CN113091768B - 一种mimu整体动态智能标定补偿方法 - Google Patents

一种mimu整体动态智能标定补偿方法 Download PDF

Info

Publication number
CN113091768B
CN113091768B CN202110271813.4A CN202110271813A CN113091768B CN 113091768 B CN113091768 B CN 113091768B CN 202110271813 A CN202110271813 A CN 202110271813A CN 113091768 B CN113091768 B CN 113091768B
Authority
CN
China
Prior art keywords
output
neural network
data
model
time
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.)
Active
Application number
CN202110271813.4A
Other languages
English (en)
Other versions
CN113091768A (zh
Inventor
陈帅
王博浩
马一鸣
马永犇
张孟军
程玉
白钲皓
赵海飞
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110271813.4A priority Critical patent/CN113091768B/zh
Publication of CN113091768A publication Critical patent/CN113091768A/zh
Application granted granted Critical
Publication of CN113091768B publication Critical patent/CN113091768B/zh
Active 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种MIMU整体动态智能标定补偿方法。该方法为：通过工装将MEMS‑IMU固定在测试设备上，采集保存IMU以及测试设备的输出；基于DeepAR递归神经网络建立误差补偿模型，确定神经网络输入输出结构、隐含层数目以及神经元数目；将采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练；利用训练完成的神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型。本发明标定精度高，适应性强。

Description

一种MIMU整体动态智能标定补偿方法
技术领域
本发明涉及惯性导航技术领域，特别是一种MIMU整体动态智能标定补偿方法。
背景技术
随着半导体技术的发展，MEMS-IMU的精度在逐步提高，已经可以满足战术级制导武器的需求。同时，由于其具有成本低、体积小、功耗低等优点，在军用以及民用等各个领域得到了广泛的应用。
随着MEMS-IMU的广泛应用以及其自身输出误差受温度环境以及运动状态影响明显，所以在使用前对MEMS-IMU进行标定对于提高其精度非常有必要。由于传统的标定方法通常是采用静态的数据对标定参数进行解算，但是IMU的工作环境通常是在动态环境下，这会造成通过传统标定方法得到的标定参数不能再IMU使用中达到理想的效果。另外，由于一般的标定方法大多采用线性误差模型以及多项式误差模型来对惯导进行标定补偿，但是惯导的误差参数通常是非线性的并且是多因素耦合的状态，所以一般的误差模型不能够对惯导输出误差进行充分准确的补偿。
发明内容
本发明的目的在于提供一种精度高、适应性强的MIMU整体动态智能标定补偿方法。
实现本发明目的的技术解决方案为：一种MIMU整体动态智能标定补偿方法，包括以下步骤：
步骤1、采集数据阶段，通过工装将MEMS-IMU固定在转台、离心机这些测试设备上，采集保存IMU的输出以及测试设备的输出；
步骤2、基于DeepAR递归神经网络建立MEMS-IMU误差补偿模型，确定神经网络输入输出结构、隐含层数目以及神经元数目；
步骤3、将在步骤1采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练；
步骤4、利用训练完成的DeepAR递归神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型。
进一步地，步骤1所述的采集数据阶段，通过工装将MEMS-IMU固定在转台、离心机这些测试设备上，采集保存IMU的输出以及测试设备的输出，具体如下：
将惯导固定在三轴温箱转台上先分别测试单轴的MIMU的角速率输出，控制三轴转台每个轴的角速率在-400°/s-400°/s之间均匀变化，变化速率为1°/s，通过分别对单轴采集数据能够学习到单轴的标定补偿模型；进而将三轴设置不同的角加速度从而获得三轴不同角速度的误差耦合数据；转动形式设定为依次从逆时针转动，逐渐减为零，再逐渐顺时针加速转动；对三轴施加不同的角加速度从而实现对各轴在不同的角速度下的耦合误差进行采集；控制温箱的温度设定为从最高温度到常温再到最低温度循环往复，同时保持上述的转动形式，采集4小时的数据；
为了激励惯导加速度计的高阶误差项，通过工装将惯导安装在离心机上，将输入轴安装在离心机工作半径的正方向，测试向心加速度从0g-10g变化，变化速度为10min/g，重新将输入轴安装在离心机工作半径的负方向，测试向心加速度从0g-10g变化，变化速度为10min/g；改变惯导在离心机夹具的安装方位，分别对三轴加速度计进行激励，通过上述数据能够对加速度计的高阶误差模型进行学习；
最后，将惯导固定在角振动台上对惯导分别施加幅值为0.5°，1°，3°并且振动频率从0.5HZ到100HZ的角振动，振动频率每分钟增加0.5HZ，改变惯导在夹具上的安装方位分别测试不同轴向的角振动输出并采集数据；
上述实验将MEMS-IMU实际输出与转台、离心机这些测试设备的理想输出一同保存，数据均采集两组分为训练集与测试集。
进一步地，步骤2所述基于DeepAR递归神经网络建立MEMS-IMU误差补偿模型，确定神经网络输入输出结构、隐含层数目以及神经元数目，具体如下：
建立基于DeepAR递归神经网络的MEMS-IMU误差补偿模型，该模型的输入为三轴角速度信息、三轴加速度信息、温度信息，输出为三轴角速度误差、三轴加速度误差，模型具体结构如下：
需要计算得到的目标值的分布为似然函数的乘积形式，如下：
上式即为利用隐含层输出hi,t参数化的自回归循环神经网络模型；概率p(zi,t∣θ(hi,t))服从设定的分布，这个分布的参数由隐含层输出的函数θ(hi,t,Θ)确定；
其中QΘ为似然函数，为以t0时刻之前的输出以及从1到T时刻的协变量序列为先验信息求得的第i个序列的时刻T的输出；/>为从1到t0-1时刻的输出序列，xi,1:T为从1到T时刻的协变量序列，t为当前时刻，t0为预测起始时刻，T为协变量的当前时刻，zi,t为t时刻的第i序列的输出，zi,1:t-1表示1到当前时刻的第i输出序列，p表示条件概率；θ(hi,t,Θ)的形式根据选择的数据分布形式决定，在下面数据分布部分给出了不同分布形式下的函数形式；hi,t为隐含层输出；Θ表示神经网络参数，包括权值矩阵、阈值矩阵；
记zi,t-1为t-1时刻的时间序列i的目标值即为惯性测量单元的测量误差，xi,t为t时刻时间序列i的预测协变量即为同时刻与目标值耦合的其他惯性测量单元的测量信息，hi,t为t-1时刻时间序列i的隐含层网络输出，
hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)
其中h表示由LSTM神经元构成的多层递归神经网络实现的函数，且LSTM神经元由Θ参数化；hi,t-1为t-2时刻的隐含层输出，zi,t-1为t-1时刻的第i序列的输出，xi,t为t时刻的第i序列的协变量；
其中LSTM神经元的内部结构由遗忘门、输入门、输出门以及仿射变换神经元构成，其中三个门函数的输出值在0-1之间，表示对信息的控制程度；其中前向传播的流程，首先是计算遗忘门ft，遗忘门能够决定记忆信息流Ct-1中的内容保留的程度，遗忘门通过以下公式计算：
ft＝σ(Wf·[ht-1,xt]+bf)
其中ht-1为t-1时刻的隐含状态，xt为t时刻输入，Wf遗忘为权值矩阵，bf为遗忘阈值向量，σ()为激活函数；
其次，通过计算输入门控制信息注入记忆信息流，输入门的计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
其中，it为t时刻的输入门的值，为t时刻的输入门的控制值，e为自然指数，Wi为输入们权值矩阵，WC为控制门权值矩阵，bC为控制门阈值向量，bi为输入门阈值向量，xt为t时刻传递的状态，tanh()为激活函数：
最终，t时刻的记忆信息流通过输入门与遗忘门传递的信息求和得到，即为
其中Ct表示t时刻的记忆信息流，Ct-1为t-1时刻的记忆信息流；
上式等式右侧第一项表述了通过遗忘门留下的信息，第二项表述了新输入记忆信息流的信息；
得到当前时刻信息流的值后，计算当前时刻的输出，此时需要考虑输出门的计算，输出门决定了输出信息的量：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中ot表示输出门的数值，Wo为输出门权值矩阵，bo为输出门阈值矩阵，ht表示传递给下一时刻的当前的系统隐含状态，上式表述了通过输出门ot控制信息流Ct的输出量；
此时，即完成一个时刻的LSTM神经元的前向传播，反向传播通过依据时间的反向传播算法获得，其中使用了链式法则，通过求导与梯度下降法实现最优化；
概率p(zi,t∣θ(hi,t))为一个固定的概率分布，参数利用下式得到，
θi,t＝θ(hi,t,Θ)
其中θi,t为似然函数的参数其形式取决于似然函数，hi,t为DeepAR神经网络t时刻隐含层输出，Θ为神经网络的连接参数；
DeepAR神经网络的目标是得到一个目标值的条件分布，
其中t0代表着目标值未知的起始时刻，预测协变量xi,1:T为全时刻已知的惯性测量单元输出；条件区间/>的观测信息通过初始状态/>转移到预测区间中；在该模型中的预测区间与条件区间都选择同样的结构作为编解码模型，同时，编码器与解码器共享权重，因此/>由式hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)计算，初始状态hi,0和zi,0设置为零；
下一步，给定模型参数Θ，即能够通过之前已知的数据得到样本的分布首先通过式hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)计算hi,t-1,t＝1,...,t0-1；其次为了计算样本预测/>其中/>对于t0时刻，令/>和/>得到当前时刻的预测目标值的步骤为：利用上时刻的预测目标值/>上时刻的预测协变量xi,t-1和上时刻的隐含层输出hi,t-1计算当前时刻的隐含层输出hi,t，再输入似然函数p(zi,t-1∣θi,t-1)即得到当前时刻预测目标值/>
DeepAR神经网络模型中的似然函数根据惯性测量单元的噪声特性确定，在这里选择高斯似然函数作为概率分布模型；高斯似然函数通过均值与方差两个参数来描述为θ＝(μ,σ)，其中均值是作为神经网络的仿射层的输出，标准差通过仿射变换以及softplus激活函数计算输出，目的是为了保证标准差大于零；
其中pG代表似然函数，z表示输出数据，μ表示均值，σ表示标准差，π表示圆周率的数值，exp表示e指数，μ表示在该高斯分布的数据分布下的预测均值计算函数，表示DeepAR神经网络输出预测均值的权值矩阵的转置，bμ表示DeepAR神经网络输出的预测均值的阈值向量，σ表示在高斯分布的数据分布下的预测标准差计算函数，/>表示DeepAR神经网络输出预测标准差的权值矩阵的转置，bσ表示DeepAR神经网络输出的预测标准差的阈值向量；
上述均值与方差是分别通过了一个仿射变换，不同的是方差通过的仿射变换利用了softplus为激活函数，仿射变换中的权值矩阵与阈值矩阵同样是最优化算法寻优的参数；
设置该神经网络的隐含层为四层，每层的神经元数目为50。
进一步地，步骤3所述将在步骤1采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练，具体如下：
将微惯性测量单元的实际输出数据作为神经网络的输入，具体为惯性测量单元的三轴加速度序列Ax,Ay,Az，三轴角速度序列ωx,ωy,ωz，以及所在环境的温度序列T；其次DeepAR神经网络的输出定义为误差序列即利用转台采集到的真实加速度数值减去微惯性测量单元量测得到的数值得到的序列；将三轴加速度误差序列ΔAx,ΔAy,ΔAz与三轴角速度误差序列Δωx,Δωy,Δωz作为神经网络的输出；
根据上述的输入输出定义，利用步骤2采集到的两组数据，分别建立神经网络的训练集与测试集；训练超参数预设值为训练步数1000步，学习率0.0005，使用随机梯度下降优化器，目标精度为0.001；
下面进入训练步骤：
首先给定数据集{Zi,1:T}i＝1,...,N和预测协变量xi,1:T，给定模型参数Θ，RNN中h(·)和θ(·)的参数通过最大化下面的似然函数得到
其中表示总体的似然函数值，p表示条件概率；θ(hi,t)表示神经网络预测的似然函数参数，包括均值、标准差；
选择随机梯度下降方法对上述函数进行优化；
其次，在进行训练之前还需要进行数据预处理，针对实际数据，将输入数据序列分别除以缩放因子，该缩放因子由下式计算：
其中vi表示第i序列的缩放因子，t0为预测起始时刻，zi,t为当前时刻的第i序列输出值；
同时，将预测协变量标准化为均值为零、方差为1的标准正态分布。
进一步地，步骤4所述利用训练完成的DeepAR递归神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型，具体如下：
利用步骤3训练完成的DeepAR神经网络，将微惯性测量单元的实际输出与温度值输入神经网络，再通过将神经网络输出与微惯性测量单元实际输出相加即得到标定补偿后的测量输出；
利用步骤3所构建的测试集对DeepAR模型进行测试，根据测试精度，调整深度神经网络的训练步数、学习率这些超参数并重新训练神经网络。
本发明与现有技术相比，其显著优点为：(1)利用DeepAR深度神经网络的跨时间序列共享信息以及时序数据学习能力，建立多因素影响的时序性误差标定模型，并根据惯性测量单元数据的统计特性以选择合适的概率似然函数，达到了更好的误差补偿性能；(2)可以对难以建模的误差实现标定补偿，并且实现对非线性以及具有时变性误差的标定补偿，标定精度高、适应性强。
附图说明
图1是本发明一种MIMU整体动态智能标定补偿方法的算法结构流程图。
图2是DeepAR深度神经网络训练步骤内部结构示意图。
图3是DeepAR深度神经网络预测步骤内部结构示意图。
图4是本发明中DeepAR深度神经网络中使用到的LSTM神经元的内部结构示意图。
图5是本发明中深度神经网络中用到的神经元层中的仿射变换计算示意图。
具体实施方式
下面结合附图和实施例对本发明的进行详细的描述。
如图1所示，本发明MIMU整体动态智能标定补偿方法，包括以下步骤：
步骤1、采集数据阶段，通过工装将MEMS-IMU固定在转台、离心机这些测试设备上，采集保存IMU的输出以及测试设备的输出；
步骤2、基于DeepAR递归神经网络建立MEMS-IMU误差补偿模型，确定神经网络输入输出结构、隐含层数目以及神经元数目；
步骤3、将在步骤1采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练；
步骤4、利用训练完成的DeepAR递归神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型。
进一步地，作为一种具体实施方式，步骤1所述采集数据阶段，将MEMS-IMU固定在转台等精密测试设备上采集IMU的输出以及测试设备的输出，具体如下：
将惯导固定在三轴温箱转台上先分别测试单轴的MIMU的角速率输出，控制三轴转台每个轴的角速率在-400°/s-400°/s之间均匀变化，变化速率为1°/s，通过分别对单轴采集数据可以学习到单轴的标定补偿模型。进而将三轴设置不同的角加速度从而获得三轴不同角速度的误差耦合数据。其转动形式设定为依次从逆时针转动，逐渐减为零，再逐渐顺时针加速转动。此处的重点是要对三轴施加不同的角加速度从而实现对各轴在不同的角速度下的耦合误差进行采集。进一步，控制温箱的温度设定为从最高温度到常温再到最低温度循环往复，同时保持上述的转动形式，采集4小时的数据。
为了激励惯导加速度计的高阶误差项，通过工装将惯导安装在离心机上，将输入轴安装在离心机工作半径的正方向，测试向心加速度从0g-10g变化，变化速度为10min/g，重新将输入轴安装在离心机工作半径的负方向，测试向心加速度从0g-10g变化，变化速度为10min/g。改变惯导在离心机夹具的安装方位，分别对三轴加速度计进行激励，通过上述数据可以对加速度计的高阶误差模型进行学习。
最后，将惯导固定在角振动台上对惯导分别施加幅值为0.5°，1°，3°并且振动频率从0.5HZ到100HZ的角振动，振动频率每分钟增加0.5HZ，改变惯导在夹具上的安装方位分别测试不同轴向的角振动输出并采集数据。上述实验将微惯性测量单元实际输出与转台等设备的理想输出一同保存，数据均采集两组方便分为训练集与测试集。
进一步地，作为一种具体实施方式，根据图2、图3可知，步骤2所述DeepAR神经网络的训练结构以及预测结构，其中隐含层可以由多层神经元构成，通过对实际应用问题的分析选定该神经网络的隐含层数目以及神经元数目分别为四层和五十个神经元。
其具体结构为：
首先是输入层，输入层由上一时刻的输出以及此时刻的预测协变量以及上一时刻的隐含层输出构成，通过上述输入可以计算此时刻的隐含层输出，再送入似然函数从而得到此时刻的输出。之前时刻的数据与状态通过上时刻的输出以及上时刻的隐含层输出转移到此时刻用于此时刻的输出。其中隐含层可以为多层结构，其中的神经元由LSTM神经元构成。
建立基于DeepAR递归神经网络的MEMS-IMU误差补偿模型，该模型的输入为三轴角速度信息、三轴加速度信息、温度信息，输出为三轴角速度误差、三轴加速度误差，模型具体结构如下：
该网络的最终目的是需要计算得到的目标值的分布为似然函数的乘积形式，如下：
上式即为利用隐含层输出hi,t参数化的自回归循环神经网络模型；概率p(zi,t∣θ(hi,t))服从设定的分布，这个分布的参数由隐含层输出的函数θ(hi,t,Θ)确定；
其中QΘ为似然函数，为以t0时刻之前的输出以及从1到T时刻的协变量序列为先验信息求得的第i个序列的时刻T的输出；/>为从1到t0-1时刻的输出序列，xi,1:T为从1到T时刻的协变量序列，t为当前时刻，t0为预测起始时刻，T为协变量的当前时刻，zi,t为t时刻的第i序列的输出，zi,1:t-1表示1到当前时刻的第i输出序列，p表示条件概率；θ(hi,t,Θ)的形式根据选择的数据分布形式决定，在下面数据分布部分给出了不同分布形式下的函数形式；hi,t为隐含层输出；Θ表示神经网络参数，包括权值矩阵、阈值矩阵；
记zi,t-1为t-1时刻的时间序列i的目标值即为惯性测量单元的测量误差，xi,t为t时刻时间序列i的预测协变量即为同时刻与目标值耦合的其他惯性测量单元的测量信息，hi,t为t-1时刻时间序列i的隐含层网络输出，
hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)
其中h表示由LSTM神经元构成的多层递归神经网络实现的函数，且LSTM神经元由Θ参数化；hi,t-1为t-2时刻的隐含层输出，zi,t-1为t-1时刻的第i序列的输出，xi,t为t时刻的第i序列的协变量；
结合图4，其中LSTM神经元的内部结构主要由遗忘门、输入门、输出门以及仿射变换神经元构成，其中三个门函数的输出值在0-1之间，表示对信息的控制程度。上述仿射变换由图5所示，其计算即为向量的对应元素相乘再进行求和并于阈值相加。其中前向传播的流程，首先是计算遗忘门ft，遗忘门可以决定记忆信息流Ct-1中的内容保留的程度，遗忘门通过以下公式计算：
ft＝σ(Wf·[ht-1,xt]+bf)
其中ht-1为t-1时刻的隐含状态，xt为t时刻输入，Wf遗忘为权值矩阵，bf为遗忘阈值向量，σ()为激活函数；
其次，通过计算输入门控制信息注入记忆信息流。输入门的计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
其中，it为t时刻的输入门的值，为t时刻的输入门的控制值，e为自然指数，Wi为输入们权值矩阵，WC为控制门权值矩阵，bC为控制门阈值向量，bi为输入门阈值向量，xt为t时刻传递的状态，tanh()为激活函数：
最终，t时刻的记忆信息流通过输入门与遗忘门传递的信息求和得到，即为
其中Ct表示t时刻的记忆信息流，Ct-1为t-1时刻的记忆信息流；
上式等式右侧第一项表述了通过遗忘门留下的信息，第二项表述了新输入记忆信息流的信息；
得到当前时刻信息流的值后，计算当前时刻的输出，此时需要考虑输出门的计算，输出门决定了输出信息的量：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中ot表示输出门的数值，Wo为输出门权值矩阵，bo为输出门阈值矩阵，ht表示传递给下一时刻的当前的系统隐含状态，上式表述了通过输出门ot控制信息流Ct的输出量；
此时即完成一个时刻的LSTM神经元的前向传播，其反向传播通过依据时间的反向传播算法，其中使用了链式法则，通过求导与梯度下降法实现最优化。其相较于传统的RNN神经元主要添加了输入门、输出门与遗忘门，有效避免了随着网络的加深导致的梯度消失、无法感知长时间过去信息的问题。
概率p(zi,t∣θ(hi,t))为一个固定的概率分布，参数利用下式得到，
θi,t＝θ(hi,t,Θ)
其中θi,t为似然函数的参数其形式取决于似然函数，hi,t为DeepAR神经网络t时刻隐含层输出，Θ为神经网络的连接参数；
DeepAR神经网络的目标是得到一个目标值的条件分布，
其中t0代表着目标值未知的起始时刻，预测协变量xi,1:T为全时刻已知的惯性测量单元输出；条件区间/>的观测信息通过初始状态/>转移到预测区间中；在该模型中的预测区间与条件区间都选择同样的结构作为编解码模型，同时，编码器与解码器共享权重，因此/>由式hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)计算，初始状态hi,0和zi,0设置为零；
下一步，给定模型参数Θ，即可通过之前已知的数据得到样本的分布
首先通过式hi,t＝h(hi,t-1,zi,t-1,xi,t,Θ)计算hi,t-1,t＝1,...,t0-1；其次为了计算样本预测其中/>对于t0时刻，令/>和得到当前时刻的预测目标值的步骤为：利用上时刻的预测目标值/>上时刻的预测协变量xi,t-1和上时刻的隐含层输出hi,t-1计算当前时刻的隐含层输出hi,t，再输入似然函数p(zi,t-1∣θi,t-1)即得到当前时刻预测目标值/>
DeepAR神经网络模型中的似然函数根据惯性测量单元的噪声特性确定，在这里选择高斯似然函数作为概率分布模型；高斯似然函数通过均值与方差两个参数来描述为θ＝(μ,σ)，其中均值是作为神经网络的仿射层的输出，标准差通过仿射变换以及softplus激活函数计算输出，目的是为了保证标准差大于零；
其中pG代表似然函数，z表示输出数据，μ表示均值，σ表示标准差，π表示圆周率的数值，exp表示e指数，μ表示在该高斯分布的数据分布下的预测均值计算函数，表示DeepAR神经网络输出预测均值的权值矩阵的转置，bμ表示DeepAR神经网络输出的预测均值的阈值向量，σ表示在高斯分布的数据分布下的预测标准差计算函数，/>表示DeepAR神经网络输出预测标准差的权值矩阵的转置，bσ表示DeepAR神经网络输出的预测标准差的阈值向量；
上述均值于方差是分别通过了一个仿射变换，不同的是方差通过的仿射变换利用了softplus为激活函数，仿射变换中的权值矩阵与阈值矩阵同样是最优化算法寻优的参数。
神经网络的隐含层数目可以说明该网络对复杂模型的学习能力，如果隐含层数目太低会导致网络无法对较为复杂的模型进行拟合，无法很好的对MEMS-IMU的误差模型进行学习，隐含层数目太多可能导致梯度消失或者梯度爆炸以及训练时间长等问题，所以最终设置该神经网络的隐含层为四层，每层的神经元数目为50。
进一步地，作为一种具体实施方式，步骤3将在步骤1采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练，具体如下：
将微惯性测量单元的实际输出数据作为神经网络的输入，具体为惯性测量单元的三轴加速度序列Ax,Ay,Az，三轴角速度序列ωx,ωy,ωz，以及所在环境的温度序列T；其次DeepAR神经网络的输出定义为误差序列即利用转台采集到的真实加速度数值减去微惯性测量单元量测得到的数值得到的序列；将三轴加速度误差序列ΔAx,ΔAy,ΔAz与三轴角速度误差序列Δωx,Δωy,Δωz作为神经网络的输出。
根据上述的输入输出定义，利用步骤2采集到的两组数据，分别建立神经网络的训练集与测试集；训练超参数预设值为训练步数1000步，学习率0.0005，使用随机梯度下降优化器，目标精度为0.001。
下面进入训练步骤：
首先给定数据集{Zi,1:T}i＝1,...,N和预测协变量xi,1:T，给定模型参数Θ，RNN中h(·)和θ(·)的参数通过最大化下面的似然函数得到
其中表示总体的似然函数值，p表示条件概率；θ(hi,t)表示神经网络预测的似然函数参数，包括均值、标准差；
可以选择随机梯度下降方法对上述函数进行优化。
其次，由于各个序列的数值差异可能较大，在进行训练之前还需要进行数据预处理。针对实际数据，将输入数据序列分别除以其缩放因子，该缩放因子由下式计算：
其中vi表示第i序列的缩放因子，t0为预测起始时刻，zi,t为当前时刻的第i序列输出值；
同时，预测协变量需要将其标准化为均值为零，方差为一的标准正态分布。
进一步地，作为一种具体实施方式，步骤4所述利用训练完成的DeepAR递归神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型，具体如下：
利用步骤3训练完成的DeepAR神经网络，将微惯性测量单元的实际输出与温度值输入神经网络，再通过将神经网络输出与微惯性测量单元实际输出相加即得到标定补偿后的测量输出；
利用步骤3所构建的测试集对DeepAR模型进行测试，根据测试精度，调整深度神经网络的训练步数、学习率这些超参数并重新训练神经网络，从而达到更好的误差标定补偿效果，实现对微惯性测量单元难以建模的、时变性强的、高非线性的误差进行拟合的目的。本发明适用于为惯性测量单元的整体动态标定，标定精度高，适应性强。

Claims (1)

1.一种MIMU整体动态智能标定补偿方法，其特征在于，包括以下步骤：
步骤1、采集数据阶段，通过工装将MEMS-IMU固定在测试设备上，测试设备为转台、离心机，采集保存IMU的输出以及测试设备的输出；
步骤2、基于DeepAR递归神经网络建立MEMS-IMU误差补偿模型，确定神经网络输入输出结构、隐含层数目以及神经元数目；
步骤3、将在步骤1采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练；
步骤4、利用训练完成的DeepAR递归神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型；
步骤1所述的采集数据阶段，通过工装将MEMS-IMU固定在测试设备上，测试设备为转台、离心机，采集保存IMU的输出以及测试设备的输出，具体如下：
将惯导固定在三轴温箱转台上先分别测试单轴的MIMU的角速率输出，控制三轴转台每个轴的角速率在-400°/s-400°/s之间均匀变化，变化速率为1°/s，通过分别对单轴采集数据能够学习到单轴的标定补偿模型；进而将三轴设置不同的角加速度从而获得三轴不同角速度的误差耦合数据；转动形式设定为依次从逆时针转动，逐渐减为零，再逐渐顺时针加速转动；对三轴施加不同的角加速度从而实现对各轴在不同的角速度下的耦合误差进行采集；控制温箱的温度设定为从最高温度到常温再到最低温度循环往复，同时保持上述的转动形式，采集4小时的数据；
为了激励惯导加速度计的高阶误差项，通过工装将惯导安装在离心机上，将输入轴安装在离心机工作半径的正方向，测试向心加速度从0g-10g变化，变化速度为10min/g，重新将输入轴安装在离心机工作半径的负方向，测试向心加速度从0g-10g变化，变化速度为10min/g；改变惯导在离心机夹具的安装方位，分别对三轴加速度计进行激励，通过上述数据能够对加速度计的高阶误差模型进行学习；
最后，将惯导固定在角振动台上对惯导分别施加幅值为0.5°，1°，3°并且振动频率从0.5HZ到100HZ的角振动，振动频率每分钟增加0.5HZ，改变惯导在夹具上的安装方位分别测试不同轴向的角振动输出并采集数据；
上述实验将MEMS-IMU实际输出与测试设备的理想输出一同保存，数据均采集两组分为训练集与测试集；
步骤2所述基于DeepAR递归神经网络建立MEMS-IMU误差补偿模型，确定神经网络输入输出结构、隐含层数目以及神经元数目，具体如下：
建立基于DeepAR递归神经网络的MEMS-IMU误差补偿模型，该模型的输入为三轴角速度信息、三轴加速度信息、温度信息，输出为三轴角速度误差、三轴加速度误差，模型具体结构如下：
需要计算得到的目标值的分布为似然函数的乘积形式，如下：
上式即为利用隐含层输出hi,t参数化的自回归循环神经网络模型；概率p(zi,t∣θ(hi,t))服从设定的分布，这个分布的参数由隐含层输出的函数确定；
其中为似然函数，/>为以t0时刻之前的输出以及从1到T时刻的协变量序列为先验信息求得的第i个序列的时刻T的输出；/>为从1到t0-1时刻的输出序列，xi,1:T为从1到T时刻的协变量序列，t为当前时刻，t0为预测起始时刻，T为协变量的当前时刻，zi,t为t时刻的第i序列的输出，zi,1:t-1表示1到当前时刻的第i输出序列，p表示条件概率；/>的形式根据选择的数据分布形式决定，在下面数据分布部分给出了不同分布形式下的函数形式；hi,t为隐含层输出；/>表示神经网络参数，包括权值矩阵、阈值矩阵；
记zi,t-1为t-1时刻的时间序列i的目标值即为惯性测量单元的测量误差，xi,t为t时刻时间序列i的预测协变量即为同时刻与目标值耦合的其他惯性测量单元的测量信息，hi,t为t-1时刻时间序列i的隐含层网络输出，
其中h表示由LSTM神经元构成的多层递归神经网络实现的函数，且LSTM神经元由参数化；hi,t-1为t-2时刻的隐含层输出，zi,t-1为t-1时刻的第i序列的输出，xi,t为t时刻的第i序列的协变量；
其中LSTM神经元的内部结构由遗忘门、输入门、输出门以及仿射变换神经元构成，其中三个门函数的输出值在0-1之间，表示对信息的控制程度；其中前向传播的流程，首先是计算遗忘门ft，遗忘门能够决定记忆信息流Ct-1中的内容保留的程度，遗忘门通过以下公式计算：
ft＝σ(Wf·[ht-1,xt]+bf)
其中ht-1为t-1时刻的隐含状态，xt为t时刻输入，Wf遗忘为权值矩阵，bf为遗忘阈值向量，σ()为激活函数；
其次，通过计算输入门控制信息注入记忆信息流，输入门的计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
其中，it为t时刻的输入门的值，为t时刻的输入门的控制值，e为自然指数，Wi为输入们权值矩阵，WC为控制门权值矩阵，bC为控制门阈值向量，bi为输入门阈值向量，xt为t时刻传递的状态，tanh()为激活函数：
最终，t时刻的记忆信息流通过输入门与遗忘门传递的信息求和得到，即为
其中Ct表示t时刻的记忆信息流，Ct-1为t-1时刻的记忆信息流；
上式等式右侧第一项表述了通过遗忘门留下的信息，第二项表述了新输入记忆信息流的信息；
得到当前时刻信息流的值后，计算当前时刻的输出，此时需要考虑输出门的计算，输出门决定了输出信息的量：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中ot表示输出门的数值，Wo为输出门权值矩阵，bo为输出门阈值矩阵，ht表示传递给下一时刻的当前的系统隐含状态，上式表述了通过输出门ot控制信息流Ct的输出量；
此时，即完成一个时刻的LSTM神经元的前向传播，反向传播通过依据时间的反向传播算法获得，其中使用了链式法则，通过求导与梯度下降法实现最优化；
概率p(zi,t∣θ(hi,t))为一个固定的概率分布，参数利用下式得到，
其中θi,t为似然函数的参数其形式取决于似然函数，hi,t为DeepAR神经网络t时刻隐含层输出，为神经网络的连接参数；
DeepAR神经网络的目标是得到一个目标值的条件分布，
其中t0代表着目标值未知的起始时刻，预测协变量xi,1:T为全时刻已知的惯性测量单元输出；条件区间/>的观测信息通过初始状态/>转移到预测区间中；在该模型中的预测区间与条件区间都选择同样的结构作为编解码模型，同时，编码器与解码器共享权重，因此/>由式/>计算，初始状态hi,0和zi,0设置为零；
下一步，给定模型参数即能够通过之前已知的数据得到样本的分布首先通过式/>计算hi,t-1,t＝1,...,t0-1；其次为了计算样本预测/>其中/>对于t0时刻，令和/>得到当前时刻的预测目标值的步骤为：利用上时刻的预测目标值上时刻的预测协变量xi,t-1和上时刻的隐含层输出hi,t-1计算当前时刻的隐含层输出hi,t，再输入似然函数p(zi,t-1∣θi,t-1)即得到当前时刻预测目标值/>
DeepAR神经网络模型中的似然函数根据惯性测量单元的噪声特性确定，在这里选择高斯似然函数作为概率分布模型；高斯似然函数通过均值与方差两个参数来描述为θ＝(μ,σ)，其中均值是作为神经网络的仿射层的输出，标准差通过仿射变换以及softplus激活函数计算输出，目的是为了保证标准差大于零；
其中pG代表似然函数，z表示输出数据，μ表示均值，σ表示标准差，π表示圆周率的数值，exp表示e指数，μ表示在高斯分布的数据分布下的预测均值计算函数，表示DeepAR神经网络输出预测均值的权值矩阵的转置，bμ表示DeepAR神经网络输出的预测均值的阈值向量，σ表示在高斯分布的数据分布下的预测标准差计算函数，/>表示DeepAR神经网络输出预测标准差的权值矩阵的转置，bσ表示DeepAR神经网络输出的预测标准差的阈值向量；
上述均值与方差是分别通过了一个仿射变换，不同的是方差通过的仿射变换利用了softplus为激活函数，仿射变换中的权值矩阵与阈值矩阵同样是最优化算法寻优的参数；
设置该神经网络的隐含层为四层，每层的神经元数目为50；
步骤3所述将在步骤1采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练，具体如下：
将微惯性测量单元的实际输出数据作为神经网络的输入，具体为惯性测量单元的三轴加速度序列Ax,Ay,Az，三轴角速度序列ωx,ωy,ωz，以及所在环境的温度序列T；其次DeepAR神经网络的输出定义为误差序列即利用转台采集到的真实加速度数值减去微惯性测量单元量测得到的数值得到的序列；将三轴加速度误差序列ΔAx,ΔAy,ΔAz与三轴角速度误差序列Δωx,Δωy,Δωz作为神经网络的输出；
根据上述的输入输出定义，利用步骤2采集到的两组数据，分别建立神经网络的训练集与测试集；训练超参数预设值为训练步数1000步，学习率0.0005，使用随机梯度下降优化器，目标精度为0.001；
下面进入训练步骤：
首先给定数据集{Zi,1:T}i＝1,...,N和预测协变量xi,1:T，给定模型参数RNN中h(·)和θ(·)的参数通过最大化下面的似然函数得到
其中表示总体的似然函数值，p表示条件概率；θ(hi,t)表示神经网络预测的似然函数参数，包括均值、标准差；
选择随机梯度下降方法对上述函数进行优化；
其次，在进行训练之前还需要进行数据预处理，针对实际数据，将输入数据序列分别除以缩放因子，该缩放因子由下式计算：
其中vi表示第i序列的缩放因子，t0为预测起始时刻，zi,t为当前时刻的第i序列输出值；
同时，将预测协变量标准化为均值为零、方差为1的标准正态分布；
步骤4所述利用训练完成的DeepAR递归神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型，具体如下：
利用步骤3训练完成的DeepAR神经网络，将微惯性测量单元的实际输出与温度值输入神经网络，再通过将神经网络输出与微惯性测量单元实际输出相加即得到标定补偿后的测量输出；
利用步骤3所构建的测试集对DeepAR模型进行测试，根据测试精度，调整深度神经网络的超参数并重新训练神经网络，超参数为训练步数、学习率。
CN202110271813.4A 2021-03-12 2021-03-12 一种mimu整体动态智能标定补偿方法 Active CN113091768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110271813.4A CN113091768B (zh) 2021-03-12 2021-03-12 一种mimu整体动态智能标定补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110271813.4A CN113091768B (zh) 2021-03-12 2021-03-12 一种mimu整体动态智能标定补偿方法

Publications (2)

Publication Number Publication Date
CN113091768A CN113091768A (zh) 2021-07-09
CN113091768B true CN113091768B (zh) 2024-04-12

Family

ID=76667109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110271813.4A Active CN113091768B (zh) 2021-03-12 2021-03-12 一种mimu整体动态智能标定补偿方法

Country Status (1)

Country Link
CN (1) CN113091768B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113624350B (zh) * 2021-08-18 2022-05-31 哈尔滨工业大学 一种基于神经网络的空中远程目标的温度测量装置及方法
CN113916258B (zh) * 2021-09-07 2024-02-09 北京航天控制仪器研究所 一种加速度计组合高阶误差系数分离与补偿方法和系统
CN115460346B (zh) * 2022-08-17 2024-01-23 山东浪潮超高清智能科技有限公司 一种自动调整角度的数据采集装置
CN116625409B (zh) * 2023-07-14 2023-10-20 享刻智能技术(北京)有限公司 动态定位性能评价方法、设备以及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102636185A (zh) * 2012-03-31 2012-08-15 北京航空航天大学 基于带单轴反转台离心机的挠性陀螺比力敏感项非线性测试方法
CN108534800A (zh) * 2018-03-09 2018-09-14 中国科学院长春光学精密机械与物理研究所 一种mems-imu全温全参数标定补偿方法
CN110501009A (zh) * 2019-08-07 2019-11-26 北京航空航天大学 一种用于微机电惯性测量单元温度误差补偿的方法
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
CN112231193A (zh) * 2020-12-10 2021-01-15 北京必示科技有限公司 时序数据容量预测方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN102636185A (zh) * 2012-03-31 2012-08-15 北京航空航天大学 基于带单轴反转台离心机的挠性陀螺比力敏感项非线性测试方法
CN108534800A (zh) * 2018-03-09 2018-09-14 中国科学院长春光学精密机械与物理研究所 一种mems-imu全温全参数标定补偿方法
CN110501009A (zh) * 2019-08-07 2019-11-26 北京航空航天大学 一种用于微机电惯性测量单元温度误差补偿的方法
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
CN112231193A (zh) * 2020-12-10 2021-01-15 北京必示科技有限公司 时序数据容量预测方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
On a novel combination method for pedestrian multi-attitude solution with the wearable MEMS-IMU;Chao Li;Proceedings of the 36th Chinese Control Conference;全文 *
R电容式硅微加速度传感器静态误差的标定;刘恒;何晓平;苏伟;张富堂;;现代科学仪器(01);全文 *

Also Published As

Publication number Publication date
CN113091768A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113091768B (zh) 一种mimu整体动态智能标定补偿方法
Shen et al. Seamless GPS/inertial navigation system based on self-learning square-root cubature Kalman filter
CN108621159B (zh) 一种基于深度学习的机器人动力学建模方法
CN110749337B (zh) 一种基于深度神经网络的mimu误差补偿方法
CN109188026B (zh) 适用于mems加速度计的自动标定的深度学习方法
CN112668104A (zh) 一种高超声速飞行器气动参数在线辨识方法
CN111310965A (zh) 一种基于lstm网络的飞行器航迹预测方法
CN109615860A (zh) 一种基于非参数贝叶斯框架的信号交叉口状态估计方法
CN111308979B (zh) 基于多率迟延状态空间模型的u控制系统
CN110375772B (zh) 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法
CN112181002B (zh) 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法
CN113359448A (zh) 一种针对时变动力学的自主水下航行器轨迹跟踪控制方法
CN112077839A (zh) 一种机械臂的运动控制方法及装置
CN113447021A (zh) 基于lstm神经网络模型的mems惯性导航系统定位增强方法
Gang-Qiang et al. Real-time temperature drift compensation method of a MEMS accelerometer based on deep GRU and optimized monarch butterfly algorithm
Zheng et al. An rnn-based learnable extended kalman filter design and application
CN111241749B (zh) 一种基于储备池计算的永磁同步电动机混沌预测方法
Ruoyu et al. Modeling of MEMS gyro drift based on wavelet threshold denoising and improved Elman neural network
Shi et al. Tilt angle on-line prognosis by using improved sparse LSSVR and dynamic sliding window
Vertzberger et al. Adaptive attitude estimation using a hybrid model-learning approach
CN111598215A (zh) 一种基于神经网络的温度补偿方法和系统
CN116608859A (zh) 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备
Liu et al. LGC-Net: A Lightweight Gyroscope Calibration Network for Efficient Attitude Estimation
CN111561929B (zh) 一种用于车载mems惯性传感器的时延降噪方法
Chaudhuri et al. Transfer alignment for space vehicles launched from a moving base

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Shuai

Inventor after: Wang Bohao

Inventor after: Ma Yiming

Inventor after: Ma Yongben

Inventor after: Zhang Mengjun

Inventor after: Cheng Yu

Inventor after: Bai Zhenghao

Inventor after: Zhao Haifei

Inventor before: Wang Bohao

Inventor before: Ma Yiming

Inventor before: Ma Yongben

Inventor before: Zhang Mengjun

Inventor before: Cheng Yu

Inventor before: Chen Shuai

Inventor before: Bai Zhenghao

Inventor before: Zhao Haifei

GR01 Patent grant
GR01 Patent grant