CN107655472B - 一种基于深度学习的高精度惯性导航设备误差补偿方法 - Google Patents

一种基于深度学习的高精度惯性导航设备误差补偿方法 Download PDF

Info

Publication number
CN107655472B
CN107655472B CN201710766025.6A CN201710766025A CN107655472B CN 107655472 B CN107655472 B CN 107655472B CN 201710766025 A CN201710766025 A CN 201710766025A CN 107655472 B CN107655472 B CN 107655472B
Authority
CN
China
Prior art keywords
error
deep learning
inertial navigation
method based
navigation set
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.)
Expired - Fee Related
Application number
CN201710766025.6A
Other languages
English (en)
Other versions
CN107655472A (zh
Inventor
杨华军
李子月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zoominbot Automobile Technology Co ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710766025.6A priority Critical patent/CN107655472B/zh
Publication of CN107655472A publication Critical patent/CN107655472A/zh
Application granted granted Critical
Publication of CN107655472B publication Critical patent/CN107655472B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种基于深度学习的高精度惯性导航设备误差补偿方法，包括输入惯性导航系统误差，还包括以下步骤：通过特定算法生成变化的惯性器件误差和温度补偿模型参数误差；将所述器件误差和所述温度补偿模型参数误差导入到高精度惯性导航设备中；高精度转台按照设定轨迹进行运动；根据运动轨迹和惯导导航输出获得导航误差；把从步骤1‑4中得到的数据作为深度学习模型训练样本对深度学习模型进行训练；对所述深度学习模型的正确性进行实测验证。本发明中的深度学习采用多隐层逐一训练的方式进行预训练，然后再针对整个网络进行微调，可在保证系统在线更新实时性的基础之上，不损失模型精度。

Description

一种基于深度学习的高精度惯性导航设备误差补偿方法
技术领域
本发明涉及惯性导航的技术领域，特别是一种基于深度学习的高精度惯性导航设备误差补偿方法。
背景技术
惯性导航设备(Inertial Navigation System,INS)由于具有短时精度高、自主性好、信息全面、更新频率高等优势，一般作为多信息源导航系统中的核心单元。惯性导航设备具有诸多优势的同时，也具有导航误差随时间发散的固有缺陷。GPS(Global PositionSystem)、BDS(BeiDou System)和GLONASS(Global Navigation Satellite System)等卫星导航系统具有精度高、误差不随时间发散、全天候等优势，但同时也有信号容易被干扰和遮挡的缺陷。
惯性/卫星组合导航系统可以融合惯性和卫星系统各自特点，实现优势互补，协同超越，是应用最为广泛的一种导航设备数据融合技术。按照数据融合层次不同，惯性/卫星组合导航系统可分为松(浅)组合、紧组合和超紧(深)组合。
另外，视觉导航、天文导航、里程计作为常用的传感器，输出数据也具有不同的误差特性，惯性/视觉、惯性/天文、惯性/里程计组合同样可以实现优势互补的效果。
目前所有的组合导航算法(惯性/卫星、惯性/视觉、惯性/天文、惯性/里程计组合导航)都是通过kalman滤波器实现的，均采用对系统误差进行建模的方式，通过状态估计算法，实现对误差的估计。该类型方法可以在一定程度上实现对误差的可靠估计，但是不可避免的存在模型非线性近似误差，并且该误差在极端运动环境下会明显变大。同时，系统为了保证在线更新的实时性，一般只选取主要的误差进行建模，并且会对误差模型关系进行进一步近似，减小计算量，这无疑降低误差估计精度。
公开号为CN104121930A的发明申请公开了一种基于加表耦合的MEMS陀螺漂移误差的补偿方法，该方法包括下述步骤：(1)根据加表实时测得的载体加速度信息获得陀螺漂移误差量Δω(t)；(2)建立误差调节模型ωC(t)＝ΔωP+ΔωI；根据公式ΔωP＝K P*Δω(t)和ΔωI＝ΔωI+KI*dt*Δω(t)以及所述陀螺漂移误差量Δω(t)获得第一误差调节控制量ΔωP和第二误差调节控制量ΔωI；将第一误差调节控制量ΔωP和第二误差调节控制量ΔωI代入误差调节模型中获得陀螺漂移误差补偿量ωC(t)；(3)根据所述陀螺漂移误差补偿量对陀螺数据进行误差补偿并获得补偿后的陀螺信息。该方法采集当前可以测量到的信息，根据经验建立测量信息与系统误差之间的关系，通过测量信息推算出系统误差，并不能保证每台设备都能够准确无误的使用。
公开号为CN104977021A的发明申请公开了一种星光导航环境误差补偿方法，该方法包括以下步骤：步骤一：数据采集，误差补偿所需的各种数据由星敏感器与惯导所组成的组合导航系统采集获得；步骤二：误差计算：计算得到需补偿的误差值；步骤三：误差补偿，用步骤二得到的误差值进行补偿。方法采集当前可以测量到的信息，根据经验建立测量信息与系统误差之间的关系，通过测量信息推算出系统误差，没有对产品进行单独的训练步骤。
发明内容
为了解决上述的技术问题，本发明提出了一种在智能驾驶中基于视觉图像和激光雷达信号的深度学习方法，以深度学习模型代替传统的误差模型，通过非线性神经网络，实现对系统误差的实时、精确估计。
本发明提供一种基于深度学习的高精度惯性导航设备误差补偿方法，包括输入惯性导航系统误差，还包括以下步骤：
步骤1：通过特定算法生成变化的惯性器件误差和温度补偿模型参数误差；
步骤2：将所述器件误差和所述温度补偿模型参数误差导入到高精度惯性导航设备中；
步骤3：高精度转台按照设定轨迹进行运动；
步骤4：根据运动轨迹和惯导导航输出获得导航误差；
步骤5：把从步骤1-4中得到的数据作为深度学习模型训练样本对深度学习模型进行训练；
步骤6：对所述深度学习模型的正确性进行实测验证。
优选的是，所述惯性导航系统误差是由器件零位误差、零位漂移误差、刻度因数误差、安装误差、温度补偿误差中至少一种误差造成。
在上述任一方案中优选的是，所述惯性导航系统误差包括姿态误差、航向误差、速度误差、位置误差中至少一种。
在上述任一方案中优选的是，所述特定算法为线性增加函数。
在上述任一方案中优选的是，所述惯性器件误差包括陀螺仪零位误差、陀螺仪安装误差、陀螺仪刻度系数误差、加速度计零位误差、加速度计安装误差和加速度计刻度系数误差中至少一种。
在上述任一方案中优选的是，所述惯性器件误差的生成公式为Error(t)＝(1+t*k1)*sin(k2*t)+Error_0，其中，Error_0为期间初始误差，t为时间参数，k1、k2为误差随时间变化参数。
在上述任一方案中优选的是，所述温度补偿模型参数误差的生成公式为Error＝Error_0+ψ(T)+γ(T’)+δ(△T)，其中，ψ(T)，γ(T’)，δ(△T)分别为温度、变温率和温度梯度误差模型。
在上述任一方案中优选的是，所述步骤2包括把所述器件误差和所述温度补偿模型参数误差在所述高精度惯性导航设备中进行软件叠加并进行导航结算。
在上述任一方案中优选的是，所述步骤2得到的结果是导航输出数据。
在上述任一方案中优选的是，所述步骤3为对各输入误差进行充分激励。
在上述任一方案中优选的是，所述激励是指通过导航解算，把所述器件误差和所述温度补偿模型参数误差在导航结果中充分体现。
在上述任一方案中优选的是，所述导航误差W的计算公式为W＝S-L，其中，S表示实际输出值，L表示理论输出值。
在上述任一方案中优选的是，所述步骤5包括对所述深度学习模型进行逐层无监督预训练。
在上述任一方案中优选的是，所述步骤5还包括当所述预训练稳定后进行整体训练。
在上述任一方案中优选的是，在所述整体训练过程中，当输出值和理论值之间的残差小于特定阈值时，确定模型训练效果在可接受范围内。
在上述任一方案中优选的是，不同类型的惯性器件对应的所述阈值不同。
在上述任一方案中优选的是，所述步骤5还包括利用所述步骤1-4的方法生成至少三组所述深度学习模型训练样本。
在上述任一方案中优选的是，所述步骤5还包括对所述模型正确性进行验证。
在上述任一方案中优选的是，当有至少一组所述深度学习模型训练样本验证结果不能满足要求时，需要重新进行训练
在上述任一方案中优选的是，当三组所述深度学习模型训练样本验证结果均满足要求时，模型训练完成。
在上述任一方案中优选的是，所述要求是指按照均方差进行概率统计，和理论值偏差不超过第一阈值。
在上述任一方案中优选的是，所述步骤6包括通过车载实测的方式验证所述模型的正确性和有效性。
在上述任一方案中优选的是，所述步骤6为将差分GPS作为相对真值，计算惯导系统导航误差，并将其作为深度学习模型输入，并将反馈的惯性器件误差值经过平滑、滤波处理之后对惯导系统进行补偿，通过对比补偿前后的精度变化情况，对深度学习模型进行验证。
在上述任一方案中优选的是，在所述步骤6中选取惯性/GPS组合导航系统作为实测验证设备。
本发明提供的基于深度学习的高精度惯性导航设备误差补偿方法计算量小，可事先对所有产品进行单独训练，保证模型精确陪陪每一台产品，训练完成后无需任何操作。
附图说明
图1为按照本发明的基于深度学习的高精度惯性导航设备误差补偿方法的一优选实施例的流程图。
图2为按照本发明的基于深度学习的高精度惯性导航设备误差补偿方法的深度学习训练数据获取方法的一实施例的系统原理图。
图3为按照本发明的基于深度学习的高精度惯性导航设备误差补偿方法的惯导误差补偿技术工作的一实施例的系统原理图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示，执行步骤100，输入惯性导航系统误差,惯性导航系统误差是由器件零位误差、零位漂移误差、刻度因数误差、安装误差、温度补偿误差中至少一种误差造成,惯性导航系统误差包括姿态误差、航向误差、速度误差、位置误差等。执行步骤110，通过特定算法生成变化的惯性器件误差和温度补偿模型参数误差，其中特定算法为线性增加函数，惯性器件误差包括陀螺仪零位误差、陀螺仪安装误差、陀螺仪刻度系数误差、加速度计零位误差、加速度计安装误差和加速度计刻度系数误差等。惯性器件误差的生成公式为Error(t)＝(1+t*k1)*sin(k2*t)+Error_0，其中，Error_0为期间初始误差，t为时间参数，k1、k2为误差随时间变化参数。温度补偿模型参数误差的生成公式为Error＝Error_0+ψ(T)+γ(T’)+δ(△T)，其中，ψ(T)，γ(T’)，δ(△T)分别为温度、变温率和温度梯度误差模型，生成的惯性器件误差和温度补偿模型参数误差均为带标签的样本。执行步骤120，将惯性器件误差和温度补偿模型参数误差导入到高精度惯性导航设备中，得到导航输出数据。执行步骤130，高精度转台按照轨迹进行运动，并对各输入误差进行充分激励。激励是指通过导航解算，把所述器件误差和所述温度补偿模型参数误差在导航结果中充分体现。执行步骤140，根据运动轨迹和惯导导航输出获得导航误差，导航误差W的计算公式为W＝S-L，其中，S表示实际输出值，L表示理论输出值。例如，静止时速度应为0，此时惯导输出的速度参数即为误差。。执行步骤150，利用在步骤110中得到的惯性器件误差、温度补偿模型参数误差和在步骤140中得到的导航误差，对深度学习模型进行训练。其中训练过程为，首先进行逐层无监督预训练，稳定之后进行整体训练。整体训练过程中输出值和理论期望值之间残差小于特定阈值时，可认为模型训练效果在可接受范围之内，其中不同类型惯性器件对应的阈值不同。执行步骤160，判断是否存在三组模型数据。如果模型数据不足三组，则重新执行步骤110，获取模型数据，直到满足模型数据的数量要求。如果模型数据大于等于三组则执行步骤170，对这三组模型数据的正确性进行验证。如果在三组模型数据中有一组模型数据的正确性没有达到要求，则重新执行步骤150，利用在步骤110中得到的惯性器件误差、温度补偿模型参数误差和在步骤140中得到的导航误差，对深度学习模型进行训练。如果在三组模型数据的正确性均达到要求，则模型训练完成。要求是指按照均方差进行概率统计，和理论值偏差不超过第一阈值，在本实施例中，第一阈值为10％。执行步骤170，进行实测认证。在实验室环境下通过高精度设备验证模型正确性，此环境和真实应用环境存在一定差异。本实施例选取惯性/GPS组合导航系统作为试验设备，通过车载实测的方式验证模型正确性和有效性。将差分GPS作为相对真值，计算惯导系统导航误差，并将其作为深度学习模型输入，并将反馈的惯性器件误差值经过平滑、滤波处理之后对惯导系统进行补偿，通过对比补偿前后的精度变化情况，对深度学习模型进行验证。
实施例二
基于深度学习算法的高精度惯性导航误差补偿技术的重要环节是对补偿模型进行训练。在本实施例中，模型训练是通过实验室转台环境下对一台经过高精度误差补偿之后的惯导试验完成的，其中模型训练的样本来自于高精度惯导的注入器件误差和输出导航误差。训练样本获取的原理图如图2所示，惯性器件误差200包括：软件注入陀螺仪零位误差201、软件注入陀螺仪安装误差202、软件注入陀螺仪刻度系数误差203、软件注入加速度零位误差204、软件注入加速度安装误差205和软件注入加速度刻度系数误差206。将上述误差连同温度补偿模型参数误差210通过误差软件一起注入到高精度惯性导航设备220中，经过运算得到惯性导航输出数据。高精度转台230按照轨迹进行运动，对个输出误差进行充分激励，得到运动轨迹。把温度补偿模型参数误差210、惯性导航输出数据和运动轨迹作为深度学习模型训练样本注入到工控机240中。
精度惯性导航设备嵌入式软件中，通过特定算法(线性增加函数)生成变化的器件误差和温度补偿模型参数误差，同时，高精度转台按照设定轨迹进行运动，对各输入误差进行充分激励，根据运动轨迹和惯导导航输出可获得导航误差。因此，通过图2中的方法，可获取器件误差和温度系数误差，同时也可以获取惯导输出，这两组数据可作为深度学习模型训练样本，输出的两组数据，都是带标签的样本。
实施例三
本实施例提供的基于深度学习的惯导误差补偿技术工作原理如图3所示，图中包括输入层310、隐藏层320和输出层330，其中X11-X16为输入层310，选取通过惯导/GPS系统300得到的惯导、GPS位置差和GPS速度差(优选的，另外，也可以只选取水平位置差和水平速度差)；X21-X27和Xn1-Xn7为隐藏层320，本专利隐藏层数目为5(优选的，另外，也可以根据需求设置层数)；X1-X9为输出层330，本实施例选取俯仰角、横滚角、航向角、三轴陀螺仪、三轴加速度计误差作为输出层330(优选的，可以对上述误差进行删减，另外也可以增加陀螺仪误差漂移、加速度计误差漂移、仪表安装误差、仪表刻度系数误差等)。惯导/GPS系统300将位置差和速度差作为深度学习模型的输入，然后，利用隐藏层参数对输入数据进行处理，输出层330得到惯导系统误差,将惯导系统误差导入到惯导/GPS系统300，其中，深度学习模型参数由离线训练获得。
实施例四
在本实施例中，惯性导航系统误差来源主要包括器件零位误差、零位漂移误差、刻度因数误差、安装误差、温度补偿误差等因素造成，误差源和惯性导航系统输出的姿态误差、航向误差、速度误差、位置误差对应关系极为复杂。惯性解算过程中，惯性器件误差一般作为系统输入，惯性导航误差作为系统输出；而本专利中，为了实现惯性器件误差的在线实时估计，惯性导航误差作为系统输入，惯性器件误差作为输出。具有对应关系的惯性器件误差和导航误差可作为本专利中的训练样本。训练样本的获取和模型训练是本专利的两个重要组成部分。惯性器件误差包括陀螺仪误差、加速度计误差、安装误差、刻度因数误差、温度补偿误差等。
实施例五
在本实施例中，训练得到一种应用于惯性导航设备的误差补偿模型，将误差补偿模型应用到设备软件中，可以根据设备输出值，实时获取系统误差，并进行补偿。通过本实施例提供的模型，对导航设备的误差补偿后，精度可极大程度提高，误差将降低为未补偿值的10％。同时，该专利离线训练完成后，不需要在线训练，因此，对计算机计算负担的增加可忽略不计。

Claims (23)

1.一种基于深度学习的高精度惯性导航设备误差补偿方法，包括输入惯性导航设备误差，其特征在于，还包括以下步骤：
步骤1：通过特定算法生成变化的惯性器件误差和温度补偿模型参数误差；
步骤2：将所述器件误差和所述温度补偿模型参数误差导入到高精度惯性导航设备中；
步骤3：高精度转台按照设定轨迹进行运动；
步骤4：根据运动轨迹和惯导导航输出获得导航误差；
步骤5：把从步骤1-4中得到的数据作为深度学习模型训练样本对深度学习模型进行训练；
步骤6：对所述深度学习模型的正确性进行实测验证。
2.如权利要求1所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述惯性导航设备误差是由器件零位误差、零位漂移误差、刻度因数误差、安装误差、温度补偿误差中至少一种误差造成。
3.如权利要求2所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述惯性导航设备误差包括姿态误差、航向误差、速度误差、位置误差中至少一种。
4.如权利要求1所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述特定算法为线性增加函数。
5.如权利要求4所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述惯性器件误差包括陀螺仪零位误差、陀螺仪安装误差、陀螺仪刻度系数误差、加速度计零位误差、加速度计安装误差和加速度计刻度系数误差中至少一种。
6.如权利要求5所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述惯性器件误差的生成公式为Error(t)＝(1+t*k1)*sin(k2*t)+Error_0，其中，Error_0为器件初始误差，t为时间参数，k1、k2为误差随时间变化参数。
7.如权利要求4所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述温度补偿模型参数误差的生成公式为Error＝Error_0+ψ(T)+γ(T’)+δ(△T)，其中，ψ(T)，γ(T’)，δ(△T)分别为温度、变温率和温度梯度误差模型。
8.如权利要求7所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤2包括把所述器件误差和所述温度补偿模型参数误差在所述高精度惯性导航设备中进行软件叠加并进行导航解算。
9.如权利要求8所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤2得到的结果是导航输出数据。
10.如权利要求9所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤3为对各输入误差进行充分激励。
11.如权利要求10所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述激励是指通过导航解算，把所述器件误差和所述温度补偿模型参数误差在导航结果中充分体现。
12.如权利要求11所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述导航误差W的计算公式为W＝S-L，其中，S表示实际输出值，L表示理论输出值。
13.如权利要求1所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤5包括对所述深度学习模型进行逐层无监督预训练。
14.如权利要求13所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤5还包括当所述预训练稳定后进行整体训练。
15.如权利要求14所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：在所述整体训练过程中，当输出值和理论值之间的残差小于特定阈值时，确定模型训练效果在可接受范围内。
16.如权利要求15所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：不同类型的惯性器件对应的所述阈值不同。
17.如权利要求16所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤5还包括利用所述步骤1-4的方法生成至少三组所述深度学习模型训练样本。
18.如权利要求17所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤5还包括对所述深度学习模型训练样本正确性进行验证。
19.如权利要求18所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：当有至少一组所述深度学习模型训练样本验证结果不能满足要求时，需要重新进行训练。
20.如权利要求18所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：当三组所述深度学习模型训练样本验证结果均满足要求时，模型训练完成。
21.如权利要求20所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤6包括通过车载实测的方式验证所述模型的正确性和有效性。
22.如权利要求21所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：所述步骤6为将差分GPS作为相对真值，计算惯性导航设备导航误差，并将其作为深度学习模型输入，并将反馈的惯性器件误差值经过平滑、滤波处理之后对惯性导航设备进行补偿，通过对比补偿前后的精度变化情况，对深度学习模型进行验证。
23.如权利要求22所述的基于深度学习的高精度惯性导航设备误差补偿方法，其特征在于：在所述步骤6中选取惯性/GPS组合导航系统作为实测验证设备。
CN201710766025.6A 2017-08-30 2017-08-30 一种基于深度学习的高精度惯性导航设备误差补偿方法 Expired - Fee Related CN107655472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710766025.6A CN107655472B (zh) 2017-08-30 2017-08-30 一种基于深度学习的高精度惯性导航设备误差补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710766025.6A CN107655472B (zh) 2017-08-30 2017-08-30 一种基于深度学习的高精度惯性导航设备误差补偿方法

Publications (2)

Publication Number Publication Date
CN107655472A CN107655472A (zh) 2018-02-02
CN107655472B true CN107655472B (zh) 2019-11-01

Family

ID=61128932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710766025.6A Expired - Fee Related CN107655472B (zh) 2017-08-30 2017-08-30 一种基于深度学习的高精度惯性导航设备误差补偿方法

Country Status (1)

Country Link
CN (1) CN107655472B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108168548B (zh) * 2018-02-13 2022-03-15 南京师范大学 一种通过机器学习算法与模型辅助的行人惯性导航系统和方法
CN109099910A (zh) * 2018-06-29 2018-12-28 广东星舆科技有限公司 基于惯性导航单元阵列的高精度惯性导航系统及实现方法
CN109188026B (zh) * 2018-10-25 2021-03-09 北京航空航天大学 适用于mems加速度计的自动标定的深度学习方法
CN109443391A (zh) * 2018-12-07 2019-03-08 上海机电工程研究所 一种基于误差估计的惯性导航仿真方法
US11205112B2 (en) * 2019-04-01 2021-12-21 Honeywell International Inc. Deep neural network-based inertial measurement unit (IMU) sensor compensation method
CN110346821B (zh) * 2019-07-17 2022-11-29 贵州理工学院 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统
CN113008291A (zh) * 2021-03-15 2021-06-22 北京信息科技大学 数据生成方法及装置、存储介质及电子装置
CN113375669B (zh) * 2021-08-16 2021-11-09 智道网联科技(北京)有限公司 基于神经网络模型的姿态更新方法及装置
CN113984043B (zh) * 2021-09-14 2024-05-10 哈尔滨工程大学 一种矿用惯导系统的动态误差修正方法
CN114689047B (zh) * 2022-06-01 2022-09-13 鹏城实验室 基于深度学习的组合导航方法、装置、系统及存储介质
CN116879580B (zh) * 2023-05-30 2024-04-26 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) 加速度计启动性能补偿方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104121930A (zh) * 2014-07-29 2014-10-29 湖北三江航天红峰控制有限公司 一种基于加表耦合的mems陀螺漂移误差的补偿方法
CN104931028A (zh) * 2015-06-30 2015-09-23 北京联合大学 一种基于深度学习的三轴磁电子罗盘误差补偿方法
CN106780608A (zh) * 2016-11-23 2017-05-31 北京地平线机器人技术研发有限公司 位姿信息估计方法、装置和可移动设备
CN106908038A (zh) * 2017-01-04 2017-06-30 成都通甲优博科技有限责任公司 一种基于鱼眼镜头摄像机的监测装置及监控系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104121930A (zh) * 2014-07-29 2014-10-29 湖北三江航天红峰控制有限公司 一种基于加表耦合的mems陀螺漂移误差的补偿方法
CN104931028A (zh) * 2015-06-30 2015-09-23 北京联合大学 一种基于深度学习的三轴磁电子罗盘误差补偿方法
CN106780608A (zh) * 2016-11-23 2017-05-31 北京地平线机器人技术研发有限公司 位姿信息估计方法、装置和可移动设备
CN106908038A (zh) * 2017-01-04 2017-06-30 成都通甲优博科技有限责任公司 一种基于鱼眼镜头摄像机的监测装置及监控系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Bagging模型的惯导系统误差抑制方法;李宇寰等;《中国惯性技术学报》;20170228;第25卷(第1期);全文 *

Also Published As

Publication number Publication date
CN107655472A (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
CN107655472B (zh) 一种基于深度学习的高精度惯性导航设备误差补偿方法
CN105371844B (zh) 一种基于惯性/天文互助的惯性导航系统初始化方法
CN106052716B (zh) 惯性系下基于星光信息辅助的陀螺误差在线标定方法
CN108562288A (zh) 一种激光捷联惯组系统级在线自标定系统及方法
CN113029199A (zh) 一种激光陀螺惯导系统的系统级温度误差补偿方法
CN106885570A (zh) 一种基于鲁棒sckf滤波的紧组合导航方法
CN101706284B (zh) 提高船用光纤陀螺捷联惯导系统定位精度的方法
CN103076025B (zh) 一种基于双解算程序的光纤陀螺常值误差标定方法
CN103076026B (zh) 一种捷联惯导系统中确定多普勒计程仪测速误差的方法
CN101915579A (zh) 一种基于ckf的sins大失准角初始对准新方法
CN106969783A (zh) 一种基于光纤陀螺惯性导航的单轴旋转快速标定技术
CN102645223B (zh) 一种基于比力观测的捷联惯导真空滤波修正方法
CN107703757A (zh) 微陀螺仪系统的超扭曲滑模控制方法
CN106940193A (zh) 一种基于Kalman滤波的船舶自适应摇摆标定方法
CN107831660A (zh) 微陀螺仪自适应高阶超扭曲滑模控制方法
CN105865446A (zh) 基于大气辅助的惯性高度通道阻尼卡尔曼滤波方法
CN103925930B (zh) 一种重力仪双轴陀螺稳定平台航向误差效应的补偿方法
CN110186478A (zh) 用于捷联式惯导系统的惯性传感器选型方法及系统
CN103363966B (zh) 一种低成本组合型陀螺仪
Zhang et al. A novel INS/USBL integrated navigation scheme via factor graph optimization
CN105973237B (zh) 基于实际飞行数据插值的仿真动态轨迹解析生成方法
Guangcai et al. An iterative Doppler velocity log error calibration algorithm based on Newton optimization
CN104121930A (zh) 一种基于加表耦合的mems陀螺漂移误差的补偿方法
CN103983274A (zh) 一种适用于低精度无方位基准双轴转位设备的惯性测量单元标定方法
Liu et al. Error analysis and compensation of strapdown inertial navigation system

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191021

Address after: 302-01, floor 3, building 2, block 1, No. 29, Kechuang 13th Street, Beijing Economic and Technological Development Zone, 100000 Beijing

Applicant after: BEIJING ZOOMINBOT AUTOMOBILE TECHNOLOGY CO.,LTD.

Address before: 101116 No. 5, light street, Lake Town, Tongzhou District, Beijing

Applicant before: Yang Huajun

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191101