[發明專利]一種基于深度學習的高精度慣性導航設備誤差補償方法

有效

• 申請號: 201710766025.6
• 申請日: 2017-08-30
• 公開（公告）號: CN107655472B
• 公開（公告）日: 2019-11-01
• 發明（設計）人: 楊華軍;李子月
• 申請（專利權）人: 楊華軍
• 主分類號: G01C21/16
• 分類號: G01C21/16;G01C21/20;G01S19/49
• 代理公司: 北京馳納智財知識產權代理事務所(普通合伙) 11367
• 代理人: 陳常美

1.一種基于深度學習的高精度慣性導航設備誤差補償方法，包括輸入慣性導航設備誤差，其特征在于，還包括以下步驟：

步驟1：通過特定算法生成變化的慣性器件誤差和溫度補償模型參數誤差；

步驟2：將所述器件誤差和所述溫度補償模型參數誤差導入到高精度慣性導航設備中；

步驟3：高精度轉臺按照設定軌跡進行運動；

步驟4：根據運動軌跡和慣導導航輸出獲得導航誤差；

步驟5：把從步驟1-4中得到的數據作為深度學習模型訓練樣本對深度學習模型進行訓練；

步驟6：對所述深度學習模型的正確性進行實測驗證。

2.如權利要求1所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述慣性導航設備誤差是由器件零位誤差、零位漂移誤差、刻度因數誤差、安裝誤差、溫度補償誤差中至少一種誤差造成。

3.如權利要求2所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述慣性導航設備誤差包括姿態誤差、航向誤差、速度誤差、位置誤差中至少一種。

4.如權利要求1所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述特定算法為線性增加函數。

5.如權利要求4所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述慣性器件誤差包括陀螺儀零位誤差、陀螺儀安裝誤差、陀螺儀刻度系數誤差、加速度計零位誤差、加速度計安裝誤差和加速度計刻度系數誤差中至少一種。

6.如權利要求5所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述慣性器件誤差的生成公式為Error(t)＝(1+t*k1)*sin(k2*t)+Error_0，其中，Error_0為器件初始誤差，t為時間參數，k1、k2為誤差隨時間變化參數。

7.如權利要求4所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述溫度補償模型參數誤差的生成公式為Error＝Error_0+ψ(T)+γ(T’)+δ(△T)，其中，ψ(T)，γ(T’)，δ(△T)分別為溫度、變溫率和溫度梯度誤差模型。

8.如權利要求7所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述步驟2包括把所述器件誤差和所述溫度補償模型參數誤差在所述高精度慣性導航設備中進行軟件疊加并進行導航解算。

9.如權利要求8所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述步驟2得到的結果是導航輸出數據。

10.如權利要求9所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述步驟3為對各輸入誤差進行充分激勵。

11.如權利要求10所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述激勵是指通過導航解算，把所述器件誤差和所述溫度補償模型參數誤差在導航結果中充分體現。

12.如權利要求11所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述導航誤差W的計算公式為W＝S-L，其中，S表示實際輸出值，L表示理論輸出值。

13.如權利要求1所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述步驟5包括對所述深度學習模型進行逐層無監督預訓練。

14.如權利要求13所述的基于深度學習的高精度慣性導航設備誤差補償方法，其特征在于：所述步驟5還包括當所述預訓練穩定后進行整體訓練。