基于神经网络的九轴姿态传感器一体化智能误差补偿方法技术

本发明专利技术提供了一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，能够保证误差补偿精度的同时减少误差补偿所需时间，提高误差补偿效率。本发明专利技术引入神经网络建立智能误差模型，其中神经网络的输入值为误差较大的九轴姿态传感器的测量值，输出值为精度较高即误差较小的九轴姿态传感器的测量值。运用神经网络的九轴姿态传感器一体化误差补偿方法，适用于无高精度转台的现场标定环境，标定精度优于基于最小二乘法的传统标定方法，标定时间短。标定时间短。标定时间短。

【技术实现步骤摘要】
基于神经网络的九轴姿态传感器一体化智能误差补偿方法


[0001]本专利技术属于姿态传感器误差补偿
，具体涉及一种基于神经网络的 九轴姿态传感器一体化智能误差补偿方法。

技术介绍

[0002]九轴姿态传感器由三轴陀螺仪、三轴加速度计和三轴磁阻传感器组成，是 获取载体姿态的核心组件。九轴姿态传感器误差补偿技术已经成为制约载体获 取高精度姿态的关键因素之一。传统九轴姿态传感器误差补偿方法：陀螺仪敏 感载体三轴方向上的角速率。陀螺仪误差补偿的思路在于给予陀螺仪激励信号， 通过采集得到的陀螺仪输入
‑
输出值进行误差模型辨识。陀螺仪传统误差补偿实 验通常采用转台按一定路径运动进行误差激励，并采用最小二乘法辨识误差模 型系数。加速度计敏感载体三轴方向上的加速度。在常规使用场景中以重力加 速度作为激励信号，不需要额外输入激励信号，多为多位置静态实验。除去传 统的以6位置为基础展开的12位置、24位置等多位置静态实验，结合几何约束 条件的同时考虑零偏等静态误差的因素，发展了基于椭球拟合的动态实验以及 基于三轴转台的球内接多面体的多位置静态实验。磁阻传感器敏感载体所受磁 场。常规使用场景中以地磁为激励，不需要额外激励信号，也多采用静态实验 的形式。与加速度计误差补偿类似，也有以6位置为基础的静态多位置方法， 也能够采用基于椭球拟合的办法。传统误差补偿实验需要高精度转台的支持， 标定之前需要制定详细的误差补偿路径，耗时较长。同时存在误差补偿结果难 以迁移到不同环境、每次应用前都需要依赖其他传感器或外部参考转台进行误 差补偿以及精度不高等问题。

技术实现思路

[0003]为解决上述问题，本专利技术提供了一种基于神经网络的九轴姿态传感器一体 化智能误差补偿方法，能够保证误差补偿精度的同时减少误差补偿所需时间， 提高误差补偿效率。
[0004]为实现上述目的，本专利技术技术方案为：
[0005]一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，所述神经 网络为BP神经网络，所述补偿方法包括以下步骤：
[0006]S1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种 传感器误差补偿方法及结果；
[0007]采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输出值 作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空间对 准和时间对准，将信号划分为神经网络的训练集和测试集；
[0008]S2：采用训练集训练BP神经网络，输入为低精度九轴姿态传感器输出测量 值；输出为高精度九轴姿态传感器输出测量值；
[0009]S3：采用误差曲线最大值和平均值以及RMSE作为评价补偿效果指标；其 中陀螺仪
X轴RMSE为：
[0010][0011]其中，指陀螺仪x轴误差补偿前后误差的RMSE指标，ω
x
(i)和指陀螺仪第i次测量x轴输出的测量值和误差补偿得到的x轴输入估计值。
[0012]其中，所述神经网络训练算法为levenberg marquardt，损失函数为MeanSquare Error。
[0013]其中，所述神经网络的隐藏层层数、神经元节点数以及迭代次数根据训练 集确定。
[0014]一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，所述神经 网络为RBF神经网络；所述补偿方法包括以下步骤：
[0015]S1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种 传感器误差补偿方法及结果；采集不同精度的九轴姿态传感器的测量输出值， 将精度高的传感器输出值作为真值，精度低的输出值作为带误差的测量值，将 两组信号分别进行空间对准和时间对准，将信号划分为神经网络的训练集和测 试集；
[0016]S2：采用训练集训练RBF神经网络，输入为低精度九轴传感器输出测量值， 输出为九轴传感器输出测量值；
[0017]S3：采用误差曲线最大值和平均值以及RMSE作为评价补偿效果指标。
[0018]其中，所述神经网络的分散度参数根据训练集不同进行调整。
[0019]有益效果
[0020]本专利技术开展基于智能算法的九轴姿态传感器分立和一体化误差补偿方法研 究，引入神经网络方法，首先分别对陀螺仪、加速度计和磁阻传感器进行误差 补偿，融合三种传感器误差补偿方法及结果，再设计九轴姿态传感器一体化误 差补偿方法，实现实际应用中不需要反复误差补偿且具有高精度感知角速度、 线速度和地磁场的功能。其中神经网络的输入值为误差较大的九轴姿态传感器 的测量值，输出值为精度较高即误差较小的九轴姿态传感器的测量值。运用神 经网络的九轴姿态传感器一体化误差补偿方法，适用于无高精度转台的现场标 定环境，标定精度优于基于最小二乘法的传统标定方法，标定时间短。
附图说明
[0021]图1为本专利技术提供基于神经网络的智能误差补偿的流程图。
具体实施方式
[0022]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施 例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0023]本专利技术是基于BP神经网络的分立和一体化智能误差补偿方法，和基于RBF 神经网络的分立和一体化智能误差方法，能够提高补偿精度，减少误差补偿花 费时间。
[0024]其中，基于BP神经网络的分立智能误差补偿方法，包括以下步骤：
[0025]S1：采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输 出值作
为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空 间对准和时间对准，将信号按照比例划分为神经网络的训练集和测试集。
[0026]S2：采用训练集训练BP神经网络，输入输出设置如表1所示：
[0027]表1分立智能误差补偿BP神经网络参数设置
[0028][0029][0030]其中，隐藏层层数、神经元节点数、迭代次数等参数根据训练集不同可进 行调整。
[0031]S3：采用误差曲线最大值和平均值以及RMSE作为评价补偿效果指标，其 中RMSE计算如式(1)所示，以计算陀螺仪X轴RMSE为例：
[0032][0033]其中，指陀螺仪x轴误差补偿前后误差的RMSE指标，ω
x
(i)和指陀螺仪第i次测量x轴输出的测量值和误差补偿得到的x轴输入估计值。
[0034]基于BP神经网络的一体化智能误差补偿方法，包括以下步骤：
[0035]S1：采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输 出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空 间对准和时间对准，将信号按照4：1比例划分为神经网络的训练集和测试集。
[0036]S2：采用训练集训练BP神经网络，输入输出设置如表2所示：
[0037]表2一体化智能误差补偿BP神经网络参数设置
[0038][0039]其中，隐藏层层数、神经元节点数、迭代次数等参数根据训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，其特征在于，所述神经网络为BP神经网络，所述补偿方法包括以下步骤：S1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种传感器误差补偿方法及结果；采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空间对准和时间对准，将信号划分为神经网络的训练集和测试集；S2：采用训练集训练BP神经网络，输入为低精度九轴姿态传感器输出测量值；输出为高精度九轴姿态传感器输出测量值；S3：采用误差曲线最大值和平均值以及RMSE作为评价补偿效果指标；其中陀螺仪X轴RMSE为：其中，指陀螺仪x轴误差补偿前后误差的RMSE指标，ω
x
(i)和指陀螺仪第i次测量x轴输出的测量值和误差补偿得到的x轴输入估计值。2.如权利要求1所述的方法，其特征在于，所述神经网络训练算法为levenberg m...

【专利技术属性】
技术研发人员：汪进文，董捷飔，邓志红，宋新宇，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：