[發(fā)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?zhí)枺?/td>: 201710766025.6
• 申請日: 2017-08-30
• 公開（公告）號: CN107655472B
• 公開（公告）日: 2019-11-01
• 發(fā)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(chǎn)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(shù)誤差；

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

步驟3：高精度轉(zhuǎn)臺按照設定軌跡進行運動；

步驟4：根據(jù)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(shù)據(jù)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(shù)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(tài)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(shù)。

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(shù)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(shù)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(shù)，k1、k2為誤差隨時間變化參數(shù)。

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(shù)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(shù)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(shù)據(jù)。

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(shù)誤差在導航結果中充分體現(xiàn)。

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(jiān)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(wěn)定后進行整體訓練。