CN114199279A - 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 - Google Patents

全量模式下基于高精度惯组的mems惯组参数的在线估计方法 Download PDF

Info

Publication number
CN114199279A
CN114199279A CN202111423727.7A CN202111423727A CN114199279A CN 114199279 A CN114199279 A CN 114199279A CN 202111423727 A CN202111423727 A CN 202111423727A CN 114199279 A CN114199279 A CN 114199279A
Authority
CN
China
Prior art keywords
measurement unit
inertial measurement
output
axis
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.)
Granted
Application number
CN202111423727.7A
Other languages
English (en)
Other versions
CN114199279B (zh
Inventor
高晓颖
赵民
赵欣艺
踪华
李冰
魏小丹
王森
王伟
唐海红
丑金玲
郑卓
禹春梅
司文杰
李宇明
裴圣旺
马骉
王秀春
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 Aerospace Automatic Control Research Institute
Original Assignee
Beijing Aerospace Automatic Control Research Institute
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 Aerospace Automatic Control Research Institute filed Critical Beijing Aerospace Automatic Control Research Institute
Priority to CN202111423727.7A priority Critical patent/CN114199279B/zh
Publication of CN114199279A publication Critical patent/CN114199279A/zh
Application granted granted Critical
Publication of CN114199279B publication Critical patent/CN114199279B/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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

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

Abstract

本发明涉及一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法，包括：构建激光惯组和MEMS惯组的测量模型；根据激光惯组的输出和标定参数计算载体坐标系下的三轴角增量值和视速度增量值；通过累积时间点t之前的三轴角增量值和视速度增量值分别得到的三轴角度和视速度在时间点t的累积值；使用时间点t以及三轴角度在时间点t的累积值作为输入训练三轴角度的神经网络模型；将时间点t以及三轴视速度在时间点t的累积值作为输入训练三轴视速度的神经网络模型；将得到的当前时间点和三轴角度和视速度在当前时间点的累积值分别输入到对应的神经网络模型中在线估计MEMS惯组参数。本发明实现低精度惯组参数的在线估计，提高定位的精度。

Description

全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法
技术领域
本发明涉及导航技术领域，尤其涉及一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法。
背景技术
由于运载火箭、飞机、舰船等运动体的可靠性要求越来越高，任务越来越复杂，需要导航系统在运载火箭任务中，在提供可靠，高精度的导航信息的同时具备成本低，重量轻，功耗低的优点。
冗余设计是提高导航系统可靠性的技术途径之一。当前运载火箭等的导航系统的可靠性多采用惯组冗余的方式来保证，然而多个高精度惯组的冗余模式势必给带来大体积，高功耗，高成本等问题。因此传统冗余方案一般只用在大型运载火箭中，小型商业运载火箭一般只采用一套高性能的光学惯组。MEMS惯组作为一种微型惯组器件，虽然精度不如光学惯组高，但在体积重量和成本上有很大优势，且MEMS惯组单次通电的稳定性相较于多次通电啊有一定的优势，因此MEMS惯组可以作为冗余惯组设计的一部分。但由于MEMS惯组的精度不足，而且需要进行射前标定，带来了额外的工作量，因此对作为冗余的MEMS惯组的参数进行在线估计成为需要。。
发明内容
鉴于上述的分析，本发明旨在提供一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法。实现了低精度惯组参数的在线估计。
本发明提供的技术方案是：
本发明公开了一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法，包括以下步骤：
构建激光惯组和MEMS惯组的测量模型；
根据激光惯组的输出和标定参数计算载体坐标系下的三轴角增量值和视速度增量值；通过累积时间点t之前的所述三轴角增量值和视速度增量值分别得到的三轴角度和视速度在时间点t的累积值；
使用所述时间点t以及三轴角度在时间点t的累积值作为输入训练三轴角度的神经网络模型；将所述时间点t以及三轴视速度在时间点t的累积值作为输入训练三轴视速度的神经网络模型；
将得到的当前时间点和三轴角度和视速度在当前时间点的累积值分别输入到对应的神经网络模型中在线估计MEMS惯组参数。
进一步地，所述三轴角度的神经网络模型为三层的线性神经网络模型，其中，输入层为4个神经元、隐藏层为3个神经元，输出层为3个神经元；
所述线性神经网络模型的输入
Figure BDA0003377448520000021
；t为时间点，
Figure BDA0003377448520000022
为由激光惯组的输出和标定参数计算出载体坐标系下三轴角增量值截止到时间点t的累计值；
输入层和隐藏层之间的神经元间连接权值表示为Dlij和Dli0i＝1，2，3；j＝x，y，z；其中，Dlij为MEMS惯组的三轴陀螺的安装系数，Dli0为MEMS惯组的三轴陀螺零次项参数；
输出层的输出为MEMS惯组的三轴陀螺的观测值
Figure BDA0003377448520000023
其中，输出函数为线性函数。
进一步地，通过迭代更新线性神经网络的权值，以得到MEMS惯组的三轴陀螺的安装矩阵参数和零次项参数的误差；
所述安装矩阵参数和零次项参数的更新算法为：
D(n+1)＝D(n)+ηxT(n)e(n)；
其中，n为迭代次数，D为待估计的MEMS惯组的三轴陀螺的安装矩阵参数和零次项参数，其形式为
Figure BDA0003377448520000031
x(n)为迭代次数为n时神经网络输入；
e(n)为实际输出和期望输出的差值；该网络中，实际输出即网络计算值，期望输出为MEMS陀螺的观测量；η为学习率，根据输入数据的量级决定。
进一步地，所述迭代更新过程的终止迭代条件为：
(1)误差e累计值变化连续m次小于设定阈值；
(2)参数更新变化量满足|D(n+1)-D(n)|＜ξ；ξ为参数变化阈值；
(3)设置迭代最大值，无论是否到达要求都停止迭代。
进一步地，所述三轴视速度的神经网络模型为三层的线性神经网络模型，其中，输入层为4个神经元、隐藏层为3个神经元，输出层为3个神经元；
所述线性神经网络模型的输入
Figure BDA0003377448520000032
t为时间点，
Figure BDA0003377448520000033
为由激光惯组的三轴加速度计计算得到的视速度增量的截止到时间点t的累计值；
输入层和隐藏层之间的神经元间连接权值表示为Elij和Eli0i＝1，2，3；j＝x，y，z；其中，Elij为MEMS惯组的三轴加速度计的安装系数，Eli0为MEMS惯组的三轴加速度计的零次项参数；
输出层的输出为MEMS惯组的三轴加速度计观测值
Figure BDA0003377448520000034
其中，输出函数为线性函数。
进一步地，通过迭代更新线性神经网络的权值，得到MEMS惯组的三轴加速度计的安装矩阵参数和零次项参数的误差；
所述安装矩阵参数和零次项参数的更新算法为：
E(n+1)＝E(n)+ηyT(n)ε(n)；
其中，n为迭代次数，E为待估计MEMS惯组的三轴加速度计的安装矩阵参数和零次项参数，其形式为
Figure BDA0003377448520000041
y(n)为迭代次数为n时神经网络输入；
ε(n)为实际输出和期望输出的差值；该网络中，实际输出即网络计算值，期望输出为MEMS惯组的三轴加速度计的观测量；η为学习率，根据输入数据的量级决定。
进一步地，所述迭代更新过程的终止迭代条件为：
(1)误差ε的累计值变化连续m′次小于设定阈值；
(2)参数更新变化量满足|E(n+1)-E(n)|＜ξ′；ξ′为参数变化阈值；
(3)设置迭代最大值，无论是否到达要求都停止迭代。
进一步地，所述激光惯组的测量模型包括激光陀螺测量模型和石英加速度计测量模型；
所述激光陀螺测量模型为：
Figure BDA0003377448520000042
其中，
Figure BDA0003377448520000051
为载体坐标系下三轴角增量的真实值；
Figure BDA0003377448520000052
为激光陀螺输出的三轴角增量；Dh1x、Dh1y、Dh1z、Dh2x、Dh2y、Dh2z、Dh3x、Dh3y和Dh3z为激光陀螺实际的三轴的安装矩阵系数；Dh10、Dh20、Dh30为激光陀螺三轴的实际零次项参数；T为采样周期；
Figure BDA0003377448520000053
为激光陀螺三轴噪声；
所述石英加速度计测量模型为：
Figure BDA0003377448520000054
其中，
Figure BDA0003377448520000055
为载体坐标系下三轴视速度增量的真实值；
Figure BDA0003377448520000056
为石英加速度计输出的三轴视速度增量；Eh1x、Eh1y、Eh1z、Eh2x、Eh2y、Eh2z、Eh3x、Eh3y、Eh3z为石英加速度计实际的三轴的安装矩阵系数，Eh10、Eh20、Eh30为石英加速度计三轴的实际零次项参数；T为采样周期；
Figure BDA0003377448520000057
为石英加速度计三轴的噪声。
进一步地，所述MEMS惯组的测量模型包括陀螺测量模型和加速度计测量模型；
所述陀螺测量模型为：
Figure BDA0003377448520000058
其中，
Figure BDA0003377448520000059
为载体坐标系下三轴角增量的真实值；
Figure BDA00033774485200000510
为MEMS惯组三轴陀螺输出的角增量；Dl1x、Dl1y、Dl1z、Dl2x、Dl2y、Dl2z、Dl3x、Dl3y、Dl3z为MEMS惯组三轴陀螺实际的安装矩阵系数，Dl10、Dl20、Dl30为MEMS惯组三轴陀螺实际的零次项参数；T为采样周期；
Figure BDA0003377448520000061
为MEMS惯组三轴陀螺的噪声；
所述加速度计测量模型为：
Figure BDA0003377448520000062
其中，
Figure BDA0003377448520000063
为载体坐标系下三轴视速度增量的真实值；
Figure BDA0003377448520000064
为MEMS惯组三轴加速度计输出的视速度增量；El1x、El1y、El1z、El2x、El2y、El2z、El3x、El3y、El3z为MEMS惯组三轴加速度计的实际安装矩阵；El10、El20、El30为MEMS惯组三轴加速度计实际的零次项参数；T为采样周期；
Figure BDA0003377448520000065
为MEMS惯组三轴加速度计的噪声。
进一步地，所述根据激光惯组的输出和标定参数计算出载体坐标系下三轴角增量值为：
Figure BDA0003377448520000066
视速度增量为：
Figure BDA0003377448520000067
其中，
Dh1′为标定的激光陀螺安装矩阵，Dh0′为标定的激光陀螺零次项；
Figure BDA0003377448520000071
和
Figure BDA0003377448520000072
为由激光陀螺输出的载体坐标系下的三轴角增量；
Eh1′为标定的石英加速度计安装矩阵，Eh0′为标定的石英加速度计零次项；
Figure BDA0003377448520000073
为由石英加速度计输出的载体坐标系下的三轴视速度增量。
本发明的有益效果：
本发明基于激光惯组的输出数据对低精度惯组器件参数进行估计，减免了对所有惯性器件进行射前标定的工作量，实现低精度惯组参数的在线估计，并使低精度惯组测量值尽可能向激光惯组靠近，提高定位的精度。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例中的MEMS惯组参数的在线估计方法流程图；
图2为本发明实施例中的三轴角度的神经网络模型结构示意图；
图3为本发明实施例中的三轴视速度的神经网络模型结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
本实施例公开了一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法，包括以下步骤：
步骤S1、构建激光惯组和MEMS惯组的测量模型；
步骤S2、根据激光惯组的输出和标定参数计算载体坐标系下的三轴角增量值和视速度增量值；通过累积时间点t之前的所述三轴角增量值和视速度增量值分别得到的三轴角度和视速度在时间点t的累积值；
步骤S3、使用所述时间点t以及三轴角度在时间点t的累积值作为输入训练三轴角度的神经网络模型；将所述时间点t以及三轴视速度在时间点t的累积值作为输入训练三轴视速度的神经网络模型；
步骤S4、将得到的当前时间点和三轴角度和视速度在当前时间点的累积值分别输入到对应的神经网络模型中在线估计MEMS惯组参数。
具体的，所述步骤S1中，
对于激光惯组，构建基于三轴角增量的激光陀螺测量模型和基于三轴视速度增量的石英加速度计测量模型；
对于MEMS惯组，构建基于三轴角增量的陀螺测量模型和基于三轴视速度增量的加速度计测量模型。
具体的，构建的基于三轴角增量的激光陀螺测量模型为：
Figure BDA0003377448520000081
其中，
Figure BDA0003377448520000082
为载体坐标系下三轴角增量的真实值；
Figure BDA0003377448520000083
为激光陀螺输出的三轴角增量；Dh1x、Dh1y、Dh1z、Dh2x、Dh2y、Dh2z、Dh3x、Dh3y和Dh3z为激光陀螺实际的三轴的安装矩阵系数；Dh10、Dh20、Dh30为激光陀螺三轴的实际零次项参数；T为采样周期；
Figure BDA0003377448520000084
为激光陀螺三轴噪声。
写成矩阵形式为：
Figure BDA0003377448520000091
具体的，构建的基于三轴视速度增量的石英加速度计测量模型；
Figure BDA0003377448520000092
其中，
Figure BDA0003377448520000093
为载体坐标系下三轴视速度增量的真实值；
Figure BDA0003377448520000094
为石英加速度计输出的三轴视速度增量；Eh1x、Ehly、Eh1z、Eh2x、Eh2y、Eh2z、Eh3x、Eh3y、Eh3z为石英加速度计实际的三轴的安装矩阵系数，Eh10、Eh20、Eh30为石英加速度计三轴的实际零次项参数；T为采样周期；
Figure BDA0003377448520000095
为石英加速度计三轴的噪声。
写成矩阵形式为：
Figure BDA0003377448520000096
具体的，构建的基于三轴角增量的MEMS惯组的陀螺测量模型为：
Figure BDA0003377448520000097
其中，
Figure BDA0003377448520000098
为载体坐标系下三轴角增量的真实值；
Figure BDA0003377448520000099
为MEMS惯组三轴陀螺输出的角增量；Dl1x、Dl1y、Dl1z、Dl2x、Dl2y、Dl2z、Dl3x、Dl3y、Dl3z为MEMS惯组三轴陀螺实际的安装矩阵系数，Dl10、Dl20、Dl30为MEMS惯组三轴陀螺实际的零次项参数；T为采样周期；
Figure BDA0003377448520000101
为MEMS惯组三轴陀螺的噪声；
写成矩阵形式为：
Figure BDA0003377448520000102
具体的，构建的基于三轴视速度增量的MEMS惯组的加速度计测量模型：
Figure BDA0003377448520000103
其中，
Figure BDA0003377448520000104
为载体坐标系下三轴视速度增量的真实值；
Figure BDA0003377448520000105
为MEMS惯组三轴加速度计输出的视速度增量；El1x、El1y、El1z、El2x、El2y、El2z、El3x、El3y、El3z为MEMS惯组三轴加速度计的实际安装矩阵；El10、El20、El30为MEMS惯组三轴加速度计实际的零次项参数；T为采样周期；
Figure BDA0003377448520000106
为MEMS惯组三轴加速度计的噪声。
写成矩阵形式为：
Figure BDA0003377448520000107
具体的，在步骤S2中，
所述根据激光惯组的输出和标定参数计算出载体坐标系下三轴角增量值为：
Figure BDA0003377448520000111
三轴视速度增量为：
Figure BDA0003377448520000112
其中，
Dh1′为标定的激光陀螺安装矩阵，Dh0′为标定的激光陀螺零次项；
Figure BDA0003377448520000113
和
Figure BDA0003377448520000114
为由激光陀螺输出计算得到的载体坐标系下的三轴角增量；
Eh1′为标定的石英加速度计安装矩阵，Eh0′为标定的石英加速度计零次项；
Figure BDA0003377448520000115
为由石英加速度计输出计算得到的载体坐标系下的三轴视速度增量。
通过累积时间点t之前的所述三轴角增量值
Figure BDA0003377448520000116
和
Figure BDA0003377448520000117
得到的三轴角度在时间点t的累积值
Figure BDA0003377448520000118
通过累积时间点t之前的所述视速度增量值
Figure BDA0003377448520000119
分别得到的三轴视速度在时间点t的累积值
Figure BDA00033774485200001110
具体的，步骤S3中的三轴角度的神经网络模型如图2所示，为三层的线性神经网络模型，其中，输入层为4个神经元、隐藏层为3个神经元，输出层为3个神经元；
所述线性神经网络模型的输入
Figure BDA0003377448520000121
t为时间点，
Figure BDA0003377448520000122
为由激光惯组的输出和标定参数计算出载体坐标系下三轴角增量值截止到时间点t的累计值；
输入层和隐藏层之间的神经元间连接权值表示为Dlij和Dli0i＝1，2，3；j＝x，y，z；其中，Dlij为MEMS惯组的三轴陀螺的安装系数，Dli0为MEMS惯组的三轴陀螺零次项参数；
输出层的输出为MEMS惯组的三轴陀螺的观测值
Figure BDA0003377448520000123
其中，输出函数为线性函数；则输入输出之间是一个简单的比例关系，本实施例采用的线性函数为f(x)＝x，即上一层神经元的输出即为输出层输出。
则，本实施例的三轴角度的神经网络模型输出的MEMS惯组的三轴陀螺的观测值：
Figure BDA0003377448520000124
采用累积值，即在全量模式下，通过线性神经网络模型进行参数估计，将MEMS惯组的三轴陀螺的安装系数和零次项参数作为神经元间连接权，在进行迭代运算时，可以使惯性器件测量模型中，除确定性误差之外的无法进行工具补偿的随机误差，在叠加过程中有一部分的抵消，从而较少由于噪声对误差参数补偿精度的影响提高参数估计的准确度。
即，通过迭代更新线性神经网络的权值，以得到MEMS惯组的三轴陀螺的安装矩阵参数和零次项参数的误差；在进行迭代更新时，历史时间点、当前时间点、以及历史时间点和当前时间点对应的三轴角增量值累计值
Figure BDA0003377448520000125
构成迭代更新的输入数据集，每次迭代时从数据集取出数据进行迭代运算，更新线性神经网络的权值，即更新安装矩阵参数和零次项参数。
具体的，所述安装矩阵参数和零次项参数的更新算法为：
D(n+1)＝D(n)+ηxT(n)e(n)；
其中，n为迭代次数，D为待估计的MEMS惯组的三轴陀螺的安装矩阵参数和零次项参数，其形式为
Figure BDA0003377448520000131
x(n)为迭代次数为n时神经网络输入；
e(n)为实际输出和期望输出的差值；该网络中，实际输出即网络计算值，期望输出为MEMS陀螺的观测量；η为学习率，根据输入数据的量级决定。
优选的，在对陀螺进行参数估计时，由于陀螺当量较小，换算为弧度，单位时间的测得角增量的值很小，一般在10-6量级。根据线性神经网络的权重更新公式，权值变化量是对四个参数同时进行的，因此，为保证四个参数得到的修改程度相近；因此，将输入统一在同一量级，更有利于每个输入充分发挥作用。神经网络的输入为高精度陀螺组合输出角增量的值在体坐标系下的三个投影量以及常数t共四维。将网络输入输出角增量的值均扩大106倍，进行网络参数训练。对安装误差估计无影响，对零次项估计结果再乘以10-6即可。
以采样周期为准，每过一个采样周期，则可增加一组神经网络输入和期望输出值。
在迭代更新过程中的终止迭代条件为：
(1)误差e累计值变化连续m次小于设定阈值；
(2)参数更新变化量满足|D(n+1)-D(n)|＜ξ；ξ为参数变化阈值；
(3)设置迭代最大值，无论是否到达要求都停止迭代，以避免发散引起的死循环。
具体的，步骤S3中三轴视速度的神经网络模型如图3所示，为三层的线性神经网络模型，其中，输入层为4个神经元、隐藏层为3个神经元，输出层为3个神经元；
所述线性神经网络模型的输入
Figure BDA0003377448520000141
t为时间点，
Figure BDA0003377448520000142
为由激光惯组的三轴加速度计计算得到的视速度增量的截止到时间点t的累计值；
输入层和隐藏层之间的神经元间连接权值表示为Elij和Eli0i＝1，2，3；j＝x，y，z；其中，Elij为MEMS惯组的三轴加速度计的安装系数，Eli0为MEMS惯组的三轴加速度计的零次项参数；
输出层的输出为MEMS惯组的三轴加速度计观测值
Figure BDA0003377448520000143
其中，输出函数为线性函数；则输入输出之间是一个简单的比例关系，本实施例采用的线性函数为f(x)＝x，即上一层神经元的输出即为输出层输出。
则，本实施例的三轴视速度的神经网络模型输出的MEMS惯组的三轴加速度计观测值为：
Figure BDA0003377448520000144
采用累积值，即在全量模式下，通过线性神经网络模型进行参数估计，将MEMS惯组的三轴加速度计的安装系数和零次项参数作为神经元间连接权，在进行迭代运算时，可以使惯性器件测量模型中，除确定性误差之外的无法进行工具补偿的随机误差，在叠加过程中有一部分的抵消，从而较少由于噪声对误差参数补偿精度的影响提高参数估计的准确度。
即，通过迭代更新线性神经网络的权值，得到MEMS惯组的三轴加速度计的安装矩阵参数和零次项参数的误差；在进行迭代更新时，历史时间点、当前时间点、以及历史时间点和当前时间点对应的三轴视速度增量值累计值
Figure BDA0003377448520000151
构成迭代更新的输入数据集，每次迭代时从数据集取出数据进行迭代运算，更新线性神经网络的权值，即更新安装矩阵参数和零次项参数。
具体的，所述安装矩阵参数和零次项参数的更新算法为：
E(n+1)＝E(n)+ηyT(n)ε(n)；
其中，n为迭代次数，E为待估计MEMS惯组的三轴加速度计的安装矩阵参数和零次项参数，其形式为
Figure BDA0003377448520000152
y(n)为迭代次数为n时神经网络输入；
ε(n)为实际输出和期望输出的差值；该网络中，实际输出即网络计算值，期望输出为MEMS惯组的三轴加速度计的观测量；η为学习率，根据输入数据的量级决定。
在迭代更新过程中的终止迭代条件为：
(1)误差ε的累计值变化连续m′次小于设定阈值；
(2)参数更新变化量满足|E(n+1)-E(n)|＜ξ′；ξ′为参数变化阈值；
(3)设置迭代最大值，无论是否到达要求都停止迭代，以避免发散引起的死循环。
在步骤S4中，将得到的当前时间点和三轴角度的累计值输入到训练好的三轴角度的神经网络模型中，神经网络模型输出的即为经过误差校正的MEMS惯组的三轴角度数据；
将当前时间点和三轴视速度的累计值输入到训练好的三轴视速度的神经网络模型中，神经网络模型输出的即为经过误差校正的MEMS惯组的三轴视速度数据。
综上所述，本实施例的低精度惯组参数估计方方法，基于激光惯组的输出数据对低精度惯组器件参数进行估计，减免了对所有惯性器件进行射前标定的工作量，实现低精度惯组参数的在线估计，并使低精度惯组测量值尽可能向激光惯组靠近，提高定位的精度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种全量模式下基于高精度惯组的MEMS惯组参数的在线估计方法，其特征在于，包括以下步骤：
构建激光惯组和MEMS惯组的测量模型；
根据激光惯组的输出和标定参数计算载体坐标系下的三轴角增量值和视速度增量值；通过累积时间点t之前的所述三轴角增量值和视速度增量值分别得到的三轴角度和视速度在时间点t的累积值；
使用所述时间点t以及三轴角度在时间点t的累积值作为输入训练三轴角度的神经网络模型；将所述时间点t以及三轴视速度在时间点t的累积值作为输入训练三轴视速度的神经网络模型；
将得到的当前时间点和三轴角度和视速度在当前时间点的累积值分别输入到对应的神经网络模型中在线估计MEMS惯组参数。
2.根据权利要求1所述的在线估计方法，其特征在于，
所述三轴角度的神经网络模型为三层的线性神经网络模型，其中，输入层为4个神经元、隐藏层为3个神经元，输出层为3个神经元；
所述线性神经网络模型的输入
Figure FDA0003377448510000011
t为时间点，
Figure FDA0003377448510000012
为由激光惯组的输出和标定参数计算出载体坐标系下三轴角增量值截止到时间点t的累计值；
输入层和隐藏层之间的神经元间连接权值表示为Dlij和Dli0i＝1，2，3；j＝x，y，z；其中，Dlij为MEMS惯组的三轴陀螺的安装系数，Dli0为MEMS惯组的三轴陀螺零次项参数；
输出层的输出为MEMS惯组的三轴陀螺的观测值
Figure FDA0003377448510000013
其中，输出函数为线性函数。
3.根据权利要求2所述的在线估计方法，其特征在于，
通过迭代更新线性神经网络的权值，以得到MEMS惯组的三轴陀螺的安装矩阵参数和零次项参数的误差；
所述安装矩阵参数和零次项参数的更新算法为：
D(n+1)＝D(n)+ηxT(n)e(n)；
其中，n为迭代次数，D为待估计的MEMS惯组的三轴陀螺的安装矩阵参数和零次项参数，其形式为
Figure FDA0003377448510000021
x(n)为迭代次数为n时神经网络的输入；
e(n)为实际输出和期望输出的差值；该网络中，实际输出即网络计算值，期望输出为MEMS陀螺的观测量；η为学习率，根据输入数据的量级决定。
4.根据权利要求1所述的在线估计方法，其特征在于，
所述迭代更新过程的终止迭代条件为：
(1)误差e累计值变化连续m次小于设定阈值；
(2)参数更新变化量满足|D(n+1)-D(n)|＜ξ；ξ为参数变化阈值；
(3)设置迭代最大值，无论是否到达要求都停止迭代。
5.根据权利要求1所述的在线估计方法，其特征在于，
所述三轴视速度的神经网络模型为三层的线性神经网络模型，其中，输入层为4个神经元、隐藏层为3个神经元，输出层为3个神经元；
所述线性神经网络模型的输入
Figure FDA0003377448510000022
t为时间点，
Figure FDA0003377448510000023
为由激光惯组的三轴加速度计计算得到的视速度增量的截止到时间点t的累计值；
输入层和隐藏层之间的神经元间连接权值表示为Elij和Eli0i＝1，2，3；j＝x，y，z；其中，Elij为MEMS惯组的三轴加速度计的安装系数，Eli0为MEMS惯组的三轴加速度计的零次项参数；
输出层的输出为MEMS惯组的三轴加速度计观测值W1 l、
Figure FDA0003377448510000031
其中，输出函数为线性函数。
6.根据权利要求5所述的在线估计方法，其特征在于，
通过迭代更新线性神经网络的权值，得到MEMS惯组的三轴加速度计的安装矩阵参数和零次项参数的误差；
所述安装矩阵参数和零次项参数的更新算法为：
E(n+1)＝E(n)+ηyT(n)ε(n)；
其中，n为迭代次数，E为待估计MEMS惯组的三轴加速度计的安装矩阵参数和零次项参数，其形式为
Figure FDA0003377448510000032
y(n)为迭代次数为n时神经网络输入；
ε(n)为实际输出和期望输出的差值；该网络中，实际输出即网络计算值，期望输出为MEMS惯组的三轴加速度计的观测量；η为学习率，根据输入数据的量级决定。
7.根据权利要求6所述的在线估计方法，其特征在于，
所述迭代更新过程的终止迭代条件为：
(1)误差ε的累计值变化连续m'次小于设定阈值；
(2)参数更新变化量满足|E(n+1)-E(n)|＜ξ'；ξ'为参数变化阈值；
(3)设置迭代最大值，无论是否到达要求都停止迭代。
8.根据权利要求1所述的低精度惯组参数估计方法，其特征在于，
所述激光惯组的测量模型包括激光陀螺测量模型和石英加速度计测量模型；
所述激光陀螺测量模型为：
Figure FDA0003377448510000041
其中，
Figure FDA0003377448510000042
为载体坐标系下三轴角增量的真实值；
Figure FDA0003377448510000043
为激光陀螺输出的三轴角增量；Dh1x、Dh1y、Dh1z、Dh2x、Dh2y、Dh2z、Dh3x、Dh3y和Dh3z为激光陀螺实际的三轴的安装矩阵系数；Dh10、Dh20、Dh30为激光陀螺三轴的实际零次项参数；T为采样周期；
Figure FDA0003377448510000044
为激光陀螺三轴噪声；
所述石英加速度计测量模型为：
Figure FDA0003377448510000045
其中，
Figure FDA0003377448510000046
为载体坐标系下三轴视速度增量的真实值；
Figure FDA0003377448510000047
为石英加速度计输出的三轴视速度增量；Eh1x、Eh1y、Eh1z、Eh2x、Eh2y、Eh2z、Eh3x、Eh3y、Eh3c为石英加速度计实际的三轴的安装矩阵系数，Eh10、Eh20、Eh30为石英加速度计三轴的实际零次项参数；T为采样周期；
Figure FDA0003377448510000048
为石英加速度计三轴的噪声。
9.根据权利要求2所述的低精度惯组参数估计方法，其特征在于，所述MEMS惯组的测量模型包括陀螺测量模型和加速度计测量模型；
所述陀螺测量模型为：
Figure FDA0003377448510000051
其中，
Figure FDA0003377448510000052
为载体坐标系下三轴角增量的真实值；
Figure FDA0003377448510000053
为MEMS惯组三轴陀螺输出的角增量；Dl1x、Dl1y、Dl1z、Dl2x、Dl2y、Dl2z、Dl3x、Dl3y、Dl3z为MEMS惯组三轴陀螺实际的安装矩阵系数，Dl10、Dl20、Dl30为MEMS惯组三轴陀螺实际的零次项参数；T为采样周期；
Figure FDA0003377448510000054
为MEMS惯组三轴陀螺的噪声；
所述加速度计测量模型为：
Figure FDA0003377448510000055
其中，
Figure FDA0003377448510000056
为载体坐标系下三轴视速度增量的真实值；
Figure FDA0003377448510000057
为MEMS惯组三轴加速度计输出的视速度增量；El1x、El1y、El1z、El2x、El2y、El2z、El3x、El3y、El3z为MEMS惯组三轴加速度计的实际安装矩阵；El10、El20、El30为MEMS惯组三轴加速度计实际的零次项参数；T为采样周期；
Figure FDA0003377448510000058
为MEMS惯组三轴加速度计的噪声。
10.根据权利要求2所述的低精度惯组参数估计方法，其特征在于，所述根据激光惯组的输出和标定参数计算出载体坐标系下三轴角增量值为：
Figure FDA0003377448510000061
视速度增量为：
Figure FDA0003377448510000062
其中，
Dh1′为标定的激光陀螺安装矩阵，Dh0′为标定的激光陀螺零次项；
Figure FDA0003377448510000063
和
Figure FDA0003377448510000064
为由激光陀螺输出的载体坐标系下的三轴角增量；
Eh1′为标定的石英加速度计安装矩阵，Eh0′为标定的石英加速度计零次项；
Figure FDA0003377448510000065
为由石英加速度计输出的载体坐标系下的三轴视速度增量。
CN202111423727.7A 2021-11-26 2021-11-26 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 Active CN114199279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111423727.7A CN114199279B (zh) 2021-11-26 2021-11-26 全量模式下基于高精度惯组的mems惯组参数的在线估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111423727.7A CN114199279B (zh) 2021-11-26 2021-11-26 全量模式下基于高精度惯组的mems惯组参数的在线估计方法

Publications (2)

Publication Number Publication Date
CN114199279A true CN114199279A (zh) 2022-03-18
CN114199279B CN114199279B (zh) 2023-06-20

Family

ID=80649183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111423727.7A Active CN114199279B (zh) 2021-11-26 2021-11-26 全量模式下基于高精度惯组的mems惯组参数的在线估计方法

Country Status (1)

Country Link
CN (1) CN114199279B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106352880A (zh) * 2016-10-28 2017-01-25 中国电子科技集团公司第五十四研究所 一种基于非线性网络的惯性导航算法架构的确定方法
CN108120451A (zh) * 2017-12-21 2018-06-05 苏州大学 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
CN110389527A (zh) * 2019-07-18 2019-10-29 西北工业大学 基于异类估计的mems陀螺仪滑模控制方法
CN110567492A (zh) * 2019-09-03 2019-12-13 兰州交通大学 低成本mems惯性传感器系统级标定方法
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106352880A (zh) * 2016-10-28 2017-01-25 中国电子科技集团公司第五十四研究所 一种基于非线性网络的惯性导航算法架构的确定方法
CN108120451A (zh) * 2017-12-21 2018-06-05 苏州大学 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
CN110389527A (zh) * 2019-07-18 2019-10-29 西北工业大学 基于异类估计的mems陀螺仪滑模控制方法
CN110567492A (zh) * 2019-09-03 2019-12-13 兰州交通大学 低成本mems惯性传感器系统级标定方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹咏弘;张慧;马铁华;范锦彪;祖静;: "基于神经网络的无陀螺捷联惯导系统姿态预测" *

Also Published As

Publication number Publication date
CN114199279B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
WO2020220729A1 (zh) 基于角加速度计/陀螺/加速度计的惯性导航解算方法
CN106873611B (zh) 一种多通道线性自抗扰控制器的设计方法
CN105929836B (zh) 用于四旋翼飞行器的控制方法
Crassidis et al. Minimum model error approach for attitude estimation
US6681182B2 (en) Fault detection pseudo gyro
CN107024674A (zh) 一种基于递推最小二乘法的磁强计现场快速标定方法
CN106767797B (zh) 一种基于对偶四元数的惯性/gps组合导航方法
CN105739537B (zh) 一种小天体表面附着运动主动控制方法
CN104698485B (zh) 基于bd、gps及mems的组合导航系统及导航方法
JP2007086076A (ja) ジャイロセンサの補正方法及び補正装置
CN108279010A (zh) 一种基于多传感器的微小卫星姿态确定方法
CN110426032B (zh) 一种解析式冗余的飞行器容错导航估计方法
CN110048674B (zh) 基于角动量估计的高轨零动量卫星帆板转动故障判定方法
CN110702143A (zh) 基于李群描述的sins捷联惯性导航系统动基座快速初始对准方法
CN109632185B (zh) 一种大惯量转动部件动不平衡特性在轨估计方法
CN107101649B (zh) 一种空间飞行器制导工具在轨误差分离方法
CN101226206A (zh) 一种对加速度计零位偏差进行在轨标定的方法
CN114199279B (zh) 全量模式下基于高精度惯组的mems惯组参数的在线估计方法
CN116380038A (zh) 一种基于在线增量尺度因子图的多源导航信息融合方法
CN114370885B (zh) 一种惯性导航系统误差补偿方法及系统
CN114252073B (zh) 一种机器人姿态数据融合方法
CN108871312A (zh) 一种重力梯度仪及星敏感器的联合定姿方法
CN114526729A (zh) 一种基于冗余技术的mems惯性定位系统航向优化方法
Marques et al. Comparison of small satellite attitude determination methods
CN110733671B (zh) 一种小天体自旋角速度动力学修正方法

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
GR01 Patent grant
GR01 Patent grant