CN113375669A - 基于神经网络模型的姿态更新方法及装置 - Google Patents

基于神经网络模型的姿态更新方法及装置 Download PDF

Info

Publication number
CN113375669A
CN113375669A CN202110938023.7A CN202110938023A CN113375669A CN 113375669 A CN113375669 A CN 113375669A CN 202110938023 A CN202110938023 A CN 202110938023A CN 113375669 A CN113375669 A CN 113375669A
Authority
CN
China
Prior art keywords
angular velocity
sequence
trained
compensation
model
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
Application number
CN202110938023.7A
Other languages
English (en)
Other versions
CN113375669B (zh
Inventor
费再慧
贾双成
朱磊
李成军
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.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing Co Ltd
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 Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202110938023.7A priority Critical patent/CN113375669B/zh
Publication of CN113375669A publication Critical patent/CN113375669A/zh
Application granted granted Critical
Publication of CN113375669B publication Critical patent/CN113375669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Navigation (AREA)

Abstract

本申请是关于一种基于神经网络模型的姿态更新方法及装置。该方法包括：依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；使待训练的角速度补偿模型依据输入的角速度序列输出补偿后的修正角速度序列；依据修正角速度序列，确定第一姿态序列；依据卫星定位模块的测量数据，确定第二姿态序列；使第一姿态序列向第二姿态序列收敛，获得训练好的角速度补偿模型；依据训练好的角速度补偿模型输出的修正角速度更新惯性导航系统的姿态。本申请提供的方案，能够基于神经网络模型降低惯性导航系统姿态更新的累积误差，提高惯性导航系统更新姿态的精度。

Description

基于神经网络模型的姿态更新方法及装置
技术领域
本申请涉及导航技术领域，尤其涉及一种基于神经网络模型的姿态更新方法及装置。
背景技术
卫星定位模块例如GPS（Global Positioning System，全球定位系统）定位模块具有性能好、精度高、应用广的特点。但在某些场景下，例如桥下，涵洞，隧道，密集楼宇之间等定位信号不好的位置，相关技术的卫星定位模块的定位偏差很大，甚至无法提供定位结果，从而无法提供准确地导航信息。而包含惯性测量单元（Inertial Measurement Unit，简称IMU）的惯性导航系统，可不借助外力，利用惯性测量单元的测量数据，更新导航信息。
惯性导航系统根据IMU的加速度和角速度从上一时刻的导航信息推导本时刻的导航信息，导航信息包括姿态、速度、位置。在姿态的更新中，由于惯性导航系统通过对角速度积分等方式解算获得新的姿态，姿态更新的误差会随着时间而增大，存在较大的累积误差，达不到定位导航所需要的精度。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供一种基于神经网络模型的姿态更新方法及装置，能够基于神经网络模型降低惯性导航系统姿态更新的累积误差，提高惯性导航系统更新姿态的精度。
本申请第一方面提供一种基于神经网络模型的姿态更新方法，所述方法包括：
依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；
向所述待训练的角速度补偿模型输入惯性导航系统的角速度序列，以使所述待训练的角速度补偿模型依据输入的所述角速度序列输出补偿后的修正角速度序列；
依据所述修正角速度序列，确定第一姿态序列；
依据卫星定位模块的测量数据，确定第二姿态序列；
使所述第一姿态序列向所述第二姿态序列收敛，获得训练好的角速度补偿模型，其中，所述第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的；
向所述训练好的角速度补偿模型输入所述惯性导航系统的角速度，以使所述训练好的角速度补偿模型输出补偿后的修正角速度；
依据所述修正角速度，更新所述惯性导航系统的姿态。
优选的，所述依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型，包括：
对拟合补偿方程进行求解，获得所述拟合补偿方程的参数；
将所述拟合补偿方程的参数代入所述拟合补偿方程，获得所述拟合补偿公式；
依据所述拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型。
优选的，所述依据卫星定位模块的测量数据，确定第二姿态序列，包括：
融合所述惯性导航系统的测量数据和所述卫星定位模块的测量数据，确定所述第二姿态序列。
优选的，所述使所述第一姿态序列向所述第二姿态序列收敛，获得训练好的角速度补偿模型，包括：
使所述第一姿态序列和所述第二姿态序列的误差和最小，动态调整角速度补偿模型的参数，获得训练好的角速度补偿模型。
优选的，所述拟合补偿公式是三阶拟合补偿公式：
Figure 945512DEST_PATH_IMAGE001
，式中，ω(t)是时刻t角速度ω的补偿量，a、b、c、d是三阶拟合补偿公式的参数。
本申请第二方面提供一种基于神经网络模型的姿态更新装置，所述装置包括：
模型建立模块，用于依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；
第一输入模块，用于向所述模型建立模块建立的所述待训练的角速度补偿模型输入惯性导航系统的角速度序列，以使所述待训练的角速度补偿模型依据输入的所述角速度序列输出补偿后的修正角速度序列；
姿态确定模块，用于依据所述修正角速度序列，确定第一姿态序列，依据卫星定位模块的测量数据，确定第二姿态序列；
训练模块，用于使所述姿态确定模块确定的所述第一姿态序列向所述第二姿态序列收敛，获得训练好的角速度补偿模型，其中，所述第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的；
第二输入模块，向所述训练好的角速度补偿模型输入所述惯性导航系统的角速度，以使所述训练好的角速度补偿模型输出补偿后的修正角速度；
更新模块，用于依据所述修正角速度，更新所述惯性导航系统的姿态。
优选的，所述模型建立模块，还用于对拟合补偿方程进行求解，获得所述拟合补偿方程的参数，将所述拟合补偿方程的参数代入所述拟合补偿方程，获得所述拟合补偿公式。
优选的，所述姿态确定模块，还用于融合所述惯性导航系统的测量数据和所述卫星定位模块的测量数据，确定所述第二姿态序列。
优选的，所述训练模块，用于使所述姿态确定模块确定的所述第一姿态序列和所述第二姿态序列的误差和最小，动态调整角速度补偿模型的参数，获得训练好的角速度补偿模型。
本申请第三方面提供一种电子设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请第四方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请的技术方案，依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；使第一姿态序列向第二姿态序列收敛，通过动态调整拟合补偿公式的参数，能够动态调整待训练的角速度补偿模型的相关参数，能够获得训练精度更好的角速度补偿模型，使角速度补偿模型输出的修正角速度精度更高；向训练好的角速度补偿模型输入惯性导航系统的角速度，以使训练好的角速度补偿模型输出补偿后的修正角速度；依据修正角速度，更新惯性导航系统的姿态；能够基于神经网络模型降低惯性导航系统姿态更新的累积误差，提高惯性导航系统更新姿态的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的基于神经网络模型的姿态更新方法的流程示意图；
图2是本申请实施例示出的基于神经网络模型的姿态更新方法的另一流程示意图；
图3是本申请实施例示出的基于神经网络模型的姿态更新装置的结构示意图；
图4是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本申请实施例提供一种基于神经网络模型的姿态更新方法，能够基于神经网络模型降低惯性导航系统姿态更新的累积误差，提高惯性导航系统更新姿态的精度。
以下结合附图详细描述本申请实施例的技术方案。
实施例一：
图1是本申请实施例示出的基于神经网络模型的姿态更新方法的流程示意图。
参见图1，一种基于神经网络模型的姿态更新方法，包括：
在步骤101中，依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型。
在一种实施方式中，惯性导航系统在基于等效旋转矢量更新姿态时，通过对角速度积分可以得到角增量；通过角增量，获得姿态更新的等效旋转矢量；通过等效旋转矢量更新惯性导航系统的姿态。在更新姿态的过程中，根据角速度的拟合补偿公式，对角速度进行了补偿。依据角速度的拟合补偿公式，在神经网络模型建立待训练的角速度补偿模型。
在步骤102中，向待训练的角速度补偿模型输入惯性导航系统的角速度序列，以使待训练的角速度补偿模型依据输入的角速度序列输出补偿后的修正角速度序列。
在一种具体实施方式中，车辆上设有包括卫星定位模块和惯性导航系统的组合导航系统。惯性导航系统包括惯性测量单元，惯性测量单元包括加速度计和陀螺仪，可以通过加速度计获得加速度、陀螺仪获得角速度。卫星定位模块可以包括但不限于GPS卫星模块、北斗卫星定位模块、RTK（RealTimeKinematic，实时动态）卫星定位模块等卫星定位模块中的至少一种。
在一种具体实施方式中，在车辆RTK卫星定位模块信号可用的情况下，可以获得车辆同一个时间段的RTK卫星定位模块的测量数据、惯性测量单元测得的加速度、角速度。向待训练的角速度补偿模型输入惯性测量单元测得的同一个时间段的角速度，使待训练的角速度补偿模型对同一个时间段每个时刻的角速度进行补偿，输出补偿后的修正角速度序列。
在步骤103中，依据修正角速度序列，确定第一姿态序列。
在一种具体实施方式中，惯性导航系统依据修正角速度序列每个时刻的角速度，可以基于等效旋转矢量更新每个时刻的姿态；依据每个时刻的姿态，确定车辆的第一姿态序列。
在步骤104中，依据卫星定位模块的测量数据，确定第二姿态序列。
在一种具体实施方式中，RTK卫星定位模块依据同一个时间段每个时刻的测量数据，获得同一个时间段每个时刻的定位信息，该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经度坐标、纬度坐标，姿态信息包括但不限于描述航向的航向角信息。RTK卫星定位模块可以依据同一个时间段每个时刻的姿态信息，确定车辆的第二姿态序列。
在步骤105中，使第一姿态序列向第二姿态序列收敛，获得训练好的角速度补偿模型，其中，第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的。
在一种具体实施方式中，第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的，使第一姿态序列各时刻的姿态向第二姿态序列各时刻的姿态收敛，动态调整拟合补偿公式的参数，动态调整待训练的角速度补偿模型的相关参数，获得训练好的角速度补偿模型。收敛可以是第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态重合，也可以是计算第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态的误差最小，可以根据实际需要进行设置。
在步骤106中，向训练好的角速度补偿模型输入惯性导航系统的角速度，以使训练好的角速度补偿模型输出补偿后的修正角速度。
在一种具体实施方式中，向训练好的角速度补偿模型输入惯性导航系统获得的当前时刻的角速度；训练好的角速度补偿模型对输入的当前时刻的角速度进行补偿，输出补偿后的当前时刻的修正角速度。
在步骤107中，依据修正角速度，更新惯性导航系统的姿态。
在一种具体实施方式中，惯性导航系统依据训练好的角速度补偿模型输出的当前时刻的修正角速度，可以基于等效旋转矢量更新惯性导航系统的当前时刻的姿态。
本申请的实施例提供的基于神经网络模型的姿态更新方法，依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；使第一姿态序列向第二姿态序列收敛，通过动态调整拟合补偿公式的参数，能够动态调整待训练的角速度补偿模型的相关参数，能够获得训练精度更好的角速度补偿模型，使角速度补偿模型输出的修正角速度精度更高；向训练好的角速度补偿模型输入惯性导航系统的角速度，以使训练好的角速度补偿模型输出补偿后的修正角速度；依据修正角速度，更新惯性导航系统的姿态；能够基于神经网络模型降低惯性导航系统姿态更新的累积误差，提高惯性导航系统更新姿态的精度。
实施例二：
图2是本申请实施例示出的基于神经网络模型的姿态更新方法的另一流程示意图。图2相对于图1更详细描述了本申请的方案。
参见图2，一种基于神经网络模型的姿态更新方法，包括：
在步骤201中，对拟合补偿方程进行求解，获得拟合补偿方程的参数。
在一种具体实施方式中，惯性导航系统在基于等效旋转矢量更新姿态时，通过对角速度ω积分可以得到角增量
Figure 751794DEST_PATH_IMAGE002
，角增量
Figure 801789DEST_PATH_IMAGE002
包括方向和模；通过角增量
Figure 402535DEST_PATH_IMAGE002
，获得等效旋转矢量
Figure 787249DEST_PATH_IMAGE003
；通过等效旋转矢量更新惯性导航系统的姿态。等效旋转矢量，是指从上一时刻姿态到这一时刻姿态之间是绕一个固定轴旋转一定角度产生的。等效旋转矢量的方向就是旋转所绕的轴，用
Figure 131643DEST_PATH_IMAGE003
表示，模表示转过的角度，用φ表示。
在一种具体实施方式中，在基于等效旋转矢量采用四元数更新姿态时，采用的模型包括如下：
Figure 160778DEST_PATH_IMAGE004
Figure 73371DEST_PATH_IMAGE005
式中，Qk+1为k+1时刻的四元数，Qk为k时刻的四元数，
Figure 555168DEST_PATH_IMAGE006
表示k时刻和k+1时刻之间姿态变化的四元数，o表示四元数乘法，tk、tk+1表示时刻，ω（τ）表示角速度，dτ表示积分变量。等效旋转矢量
Figure 703252DEST_PATH_IMAGE003
除了包含角增量
Figure 711528DEST_PATH_IMAGE002
以外，还多了一项
Figure 919656DEST_PATH_IMAGE007
，多出的一项就是为了弥补不可交换误差而产生的，因此，基于等效旋转矢量采用四元数更新姿态的精度更高。
由上述模型可知，模型的公式是连续时间的，而惯性导航系统的惯性导航解算是离散时间的，不可避免的会出现精度损失。为避免惯性导航解算出现精度损失，保障惯性导航解算的精度，构建角速度的拟合补偿方程。
在一种具体实施方式中，基于等效旋转矢量采用四元数更新姿态时，采用的模型，角速度的拟合补偿方程可以是三阶拟合补偿方程：
Figure 764115DEST_PATH_IMAGE001
，三阶拟合补偿方程有4个未知参数a、b、c、d，ω(t)是时刻t角速度ω的补偿量。可以通过惯性测量单元的至少4个连续时刻的角速度，采用“四子样”算法，对三阶拟合补偿方程进行求解，获得三阶拟合补偿方程的4个参数a、b、c、d。
在步骤202中，将拟合补偿方程的参数代入拟合补偿方程，获得拟合补偿公式。
在一种具体实施方式中，将获得的4个参数a、b、c、d代入三阶拟合补偿方程，获得已知4个参数a、b、c、d的三阶拟合补偿公式：
Figure 715891DEST_PATH_IMAGE008
。
在步骤203中，依据拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型。
在一种具体实施方式中，惯性导航系统在基于等效旋转矢量以四元数的形式更新姿态时，通过对角速度积分可以得到角增量；通过角增量，获得姿态更新的等效旋转矢量；通过等效旋转矢量更新惯性导航系统的姿态。在更新姿态的过程中，根据角速度的三阶拟合补偿公式，对角速度进行了补偿。依据角速度的三阶拟合补偿公式，在神经网络模型建立待训练的角速度补偿模型。
在步骤204中，向待训练的角速度补偿模型输入惯性导航系统的角速度序列，以使待训练的角速度补偿模型依据输入的角速度序列输出补偿后的修正角速度序列。
在一种具体实施方式中，车辆上设有包括卫星定位模块和惯性导航系统的组合导航系统。惯性导航系统包括惯性测量单元，惯性测量单元包括加速度计和陀螺仪，可以通过加速度计获得加速度、陀螺仪获得角速度。卫星定位模块可以包括但不限于GPS卫星模块、北斗卫星定位模块、RTK卫星定位模块等卫星定位模块中的至少一种。
在一种具体实施方式中，在车辆RTK卫星定位模块信号可用的情况下，可以获得车辆同一个时间段的RTK卫星定位模块的测量数据、惯性测量单元测得的加速度、角速度。向待训练的角速度补偿模型输入惯性测量单元测得的同一个时间段的角速度，使待训练的角速度补偿模型对同一个时间段每个时刻的角速度进行补偿，输出补偿后的修正角速度序列。
在步骤205中，依据修正角速度序列，确定第一姿态序列。
在一种具体实施方式中，惯性导航系统对修正角速度序列每个时刻的角速度进行积分，获得每个时刻的角增量；依据每个时刻的角增量，获得每个时刻之间的等效旋转矢量；依据每个时刻之间的等效旋转矢量，可以采用四元数的形式更新每个时刻的姿态；依据每个时刻的姿态，确定车辆的第一姿态序列。
在步骤206中，确定第二姿态序列。
在一种具体实施方式中，依据卫星定位模块的测量数据，确定车辆的第二姿态序列。RTK卫星定位模块依据同一个时间段每个时刻的测量数据，获得同一个时间段每个时刻的定位信息，该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经度坐标、纬度坐标，姿态信息包括但不限于描述航向的航向角信息。依据同一个时间段每个时刻的姿态信息，确定车辆的的第二姿态序列。
在一种具体实施方式中，可以融合惯性导航系统的测量数据和卫星定位模块的测量数据，确定车辆的第二姿态序列。包括卫星定位模块和惯性导航系统的组合导航系统，可以基于卡尔曼滤波器融合惯性导航系统的测量数据和RTK卫星定位模块的测量数据，获得精度更高的车辆的第二姿态序列。
在步骤207中，使第一姿态序列向第二姿态序列收敛，获得训练好的角速度补偿模型，其中，第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的。
在一种具体实施方式中，第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的，使第一姿态序列各时刻的姿态向第二姿态序列各时刻的姿态收敛，动态调整拟合补偿公式的参数，动态调整待训练的角速度补偿模型的相关参数，获得训练好的角速度补偿模型。收敛可以是第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态重合，也可以是计算第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态的误差最小，可以根据实际需要进行设置。
可以理解的是，姿态序列包括多个时刻的姿态，重合的可能性比较小，因此，本申请实施例中采用误差和的方式，将与第二姿态序列误差和最小的第一姿态序列作为最优的姿态序列，动态调整三阶拟合补偿公式的4个参数a、b、c、d，使第一姿态序列和第二姿态序列的误差和最小，动态调整待训练的角速度补偿模型的相关参数，获得训练好的角速度补偿模型。
本申请实例中，可以通过动态迭代循环调整三阶拟合补偿公式的4个参数a、b、c、d，动态迭代循环调整待训练的角速度补偿模型的相关参数，目的是获得精度更高的训练好的角速度补偿模型，使待训练的角速度补偿模型输出的角速度更加接近真实角速度。
在步骤208中，向训练好的角速度补偿模型输入惯性导航系统的角速度，以使训练好的角速度补偿模型输出补偿后的修正角速度。
在一种具体实施方式中，向训练好的角速度补偿模型输入惯性导航系统获得的当前时刻的角速度；训练好的角速度补偿模型对输入的当前时刻的角速度进行补偿，输出补偿后的当前时刻的修正角速度。
在步骤209中，依据修正角速度，更新惯性导航系统的姿态。
在一种具体实施方式中，惯性导航系统依据训练好的角速度补偿模型输出的当前时刻的修正角速度，可以基于等效旋转矢量采用四元数的形式更新惯性导航系统的当前时刻的姿态。采用四元数表示姿态，表征方式简洁，没有奇异点，四元数的更新计算简单，能够节省计算量。
本申请的实施例提供的基于神经网络模型的姿态更新方法，依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；使第一姿态序列向第二姿态序列收敛，通过动态调整拟合补偿公式的参数，能够动态调整待训练的角速度补偿模型的相关参数，能够获得训练精度更好的角速度补偿模型，使角速度补偿模型输出的修正角速度精度更高；向训练好的角速度补偿模型输入惯性导航系统的角速度，以使训练好的角速度补偿模型输出补偿后的修正角速度；依据修正角速度，更新惯性导航系统的姿态；能够基于神经网络模型降低惯性导航系统姿态更新的累积误差，提高惯性导航系统更新姿态的精度。
进一步地，本申请的实施例提供的基于神经网络模型的姿态更新方法，拟合补偿方程是三阶拟合补偿方程，能够提高角速度补偿模型输出的修正角速度的精度。有效地降低惯性导航系统姿态更新的累积误差，提高惯性导航系统更新姿态的精度。
实施例三：
与前述应用功能实现方法实施例相对应，本申请还提供了一种基于神经网络模型的姿态更新装置、电子设备及相应的实施例。
图3是本申请实施例示出的基于神经网络模型的姿态更新装置的结构示意图。
参见图3，一种基于神经网络模型的姿态更新装置，包括模型建立模块301、第一输入模块302、姿态确定模块303、训练模块304、第二输入模块305、更新模块306。
模型建立模块301，用于依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型。
在一种实施方式中，惯性导航系统在基于等效旋转矢量更新姿态时，通过对角速度积分可以得到角增量；通过角增量，获得姿态更新的等效旋转矢量；通过等效旋转矢量更新惯性导航系统的姿态。在更新姿态的过程中，根据角速度的拟合补偿公式，对角速度进行了补偿。模型建立模块301依据角速度的拟合补偿公式，在神经网络模型建立待训练的角速度补偿模型。
第一输入模块302，用于向模型建立模块301建立的待训练的角速度补偿模型输入惯性导航系统的角速度序列，以使待训练的角速度补偿模型依据输入的角速度序列输出补偿后的修正角速度序列。
在一种具体实施方式中，车辆上设有包括卫星定位模块和惯性导航系统的组合导航系统。惯性导航系统包括惯性测量单元，惯性测量单元包括加速度计和陀螺仪，第一输入模块302可以通过加速度计获得加速度、陀螺仪获得角速度。卫星定位模块可以包括但不限于GPS卫星模块、北斗卫星定位模块、RTK卫星定位模块等卫星定位模块中的至少一种。
在一种具体实施方式中，在车辆RTK卫星定位模块信号可用的情况下，第一输入模块302可以获得车辆同一个时间段的RTK卫星定位模块的测量数据、惯性测量单元测得的加速度、角速度。第一输入模块302向待训练的角速度补偿模型输入惯性测量单元测得的同一个时间段的角速度，使待训练的角速度补偿模型对同一个时间段每个时刻的角速度进行补偿，输出补偿后的修正角速度序列。
姿态确定模块303，用于依据修正角速度序列，确定第一姿态序列，依据卫星定位模块的测量数据，确定第二姿态序列。
在一种具体实施方式中，姿态确定模块303依据修正角速度序列每个时刻的角速度，可以基于等效旋转矢量更新每个时刻的姿态；依据每个时刻的姿态，确定车辆的第一姿态序列。
在一种具体实施方式中，姿态确定模块303依据同一个时间段每个时刻的测量数据，获得同一个时间段每个时刻的定位信息，该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经度坐标、纬度坐标，姿态信息包括但不限于描述航向的航向角信息。姿态确定模块303可以依据同一个时间段每个时刻的姿态信息，确车辆的第二姿态序列。
训练模块304，用于使姿态确定模块303确定的第一姿态序列向第二姿态序列收敛，获得训练好的角速度补偿模型，其中，第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的。
在一种具体实施方式中，姿态确定模块303确定的第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的，训练模块304使第一姿态序列各时刻的姿态向第二姿态序列各时刻的姿态收敛，动态调整拟合补偿公式的参数，动态调整待训练的角速度补偿模型的相关参数，获得训练好的角速度补偿模型。收敛可以是第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态重合，也可以是计算第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态的误差最小，可以根据实际需要进行设置。
第二输入模块305，向训练好的角速度补偿模型输入惯性导航系统的角速度，以使训练好的角速度补偿模型输出补偿后的修正角速度。
在一种具体实施方式中，第二输入模块305向训练好的角速度补偿模型输入惯性导航系统获得的当前时刻的角速度；训练好的角速度补偿模型对输入的当前时刻的角速度进行补偿，输出补偿后的当前时刻的修正角速度。
更新模块306，用于依据修正角速度，更新惯性导航系统的姿态。
在一种具体实施方式中，更新模块306依据训练好的角速度补偿模型输出的当前时刻的修正角速度，可以基于等效旋转矢量更新惯性导航系统的当前时刻的姿态。
本申请的实施例提供的技术方案，依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；使第一姿态序列向第二姿态序列收敛，通过动态调整拟合补偿公式的参数，能够动态调整待训练的角速度补偿模型的相关参数，能够获得训练精度更好的角速度补偿模型，使角速度补偿模型输出的修正角速度精度更高；向训练好的角速度补偿模型输入惯性导航系统的角速度，以使训练好的角速度补偿模型输出补偿后的修正角速度；依据修正角速度，更新惯性导航系统的姿态；能够基于神经网络模型降低惯性导航系统姿态更新的累积误差，提高惯性导航系统更新姿态的精度。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
图4是本申请实施例示出的电子设备的结构示意图。
参见图4，电子设备40包括存储器401和处理器402。
处理器402可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器401可以包括各种类型的存储单元，例如系统内存、只读存储器（ROM），和永久存储装置。其中，ROM可以存储处理器402或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器401可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（DRAM，SRAM，SDRAM，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器401可以包括可读和/或写的可移除的存储设备，例如激光唱片（CD）、只读数字多功能光盘（例如DVD-ROM，双层DVD-ROM）、只读蓝光光盘、超密度光盘、闪存卡（例如SD卡、min SD卡、Micro-SD卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器401上存储有可执行代码，当可执行代码被处理器402处理时，可以使处理器402执行上文述及的方法中的部分或全部。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有可执行代码（或计算机程序、或计算机指令代码），当可执行代码（或计算机程序、或计算机指令代码）被电子设备（或电子设备、服务器等）的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于神经网络模型的姿态更新方法，其特征在于，包括：
依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；
向所述待训练的角速度补偿模型输入惯性导航系统的角速度序列，以使所述待训练的角速度补偿模型依据输入的所述角速度序列输出补偿后的修正角速度序列；
依据所述修正角速度序列，确定第一姿态序列；
依据卫星定位模块的测量数据，确定第二姿态序列；
使所述第一姿态序列向所述第二姿态序列收敛，获得训练好的角速度补偿模型，其中，所述第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的；
向所述训练好的角速度补偿模型输入所述惯性导航系统的角速度，以使所述训练好的角速度补偿模型输出补偿后的修正角速度；
依据所述修正角速度，更新所述惯性导航系统的姿态。
2.根据权利要求1所述的方法，其特征在于，所述依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型，包括：
对拟合补偿方程进行求解，获得所述拟合补偿方程的参数；
将所述拟合补偿方程的参数代入所述拟合补偿方程，获得所述拟合补偿公式；
依据所述拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型。
3.根据权利要求1所述的方法，其特征在于，所述依据卫星定位模块的测量数据，确定第二姿态序列，包括：
融合所述惯性导航系统的测量数据和所述卫星定位模块的测量数据，确定所述第二姿态序列。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述使所述第一姿态序列向所述第二姿态序列收敛，获得训练好的角速度补偿模型，包括：
使所述第一姿态序列和所述第二姿态序列的误差和最小，动态调整角速度补偿模型的参数，获得训练好的角速度补偿模型。
5.根据权利要求1-3任意一项所述的方法，其特征在于：所述拟合补偿公式是三阶拟合补偿公式：
Figure 107512DEST_PATH_IMAGE001
，
式中，ω(t)是时刻t角速度ω的补偿量，a、b、c、d是三阶拟合补偿公式的参数。
6.一种基于神经网络模型的姿态更新装置，其特征在于，包括：
模型建立模块，用于依据角速度的拟合补偿公式，基于神经网络模型建立待训练的角速度补偿模型；
第一输入模块，用于向所述模型建立模块建立的所述待训练的角速度补偿模型输入惯性导航系统的角速度序列，以使所述待训练的角速度补偿模型依据输入的所述角速度序列输出补偿后的修正角速度序列；
姿态确定模块，用于依据所述修正角速度序列，确定第一姿态序列，依据卫星定位模块的测量数据，确定第二姿态序列；
训练模块，用于使所述姿态确定模块确定的所述第一姿态序列向所述第二姿态序列收敛，获得训练好的角速度补偿模型，其中，所述第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的；
第二输入模块，向所述训练好的角速度补偿模型输入所述惯性导航系统的角速度，以使所述训练好的角速度补偿模型输出补偿后的修正角速度；
更新模块，用于依据所述修正角速度，更新所述惯性导航系统的姿态。
7.根据权利要求6所述的装置，其特征在于：
所述模型建立模块，还用于对拟合补偿方程进行求解，获得所述拟合补偿方程的参数，将所述拟合补偿方程的参数代入所述拟合补偿方程，获得所述拟合补偿公式。
8.根据权利要求6所述的装置，其特征在于：
所述姿态确定模块，还用于融合所述惯性导航系统的测量数据和所述卫星定位模块的测量数据，确定所述第二姿态序列。
9.根据权利要求6-8任意一项所述的装置，其特征在于：
所述训练模块，用于使所述姿态确定模块确定的所述第一姿态序列和所述第二姿态序列的误差和最小，动态调整角速度补偿模型的参数，获得训练好的角速度补偿模型。
10.一种非暂时性机器可读存储介质，其特征在于，非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。
CN202110938023.7A 2021-08-16 2021-08-16 基于神经网络模型的姿态更新方法及装置 Active CN113375669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110938023.7A CN113375669B (zh) 2021-08-16 2021-08-16 基于神经网络模型的姿态更新方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110938023.7A CN113375669B (zh) 2021-08-16 2021-08-16 基于神经网络模型的姿态更新方法及装置

Publications (2)

Publication Number Publication Date
CN113375669A true CN113375669A (zh) 2021-09-10
CN113375669B CN113375669B (zh) 2021-11-09

Family

ID=77577308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110938023.7A Active CN113375669B (zh) 2021-08-16 2021-08-16 基于神经网络模型的姿态更新方法及装置

Country Status (1)

Country Link
CN (1) CN113375669B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869252A (zh) * 2021-09-29 2021-12-31 苏州德创测控科技有限公司 基于深度学习的小龙虾头尾分离控制方法及其系统
CN113917512A (zh) * 2021-12-13 2022-01-11 智道网联科技(北京)有限公司 自动驾驶车辆的定位方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158588A (zh) * 2007-11-16 2008-04-09 北京航空航天大学 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法
CN105180935A (zh) * 2015-10-30 2015-12-23 东南大学 一种适用于gnss微弱信号的组合导航数据融合方法
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
US20190235088A1 (en) * 2018-01-31 2019-08-01 Sony Corporation Inertial sensor calibration based on power budget
CN112762933A (zh) * 2021-04-07 2021-05-07 智道网联科技(北京)有限公司 基于神经网络模型的车辆定位方法及装置
CN112985462A (zh) * 2021-04-21 2021-06-18 智道网联科技(北京)有限公司 基于卷积神经网络模型的惯性测量数据校正方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158588A (zh) * 2007-11-16 2008-04-09 北京航空航天大学 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法
CN105180935A (zh) * 2015-10-30 2015-12-23 东南大学 一种适用于gnss微弱信号的组合导航数据融合方法
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
US20190235088A1 (en) * 2018-01-31 2019-08-01 Sony Corporation Inertial sensor calibration based on power budget
CN112762933A (zh) * 2021-04-07 2021-05-07 智道网联科技(北京)有限公司 基于神经网络模型的车辆定位方法及装置
CN112985462A (zh) * 2021-04-21 2021-06-18 智道网联科技(北京)有限公司 基于卷积神经网络模型的惯性测量数据校正方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869252A (zh) * 2021-09-29 2021-12-31 苏州德创测控科技有限公司 基于深度学习的小龙虾头尾分离控制方法及其系统
CN113869252B (zh) * 2021-09-29 2024-05-03 苏州德创测控科技有限公司 基于深度学习的小龙虾头尾分离控制方法及其系统
CN113917512A (zh) * 2021-12-13 2022-01-11 智道网联科技(北京)有限公司 自动驾驶车辆的定位方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113375669B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN113375669B (zh) 基于神经网络模型的姿态更新方法及装置
CN109163721A (zh) 姿态测量方法及终端设备
CN112762933B (zh) 基于神经网络模型的车辆定位方法及装置
CN111928869B (zh) 车辆运动轨迹估计方法、装置及电子设备
JP2012173190A (ja) 測位システム、測位方法
CN112461269B (zh) 惯性测量单元标定方法、设备及服务器
CN109781117B (zh) 一种组合定位方法和系统
CN112146683B (zh) 惯性测量单元标定参数调整方法、装置及电子设备
CN111982158B (zh) 一种惯性测量单元标定方法及装置
WO2022205623A1 (zh) 惯性测量传感器的零偏的补偿方法
CN116007620A (zh) 一种组合导航滤波方法、系统、电子设备及存储介质
CN113607176B (zh) 组合导航系统轨迹输出方法及装置
WO2022179602A1 (zh) 导航信息的处理方法、装置、电子设备及存储介质
CN113252060B (zh) 基于神经网络模型的车辆轨迹推算方法及装置
CN116608853B (zh) 载体动态姿态估计方法、设备、存储介质
CN110645976B (zh) 一种移动机器人的姿态估计方法及终端设备
CN113175936B (zh) 基于神经网络模型的车辆轨迹推算方法及装置
CN113917512B (zh) 自动驾驶车辆的定位方法、装置、电子设备及存储介质
CN112762932B (zh) 基于神经网络模型的轨迹推算方法及装置
CN112284421B (zh) 一种imu内参调整方法及相关装置
CN112985463B (zh) 基于卷积神经网络模型的惯性测量单元标定方法及装置
CN113124884B (zh) 基于lstm神经网络模型的车辆定位方法及装置
CN114323007A (zh) 一种载体运动状态估计方法及装置
Xuan Application of real-time Kalman filter with magnetic calibration for MEMS sensor in attitude estimation
CN112130188A (zh) 车辆定位方法、设备及云服务器

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