【技术实现步骤摘要】
本申请涉及惯性导航，特别是涉及一种基于时序状态学习模型的惯性导航方法、装置及设备。
技术介绍
1、行人导航在应急救援、商超购物和增强现实等应用场景下有着重要的支撑作用。随着微惯性传感器技术的不断发展，微惯性测量单元(micro inertial measurementunit，mimu)在小型化、低功耗、低成本等方面取得了长足的发展。但是受限于器件固有噪声的影响，基于微惯性器件的捷联导航算法会因噪声的二次积分而在短时间内迅速发散，这也限制了其在导航领域的进一步应用。
2、越来越多的研究着眼于利用载体运动状态来提供观测信息，从而抑制导航误差发散。例如基于零速检测(zero-velocity update,zupt)和行人航位推算(pedestrian deadreckoning,pdr)两类方法。其中，基于零速检测的方法利用行人行走过程中的足部触地零速信息提供速度观测来提高行人导航精度。这种方法要求惯性器件需安装于行人足部，不适用于手机导航等日常使用场景下的导航定位任务。而行人航位推算算法则是利用行人运动中的惯性信息与行人步长估计模型来进行导航定位。这种方法依赖于算法调参和行人运动状态，难以满足实际导航任务需求。另外，微惯性器件的传感器噪声目前依然存在着难以精准建模、上电重复性差等问题。因此，采用数据驱动的方式来对微惯性导航算法进行改进成为目前重要的研究方向。
3、近年来深度学习在时序信号处理方面展现出了值得发掘的潜能，其在语音处理、序列学习与等方面都有着不俗的表现。而微惯性传感器数据是一类典型的带有噪声的
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够充分考虑惯性数据的时序特性、抑制惯性导航算法的发散、提高惯性导航定位精度的基于时序状态学习模型的惯性导航方法、装置及设备。
2、一种基于时序状态学习模型的惯性导航方法，所述方法包括：
3、构建并训练时序状态学习模型；其中，时序状态学习模型包括依次连接的imu缓存区、特征编码模块、时序建模模块和特征解码模块；
4、获取imu测量得到的运动载体的惯性时序数据，将惯性时序数据分别输入至卡尔曼滤波器中进行预测和输入至imu缓存区进行缓存，并根据卡尔曼滤波器预测输出的旋转矩阵对缓存的惯性时序数据进行重力对齐，得到重力对齐后的惯性时序数据；
5、通过特征编码模块对重力对齐后的惯性时序数据进行特征编码，输出得到特征编码后的惯性特征向量；通过时序建模模块中的若干个依次连接的双向状态空间模型单元对特征编码后的惯性特征向量进行时序建模，输出得到时序建模后的惯性特征向量；通过特征解码模块对时序建模后的惯性特征向量进行特征解码，输出得到运动载体的位移估计和不确定性估计；
6、将时序状态学习模型输出的位移估计和不确定性估计输入至卡尔曼滤波器中，利用卡尔曼滤波器将位移估计和不确定性估计作为观测量，并通过与初始获取的惯性时序数据融合进行量测更新，输出得到运动载体的导航状态量。
7、在其中一个实施例中，在时序状态学习模型的训练过程中，先后采用均方根误差损失和高斯最大似然损失这两类损失函数进行训练；
8、其中，均方根误差损失表示为
9、；
10、其中，表示时序状态学习模型的3维位移估计输出值，是相应的真值标签，表示第个位移估计输出值且，是相应的真值标签，表示位移估计的数量，表示惯性时序数据的长度；
11、高斯最大似然损失定义为位移的负对数似然，表示为
12、；
13、其中，表示第个不确定性估计所对应的3×3协方差矩阵，为的集合，表示求的行列式，表示常数。
14、在其中一个实施例中，通过特征编码模块对重力对齐后的惯性时序数据进行特征编码，输出得到特征编码后的惯性特征向量，包括：
15、特征编码模块采用1维版本的efficientnet-b0网络结构，对重力对齐后的惯性时序数据进行特征编码，输出得到特征编码后的惯性特征向量，表示为
16、；
17、其中，，为惯性时序数据的长度，为的特征向量长度，为的特征向量维度，表示实数集。
18、在其中一个实施例中，通过时序建模模块中的若干个依次连接的双向状态空间模型单元对特征编码后的惯性特征向量进行时序建模，输出得到时序建模后的惯性特征向量，包括：
19、通过时序建模模块中的若干个依次连接的双向状态空间模型单元，对特征编码后的惯性特征向量进行时序建模，输出得到时序建模后的惯性特征向量，表示为
20、；
21、其中，表示双向状态空间模型单元。
22、在其中一个实施例中，双向状态空间模型单元包括归一化层、第一线性层、第二线性层、正向卷积层、正向状态空间模型、反向卷积层、反向状态空间模型以及第三线性层；
23、双向状态空间模型单元对特征编码后的惯性特征向量进行时序建模的具体过程包括：
24、获取特征编码后的惯性特征向量并输入至归一化层进行归一化处理；
25、通过第一线性层对归一化处理后的惯性特征向量进行扩维处理后，得到输入向量；通过第二线性层和激活函数依次对归一化处理后的惯性特征向量进行扩维与映射处理后，得到门控矩阵；
26、对输入向量分别进行正向处理和反向处理，在正向处理和反向处理的过程中，先将输入向量分别输入正向卷积层与反向卷积层中，进行1维卷积和s本文档来自技高网...
【技术保护点】
1.一种基于时序状态学习模型的惯性导航方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述时序状态学习模型的训练过程中，先后采用均方根误差损失和高斯最大似然损失这两类损失函数进行训练；
3.根据权利要求1所述的方法，其特征在于，通过所述特征编码模块对所述重力对齐后的惯性时序数据进行特征编码，输出得到特征编码后的惯性特征向量，包括：
4.根据权利要求1所述的方法，其特征在于，通过所述时序建模模块中的若干个依次连接的双向状态空间模型单元对所述特征编码后的惯性特征向量进行时序建模，输出得到时序建模后的惯性特征向量，包括：
5.根据权利要求4所述的方法，其特征在于，所述双向状态空间模型单元包括归一化层、第一线性层、第二线性层、正向卷积层、正向状态空间模型、反向卷积层、反向状态空间模型以及第三线性层；
6.根据权利要求5所述的方法，其特征在于，所述反向状态空间模型是由所述正向状态空间模型翻转得到，二者的网络结构一致，均包括连续时间形式、循环表示形式和卷积表示形式这三种表达形式。
7.根据权
8.根据权利要求1所述的方法，其特征在于，所述运动载体的导航状态量表示为
9.一种基于时序状态学习模型的惯性导航装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于时序状态学习模型的惯性导航方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述时序状态学习模型的训练过程中，先后采用均方根误差损失和高斯最大似然损失这两类损失函数进行训练；
3.根据权利要求1所述的方法，其特征在于，通过所述特征编码模块对所述重力对齐后的惯性时序数据进行特征编码，输出得到特征编码后的惯性特征向量，包括：
4.根据权利要求1所述的方法，其特征在于，通过所述时序建模模块中的若干个依次连接的双向状态空间模型单元对所述特征编码后的惯性特征向量进行时序建模，输出得到时序建模后的惯性特征向量，包括：
5.根据权利要求4所述的方法，其特征在于，所述双向状态空间模型单元包括归一化层、第一线性层、第二线性层、正向卷积层、正向状态空间模型、反向...
【专利技术属性】
技术研发人员：陈昶昊，涂哲铭，潘献飞，吴文启，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。