证惯性测量的稳定性和可靠性，时效比高，响应速度快，可以为各种设备提供精确的测量信息。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种微惯性测量信息的深度融合与实时补偿的方法，其特征在于，所述方法包括：

分别获取研究对象的角速度信息、加速度信息和磁场强度信息；

采用深度学习方法分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿，分别得到补偿后的补偿角速度信息、补偿加速度信息和补偿磁场强度信息；具体包括：

根据传感器误差特性建立补偿模型：W_c＝A·G(T)·[W_real-B(T)]，其中，A为常数对称矩阵，G(T)为用于测量所述角速度信息、所述加速度信息和所述磁场强度信息的各传感器的转移增益函数，B(T)为各所述传感器的偏置函数，T表示各传感器的温度，W_real为各所述传感器的实际输出，W_c为补偿后的输出信息；

采用深度学习方法确定所述转移增益函数和所述偏置函数中各参数的最优值；

根据各所述最优值更新所述补偿模型，并根据所述补偿模型分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿；

根据所述补偿角速度信息确定第一欧拉角，根据所述补偿加速度信息和所述补偿磁场强度信息确定第二欧拉角；

根据所述第一欧拉角的均方差和所述第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据所述融合增益系数将所述第一欧拉角和所述第二欧拉角融合，得到融合欧拉角，以用于对所述研究对象进行微惯性测量。

2.根据权利要求1所述的微惯性测量信息的深度融合与实时补偿的方法，其特征在于，通过三轴陀螺仪测量所述研究对象的角速度信息，通过三轴加速度计测量所述研究对象的加速度信息，通过三轴磁强计测量所述研究对象的磁场强度信息。

3.根据权利要求1所述的微惯性测量信息的深度融合与实时补偿的方法，其特征在于，所述根据所述第一欧拉角的均方差和所述第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据所述融合增益系数将所述第一欧拉角和所述第二欧拉角融合具体包括：

根据公式：确定融合偏差的均方差，其中，MSE表示均方差，d_α表示偏航角的融合偏差，d_β表示俯仰角的融合偏差,d_γ表示滚转角的融合偏差，K_α表示偏航融合增益系数，K_β表示俯仰融合增益系数，K_γ表示滚转融合增益系数，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角，α_gyro表示所述第一偏航角，β_gyro表示所述第一俯仰角，γ_gyro表示所述第一滚转角，α_mag表示所述第二偏航角，β_acc表示所述第二俯仰角，γ_acc表示所述第二滚转角；

根据所述融合偏差的均方差更新所述融合增益系数；

根据公式：得到融合欧拉角，其中，所述融合欧拉角包括：融合偏航角、融合俯仰角和融合滚转角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滚转角。

4.一种微惯性测量信息的深度融合与实时补偿的系统，其特征在于，所述系统包括：

信息获取模块，用于分别获取研究对象的角速度信息、加速度信息和磁场强度信息；

实时补偿模块，用于采用深度学习方法分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿，分别得到补偿后的补偿角速度信息、补偿加速度信息和补偿磁场强度信息；所述实时补偿模块具体包括：

建模单元，用于根据传感器误差特性建立补偿模型：W_c＝A·G(T)·[W_real-B(T)]，其中，A为常数对称矩阵，G(T)为用于测量所述角速度信息、所述加速度信息和所述磁场强度信息的各传感器的转移增益函数，B(T)为各所述传感器的偏置函数，T表示各传感器的温度，W_real为各所述传感器的实际输出，W_c为补偿后的输出信息；

参数确定单元，用于采用深度学习方法确定所述转移增益函数和所述偏置函数中各参数的最优值；

补偿单元，用于根据各所述最优值更新所述补偿模型，并根据所述补偿模型分别对所述角速度信息、所述加速度信息和所述磁场强度信息进行实时补偿

欧拉角解算模块，用于根据所述补偿角速度信息确定第一欧拉角，根据所述补偿加速度信息和所述补偿磁场强度信息确定第二欧拉角，其中，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角；

融合模块，用于根据所述第一欧拉角的均方差和所述第二欧拉角的均方差，确定自适应增益方法的融合增益系数，并根据所述融合增益系数将所述第一欧拉角和所述第二欧拉角融合，得到融合欧拉角，以用于对所述研究对象进行微惯性测量。

5.根据权利要求4所述的微惯性测量信息的深度融合与实时补偿的系统，其特征在于，通过三轴陀螺仪测量所述研究对象的角速度信息，通过三轴加速度计测量所述研究对象的加速度信息，通过三轴磁强计测量所述研究对象的磁场强度信息。

6.根据权利要求4所述的微惯性测量信息的深度融合与实时补偿的系统，其特征在于，所述融合模块具体包括：

融合偏差均方差单元，用于根据公式：

确定融合偏差的均方差，其中，MSE表示均方差，d_α表示偏航角的融合偏差，d_β表示俯仰角的融合偏差,d_γ表示滚转角的融合偏差，K_α表示偏航融合增益系数，K_β表示俯仰融合增益系数，K_γ表示滚转融合增益系数，所述第一欧拉角包括：第一偏航角、第一俯仰角和第一滚转角，所述第二欧拉角包括：第二偏航角、第二俯仰角和第二滚转角，α_gyro表示所述第一偏航角，β_gyro表示所述第一俯仰角，γ_gyro表示所述第一滚转角，α_mag表示所述第二偏航角，β_acc表示所述第二俯仰角，γ_acc表示所述第二滚转角；

更新单元，用于根据所述融合偏差的均方差更新所述融合增益系数；

欧拉角融合单元，用于根据公式：得到融合欧拉角，其中，所述融合欧拉角包括：融合偏航角、融合俯仰角和融合滚转角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滚转角。