[發明專利]基于卷積神經網絡模型的慣性測量單元標定方法及裝置

有效

• 申請號: 202110429227.8
• 申請日: 2021-04-21
• 公開（公告）號: CN112985463B
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 費再慧;賈雙成;朱磊;李成軍
• 申請（專利權）人: 智道網聯科技（北京）有限公司
• 主分類號: G01C25/00
• 分類號: G01C25/00
• 代理公司: 北京中知君達知識產權代理有限公司 11769
• 代理人: 李辰;黃啟法

本申請是關于一種基于卷積神經網絡模型的慣性測量單元標定方法及裝置。該方法包括：獲取慣性測量單元的至少一組測量數據序列；依據所述至少一組測量數據序列、以及預先訓練好的卷積神經網絡模型，獲取與所述至少一組測量數據序列相對應的至少一個時刻的IMU估計數據。本申請提供的方案，能夠基于卷積神經網絡模型降低慣性測量單元的測量誤差，實現慣性測量單元的標定。

技術領域

本申請涉及導航技術領域，尤其涉及一種基于卷積神經網絡模型的慣性測量單元標定方法及裝置。

背景技術

相關技術的車輛導航多依賴于衛星定位模塊例如GPS（Global PositioningSystem，全球定位系統）衛星定位模塊。但在某些場景下，例如橋下，涵洞，隧道，密集樓宇之間等GPS信號不好的位置，相關技術的衛星定位模塊的定位偏差很大，甚至無法提供定位結果。而包含慣性測量單元（Inertial Measurement Unit，簡稱IMU）的慣性導航系統，可以利用慣性測量單元的測量數據，能夠推算出車輛準確的速度、姿態和位置信息。

慣性導航系統利用慣性測量單元的加速度計和陀螺儀的測量數據推算車輛的速度、姿態和位置信息。然而，慣性測量單元中的加速度計和陀螺儀受各種因素影響，使用一段時間后，其參數和性能會發生變化，使得的測量數據會有所偏差，而且隨著時間的推移積累較大的誤差，導致利用慣性測量單元的測量數據進行定位導航的進度降低。因此必須降低慣性測量單元的測量誤差，對慣性測量單元進行標定。

發明內容

為解決或部分解決相關技術中存在的問題，本申請提供一種基于卷積神經網絡模型的慣性測量單元標定方法及裝置，能夠基于卷積神經網絡模型降低慣性測量單元的測量誤差，實現慣性測量單元的標定。

本申請第一方面提供一種基于卷積神經網絡模型的慣性測量單元標定方法，所述方法包括：

獲取慣性測量單元的至少一組測量數據序列；

依據所述至少一組測量數據序列、以及預先訓練好的卷積神經網絡模型，獲取與所述至少一組測量數據序列相對應的至少一個時刻的IMU估計數據。

優選的，所述卷積神經網絡模型的訓練步驟包括：

初始化卷積神經網絡模型，包括：定義卷積神經網絡模型的卷積核大小為N，并為每個卷積核設定參數值，其中，N為大于1的整數；

以時刻（I-1）*N+1至時刻I*N的慣性測量單元的測量數據為第I組測量數據序列，對一時間段的慣性測量單元的測量數據進行分割，獲得每組包括N個測量數據的K組測量數據序列，其中，K為大于等于N的整數，I=1，2，…，K；

向卷積神經網絡模型輸入所述K組測量數據序列，以及定位模塊的位置數據序列；

使卷積神經網絡模型分別依據第I組測量數據序列輸出時刻I*N的IMU估計數據，并分別依據時刻I*N的IMU估計數據推算獲得時刻I*N的軌跡點推算位置，由此獲得K個軌跡點推算位置；

依據每個時刻I*N的軌跡點推算位置與所述定位模塊的位置數據，獲得每個時刻I*N的軌跡點推算位置與所述定位模塊的位置數據的第I個差值，并獲得K個差值的累積和；

如果K個差值的累積和大于或等于設定的第一閾值或者循環次數超過設定的第二閾值，并且K個差值的累積和小于卷積神經網絡模型的損失值，將循環次數L更新為L+1，依據設定的卷積神經網絡模型的學習率修改第j個卷積核的參數值，將卷積神經網絡模型的損失值更新為K個差值的累積和，其中，j為L除N的余數。

優選的，所述方法還包括：

如果K個差值的累積和大于或等于設定的第一閾值或者循環次數沒有超過設定的第二閾值，并且K個差值的累積和大于或等于卷積神經網絡模型的損失值，將循環次數L更新為L+1，依據設定的卷積神經網絡模型的學習率修改第j-1個卷積核的參數值。