基于深度神经网络的陀螺仪误差标定方法技术

本发明专利技术公开了一种基于深度神经网络的陀螺仪误差标定方法，包括将待标定的陀螺仪安装在静基座平台上，分析待随机误差并建立随机误差时域模型；将待标定的陀螺仪安装在三轴转台上并采样得到去除随机误差后的观测值；重复以上步骤得到实验数据；构建陀螺仪原始输出数据集；构建陀螺仪误差标定原始模型并训练得到陀螺仪误差标定模型；采用陀螺仪误差标定模型进行实际的陀螺仪的误差标定。本发明专利技术在标定前一定程度的排除了随机误差的影响，实现了端到端的预测，能够快速处理并记忆大量历史行为特征，并且具有强大的表达能力，而且可靠性高，而且精度较高。且精度较高。且精度较高。

【技术实现步骤摘要】
基于深度神经网络的陀螺仪误差标定方法


[0001]本专利技术属于导航
，具体涉及一种基于深度神经网络的陀螺仪误差标定方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，导航技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。因此，保障导航系统的导航精度，就成为了导航系统最重要的任务之一。
[0003]陀螺仪是导航系统的重要组成部分。陀螺仪是一种用于测量相对于惯性参考系的角速率的传感器，早期的陀螺仪主要有基于哥式效应(Coriolis Effect)的机械陀螺和基于萨格纳克效应(Sagnac Effect)的光学陀螺。近年来，微电子机械系统(MEMS)惯导器件在诸多领域得到广泛的应用，与传统传感器相比，MEMS惯导传感器具有体积小、重量轻、成本低、功耗低、可靠性高、适于批量化生产、易于集成和实现智能化的特点。同时，微米量级的特征尺寸使得它可以完成某些传统机械传感器所不能实现的功能。因此，MEMS陀螺仪在低中端领域已经得到了极为广泛的使用。而在高端惯导领域，光纤陀螺因为其极高的精度，仍然是应用的首选。
[0004]惯性测量单元(IMU)是惯性导航系统(INS)的核心单元，IMU通常包括加速计、陀螺仪等传感器。陀螺仪是IMU的核心器件，其输出值的精度将直接影响整个导航系统的精度。因此，对陀螺仪的误差进行标定补偿是提升惯导系统性能的关键。
[0005]目前，常用的标定方法是最小二乘法，即首先建立陀螺的测量值与真实值的误差模型，再通过最小二乘法去拟合零偏、比例因子和交轴耦合。但是，该方法所建立的模型只是一个简化的模型，并没有把所有参数考虑在内(温度漂移、非线性等)，所标定的参数并不是最优拟合，标定的精度也相对较差。

技术实现思路

[0006]本专利技术的目的在于提供一种可靠性高且精度较高的基于深度神经网络的陀螺仪误差标定方法。
[0007]本专利技术提供的这种基于深度神经网络的陀螺仪误差标定方法，包括如下步骤：
[0008]S1.将待标定的陀螺仪安装在静基座平台上，并分析待标定的陀螺仪的随机误差，从而建立随机误差时域模型；
[0009]S2.将待标定的陀螺仪安装在三轴转台上并进行采样，基于步骤S1获取的随机误差时域模型进行分析，得到去除随机误差后的观测值；
[0010]S3.重复步骤S1～S2若干次，得到若干组实验数据；
[0011]S4.根据步骤S3得到的若干组实验数据，以去除随机误差后的观测值作为样本，以对应的真值作为样本标签，构建陀螺仪原始输出数据集；
[0012]S5.构建陀螺仪误差标定原始模型，并采用步骤S4得到的陀螺仪原始输出数据集
进行训练，得到陀螺仪误差标定模型；
[0013]S6.采用步骤S5得到的陀螺仪误差标定模型，进行实际的陀螺仪的误差标定。
[0014]步骤S1所述的将待标定的陀螺仪安装在静基座平台上，并分析待标定的陀螺仪的随机误差，从而建立随机误差时域模型，具体包括如下步骤：
[0015]将待标定的陀螺仪安装在静基座平台上，使得IMU坐标系的前、右、下对准当地水平坐标系的北、东、地；
[0016]然后静止放置时间T，记录若干组观测值；
[0017]计算陀螺仪三轴静态输出的Allan方差，从而建立Allan标准差与平均时间τ的关系曲线；所述关系曲线包括五条直线：
[0018]量化噪声曲线：其中Q为量化噪声；
[0019]角度随机游走曲线：其中N为角度随机游走值；
[0020]零偏稳定性系数曲线：其中B为零偏稳定性系数；
[0021]角速率随机游走曲线：其中K为角速率随机游走值；
[0022]速率斜坡曲线：其中R为速率斜坡值；
[0023]设定各个误差源以相互独立的高斯白噪声建模，从而得到陀螺仪的随机误差时域模型V为：
[0024]V
i
(τ)＝Qψ1(τ)+Nψ2(τ)+Kψ3(τ)+Bψ4(τ)+Rψ5(τ)
[0025]式中ψ1(τ)～ψ5(τ)均为独立的高斯白噪声；i取值为x、y或z，并对应于陀螺仪的三轴。
[0026]步骤S2所述的将待标定的陀螺仪安装在三轴转台上并进行采样，基于步骤S1获取的随机误差时域模型进行分析，得到去除随机误差后的观测值，具体为将陀螺仪安装在三轴转台上，采用六位置法进行采样，采集得到的观测值A作为卡尔曼滤波器的真实输入Z
k
，将误差模型V作为卡尔曼滤波器的测量误差e
MEA_k
，陀螺仪的理论输出M作为卡尔曼滤波器的估计值随机常数作为卡尔曼滤波器的初始估计误差e
EST_0
，最终得到去除随机误差后的观测值A'。
[0027]所述的步骤S2，具体包括如下步骤：
[0028]卡尔曼滤波器的真实输入记为Z
k
，估计值记为测量误差记为e
MEA_k
，估计误差记为e
EST_k
；
[0029]卡尔曼滤波算法的增益系数K
k
为
[0030]卡尔曼滤波算法的当前时刻估计值为
[0031]卡尔曼滤波器的估计误差e
EST_k
的更新算式为e
EST_k
＝(1
‑
K
k
)e
EST_k
‑1；
[0032]将观测值A作为卡尔曼滤波器的真实输入Z
k
，将误差模型V作为卡尔曼滤波器的测量误差e
MEA_k
，将陀螺仪的理论输出M作为卡尔曼滤波器的估计值随机常数作为卡尔曼滤波器的初始估计误差e
EST_0
，经过滤波后得到去除随机误差后的观测值A'；
[0033]陀螺仪的理论输出建模为其中为陀螺仪测量值，ω为陀螺仪真实值，b为陀螺仪的零偏向量，S为陀螺仪的比例因子误差矩阵，N为陀螺仪的交轴耦合误差矩阵，ω
e
为地球自转角速度，K为非线性误差。
[0034]步骤S3所述的重复步骤S1～S2若干次，得到若干组实验数据，具体包括如下步骤：
[0035]按照待标定的陀螺仪的系列，选取若干个同系列的陀螺仪，并将每个陀螺仪按照步骤S1～S2进行测试，从而得到若干组实验数据；
[0036]或者，按照待标定的陀螺仪的系列，选取一个同系列的陀螺仪，将选取的陀螺仪按照步骤S1～S2进行若干次测试，从而得到若干组实验数据。
[0037]步骤S5所述的构建陀螺仪误差标定原始模型，并采用步骤S4得到的陀螺仪原始输出数据集进行训练，得到陀螺仪误差标定模型，具体包括如下步骤：
[0038]构建陀螺仪误差标定原始模型：模型包括Wide广义线性模型和Deep深度神经网络；Wide广义线性模型用于拟合线性误差，Deep深度神经网络用于拟合非线性误差；
[0039]根据陀螺仪的理论输出模型Wide广义线性模型的稀疏向量输入层分别为到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的陀螺仪误差标定方法，包括如下步骤：S1.将待标定的陀螺仪安装在静基座平台上，并分析待标定的陀螺仪的随机误差，从而建立随机误差时域模型；S2.将待标定的陀螺仪安装在三轴转台上并进行采样，基于步骤S1获取的随机误差时域模型进行分析，得到去除随机误差后的观测值；S3.重复步骤S1～S2若干次，得到若干组实验数据；S4.根据步骤S3得到的若干组实验数据，以去除随机误差后的观测值作为样本，以对应的真值作为样本标签，构建陀螺仪原始输出数据集；S5.构建陀螺仪误差标定原始模型，并采用步骤S4得到的陀螺仪原始输出数据集进行训练，得到陀螺仪误差标定模型；S6.采用步骤S5得到的陀螺仪误差标定模型，进行实际的陀螺仪的误差标定。2.根据权利要求1所述的基于深度神经网络的陀螺仪误差标定方法，其特征在于步骤S1所述的将待标定的陀螺仪安装在静基座平台上，并分析待标定的陀螺仪的随机误差，从而建立随机误差时域模型，具体包括如下步骤：将待标定的陀螺仪安装在静基座平台上，使得IMU坐标系的前、右、下对准当地水平坐标系的北、东、地；然后静止放置时间T，记录若干组观测值；计算陀螺仪三轴静态输出的Allan方差，从而建立Allan标准差与平均时间τ的关系曲线；所述关系曲线包括五条直线：量化噪声曲线：其中Q为量化噪声；角度随机游走曲线：其中N为角度随机游走值；零偏稳定性系数曲线：其中B为零偏稳定性系数；角速率随机游走曲线：其中K为角速率随机游走值；速率斜坡曲线：其中R为速率斜坡值；设定各个误差源以相互独立的高斯白噪声建模，从而得到陀螺仪的随机误差时域模型V为：V
i
(τ)＝Qψ1(τ)+Nψ2(τ)+Kψ3(τ)+Bψ4(τ)+Rψ5(τ)式中ψ1(τ)～ψ5(τ)均为独立的高斯白噪声；i取值为x、y或z，并对应于陀螺仪的三轴。3.根据权利要求2所述的基于深度神经网络的陀螺仪误差标定方法，其特征在于步骤S2所述的将待标定的陀螺仪安装在三轴转台上并进行采样，基于步骤S1获取的随机误差时域模型进行分析，得到去除随机误差后的观测值，具体为将陀螺仪安装在三轴转台上，采用六位置法进行采样，采集得到的观测值A作为卡尔曼滤波器的真实输入Z
k
，将误差模型V作为卡尔曼滤波器的测量误差e
MEA_k
，陀螺仪的理论输出M作为卡尔曼滤波器的估计值随
机常数作为卡尔曼滤波器的初始估计误差e
EST_0
，最终得到去除随机误差后的观测值A'。4.根据权利要求3所述的基于深度神经网络的陀螺仪误差标定方法，其特征在于所述的步骤S2，具体包括如下步骤：卡尔曼滤波器的真实输入记为Z

【专利技术属性】
技术研发人员：黄端，张浑卓，
申请(专利权)人：中南大学，
类型：发明
国别省市：