CN117029881A - 基于注意力机制卷积神经网络的冗余陀螺仪标定方法 - Google Patents
基于注意力机制卷积神经网络的冗余陀螺仪标定方法 Download PDFInfo
- Publication number
- CN117029881A CN117029881A CN202311167518.XA CN202311167518A CN117029881A CN 117029881 A CN117029881 A CN 117029881A CN 202311167518 A CN202311167518 A CN 202311167518A CN 117029881 A CN117029881 A CN 117029881A
- Authority
- CN
- China
- Prior art keywords
- imu data
- gyroscope
- redundant
- imu
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000007246 mechanism Effects 0.000 title claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000009897 systematic effect Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000002779 inactivation Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 15
- 238000005259 measurement Methods 0.000 description 13
- 230000009467 reduction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000018782 Dacrydium cupressinum Nutrition 0.000 description 1
- 240000006055 Dacrydium cupressinum Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明为一种基于注意力机制卷积神经网络的冗余陀螺仪标定方法，首先，利用冗余IMU采集运载体的IMU数据，对冗余IMU数据进行时间对齐，建立虚拟坐标系并对各个IMU测量的IMU数据进行融合，得到融合IMU数据，进而得到IMU数据序列，若干个IMU数据序列组成一个IMU数据集；然后，构建陀螺仪误差标定模型，模型包含两个分支，一个分支用于标定陀螺仪的系统性误差，另一个分支用于标定陀螺仪的随机性误差；最后，对IMU数据集进行归一化处理，利用归一化后的IMU数据集对陀螺仪误差标定模型进行训练，并将训练后的陀螺仪误差标定模型用于冗余陀螺仪的标定。该方法提高了标定精度，减小了参数量和计算复杂度，使模型能够在资源受限的环境中部署。
Description
技术领域
本发明属于惯性导航技术领域，具体涉及一种基于注意力机制卷积神经网络的冗余陀螺仪标定方法。
背景技术
惯性导航技术具有全自主，不与外界交换信息，不受周围环境干扰等优点，在应用方面具有不可比拟的优势。为了提高惯性导航系统精度，需要对惯性测量单元(IMU)进行标定，即去除陀螺仪和加速度计不同类型的误差。另一种提高惯性导航系统精度的方案是采用由多个IMU组成一整套的冗余惯性导航系统，该方案可以将不同IMU的误差进行补偿。采用冗余IMU配置的情况下同样需要对IMU进行标定。
传统的标定方法通常假设惯性器件的误差是一个稳定的多项式，多项式形式的MEMS IMU误差模型忽略了隐含在多项式中的高阶耦合项，同时忽略了多项式参数的时变特性。陀螺仪的测量误差包括系统性误差和随机性误差，系统性误差包括零偏、比例因子误差和安装误差。随机性误差包括量化噪声、角度随机游走、零偏不稳定性等，同时包括陀螺仪和加速度计之间的高阶耦合误差。
申请号为202110113501.0的发明专利公开了一种磁力计信息辅助的MEMS陀螺仪标定方法及标定系统，包括获取运动的陀螺仪数据和磁力计数据，对磁力计数据进行标定处理，获得标定后的磁力计数据；将标定后的磁力计数据与运动的陀螺仪数据构建方程，利用递推最小二乘法对参数迭代估计直至数据终止，获得MEMS陀螺仪的误差参数的估计值；根据MEMS陀螺仪的误差参数的估计值对MEMS陀螺仪进行标定处理。
申请号为202310489296.7的专利申请公开了一种陀螺仪标定方法，包括建立陀螺仪系统性误差模型；获取陀螺仪坐标系和单轴转台坐标系的转换关系；将转换关系加入陀螺仪系统性误差模型，得到陀螺仪标定误差模型；控制单轴转台按照预设角速度旋转，采集陀螺仪的输出角速度，利用预设角速度与输出角速度，求解陀螺仪标定误差模型，获取陀螺仪的标定参数。
由上可知，现有技术关于陀螺仪标定主要采用数学解析的方式，计算过程复杂，计算时间长，而且单次只能标定一个陀螺仪，标定准确度低，除此之外，在下一次启动时仍然需要复杂的标定流程。深度学习技术具有强大的非线性建模能力和泛化能力，可以更好地处理惯性数据中的复杂模式和多模态信息，有利于提高标定精度和可靠性。因此，本发明提出一种基于注意力机制卷积神经网络的冗余陀螺仪标定方法，利用注意力机制的卷积神经网络帮助模型更好地理解和利用陀螺仪数据中的重要特征，提高模型对标定任务的建模能力和性能，进而提高标定精度。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于注意力机制卷积神经网络的冗余陀螺仪标定方法。
提供一种包含注意力机制的轻量化神经网络，利用该网络可以准确、高效地标定陀螺仪误差。在现有的陀螺仪标定网络基础上，进一步考虑其他影响因素以及效率问题，为进一步的陀螺仪标定算法提供新思路。
本发明解决所述技术问题采用如下的技术方案：
一种基于注意力机制卷积神经网络的冗余陀螺仪标定方法，其特征在于，该方法包括以下步骤：
步骤S1：构建由若干个IMU数据序列组成的IMU数据集；
利用冗余IMU采集IMU数据，得到冗余IMU数据序列f＝{f1,f2,...,ft,...,fn}T，n为冗余IMU数据序列的长度，ft为t时刻的冗余IMU数据；
将冗余IMU数据输入到自动编码器中对各个IMU获取的IMU数据进行时间对齐，输出时间对齐的冗余IMU数据；
以冗余IMU的底面中心为原点建立虚拟坐标系，x轴指向运载体的正前方或正后方，y轴指向运载体的侧面，z轴遵循右手定则；将时间对齐的冗余IMU数据投影到虚拟坐标系上，采用求平均的方式将同一时刻同一坐标轴上相同的IMU数据进行融合，得到融合IMU数据，进而得到IMU数据序列；
步骤S2：构建陀螺仪误差标定模型，该模型包含两个分支，第一分支包括一个深度卷积层和一个GELU激活函数层，第一分支的输入为IMU数据的角速度，输出为系统性误差标定后的角速度；第二分支利用CBAM-Net网络对陀螺仪的随机性误差进行标定，CBAM-Net网络包括串行的四个深度可分离卷积模块和一个卷积注意力模块，输入为IMU数据，输出为随机性误差标定后的角速度；最后，将两个分支的输出结果进行相加，得到标定后的角速度；
步骤S3：对IMU数据集进行归一化处理，利用归一化后的IMU数据集对陀螺仪误差标定模型进行训练，并将训练后的陀螺仪误差标定模型用于冗余陀螺仪的标定。
进一步的，所述深度可分离卷积模块包括一维深度卷积层、批量正则化层、GELU激活函数层和随机失活层；卷积注意力模块包括深度卷积层、通道注意力模块、空间注意力模块、GELU激活函数层和随机失活层；
通道注意力模块的输入分别在宽度和高度方向上经过全局最大池化操作和全局平均池化操作，再分别经过多层感知机后进行加权求和，再经过激活操作后与通道注意力模块的原始输入相加，得到通道注意力模块的输出；
空间注意力特征分别经过基于通道的全局最大池化操作和全局平均池化操作，两个池化操作得到的特征进行基于通道的拼接操作，拼接得到的特征经过卷积操作和激活操作后，再与空间注意力模块的原始输入相加，得到空间注意力模块的输出。
进一步的，步骤S3中，对标定后的角速度进行惯性导航解算，得到估计的四元数姿态Q'＝(qw',qx',qy',qz')；用估计的四元数姿态与真实的四元数姿态之间的误差衡量模型损失，则损失函数为：
其中，qi、qi'为真实的四元数姿态和估计的四元数姿态的第i个元素，r为平滑项且为正数。
进一步的，归一化处理的计算公式为：
其中，c、为归一化前、后的数据，μ为IMU数据序列的均值，σ为IMU数据序列的方差。
与现有技术相比，本发明的有益效果是：
1.针对惯性导航中的冗余陀螺仪标定问题，本发明采用深度学习技术实现，相较于传统的数学解析方式，标定过程更加简单，且具有较高的处理速度。冗余惯性导航系统包含多个惯性测量单元，由于制造水平的限制，惯性测量单元出厂时的时间校零并不完成一致。导致各个惯性测量单元的采样时间会有短暂延迟，延迟误差会传递到惯性导航解算过程中并且会快速发散，进而增大了姿态测量的误差，因此本发明采用自动编码器对所有惯性测量单元测量的惯性数据进行时间对齐，减小标定误差。
2.针对陀螺仪不同类别的误差，陀螺仪误差标定模型采用双通路网络架构，一个分支对陀螺仪的系统性误差进行补偿，另一分支对陀螺仪的随机性误差进行补偿，根据不同的陀螺仪性能和应用场景的需求，灵活地调整和优化模型结构和参数，以提高标定精度。陀螺仪误差标定模型的注意力机制采用通道注意力和空间注意力相结合的方式，使模型能够更好地捕捉陀螺仪数据中的关键信息，提高建模能力和模型的泛化能力。陀螺仪误差标定模型采用轻量化网络，减少了参数量和计算复杂度，使模型具有更高的资源效率、实时性能和网络传输效率，能够在边缘设备以及资源受限环境中部署。
3.为了避免不同IMU数据序列的尺度差异对模型训练的影响，通过归一化将IMU数据范围映射到相同的区间，使模型更快地收敛，提高模型的收敛速度。除此之外，归一化还可以减少输入IMU数据的方差，从而使得模型对噪声和异常值更加稳定，有助于提高模型的鲁棒性。
附图说明
图1是本发明的陀螺仪误差标定的流程图；
图2是本发明的CBAM-Net网络的结构图；
图3是本发明的卷积注意力模块的结构图；
图4是本发明的通道注意力模块的结构图；
图5是本发明的空间注意力模块的结构图。
具体实施方式
下面结合附图给出具体实施例，具体实施例仅用于详细说明本发明的技术方案，并不以此限定本申请的保护范围。
本发明为一种基于注意力机制卷积神经网络的冗余陀螺仪标定方法(简称方法，参见图1～5)，包括以下步骤：
步骤S1：构建IMU数据集，该数据集由若干个IMU数据序列组成；
利用冗余惯性测量单元(Redundant Inertial MeasurementUnit,RIMU)采集运载体的IMU数据，得到冗余IMU数据序列f＝{f1,f2,...,ft,...,fn}T；其中，n为冗余IMU数据序列的长度，为t时刻的冗余IMU数据，k为惯性测量单元的数量，/>为t时刻第i个IMU数据，/>为t时刻第i个IMU数据的角速度，即第i个陀螺仪测量的运载体角速度；/>为t时刻第i个IMU数据的加速度，即第i个加速度计测量的运载体加速度。
综合考虑成本和可靠性，本实施例的冗余惯性测量单元包括一个正四面体基体和安装在正四面体四个平面上的四个MEMSIMU，MEMSIMU的测量轴位于正四面体的面心并指向背离正四面体的方向；MEMSIMU的型号为ADIS16448，采样频率为200Hz。
由于制造水平的限制，各个IMU的采样时间会有短暂延迟，延迟误差会传递到惯性导航解算过程中并且会快速发散，因此需要对所有IMU测量的惯性数据进行时间对齐；采用自动编码器进行时间对齐，自动编码器由编码器和解码器组成，编码器用于提取输入序列的潜在特征，解码器用于输入序列的重构，自动编码器的损失函数为：
其中，ft'为重构得到的序列；
建立冗余惯性测量单元的虚拟坐标系，该虚拟坐标系的原点位于正四面体的底面中心，x轴指向运载体的正前方或正后方，y轴指向运载体的侧面，z轴遵循右手定则；将时间对齐的冗余IMU数据投影到冗余惯性测量单元的虚拟坐标系上，即将同一时刻四个IMU测量的IMU数据分别投影到冗余惯性测量单元的虚拟坐标系上，然后通过求平均的方式将同一时刻同一坐标轴上相同的IMU数据进行融合，得到融合IMU数据，进而得到IMU数据序列y＝{y1,y2,...,yt,...,yn}T；其中，为t时刻的融合IMU数据，为t时刻运载体的三轴角速度，/>为t时刻运载体的三轴加速度。
为了提高模型的收敛速度，对IMU数据序列进行归一化(DN)处理，使其服从正态分布，得到归一化的IMU数据序列；归一化的计算公式为：
其中，c、为归一化前、后的数据，μ为均值，σ为方差。
步骤S2：构建陀螺仪误差标定模型；
如图1所示，陀螺仪误差标定模型包含两个分支，第一分支由一个深度卷积层和一个GELU激活函数层组成，用于对陀螺仪的系统性误差进行标定，该分支的输入为IMU数据的角速度，输出为系统性误差标定后的角速度；第二分支利用CBAM-Net网络对陀螺仪的随机性误差进行标定，CBAM-Net网络的输入为IMU数据，输出为随机性误差标定后的角速度；最后，将两个分支的输出结果进行相加，得到标定后的角速度，以完成陀螺仪误差标定。
如图2所示，CBAM-Net网络包括串行的四个深度可分离卷积模块和一个卷积注意力模块(CBAM)；深度可分离卷积模块包括一维深度卷积层、批量正则化层、GELU激活函数层和随机失活层，一维深度卷积层用于提取输入数据的局部特征，并通过参数共享和空间不变性提高模型的效率和性能；批量正则化层用于对输入的小批量样本进行标准化处理，以满足正则化分布，进而提高训练效率；GELU激活函数层引入非线性，帮助模型捕捉更复杂的特征；随机失活层用于避免模型过拟合。卷积注意力模块包括深度卷积层、通道注意力模块(Channel Attention Module，CAM)、空间注意力模块(Spatial Attention Module，SAM)、GELU激活函数层和随机失活层；卷积注意力模块的输入经过深度卷积层后作为通道注意力模块的输入，通道注意力模块的输出与输入进行残差连接后，输入到空间注意力模块中，空间注意力模块的输出与输入进行残差连接后，依次经过GELU激活函数层和随机失活层，得到卷积注意力模块的输出，即CBAM-Net网络的输出。如图3所示，通道注意力模块的输入分别在宽度和高度方向上经过全局最大池化操作(MaxPool)和全局平均池化操作(AvgPool)，两个池化操作得到的特征分别经过多层感知机(MLP)后进行加权求和操作，再经过激活操作后与通道注意力模块的原始输入相加，得到通道注意力特征，即通道注意力模块的输出，使重要通道得到更多关注，从而增强特征的表达能力。如图4所示，空间注意力特征分别经过基于通道的全局最大池化操作和全局平均池化操作，两个池化操作得到的特征进行基于通道的拼接操作，拼接得到的特征经过卷积操作和激活操作后，再与空间注意力模块的原始输入相加，得到空间注意力特征，即空间注意力模块的输出，使重要的空间区域得到更多关注，从而增强特征的表达能力。将通道注意力和空间注意力相结合，CBAM模块可以自适应地调整特征中不同通道和不同位置的重要性，可以逐步关注特征的通道信息和空间信息，从而提升模型对重要特征的表达能力。
步骤S3：对陀螺仪误差标定模型进行训练，并将训练后的陀螺仪误差标定模型用于冗余陀螺仪的标定；
将IMU数据集中的IMU数据序列分割为包含N个样本的小窗口IMU数据；
最后，将小窗口IMU数据输入到陀螺仪误差标定模型中，输出标定后的角速度；
在惯性导航中通过对运载体角速度进行解算，得到运载体的姿态，因此对标定后的角速度进行解算，得到估计的四元数姿态Q'＝(qw',qx',qy',qz')；运载体真实的四元数姿态Q＝(qw,qx,qy,qz)由Vicon动态捕捉系统采集，采样频率为100Hz；用估计的四元数姿态与真实的四元数姿态之间的差异衡量模型训练损失，采用信息论损失函数计算两者之间的误差，信息论损失函数为：
其中，qi、qi'为真实的四元数姿态和估计的四元数姿态的第i个元素；
为了避免计算中出现无穷大或非数值的情况，为信息论损失函数添加一个平滑项，得到最终的损失函数为：
其中，r为正数，本实施例中r的取值为0～1；
在训练过程中，根据最终的损失函数计算模型训练损失，经过前向传播、反向传导更新模型的权重参数，多次迭代之后训练损失收敛，完成模型训练，得到训练后的陀螺仪误差标定模型，并将训练后的陀螺仪误差标定模型用于冗余陀螺仪的误差标定。
实施例1
为了验证本发明方法的有效性，将原始的角速度和标定后的角速度进行惯性导航解算，得到运载体的横滚角、俯仰角和航向角，并将单个IMU和冗余IMU进行对比，单个IMU的测试结果参见表1～3，冗余IMU的测试结果参见表4～6。
表1单个IMU不同测试序列上的绝对航向角误差
| 原始数据结果 | 标定数据结果 | 误差降低 | |
| 测试序列1 | 45.7 | 3.90 | 91.47％ |
| 测试序列2 | 42.9 | 3.26 | 92.4％ |
| 测试序列3 | 53.2 | 3.39 | 93.63％ |
| 均值 | 47.27 | 3.52 | 92.55％ |
表2单个IMU不同测试序列上的绝对横滚角误差
| 原始数据结果 | 标定数据结果 | 误差降低 | |
| 测试序列1 | 60.4 | 2.77 | 95.41％ |
| 测试序列2 | 20.6 | 3.85 | 81.31％ |
| 测试序列3 | 45.8 | 1.47 | 96.79％ |
| 均值 | 42.27 | 2.70 | 93.61％ |
表3单个IMU不同测试序列上的绝对俯仰角误差
| 原始数据结果 | 标定数据结果 | 误差降低 | |
| 测试序列1 | 80.5 | 2.80 | 96.52％ |
| 测试序列2 | 65.8 | 2.24 | 96.59％ |
| 测试序列3 | 73.4 | 2.08 | 97.17％ |
| 均值 | 73.23 | 2.13 | 97.09％ |
表4冗余IMU不同测试序列上的绝对航向角误差
表5冗余IMU不同测试序列上的绝对横滚角误差
| 原始数据结果 | 标定数据结果 | 误差降低 | |
| 测试序列1 | 60.4 | 0.65 | 98.92％ |
| 测试序列2 | 20.6 | 0.59 | 97.14％ |
| 测试序列3 | 45.8 | 0.34 | 99.26％ |
| 均值 | 42.27 | 0.53 | 98.44％ |
表6冗余IMU不同测试序列上的绝对俯仰角误差
| 原始数据结果 | 标定数据结果 | 误差降低 | |
| 测试序列1 | 80.5 | 0.76 | 99.06％ |
| 测试序列2 | 65.8 | 0.49 | 99.26％ |
| 测试序列3 | 73.4 | 0.58 | 99.21％ |
| 均值 | 73.23 | 0.61 | 99.18％ |
表1～3为利用本发明方法对于单个IMU进行标定后的角速度通过惯导解算的方法得到的运载体的姿态误差表，通过该表可以证明，本文提出的利用深度学习对陀螺仪进行标定的方法的有效性，提高姿态估计和导航性能。
表4～6为利用本发明方法对于冗余IMU进行标定后的角速度得到的结果，从表4～6与表1～3的对比可知，本发明方法同样能够有效补偿冗余陀螺仪的误差，解算得到的横滚角、俯仰角以及航向角更加可靠，这是由于利用冗余IMU能够明显提高角速度测量的准确性和精度，提高姿态估计和导航性能；注意力机制卷积神经网络能够帮助网络更加关注重要信息，同时抑制不重要信息，提高标定精度。
本发明未述及之处适用于现有技术。
Claims (4)
1.一种基于注意力机制卷积神经网络的冗余陀螺仪标定方法，其特征在于，该方法包括以下步骤：
步骤S1：构建由若干个IMU数据序列组成的IMU数据集；
利用冗余IMU采集IMU数据，得到冗余IMU数据序列f＝{f1,f2,...,ft,...,fn}T，n为冗余IMU数据序列的长度，ft为t时刻的冗余IMU数据；
将冗余IMU数据输入到自动编码器中对各个IMU获取的IMU数据进行时间对齐，输出时间对齐的冗余IMU数据；
以冗余IMU的底面中心为原点建立虚拟坐标系，x轴指向运载体的正前方或正后方，y轴指向运载体的侧面，z轴遵循右手定则；将时间对齐的冗余IMU数据投影到虚拟坐标系上，采用求平均的方式将同一时刻同一坐标轴上相同的IMU数据进行融合，得到融合IMU数据，进而得到IMU数据序列；
步骤S2：构建陀螺仪误差标定模型，该模型包含两个分支，第一分支包括一个深度卷积层和一个GELU激活函数层，第一分支的输入为IMU数据的角速度，输出为系统性误差标定后的角速度；第二分支利用CBAM-Net网络对陀螺仪的随机性误差进行标定，CBAM-Net网络包括串行的四个深度可分离卷积模块和一个卷积注意力模块，输入为IMU数据，输出为随机性误差标定后的角速度；最后，将两个分支的输出结果进行相加，得到标定后的角速度；
步骤S3：对IMU数据集进行归一化处理，利用归一化后的IMU数据集对陀螺仪误差标定模型进行训练，并将训练后的陀螺仪误差标定模型用于冗余陀螺仪的标定。
2.根据权利要求1所述的基于注意力机制卷积神经网络的冗余陀螺仪标定方法，其特征在于，所述深度可分离卷积模块包括一维深度卷积层、批量正则化层、GELU激活函数层和随机失活层；卷积注意力模块包括深度卷积层、通道注意力模块、空间注意力模块、GELU激活函数层和随机失活层；
通道注意力模块的输入分别在宽度和高度方向上经过全局最大池化操作和全局平均池化操作，再分别经过多层感知机后进行加权求和，再经过激活操作后与通道注意力模块的原始输入相加，得到通道注意力模块的输出；
空间注意力特征分别经过基于通道的全局最大池化操作和全局平均池化操作，两个池化操作得到的特征进行基于通道的拼接操作，拼接得到的特征经过卷积操作和激活操作后，再与空间注意力模块的原始输入相加，得到空间注意力模块的输出。
3.根据权利要求1或2所述的基于注意力机制卷积神经网络的冗余陀螺仪标定方法，其特征在于，步骤S3中，对标定后的角速度进行惯性导航解算，得到估计的四元数姿态Q'＝(qw',qx',qy',qz')；用估计的四元数姿态与真实的四元数姿态之间的误差衡量模型损失，则损失函数为：
其中，qi、qi'为真实的四元数姿态和估计的四元数姿态的第i个元素，r为平滑项且为正数。
4.根据权利要求1所述的基于注意力机制卷积神经网络的冗余陀螺仪标定方法，其特征在于，归一化处理的计算公式为：
其中，c、为归一化前、后的数据，μ为IMU数据序列的均值，σ为IMU数据序列的方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311167518.XA CN117029881A (zh) | 2023-09-12 | 2023-09-12 | 基于注意力机制卷积神经网络的冗余陀螺仪标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311167518.XA CN117029881A (zh) | 2023-09-12 | 2023-09-12 | 基于注意力机制卷积神经网络的冗余陀螺仪标定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117029881A true CN117029881A (zh) | 2023-11-10 |
Family
ID=88643215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311167518.XA Pending CN117029881A (zh) | 2023-09-12 | 2023-09-12 | 基于注意力机制卷积神经网络的冗余陀螺仪标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117029881A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117589203A (zh) * | 2024-01-18 | 2024-02-23 | 陕西太合智能钻探有限公司 | 一种陀螺仪标定方法 |
| CN117589203B (zh) * | 2024-01-18 | 2024-05-10 | 陕西太合智能钻探有限公司 | 一种陀螺仪标定方法 |
-
2023
- 2023-09-12 CN CN202311167518.XA patent/CN117029881A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117589203A (zh) * | 2024-01-18 | 2024-02-23 | 陕西太合智能钻探有限公司 | 一种陀螺仪标定方法 |
| CN117589203B (zh) * | 2024-01-18 | 2024-05-10 | 陕西太合智能钻探有限公司 | 一种陀螺仪标定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang | Visual-inertial navigation: A concise review | |
| CN107516326B (zh) | 融合单目视觉和编码器信息的机器人定位方法和系统 | |
| Wu et al. | Generalized linear quaternion complementary filter for attitude estimation from multisensor observations: An optimization approach | |
| CN114018274A (zh) | 车辆定位方法、装置及电子设备 | |
| CN113411744B (zh) | 一种高精度的室内定位追踪方法 | |
| CN116381753B (zh) | Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 | |
| CN116086445A (zh) | 一种基于因子图优化的多源信息时延融合导航方法 | |
| Liu et al. | Tightly coupled modeling and reliable fusion strategy for polarization-based attitude and heading reference system | |
| CN111899711A (zh) | 一种无人机传感器振动噪声抑制方法 | |
| CN114137562B (zh) | 一种基于改进全局最邻近的多目标跟踪方法 | |
| Yuan et al. | A simple self-supervised imu denoising method for inertial aided navigation | |
| CN111553954B (zh) | 一种基于直接法单目slam的在线光度标定方法 | |
| CN117029881A (zh) | 基于注意力机制卷积神经网络的冗余陀螺仪标定方法 | |
| CN110375773B (zh) | Mems惯导系统姿态初始化方法 | |
| Li et al. | Gyro-aided camera-odometer online calibration and localization | |
| Liu et al. | LGC-Net: A Lightweight Gyroscope Calibration Network for Efficient Attitude Estimation | |
| CN110672127A (zh) | 阵列式mems磁传感器实时标定方法 | |
| 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 | |
| Kannan et al. | Adaptive recalibration algorithm for removing sensor errors and its applications in motion tracking | |
| Yang et al. | Multi-inertial sensor-based arm 3d motion tracking using elman neural network | |
| CN115127591A (zh) | 一种基于统计置信距离量测自举的机载dpos传递对准方法 | |
| Thalagala | Comparison of state marginalization techniques in visual inertial navigation filters | |
| Liu et al. | DUET: Improving Inertial-based Odometry via Deep IMU Online Calibration | |
| Zeinali et al. | Imunet: Efficient regression architecture for imu navigation and positioning | |
| Lee et al. | Information fusion and data-driven processing in inertial measurement units for cyber-physical systems |
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 |