[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

本發明提供一種基于深度學習的高精度慣性導航設備誤差補償方法，包括輸入慣性導航系統誤差，還包括以下步驟：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；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；高精度轉臺按照設定軌跡進行運動；根據運動軌跡和慣導導航輸出獲得導航誤差；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；對所述深度學習模型的正確性進行實測驗證。本發明中的深度學習采用多隱層逐一訓練的方式進行預訓練，然后再針對整個網絡進行微調，可在保證系統在線更新實時性的基礎之上，不損失模型精度。

技術領域

本發明涉及慣性導航的技術領域，特別是一種基于深度學習的高精度慣性導航設備誤差補償方法。

背景技術

慣性導航設備(Inertial Navigation System,INS)由于具有短時精度高、自主性好、信息全面、更新頻率高等優勢，一般作為多信息源導航系統中的核心單元。慣性導航設備具有諸多優勢的同時，也具有導航誤差隨時間發散的固有缺陷。GPS(Global PositionSystem)、BDS(BeiDou System)和GLONASS(Global Navigation Satellite System)等衛星導航系統具有精度高、誤差不隨時間發散、全天候等優勢，但同時也有信號容易被干擾和遮擋的缺陷。

慣性/衛星組合導航系統可以融合慣性和衛星系統各自特點，實現優勢互補，協同超越，是應用最為廣泛的一種導航設備數據融合技術。按照數據融合層次不同，慣性/衛星組合導航系統可分為松(淺)組合、緊組合和超緊(深)組合。

另外，視覺導航、天文導航、里程計作為常用的傳感器，輸出數據也具有不同的誤差特性，慣性/視覺、慣性/天文、慣性/里程計組合同樣可以實現優勢互補的效果。

目前所有的組合導航算法(慣性/衛星、慣性/視覺、慣性/天文、慣性/里程計組合導航)都是通過kalman濾波器實現的，均采用對系統誤差進行建模的方式，通過狀態估計算法，實現對誤差的估計。該類型方法可以在一定程度上實現對誤差的可靠估計，但是不可避免的存在模型非線性近似誤差，并且該誤差在極端運動環境下會明顯變大。同時，系統為了保證在線更新的實時性，一般只選取主要的誤差進行建模，并且會對誤差模型關系進行進一步近似，減小計算量，這無疑降低誤差估計精度。

公開號為CN104121930A的發明申請公開了一種基于加表耦合的MEMS陀螺漂移誤差的補償方法，該方法包括下述步驟：(1)根據加表實時測得的載體加速度信息獲得陀螺漂移誤差量Δω(t)；(2)建立誤差調節模型ωC(t)＝ΔωP+ΔωI；根據公式ΔωP＝K P*Δω(t)和ΔωI＝ΔωI+KI*dt*Δω(t)以及所述陀螺漂移誤差量Δω(t)獲得第一誤差調節控制量ΔωP和第二誤差調節控制量ΔωI；將第一誤差調節控制量ΔωP和第二誤差調節控制量ΔωI代入誤差調節模型中獲得陀螺漂移誤差補償量ωC(t)；(3)根據所述陀螺漂移誤差補償量對陀螺數據進行誤差補償并獲得補償后的陀螺信息。該方法采集當前可以測量到的信息，根據經驗建立測量信息與系統誤差之間的關系，通過測量信息推算出系統誤差，并不能保證每臺設備都能夠準確無誤的使用。

公開號為CN104977021A的發明申請公開了一種星光導航環境誤差補償方法，該方法包括以下步驟：步驟一：數據采集，誤差補償所需的各種數據由星敏感器與慣導所組成的組合導航系統采集獲得；步驟二：誤差計算：計算得到需補償的誤差值；步驟三：誤差補償，用步驟二得到的誤差值進行補償。方法采集當前可以測量到的信息，根據經驗建立測量信息與系統誤差之間的關系，通過測量信息推算出系統誤差，沒有對產品進行單獨的訓練步驟。

發明內容

為了解決上述的技術問題，本發明提出了一種在智能駕駛中基于視覺圖像和激光雷達信號的深度學習方法，以深度學習模型代替傳統的誤差模型，通過非線性神經網絡，實現對系統誤差的實時、精確估計。