CN113008291A - 数据生成方法及装置、存储介质及电子装置 - Google Patents

数据生成方法及装置、存储介质及电子装置 Download PDF

Info

Publication number
CN113008291A
CN113008291A CN202110277873.7A CN202110277873A CN113008291A CN 113008291 A CN113008291 A CN 113008291A CN 202110277873 A CN202110277873 A CN 202110277873A CN 113008291 A CN113008291 A CN 113008291A
Authority
CN
China
Prior art keywords
data
deep learning
output
sensor
triaxial
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.)
Pending
Application number
CN202110277873.7A
Other languages
English (en)
Inventor
刘宁
苏中
李擎
范军芳
刘福朝
赵旭
刘洪�
赵辉
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 Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202110277873.7A priority Critical patent/CN113008291A/zh
Publication of CN113008291A publication Critical patent/CN113008291A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Navigation (AREA)

Abstract

本发明提供了一种数据生成方法及装置、存储介质及电子装置，其中，上述数据生成方法包括：指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将第二数据转换为第三数据，并将第三数据输入深度学习推理网络；指示深度学习推理网络，根据第三数据生成对第五数据进行补偿处理后的输出数据，其中，第五数据为对第四数据进行预设处理后得到的，且第四数据通过标定处理后的传感器采集得到。

Description

数据生成方法及装置、存储介质及电子装置
技术领域
本发明涉及通信领域，具体而言，涉及一种数据生成方法及装置、存储介质及电子装置。
背景技术
随着科技的发展，各种各样的传感器被广泛应用于生活、军事、航海、航天以及探测等领域，每一个需要收集数据的地方都需要用到对应的传感器。为了后续的数据处理以及数据处理结果的准确性，对传感器搜集数据的精度要求很高，因此对传感器的标定和误差补偿格外重要。现有技术中，对传感器的标定和误差补偿采用的是多项式形式的误差模型。上述多项式形式的误差模型采用的多位置标定方法，忽略了隐含在多项式中的高阶耦合项，忽略了标定过程中模型参数的时变特性，难以得到预期的补偿效果。
针对相关技术中，对传感器的标定和误差补偿效果差的问题，尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据生成方法及装置、存储介质及电子装置，以解决相关技术中，对传感器的标定和误差补偿效果差的问题。
根据本发明的一个实施例，提供了一种数据生成方法，包括：指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。
可选的，所述方法还包括：通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。
可选的，惯导数据采集器采集的数据经过数据预处理，包括以下至少之一：通过多级低通滤波器对所述惯导数据采集器采集的数据进行噪声抑制处理；获取所述惯导数据采集器的数据指标，并根据所述数据指标对所述惯导数据采集器采集的数据完成数据量纲变换处理。
可选的，所述方法还包括：根据特征提取前馈神经网络和长短期记忆网络对所述传感器的第一误差信息进行建模处理，得到所述深度学习推理网络；指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息；根据所述第二误差信息、第三误差信息和第五数据，生成所述输出数据。
可选的，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：通过逐层卷积处理和池化处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的空间特征，并将所述空间特征经过合并处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的高级空间特征；将所述高级空间特征输入所述特征提取前馈神经网络的全连接层，以对所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出进行分类回归处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的特征信息；根据所述特征信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。
可选的，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：通过所述长短期记忆网络的输入门、遗忘门和输出门来提取所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的有效信息，并存储所述有效信息；根据所述有效信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。
根据本发明的又一个实施例，还提供了一种数据生成装置，包括：第一处理模块，用于指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；第二处理模块，用于通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；转换模块，用于通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；输出模块，用于指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。
可选的，所述装置还包括训练模块，所述训练模块用于：通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。
根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行以上任一项中所述的方法。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行以上任一项中所述的方法。
通过本发明，指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。也就是说，通过上述技术方案，指示深度学习误差模型根据第一数据对传感器进行标定处理，通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据，通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络，指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据。采用上述技术方案，解决相关技术中，对传感器的标定和误差补偿效果差的问题，从而提高传感器采集数据的准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的一种数据生成方法的计算机终端的硬件结构框图；
图2是根据本发明实施例的一种数据生成方法的流程示意图；
图3是根据本发明实施例的一种传感器补偿的流程图；
图4是根据本发明实施例的一种LSTM单元的结构图；
图5是根据本发明实施例的一种GRU单元的结构图；
图6是根据本发明实施例的一种深度学习推理网络的结构图；
图7是根据本发明实施例的一种深度学习推理网络的网络实现图；
图8是根据本发明实施例的一种数据生成装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例所提供的方法实施例可以在计算机终端，或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本发明实施例的一种数据生成方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器(Microprocessor Unit,简称是MPU)或可编程逻辑器件(Programmable logic device,简称是PLD))和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的数据生成方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种数据生成方法，图2是本发明实施例的一种数据生成方法的流程示意图，该数据生成方法包括如下步骤：
步骤S202：指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；
步骤S204：通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；
步骤S206：通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；
步骤S208：指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。
通过本发明，指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。也就是说，通过上述技术方案，指示深度学习误差模型根据第一数据对传感器进行标定处理，通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据，通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络，指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据。采用上述技术方案，解决相关技术中，对传感器的标定和误差补偿效果差的问题，从而提高传感器采集数据的准确性。
分析传感器的误差特性，同时对相关误差进行分类，可以表述为：三个正交陀螺仪的角速率误差为ε，三个正交加速度计误差Δ，其中：
εΔ[εx εy εz]T,＝[△x △y △z]T
在误差模型形式上，具体可表述为：(1)式：
Figure BDA0002977364290000081
(2)式：
Figure BDA0002977364290000082
其中，式(1)和式(2)中，第一项ε0和Δ0分别为陀螺和加速度计的随机长治零偏向量，其中
ε0＝[ε0x ε0y ε0z]T，以此类推式(1)和式(2)中其他变量。第二项εT和ΔT分别为零偏随温度的漂移向量，第三项分别为系数矩阵
Figure BDA0002977364290000083
与陀螺输出的角速度向量ω的乘积和
Figure BDA0002977364290000084
与加速度计输出f的乘积，第四项分别为系数矩阵
Figure BDA0002977364290000085
与加速度计输出f的乘积和系数矩阵
Figure BDA0002977364290000086
与载体角速率ω的乘积，上述两式的前四项是有函数规律的，属于确定性误差，εr和Δ为随机误差，为非确定性误差。
对于这种多项式形式的误差模型而言，一些确定性误差能够通过相应手段计算。然而针对种模型的多位置标定方法，忽略了隐含在多项式中的高阶耦合项，忽略了标定过程中模型参数的时变特性，难以得到预期的补偿效果。
本发明正是针对这一问题，采用深度神经网络方法，来进行误差的计算，能够完全表征传感器这种具有参数时变性强、非线性强、时序相关性、多因素耦合等特性的复杂模型，通过优化标定方法，合理进行数据选取与训练，最终实现误差补偿，提高传感器整体精度。
在步骤S202之前，所述方法还包括：通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。
需要说明的是，在训练过程中，选择均方误差(MSE)作为每次正向传递结束时评估的总体损失函数，如下所示：
Figure BDA0002977364290000091
式中，yk是在k时刻当网络期望输出为
Figure BDA0002977364290000092
时的实际输出。选择Adam优化器以最大程度的减少总损失，从而基于损失函数的梯度更新网络权重和偏差。再测试过程中，均方根误差(RMSE)和绝对均值误差(MAE)用来评估网络性能，MAE衡量估算值与忽略符号的真实值的接近程度。相比之下，RMSE对大错误更敏感，并且表征了错误的变化。具体如下：
Figure BDA0002977364290000093
Figure BDA0002977364290000094
对于传感器的标定与补偿问题，其训练数据的选取至关重要。设置合理的数据激励方式，在保证完全对热、线运动、角运动等多维要素进行综合激励与全域激励的同时，尽量减少基准数据输出，缩短标定时间。不同于传统的传感器多项式模型采用多位置法标定、解耦计算模型系数的过程，针对传感器的深度学习推理网络深度神经网络，设计了角运动、重力、温度等误差因素连续激励的模型训练方法。
(1)温度激励：将传感器固连于隔振温箱中，在传感器的全工作范围内(-40℃至85℃)进行温度激励。初始条件温箱为室温，然后设置温箱降温至-40℃，保温2小时。打开传感器，开始记录数据，每隔25℃温度稳定1小时，直到温度到达85℃，然后恢复到25℃，保温1小时，关闭IMU，结束温度测试。
(2)角速率误差激励：将传感器固连于三轴转台上，传感器分别与转台三轴重合。分别已50°/s间隔控制三个轴向从-300°/s至300°/s转动。
(3)1g内加速度误差激励：将传感器固连于隔振台上的高精度分度头上，通过更换工装方式，实现传感器三个轴向分别与重力方向重合。分别以22.5°角度间隔来进行-1g至+1g数据获取。
(4)满量程加速度误差激励：通过更换工装方式，分别将传感器三个轴向与离心机向心力方向重合，以0.5g为间隔，完成-10g至+10g数据获取。数据标记为T4。
需要说明的是，1g内加速度误差激励与满量程加速度误差激励处于上述在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。
综上所述，一共采集四组用于训练的数据，其训练的输入为传感器数据经过预处理的后的数据，训练的输出为误差激励源给定的标准信号。
在步骤S202中，惯导数据采集器采集的数据经过数据预处理，包括以下至少之一：通过多级低通滤波器对所述惯导数据采集器采集的数据进行噪声抑制处理；获取所述惯导数据采集器的数据指标，并根据所述数据指标对所述惯导数据采集器采集的数据完成数据量纲变换处理。
需要说明的是，本发明可以选取ADI公司的MEMS陀螺仪ADXRS646和MEMS加速度计ADXL356，其陀螺仪量程±300°/s，加速度计量程为±10g。设计的硬件架构是采用TI公司的ADC芯片ADS1258获取惯性器件输出的模拟量信息，然后转成数字量信息，进行相关计算。数据预处理主要是按照所述惯导数据采集器的数据指标，完成量纲变换，转到统一的惯性量纲下，即加速度m/s2为基本单位，角速率°/s为基本单位，温度℃为基本单位。
需要说明的是，按照传统做法，经ADS1258采集完信号后，需要经过一级或两级低通滤波器，进行噪声抑制。第一级采用模拟形式的滤波器，第二级采用数字形式的滤波器。模拟滤波器多是选择有源低通滤波器，滤波带宽为1000Hz(-3dB)；数字滤波器采用FIR滤波器，滤波带宽为200Hz(-3dB)。而对于深度学习推理网络深度神经网络这种全新的标定与补偿方法而言，可保留一级模拟滤波器，而对于第二级数字滤波器可以省略。深度神经网络本身就是一个大型的滤波器，或者换句话说就是深度学习推理网络兼有补偿随机噪声的功能。
在步骤S208中，所述方法还包括：根据特征提取前馈神经网络和长短期记忆网络对所述传感器的第一误差信息进行建模处理，得到所述深度学习推理网络；指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息；根据所述第二误差信息、第三误差信息和第五数据，生成所述输出数据。
需要说明的是，传感器输出信号存在两种特征，即空间特征(即当前输入内的相互关系)和时间特征(即当前IMU的输出与过去输入之间的相关性)。为了传感器输出的时空特征，本发明提出了一个组合的深度学习推理网络网络，以进行准确而可靠的传感器误差估算。特别需要指出的是，CNN用于提取原始数据中的更高级空间特征，即惯性器件间的相互影响；而LSTM用于建模当前输出与之间传感器信号输出的关系。为了兼顾时间与空间的关系，提出了一个组合的深度学习推理网络网络，以进行准确而可靠的传感器误差估算。
需要说明的是，深度神经网络是基于深度学习理论与神经网络的新型机器学习工具，在理论上，具备比传统的浅层神经网络更强的非线性逼近能力，同时有效地改善了梯度消失、梯度爆炸问题，对复杂模型的拟合能力更强。惯性传感器和传感器输出的数据，是反映被测物体本身的时间序列数据，数据中的误差也是跟运动、环境等因素有关的时间序列，因此深度循环神经网络符合传感器误差建模与补偿的问题特征。本节中，提出利用深度学习推理网络网络来对传感器误差进行建模，三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出来估算传感器所测三轴角速率、三轴加速度的误差。其中CNN层专注于当前输入，并设法提取六个惯性器件之间的空间特征，然后合并为高级特征。LSTM使用隐藏的单元存储器来存储过去输入的信息，这更适合于处理时间序列数据。
在一个可选实施例中，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：通过逐层卷积处理和池化处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的空间特征，并将所述空间特征经过合并处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的高级空间特征；将所述高级空间特征输入所述特征提取前馈神经网络的全连接层，以对所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出进行分类回归处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的特征信息；根据所述特征信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。
需要说明的是，上述可选实施例中的操作实际上是由深度学习推理网络内部的CNN完成的。CNN是由Lecun等人提出，是一种有效的模式识别和特征提取前馈神经网络。典型的CNN通常由输入层、卷积层、池化层、全连接层和输出层组成。通过过滤器列表，CNN通过逐层卷积和池化操作提取隐藏在数据中的拓扑特征。CNN可以使用很少的参数来捕获输入的空间特征并将其组合以生成高级特征。然后将这些要素输入到全连接层中，以进行进一步的分类或回归。CNN网络中，卷积层和池化层是核心，它们可以提取特征，减少模型参数的数量并加快训练速度。卷积层的公式如下：
Figure BDA0002977364290000131
其中，Mc,t是卷积计算结果，Mtrain,t输入变量t时刻之前的输入数据(wx，wy，wz，fx，fy，fz，Twx，Twy，Twz，Tf)纳入训练集中的数据；K是在所有相关特征范围上进行卷积的一维(1D)卷积；j为当前时刻时间标记；b为偏置；f为激活函数。
为了捕捉不同的特征，在一个卷积层中采用了几个相同大小的滤波器。输入信号与每个滤波器进行卷积，然后将结果叠加在一起作为输出，其中一个卷积层带有两个滤波器。卷积操作可以看作是一个相同大小的滑动窗口，以一定的步幅沿输入方向移动，对于窗口的每一停留，滤波器和输入的检查部分之间的内积被计算为输出的一个元素。
在一个可选实施例中，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：通过所述长短期记忆网络的输入门、遗忘门和输出门来提取所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的有效信息，并存储所述有效信息；根据所述有效信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。
需要说明的是，循环神经网络是一类具有记忆机制的用于处理序列问题的神经网络，能够将隐藏层前一时刻的输出作为当前时刻的输入信息。理论上RNN能够记忆任意长度的序列信息，然而实际上因为训练过程中权值矩阵的重复使用导致的梯度消失和梯度爆炸问题，RNN智能记忆很短的序列信息，实际应用中，最有效的序列模型是门控RNN(gatedRNN)，长短时记忆网络(LSTM)是一类主要的门控RNN。
在一个可选实施例中，还可以根据所述特征信息和所述有效信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。需要说明的是，根据所述特征信息和所述有效信息计算出的所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息的结果更加准确。
在一个可选实施例中，本发明的传感器可以是MEMS-IMU传感器。
为了更好的理解上述技术方案，使用以下可选流程图用于解释说明数据生成方法的整个流程。
图3是根据本发明实施例的一种传感器补偿的流程图，所图3所示：
S302：使用惯导数据采集器采集数据，并将采集的数据经过数据预处理得到第一数据；
S304：通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据，其中，深度学习计算框架在高性能计算机上；
S306：通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络，其中，数据编译工具就是模型优化与工程实现；
S308：指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到，其中，所述深度学习推理网络就是图中的网络推理。
基于深度神经网络的传感器补偿方法，是根据深度学习计算框架生成第二数据，其中，上述深度学习计算框架可以是Tensorflow或Pytorch等模型，第二数据可以是如onnx格式或h5格式的文件。需要说明的是，可以选择利用Keras进行神经网络训练，输出为h5格式的第二数据。针对第二数据，利用模型转译工具，将模型转换为底层硬件化语言，也就是第三数据，然后编写进硬件系统。于硬件端，通过模拟数字转换器读取惯性器件数据，在经过数据预处理，直接传递至神经网络推理，然后生成输出数据。
图4是根据本发明实施例的一种LSTM单元的结构图，所图4所示：
A为一个LSTM单元，每个单元内部都具有循环结构，xt，ht，ct分别为t时刻的输入信息、隐藏层输出和记忆单元状态。每个LSTM单元都有控制信息流动门控单元系统，通过“输入门”、“遗忘门”、“输出门”来控制细胞状态的更新和丢弃，以提取输入信息中心的有效信息并抛弃无效信息，保护输入信息中的时序性。其具体的数学表达如下：
ft＝σg(Wfxt+Ufht-1+bf)
it＝σg(Wixt+Uiht-1+bi)
ot＝σg(Woxt+Uoht-1+bo)
ct＝ftοct-1+itοσc(Wcxt+Ucht-1+bc)
ht＝ot οσh(ct)
式中，“ο”表示Hadamard product；xt为t时刻的单元输入；ht为相应的单元输出；ct为隐层记忆单元；it，ft和ot分别为输入门、遗忘门和输出门的激活向量；σg，σc，σh为激活函数，其中σg为logistic sigmoid function，σc和σh是tangent functions；W，U和b为在学习训练过程中的矩阵权值和偏移量。
以忘记门为例，选通因子ft是sigmod函数的输出，因此其每个元素都位于0和1之间。在门操作之后，旧单元存储器倾向于淡出当ft的元素接近0并在ft接近1时将被保留。换句话说，ft可以被解释为一个有效性因素，它确定了在新输入可用时如何保留旧内存。以此类推，实现其余门的操作。
图5是根据本发明实施例的一种GRU单元的结构图，所图5所示：
GRU是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也更好，因此也是可以解决RNN网络中的长依赖问题。在LSTM中引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值。而在GRU模型中只有两个门：更新门和重置门。具体结构如所示。针对传感器的误差标定与补偿，采用1级LSTM网络，跟随3级GRU网络，目的是尽可能的存储更多数据建立时序模型同时能更加快速进行推理。
图6是根据本发明实施例的一种深度学习推理网络的结构图，所图6所示：
本发明在进行算法验证过程中，标定仪器选用的是ADXRS646和ADXL356，前者为单轴陀螺仪，后者为三轴加速度计。其输出均为模拟量输出，自身器件均有温度数据输出。所设计的深度学习推理网络，总体结构如图6所示，网络输入如下：
(1)三轴陀螺仪的三轴角速度：wx、wy、wz；(量纲：°/s)；
(2)三轴陀螺仪的三个温度信息：Twx、Twy、Twz；(量纲：℃)；
(3)三轴加速度计的三轴加速度：fx、fy、fz；(量纲：m/s2)；
(4)三轴加速度计的温度信息：Tf。(量纲：℃)。
深度学习推理网络输出如下：
(1)三轴陀螺仪对应的角速率误差：εx、εy、εz；(量纲：°/s)；
(2)三轴加速度计对应的加速度误差：△x、△y、△z。(量纲：m/s2)。
图7是根据本发明实施例的一种深度学习推理网络的网络实现图：
图7是图6的结果。在图6所设计的网络为10维输入、6为输出的复合式深度神经网络，可以利用Keras搭建网络。输入层接1维卷积层，输入维度为128x10，输出维度为43x128。紧接着接入批量标准化层，完成数据的转换，该层的输入与输出维度一致。数据归一后，进入LSTM层，输出节点为43x32。数据接入两路并联GRU层，最后通过拼接层进行拼接，输出节点为43x64。输出输出再接入两层串联GRU层，然后通过Fllaten层和相关高级激活层，实现数据输出。如图7整个网络全参数全150298个，其中，可训练参数未150342个，固定参数为256个。
通过本发明，指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。也就是说，通过上述技术方案，指示深度学习误差模型根据第一数据对传感器进行标定处理，通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据，通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络，指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据。采用上述技术方案，解决相关技术中，对传感器的标定和误差补偿效果差的问题，从而提高传感器采集数据的准确性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种数据生成装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的一种数据生成装置的结果框图，包括：
第一处理模块80，用于指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；
第二处理模块82，用于通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；
转换模块84，用于通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；
输出模块86，用于指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。
通过本发明，指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。也就是说，通过上述技术方案，指示深度学习误差模型根据第一数据对传感器进行标定处理，通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据，通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络，指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据。采用上述技术方案，解决相关技术中，对传感器的标定和误差补偿效果差的问题，从而提高传感器采集数据的准确性。
可选的，第一处理模块80还用于通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。
需要说明的是，在训练过程中，选择均方误差(MSE)作为每次正向传递结束时评估的总体损失函数，如下所示：
Figure BDA0002977364290000191
式中，yk是在k时刻当网络期望输出为
Figure BDA0002977364290000192
时的实际输出。选择Adam优化器以最大程度的减少总损失，从而基于损失函数的梯度更新网络权重和偏差。再测试过程中，均方根误差(RMSE)和绝对均值误差(MAE)用来评估网络性能，MAE衡量估算值与忽略符号的真实值的接近程度。相比之下，RMSE对大错误更敏感，并且表征了错误的变化。具体如下：
Figure BDA0002977364290000193
Figure BDA0002977364290000194
对于传感器的标定与补偿问题，其训练数据的选取至关重要。设置合理的数据激励方式，在保证完全对热、线运动、角运动等多维要素进行综合激励与全域激励的同时，尽量减少基准数据输出，缩短标定时间。不同于传统的传感器多项式模型采用多位置法标定、解耦计算模型系数的过程，针对传感器的深度学习推理网络深度神经网络，设计了角运动、重力、温度等误差因素连续激励的模型训练方法。
(1)温度激励：将传感器固连于隔振温箱中，在传感器的全工作范围内(-40℃至85℃)进行温度激励。初始条件温箱为室温，然后设置温箱降温至-40℃，保温2小时。打开传感器，开始记录数据，每隔25℃温度稳定1小时，直到温度到达85℃，然后恢复到25℃，保温1小时，关闭IMU，结束温度测试。
(2)角速率误差激励：将传感器固连于三轴转台上，传感器分别与转台三轴重合。分别已50°/s间隔控制三个轴向从-300°/s至300°/s转动。
(3)1g内加速度误差激励：将传感器固连于隔振台上的高精度分度头上，通过更换工装方式，实现传感器三个轴向分别与重力方向重合。分别以22.5°角度间隔来进行-1g至+1g数据获取。
(4)满量程加速度误差激励：通过更换工装方式，分别将传感器三个轴向与离心机向心力方向重合，以0.5g为间隔，完成-10g至+10g数据获取。数据标记为T4。
需要说明的是，1g内加速度误差激励与满量程加速度误差激励处于上述在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。
综上所述，一共采集四组用于训练的数据，其训练的输入为传感器数据经过预处理的后的数据，训练的输出为误差激励源给定的标准信号。
可选的，第一处理模块80还用于通过多级低通滤波器对所述惯导数据采集器采集的数据进行噪声抑制处理；获取所述惯导数据采集器的数据指标，并根据所述数据指标对所述惯导数据采集器采集的数据完成数据量纲变换处理。
需要说明的是，本发明可以选取ADI公司的MEMS陀螺仪ADXRS646和MEMS加速度计ADXL356，其陀螺仪量程±300°/s，加速度计量程为±10g。设计的硬件架构是采用TI公司的ADC芯片ADS1258获取惯性器件输出的模拟量信息，然后转成数字量信息，进行相关计算。数据预处理主要是按照所述惯导数据采集器的数据指标，完成量纲变换，转到统一的惯性量纲下，即加速度m/s2为基本单位，角速率°/s为基本单位，温度℃为基本单位。
需要说明的是，按照传统做法，经ADS1258采集完信号后，需要经过一级或两级低通滤波器，进行噪声抑制。第一级采用模拟形式的滤波器，第二级采用数字形式的滤波器。模拟滤波器多是选择有源低通滤波器，滤波带宽为1000Hz(-3dB)；数字滤波器采用FIR滤波器，滤波带宽为200Hz(-3dB)。而对于深度学习推理网络深度神经网络这种全新的标定与补偿方法而言，可保留一级模拟滤波器，而对于第二级数字滤波器可以省略。深度神经网络本身就是一个大型的滤波器，或者换句话说就是深度学习推理网络兼有补偿随机噪声的功能。
可选的，输出模块86还用于根据特征提取前馈神经网络和长短期记忆网络对所述传感器的第一误差信息进行建模处理，得到所述深度学习推理网络；指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息；根据所述第二误差信息、第三误差信息和第五数据，生成所述输出数据。
需要说明的是，传感器输出信号存在两种特征，即空间特征(即当前输入内的相互关系)和时间特征(即当前IMU的输出与过去输入之间的相关性)。为了传感器输出的时空特征，本发明提出了一个组合的深度学习推理网络网络，以进行准确而可靠的传感器误差估算。特别需要指出的是，CNN用于提取原始数据中的更高级空间特征，即惯性器件间的相互影响；而LSTM用于建模当前输出与之间传感器信号输出的关系。为了兼顾时间与空间的关系，提出了一个组合的深度学习推理网络网络，以进行准确而可靠的传感器误差估算。
需要说明的是，深度神经网络是基于深度学习理论与神经网络的新型机器学习工具，在理论上，具备比传统的浅层神经网络更强的非线性逼近能力，同时有效地改善了梯度消失、梯度爆炸问题，对复杂模型的拟合能力更强。惯性传感器和传感器输出的数据，是反映被测物体本身的时间序列数据，数据中的误差也是跟运动、环境等因素有关的时间序列，因此深度循环神经网络符合传感器误差建模与补偿的问题特征。本节中，提出利用深度学习推理网络网络来对传感器误差进行建模，三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出来估算传感器所测三轴角速率、三轴加速度的误差。其中CNN层专注于当前输入，并设法提取六个惯性器件之间的空间特征，然后合并为高级特征。LSTM使用隐藏的单元存储器来存储过去输入的信息，这更适合于处理时间序列数据。
可选的，输出模块86还用于通过逐层卷积处理和池化处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的空间特征，并将所述空间特征经过合并处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的高级空间特征；将所述高级空间特征输入所述特征提取前馈神经网络的全连接层，以对所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出进行分类回归处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的特征信息；根据所述特征信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。
需要说明的是，上述可选实施例中的操作实际上是由深度学习推理网络内部的CNN完成的。CNN是由Lecun等人提出，是一种有效的模式识别和特征提取前馈神经网络。典型的CNN通常由输入层、卷积层、池化层、全连接层和输出层组成。通过过滤器列表，CNN通过逐层卷积和池化操作提取隐藏在数据中的拓扑特征。CNN可以使用很少的参数来捕获输入的空间特征并将其组合以生成高级特征。然后将这些要素输入到全连接层中，以进行进一步的分类或回归。CNN网络中，卷积层和池化层是核心，它们可以提取特征，减少模型参数的数量并加快训练速度。卷积层的公式如下：
Figure BDA0002977364290000221
其中，Mc,t是卷积计算结果，Mtrain,t输入变量t时刻之前的输入数据(wx，wy，wz，fx，fy，fz，Twx，Twy，Twz，Tf)纳入训练集中的数据；K是在所有相关特征范围上进行卷积的一维(1D)卷积；j为当前时刻时间标记；b为偏置；f为激活函数。
为了捕捉不同的特征，在一个卷积层中采用了几个相同大小的滤波器。输入信号与每个滤波器进行卷积，然后将结果叠加在一起作为输出，其中一个卷积层带有两个滤波器。卷积操作可以看作是一个相同大小的滑动窗口，以一定的步幅沿输入方向移动，对于窗口的每一停留，滤波器和输入的检查部分之间的内积被计算为输出的一个元素。
可选的，输出模块86还用于通过所述长短期记忆网络的输入门、遗忘门和输出门来提取所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的有效信息，并存储所述有效信息；根据所述有效信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。
需要说明的是，循环神经网络是一类具有记忆机制的用于处理序列问题的神经网络，能够将隐藏层前一时刻的输出作为当前时刻的输入信息。理论上RNN能够记忆任意长度的序列信息，然而实际上因为训练过程中权值矩阵的重复使用导致的梯度消失和梯度爆炸问题，RNN智能记忆很短的序列信息，实际应用中，最有效的序列模型是门控RNN(gatedRNN)，长短时记忆网络(LSTM)是一类主要的门控RNN。
在一个可选实施例中，还可以根据所述特征信息和所述有效信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。需要说明的是，根据所述特征信息和所述有效信息计算出的所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息的结果更加准确。
在一个可选实施例中，本发明的传感器可以是MEMS-IMU传感器。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；
S2，通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；
S3，通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；
S4，指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；
S2，通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；
S3，通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；
S4，指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。
可选地，在本可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种数据生成方法，其特征在于，包括：
指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；
通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；
通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；
指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。
2.根据权利要求1所述方法，其特征在于，所述方法还包括：
通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：
在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；
在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；
在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。
3.根据权利要求1所述的方法，其特征在于，惯导数据采集器采集的数据经过数据预处理，包括以下至少之一：
通过多级低通滤波器对所述惯导数据采集器采集的数据进行噪声抑制处理；
获取所述惯导数据采集器的数据指标，并根据所述数据指标对所述惯导数据采集器采集的数据完成数据量纲变换处理。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据特征提取前馈神经网络和长短期记忆网络对所述传感器的第一误差信息进行建模处理，得到所述深度学习推理网络；
指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息；
根据所述第二误差信息、第三误差信息和第五数据，生成所述输出数据。
5.根据权利要求4所述的方法，其特征在于，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：
通过逐层卷积处理和池化处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的空间特征，并将所述空间特征经过合并处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的高级空间特征；将所述高级空间特征输入所述特征提取前馈神经网络的全连接层，以对所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出进行分类回归处理，得到所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的特征信息；
根据所述特征信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。
6.根据权利要求4所述的方法，其特征在于，指示所述深度学习推理网络，根据所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息，所述方法包括：
通过所述长短期记忆网络的输入门、遗忘门和输出门来提取所述传感器的三轴加速度计输出、三轴陀螺仪输出、陀螺仪温度输出和加速度计温度输出的有效信息，并存储所述有效信息；
根据所述有效信息计算所述第五数据的三轴角速率的第二误差信息和三轴加速度的第三误差信息。
7.一种数据生成装置，其特征在于，包括：
第一处理模块，用于指示深度学习误差模型根据第一数据对传感器进行标定处理，其中，所述第一数据是惯导数据采集器采集的数据经过数据预处理得到的；
第二处理模块，用于通过深度学习计算框架对所述第一数据进行训练和验证处理，生成第二数据；
转换模块，用于通过数据编译工具将所述第二数据转换为第三数据，并将所述第三数据输入深度学习推理网络；
输出模块，用于指示所述深度学习推理网络，根据所述第三数据生成对第五数据进行补偿处理后的输出数据，其中，所述第五数据为对第四数据进行预设处理后得到的，且所述第四数据通过标定处理后的传感器采集得到。
8.根据权利要求7所述装置，其特征在于，所述装置还包括训练模块，所述训练模块用于：
通过以下至少之一方式对深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练：
在预设温度范围内，通过所述传感器采集温度数据，并使用所述温度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；
在预设角速度范围内，通过所述传感器采集角速度数据，并使用所述角速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练；
在预设加速度范围内，通过所述传感器采集加速度数据，并使用所述加速度数据分别对所述深度学习误差模型、深度学习计算框架和深度学习推理网络进行训练。
9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至6任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。
CN202110277873.7A 2021-03-15 2021-03-15 数据生成方法及装置、存储介质及电子装置 Pending CN113008291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110277873.7A CN113008291A (zh) 2021-03-15 2021-03-15 数据生成方法及装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110277873.7A CN113008291A (zh) 2021-03-15 2021-03-15 数据生成方法及装置、存储介质及电子装置

Publications (1)

Publication Number Publication Date
CN113008291A true CN113008291A (zh) 2021-06-22

Family

ID=76407521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110277873.7A Pending CN113008291A (zh) 2021-03-15 2021-03-15 数据生成方法及装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN113008291A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4306910A1 (en) * 2022-07-11 2024-01-17 Melexis Technologies SA Magnetic position sensor system, device and method

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110232359A1 (en) * 2008-11-28 2011-09-29 Sagem Defense Securite Calibration Of Vibratory Gyroscope
CN104101344A (zh) * 2014-07-11 2014-10-15 哈尔滨工程大学 基于粒子群小波网络的mems陀螺随机误差补偿方法
CN106017507A (zh) * 2016-05-13 2016-10-12 北京航空航天大学 一种用于中低精度的光纤惯组快速标定方法
CN107655472A (zh) * 2017-08-30 2018-02-02 杨华军 一种基于深度学习的高精度惯性导航设备误差补偿方法
CN108363870A (zh) * 2018-02-11 2018-08-03 宁波大学 一种基于深度学习的数控机床主轴热误差建模方法
EP3382570A1 (en) * 2017-03-27 2018-10-03 Telefonica Digital España, S.L.U. Method for characterizing driving events of a vehicle based on an accelerometer sensor
CN109188026A (zh) * 2018-10-25 2019-01-11 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
CN109459061A (zh) * 2018-12-04 2019-03-12 广州辰创科技发展有限公司 微惯性测量单元标定方法、设备及计算机可读存储介质
CN110162048A (zh) * 2019-05-22 2019-08-23 集美大学 一种船舶间运动补偿方法及系统
CN110188683A (zh) * 2019-05-30 2019-08-30 北京理工大学 一种基于cnn-lstm的自动驾驶控制方法
CN110276380A (zh) * 2019-05-22 2019-09-24 杭州电子科技大学 一种基于深度模型框架的实时运动在线指导系统
CN110749337A (zh) * 2019-10-11 2020-02-04 南京航空航天大学 一种基于深度神经网络的mimu误差补偿方法
CN110806692A (zh) * 2019-10-21 2020-02-18 上海海事大学 一种基于cnn-latm组合模型的波浪补偿预测方法
CN111103577A (zh) * 2020-01-07 2020-05-05 湖南大学 一种基于循环神经网络的端到端激光雷达标定方法
CN111712688A (zh) * 2019-06-28 2020-09-25 深圳市大疆创新科技有限公司 标定方法、标定设备、稳定器及计算机可读存储介质
US20200371481A1 (en) * 2019-05-22 2020-11-26 The Chinese University Of Hong Kong Control system, control method and computer storage medium

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110232359A1 (en) * 2008-11-28 2011-09-29 Sagem Defense Securite Calibration Of Vibratory Gyroscope
CN104101344A (zh) * 2014-07-11 2014-10-15 哈尔滨工程大学 基于粒子群小波网络的mems陀螺随机误差补偿方法
CN106017507A (zh) * 2016-05-13 2016-10-12 北京航空航天大学 一种用于中低精度的光纤惯组快速标定方法
EP3382570A1 (en) * 2017-03-27 2018-10-03 Telefonica Digital España, S.L.U. Method for characterizing driving events of a vehicle based on an accelerometer sensor
CN107655472A (zh) * 2017-08-30 2018-02-02 杨华军 一种基于深度学习的高精度惯性导航设备误差补偿方法
CN108363870A (zh) * 2018-02-11 2018-08-03 宁波大学 一种基于深度学习的数控机床主轴热误差建模方法
CN109188026A (zh) * 2018-10-25 2019-01-11 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
CN109459061A (zh) * 2018-12-04 2019-03-12 广州辰创科技发展有限公司 微惯性测量单元标定方法、设备及计算机可读存储介质
CN110162048A (zh) * 2019-05-22 2019-08-23 集美大学 一种船舶间运动补偿方法及系统
CN110276380A (zh) * 2019-05-22 2019-09-24 杭州电子科技大学 一种基于深度模型框架的实时运动在线指导系统
US20200371481A1 (en) * 2019-05-22 2020-11-26 The Chinese University Of Hong Kong Control system, control method and computer storage medium
CN110188683A (zh) * 2019-05-30 2019-08-30 北京理工大学 一种基于cnn-lstm的自动驾驶控制方法
CN111712688A (zh) * 2019-06-28 2020-09-25 深圳市大疆创新科技有限公司 标定方法、标定设备、稳定器及计算机可读存储介质
CN110749337A (zh) * 2019-10-11 2020-02-04 南京航空航天大学 一种基于深度神经网络的mimu误差补偿方法
CN110806692A (zh) * 2019-10-21 2020-02-18 上海海事大学 一种基于cnn-latm组合模型的波浪补偿预测方法
CN111103577A (zh) * 2020-01-07 2020-05-05 湖南大学 一种基于循环神经网络的端到端激光雷达标定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4306910A1 (en) * 2022-07-11 2024-01-17 Melexis Technologies SA Magnetic position sensor system, device and method
WO2024013043A1 (en) * 2022-07-11 2024-01-18 Melexis Technologies Sa Magnetic position sensor system, device and method using a recurrent neural network

Similar Documents

Publication Publication Date Title
Moustapha et al. Wireless sensor network modeling using modified recurrent neural networks: Application to fault detection
CN103499345B (zh) 一种基于小波分析和bp神经网络的光纤陀螺温度漂移补偿方法
Delavari et al. Fractional order controller design for a flexible link manipulator robot
Campi et al. Iterative identification method for linear continuous-time systems
CN108120451A (zh) 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统
CN110749337B (zh) 一种基于深度神经网络的mimu误差补偿方法
JP2007527157A (ja) 信号に含まれるノイズ効果を分離するための装置および方法
Ansari et al. Input estimation for nonminimum-phase systems with application to acceleration estimation for a maneuvering vehicle
CN113008291A (zh) 数据生成方法及装置、存储介质及电子装置
Ma et al. A parallel denoising model for dual-mass MEMS gyroscope based on PE-ITD and SA-ELM
CN111413651B (zh) 一种磁场总场的补偿方法、装置、系统及存储介质
Ding et al. The method of MEMS gyroscope random error compensation based on ARMA
Lu et al. Fusion Algorithm‐Based Temperature Compensation Method for High‐G MEMS Accelerometer
CN114623848A (zh) 基于变分模态分解和flp的半球谐振陀螺随机误差补偿方法
Yu et al. An aeromagnetic compensation algorithm based on a deep autoencoder
Ruoyu et al. Modeling of MEMS gyro drift based on wavelet threshold denoising and improved Elman neural network
CN111308112A (zh) 一种基于神经网络的温度补偿系统
Liu et al. Sensor fault diagnosis of GPS/INS tightly coupled navigation system based on state chi-square test and improved simplified fuzzy ARTMAP neural network
CN110598744A (zh) 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法
Ujang et al. On quaternion analyticity: Enabling quaternion-valued nonlinear adaptive filtering
Liang et al. System‐Level Temperature Compensation Method for the RLG‐IMU Based on HHO‐RVR
CN107560645A (zh) 一种光纤布拉格光栅传感器波长解调寻峰方法
Wu et al. Real-time correction for sensor's dynamic error based on DSP
Lou et al. Meta-learning from sparse recovery
CN117664117B (zh) 一种光纤陀螺的漂移数据分析及优化补偿方法

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