用于改善惯性测量单元传感器信号的方法和系统与流程

所要求保护的发明一般涉及导航和惯性测量单元（imu），还涉及用于提供定位和导航信息和位置的方法和系统。更具体地，所要求保护的发明涉及利用微机电系统（mems）或其他imu数据来提供定位解决方案的方法和系统。

背景技术：

低成本的基于mems的惯性测量单元，诸如imucc-300crossbow）和类似设备，作为用于车辆导航的解决方案的一部分，并且也在包括智能电话的移动设备中，正变得越来越流行，而且通常与全球定位系统（gps）集成。这些基于mems的设备还用于gps-拒绝的环境中的室内定位系统中。然而，基于mems的惯性传感器具有可能对整体导航解决方案的精度造成负面影响的显著误差。挑战是减少噪声污染并提高基于mems的系统的准确性，以接近更昂贵的战术级和导航级imu。

诸如高斯-马尔可夫建模、小波降噪和快速正交搜索的各种技术已被用于去除基于mems的惯性传感器误差。不幸的是，仍然缺乏快速技术来增强基于mems的加速度计和陀螺仪信号，并且因此提供具有接近成本更高的战术和导航级imu的精度的低成本基于mems的设备。因此，期望的是有一种系统和方法，由此基于mems的测量可以被采用和被变换，以达到更高成本的设备的精度。此外，期望这样的系统和方法能够实时地变换基于mems的测量。

附图说明

图1a说明了用于本发明的实施例中的并行级联模型。

图1b是概述并行级联识别（pci）过程的一个实施例的步骤的流程图。

图2a说明了基于mems的加速度信号的一部分（y分量），与图2b的信号一起使用的该训练输入说明了所要求保护的发明的一个实施例。

图2b说明了用于与图2a的信号一起使用的加速度y分量的期望的输出信号的对应部分，以说明在所要求保护的发明的实施例中用于识别并行级联模型的训练输入/输出数据。

图2c说明了当图2a的训练输入是所识别的并行级联模型的输入时的模型输出。

图3a说明了基于mems的加速度信号的一部分（y分量），其在图2中的训练数据结束之后大约43分钟开始被记录。

图3b说明了从图2的训练数据通过所述被识别的模型馈送图3a的信号产生的改善的加速度信号（y分量）。

图3c说明了实际的战术级加速度信号（y分量），其应该与图3b进行比较。

图4a说明了基于mems的加速度信号的一部分（y分量），其在收集图2a，b中的训练数据一天之后的不同轨迹的末端附近被记录。

图4b说明了从图2a，b的训练数据通过所述被识别的模型馈送图4a的信号产生的改善的加速度信号（y分量）。

图4c说明了实际战术级加速度信号（y分量），其应该与图3b进行比较。

图5a说明了基于mems的陀螺仪角旋转信号的一部分（z分量），训练输入与图5b的信号一起使用，以说明所要求保护的发明的一个实施例。

图5b说明了与图5a的信号一起使用的陀螺仪角旋转信号的期望的输出信号的对应部分（z分量），以说明在所要求保护的发明的实施例中用于识别并行级联模型的训练输入/输出数据。

图5c说明了基于mems的陀螺仪角旋转信号的一部分（z分量），其在图5a，b中的训练数据结束之后大约43分钟开始被记录。

图5d说明了从图5a，b的训练数据通过所述被识别的模型馈送图5c的信号产生的改善的陀螺仪角旋转信号（z分量）。

图5e说明了实际的战术级陀螺仪角旋转信号（z分量），其应该与图5d进行比较。

图6a说明了基于mems的陀螺仪角旋转信号的一部分（z分量）,其在收集图5a，b中的训练数据之后一天在不同轨迹的末端附近被记录。

图6b说明了从图5a，b的训练数据通过所述被识别的模型馈送图6a的信号产生的改善的陀螺仪角旋转信号（z分量）。

图6c说明了实际的战术级陀螺仪角旋转信号（z分量），其应该与图6b进行比较。

图7a示出了延伸轨迹，其一部分对应于图4a，6a，如与ｇｐｓ集成紧密耦合的高端战术级imu紧密耦合所指示的那样。

图7b示出了当战术级imu信号被由模型改善的mems加速度计和陀螺仪信号替代时所指示的对应轨迹，根据所要求保护的发明的实施例，所述mems加速度计和陀螺仪信号再次与gps集成紧密耦合。

图7c示出了当战术级imu信号被来自mems加速度计和陀螺仪的原始信号替代时所指示的对应轨迹，所述mems加速度计和陀螺仪再次与gps集成紧密耦合。

具体实施方式

低成本的基于mems的惯性测量单元（imu）包含测量加速度的加速度计和测量角旋转的陀螺仪，但是基于mems的信号是众所周知的噪声较大。本发明已经被设计成把来自基于mems的仪器的信号转换成接近来自高成本的战术级和导航级仪器的信号的精度，并且还改善其他imu的精度。使用非线性系统识别和时间系列分析技术（诸如并行级联识别（pci）和快速正交搜索（fos）算法）来处理从memsimu导出的数据。pci和fos算法都是本领域中已知的。例如，对于pci，参见m.j.kolnberg，1991，“parallelcascadeidentificationandkernelestimationfornonlinearsystems”，annalsofbiomedicalengineering，第19卷，第429-455页。

对于fos，参见m.j.konnberg，1989，“arobustorthogonalalgorithmforsystemidentificationandtime-seriesanalysis”，biologicalcyber​​netics，第60卷，第267-276页。当fos用于频谱分析时，它不假定周期性，并且在离散傅里叶变换上提供改善的频谱分辨率。fos也可用于鉴定未知结构的系统。

图1a说明了在本发明的实施例中使用的并行级联模型，其中独立变量n表示离散时间。这里，相同的模型输入acc(n)（表示加速度的x、y或z分量信号之一）或者gyr(n)（表示陀螺仪的x、y或z分量信号之一）馈送到k个并行级联，其中k≥1。每个级联均包括动态线性元素l和静态非线性元素n的串联连接。在第一级联路径中，例如，模型输入被馈送到动态线性元素li，并且所得到的li的输出ui被随后输入到静态非线性元素ni，其输出为vi。在本发明的一个实施例中，使用众所周知的卷积求和从模型输入获得li的输出ui，如korenberg1991（上文引用）中所讨论的那样。其他实施例可以使用自回归移动平均（arma）或其他模型来表示一些或所有线性元素l。在本发明的一个实施例中，第一级联的输出vi被通过信号ui的多项式函数获得。其他级联的信号和输出以类似的方式被编号。

并行级联模型的一个关键优点是存储器驻留在动态线性元素中，而非线性被限制为静态元素。这导致用于为了接近系统而查找平行级联模型的非常快速的方案，仅给定系统输入acc(n)或gyr(n)和所得到的系统输出（korenberg，1991，上文引用）。例如，级联可以被一次识别。

图1b是用于概述并行级联识别（pci）过程的一个实施例的步骤的流程图，其可以被用于根据本文公开的一些实施例来产生模型。为了开始该过程，在步骤6处，系统输入信号和期望的系统输出信号被接收。在本发明中，系统输入通常是来自mems设备或其他更低级设备的导航信号，并且期望的系统输出曾是导致更精确的导航解决方案的更高级别设备的对应信号。这些信号被同时记录在相同轨迹上。

然后，在步骤8期间，识别第一级联以接近给定系统。第一线性系统li可以由离散时间单位脉冲响应表示，其可以使用输入与输出的一阶互相关或者二阶或更高阶的、与在对角线值上增加或减去的加权离散脉冲函数的互相关切片来定义（korenberg1991，上文引用）。可以随机地或使用确定性系列来进行切片的选择，同时测试添加给定候选级联的益处，如下文和在korenberg（1991，上文引用）中所述。一旦已经获得脉冲响应，就可以使用卷积和来计算li的输出ui。接下来，具有输入ui的多项式在最小二乘意义上可以被最佳地拟合到系统输出。

一旦识别出第一级联，就计算其输出，然后被从系统输出中减去，以产生第一残差。如果期望，则可以类似地识别第二级联，其中第一残差替代步骤8中的系统输出，以此类推。在所开发的模型中常常仅需要几个级联，以使模型输出足够接近期望的系统输出。

在步骤10、12和14处，当满足以下预定义条件中的至少一个时，可以停止pci过程。首先，已经实现了可接受的小均方误差（mse），即残差的均方足够小。其次，当已经拟合了一定数量的级联时，搜索也可以停止。第三，当没有剩余的候选级联可以产生足够的mse减少值的益处时，搜索可以停止。作为非限制性示例，这样的实施例中的一个标准将表示不具有任何候选级联，其将产生比如果残差是白色高斯噪声的情况下预期的更大的mse减少值。此标准有助于避免添加仅仅是拟合噪声的级联。

回想其他级联的信号和输出被类似地编号，并类似地获得。在步骤16中，并行级联输出w是k个级联输出vi...，vk的和：，

其中w和vi...，vk具有图1a中所示的含义。

图1中的结构的优点在于其使得所识别的并行级联模型能够非常快速地生成其输出，并且对于当前应用，可以在现代数字信号处理器上实时地执行输出生成。图1中所示的并行级联模型结构被用于产生本专利中所示的结果。然而，可以使用更复杂的并行级联模型，例如其中一些或全部级联涉及另外的交替的动态线性和静态非线性元素。此外，虽然下面的系统识别技术在一些实施例中使用pci，但是本发明的其他实施例可以使用其他系统识别技术，包括作为非限制性示例的快速正交搜索、正交搜索方法、通过术语集搜索的方法、最小角度回归、volterra内核识别和人工神经网络。

关于系统识别的进一步细节

为了找到pci模型，通常设置某些参数的试验值，诸如开始级联的动态线性元素的存储器长度、跟随的多项式的次数（如果假定静态非线性是多项式）、模型中允许的级联数最大值、关于在给定候选级联可以被允许进入模型之前mse的减少的阈值，以及被测试的候选级联的数量。这些参数将取决于系统输入和期望的系统输出，其反过来又取决于要改善的imu信号以及用于改善导航的期望信号。一种找到良好参数设置的方法是通过测试所识别的模型的结果能力，对于各种试验参数值，来预测与未用于找到模型的数据相比所期望的系统输出。

深度学习的一种形式也可以与并行级联识别（pci）和快速正交搜索（fos）一起使用。例如，我们可以对许多可选的fos和/或pci模型应用粒子滤波。这特别适合于pci，因为该算法在被测试的候选级联的形成中具有内置的随机元素，为相同的训练数据产生许多可能的模型。该方法是仅使用一些输入/输出训练数据来找到许多可能的fos和/或pci模型。例如，不同的fos模型将取决于被搜索的候选函数，这将对应于输入和输出中的不同的假定最大延迟或互相关乘积项的次数。类似地，如果pci模型包括级联之和，其中每个级联均包括动态线性元素，其后跟随有静态非线性多项式，则可以使用一阶或更高阶的输入与当前残差的二阶互相关的多项式的随机选择的片来定义每个动态线性元素，加权离散增量函数在对角线值上被加上或减去。此外，动态线性元素的不同的假定存储器长度，和静态非线性的多项式次数，和模型中级联的最大数量，以及用于接受级联的阈值可以得到许多可能的模型。

例如，假设有1000个这样的模型。然后，将进一步的训练输入值传递到每个模型中，并且将所得到的模型输出与实际训练输出值进行比较。对于给定的模型，其输出值越接近实际输出值，模型有效的概率越高（并且更重要）。然后通过重要性（重要性抽样）选择模型，由此附加到模型的概率越大，选择该模型的可能性就越大。一种确保这一点的方法是与附加到模型的有效概率成比例地增加每个模型的数目，假设总共得到10,000个模型。然后随机选择1000个这些模型。

通过每个模型传递另外的训练输入值，把产生模型输出值与相应的实际训练输出值做比较，并继续。以这种方式，这些模型变得越来越可能是有效的模型。然后，为了预测对应于新输入值的输出，对模型的相应输出求平均。我们可以继续添加一些另外的模型，每次评估它们预测未用于找到这些模型的期望输出值的能力。这也可以使用混合物颗粒过滤来完成。例如，我们可以添加另外的模型，其重要性将通过它们预测最近期望的输出值的能力而被加权，以及对更新近的数据训练的模型来加权。这有助于调整系统输入和所期望的系统输出之间的变化关系。

在该过程中，pci和/或fos模型是“粒子”，它们的重要性由它们各自预测在未被用于查找模型的数据上期望的输出的能力来确定。该过程使得容易地组合许多类型的模型，并且有利地创建用于许多不同的试验参数设置的模型，而不需要有效值的先验知识。

图2a示出了来自crossbowmems级imu（crossbowtechnologies，sanjose，ca，usa）的基于mems的加速度信号的一部分（y分量，有时被称为前向加速度计信号）。在说明所要求保护的发明的一个实施例中，显示非常嘈杂的信号的前15,000个点被用作训练输入。图2a中的数据和下面的数所有数据是以100hz的采样率（即100个样本/秒）获得的。

图2b示出的信号的前15,000个点说明了来自hg-1700战术级imu（霍尼韦尔）的用于加速度y分量的相应的训练期望的输出信号，其比crossbowmems级imu更昂贵并且产生更精确的导航解决方案。这个期望的输出信号具有比图2a的输入信号小得多的噪声。虽然这里使用战术级信号来形成期望的输出信号，但是其他实施例可以使用其他方式来形成期望的输出信号，例如，可以使用导航级imu。此外，如下所述，不必具有比用于形成所述训练输入更精确的imu，该训练输入可用于形成训练期望输出。

图2a，b的信号被用于说明在所要求保护的发明的实施例中用于识别用于改善基于mems的加速度y分量信号的并行级联模型的训练输入/输出数据。尽管这里使用15,000个输入/输出对，但是为了训练其他实施例可以使用更少或更多数目的对。在korenberg，1991（上文引用）中描述的pci方法用于识别平行级联模型。当该模型被馈送以图2a的输入信号时，所得到的模型输出信号（图2c）非常接近图2b的期望输出：当被表示为相对于期望的输出信号的方差时，均方误差（mse）约为4.62%。与图2b的期望的输出信号相比，当两个mse值被相对于图2b的期望的输出信号的方差表示时，约4.62%的模型输出信号（图2c）的mse远小于约34.22%的mems信号期望的mse。

然而，关键问题是所识别的模型如何良好地保持其对新输入数据（即未用于查找模型的新颖的mems输入信号）的准确性。下面的图说明了所识别的模型保持其对新输入数据的准确性。

例如，图3a示出了基于mems的加速度信号的一部分（y分量），其在被用于找到平行级联模型的图2a，b所示的训练数据结束之后大约43分钟开始被记录。图3b示出了通过所述模型馈送图3a的mems信号的结果，以将其转换成接近来自更昂贵的战术级imu的信号的信号（图3c）。与图3c的期望信号相比，如图3c所示，当两个mse值都被表示为相对于图3c的期望信号的方差时，由模型改善的信号的mse（图3b）约为1.6%，相比之下该mems信号的mse（图3a）约为26.5%。

类似地，图4a说明了基于mems的加速度信号的一部分（y分量），其是在收集已被用于找到模型的图2a，b中的训练数据的之后一天的不同轨迹图4b示出了通过所述模型馈送图4a的mems信号的结果，以将其转换为接近来自更昂贵的战术级imu的信号的信号（图4c所示）。与图4c的期望信号相比，当两个mse值都被表示为相对于图4c的期望信号的方差时，由模型改善的信号的mse（图4b）约为0.733%，相比之下该mems信号的mse（图4a）约为25.56%。这说明了所识别的模型的显著的持续可靠性，因为已经认为基于mems的设备在被每次接通时都改变它们的噪声特性。然而，在这个测试中，第二天打开基于mems的设备并且在新的轨迹上使用它当然不会使先前识别的模型过时。相反，模型保持得很好（mse=0.733%），虽然它已经被从前一天的不同数据获得。这表明可以从廉价的基于mems的传感器的进行输出、迅速处理它，并将其转换成非常接近的更昂贵（而且更大）的仪器的输出，并且用于改善mems信号的模型从一天/一个轨迹保持到下一个。

图5和6涉及陀螺仪角旋转信号，以及提高其精度的方法。

图5a说明了来自crossbowmems级imu（crossbowtechnologies，sanjose，ca，usa）的基于mems的陀螺仪信号的一部分（z分量，有时被称为垂直陀螺仪信号）。在说明所要求保护的发明的一个实施例中，明显有噪声的信号的前15000个点被用作训练输入。

图5b所示的信号的前15,000个点说明了来自hg-1700战术级imu（霍尼韦尔）的用于陀螺仪z分量的相应的训练期望的输出信号，其比crossbowmems级imu更昂贵并且产生更精确的导航解决方案。该期望的输出信号具有比图5a的输入信号更小的噪声，尽管这里使用战术级信号来形成期望的输出信号，但是其他实施例可以使用其他方式来形成期望的输出信号，例如，可以使用导航级imu。此外，如下所述，不必具有比用于形成训练输入的更精确的imu，可用于形成训练期望输出。

图5a，b的信号说明在所要求保护的发明的实施例中被用于识别用于改善基于mems的陀螺仪z分量信号的并行级联模型的训练输入/输出数据。这些训练数据与图2a，b中的训练数据同时被收集。尽管这里使用了15,000个输入/输出对，但是其他实施例可以使用更少或更多数目的对用于训练。在korenberg，1991（上文引用）中描述的pci方法识别并行级联模型，当图5a的输入信号被馈送时，产生非常接近图5b的期望输出的模型输出信号：当相对于期望的输出信号的方差表示时，均方误差（mse）约为0.724%。

此外，关键问题是所识别的模型如何良好地保持其对于新颖的输入数据的精确度，即未用于查找所述模型的新颖的mems输入信号。下面的图说明了用于改善mems陀螺仪z分量信号保持其相对于新型输入数据的精确度的所识别的模型。

例如，图5c示出了基于mems的角旋转信号的一部分（z分量），其在图5a，b中所示的训练数据结束后大约43分钟开始被记录。5a，b，用于找到平行级联模型。图5d示出了通过所述模型馈送图5c的mems信号的结果，以将其转换成非常接近来自更昂贵的战术级imu的信号的信号（图5e）。与图5e的期望信号相比，当两个mse值相对于图5e的期望信号的方差表示时，由模型改善的信号（图5d）的mse约为0.728%，相比之下mems信号的mse约为1.356%（图5c）。

类似地，图6a说明了基于mems的角旋转信号的一部分（z分量），其是在图5a，b中收集训练数据一天后在不同轨迹的末端附近被记录的。图6b示出了通过所述模型馈送图6a的mems信号的结果，以将其转换为接近来自更昂贵的战术级imu的信号的信号（图6c）。与图6c的期望信号相比，当两个mse值相对于图6c的期望信号的方差表示时，由模型改善的信号（图6b）的mse约为0.355%，相比之下mems信号的mse约为1.335%（图6a）。此外，这说明所识别的模型的显著的持续可靠性，因为该模型保持得非常好（mse=0.355%），尽管它是从前一天的不同数据获得的。这表明，可以从廉价的基于mems的传感器的输出，快速处理它，并将其转换成非常接近的更昂贵的仪器的输出，而且用于改善mems信号的模型从一天/轨迹到下一个保持良好。

图7a，b，c涉及所要求保护的发明的实施例的延伸测试。首先，使用同时收集的15,000个点的训练数据和在图2a，5a中的训练数据那样的轨迹，为mems（crossbow）陀螺仪和加速度计x-、y-、z-分量中的每一个查找到单独的模型（滤波器），总共六个模型。然后，所获得的模型被在第二天采集的不同轨迹上测试，与图4a，6a相对应但这次超过390,078个点（超过1小时）。图7a示出了由与gps集成紧密耦合的高端战术级imu（hg1700）指示的延伸轨迹。图7a中的轨迹是参考，其应该与图7b（由模型改善的mems）和图7c（原始mems）相比较。

图7b示出了当战术级imu信号被由模型改善的、再次与gps整合紧密耦合的mems加速度计和陀螺仪信号替代时所指示的那样的相应轨迹。图7b的轨迹与图7a的轨迹良好地对应。

图7c示出了当战术级imu信号被原始的、再次与gps整合紧密耦合的mems信号替代时所指示的那样的相应轨迹。在图7c和图7a的轨迹之间有很小的相似性。所要求保护的发明的模型的效果是把图7b的均方根（rms）水平误差减小到小于图7c的轨迹的1/73（约1.4%）。

尽管来自战术级imu的信号在这里已用于说明用于训练模型的期望输出信号，但是不需要获得这样的更昂贵的imu。例如，已经证明：针对导航目的，某些方法（诸如fos和小波去噪）改善了基于mems的和基于战术级的信号。参见，例如，a.nureldin，j.armstrong，a.el-shafie，t.karamat，d.mcgaughey，m.konnberg和a.hussain，2012，“accuracyenhancementofinertialsensorsutilizinghighresolutionspectralanalysis”，sensors，第12卷，第11638-11660页；doi：10.3390/sl20811638。在这篇传感器文章中，基于mems的信号的频谱fos处理能够改善车辆水平定位，在9个gps停机上平均提高约24%，在停机上的最佳改善超过74%。原始的基于mems的信号可以被用于定义训练输入信号，而相应的频谱fos改善的信号可以被用于定义训练期望的输出信号，然后用于改善基于mems的信号的模型就可以从这些训练数据被识别。

存在可以形成训练期望的输出信号而无需访问昂贵的imu设备的其他方式。作为非限制性示例，当全球导航卫星系统（gnss）接收器（例如全球定位系统（gps）接收器）可用时，其可用于获得x、y和z方向上的速度。然后，可以对这些速度信号求微分以获得相应的加速度信号，并因此形成训练期望的输出信号。例如，频谱fos可以被用于获得速度信号的噪声减小的正弦或指数衰减的正弦曲线系列模型，然后可以无噪声地对这些信号进行微分以获得对应的期望加速度信号的估计。这些期望的输出信号之后就可被用于查找模型和更新路线上的模型，以改善基于mems的加速度信号。类似地，利用可从gps信号获得的详细定位信息，本领域技术人员可以计算角旋转速率的估计以形成训练期望的输出信号。然后，这些期望的输出信号就可以被用于查找模型和更新路线上的模型，以改善基于mems的陀螺仪角旋转信号。可替换地，可以使用车载里程表来测量前向方向上的速度（y分量），其可以随后被微分以更新期望的y加速度信号。

当战术级imu可用时，则可以识别模型以使基于mems的信号的精度改善，甚至超过战术级。上述同样的传感器，上面引用的2012年的文章已经显示：光谱fos可以将战术级平均水平位置误差降低高达43%。因此，基于mems的信号可以再次被用于定义训练输入信号，而战术级信号的对应谱fos改善可以被用于定义训练期望的输出信号，然后用于改善基于mems的模型可以从这些训练数据中识别信号。所得到的模型就可以使基于mems的信号改善，甚至超过战术级的精度。此外，原始战术级信号可以被用于定义训练输入信号，而战术级信号的相应谱fos改善可以用于定义训练期望的输出信号，然后用于改善战术级信号的模型就可以从这些训练数据中识别战术等级信号。在这种情况下，模型可以将战术级信号提高到更接近导航级精度。

尽管上述示例已经说明了如何找到模型以改善加速度y分量和陀螺仪z分量信号，但是这些是非限制性的示例，并且可以获得其他模型以改善来自加速度计和陀螺仪的所有分量信号，以及磁力计和气压信号，以及用于导航的任何其他信号。

虽然上述用于改善imu的输出的模型是单输入单输出形式，但是其他实施例可以使用多变量模型形式，例如，多输入单输出和多输入多输出模型形式。例如，六个训练输入可以是来自加速度计和陀螺仪的基于mems的x、y和z分量，并且相应的六个训练期望输出可以是来自加速度计和陀螺仪的导航级x-、y-，和z-分量。然后可以使用korenberg，1991（上文引用）中描述的方法找到六输入、六输出pci模型。可替换地，可以使用例如快速正交算法（m.konnberg，1988，“identifyingnonlineardifferenceequationandfunctionalexpansionrepresentation：thefastorthogonalalgorithm”，annalsofbiomedicalengineering，第16卷，第123-142页）识别六输入、六输出volterra系列模型，或可以找到多输入多输出人工神经网络，或其他多输入多输出系统识别技术可以被用来查找模型。所得到的六输入六输出模型就可以被用于同时改善新颖的基于mems的加速度计和陀螺仪x-、y-和z-分量信号。

在所要求保护的发明中公开的相同方法可以被用于构建可以补偿由温度变化引起的基于mems的陀螺仪和加速度计中的短期和长期漂移的模型。

由此已经描述了所要求保护的发明的若干实施例，对于本领域技术人员将是显而易见的是，前述详细公开内容仅旨在通过示例而不是限制的方式被呈现。本文已经讨论了用于改善惯性测量单元传感器信号的方法和系统的许多优点。各种改变、改进和修改将出现并且旨在面向本领域技术人员，尽管在本文中没有明确说明。这些改变、改善和修改旨在由此被提出，并且在所要求保护的本发明的精神和范围内。另外，处理元素或系列的陈述顺序，或者数字、字母或其他指定的使用因此不旨在将所要求保护的处理限于任何顺序，除非可以在权利要求中指定。因此，所要求保护的发明仅由所附权利要求及其等同物限制。

权利要求书(按照条约第19条的修改)

1.一种在计算机处理器上构造用于改善惯性测量单元（imu）数据的模型的方法，包括步骤：

a）使用imu数据以定义输入信号；

b）使用比imu数据精确度更高的导航数据源来定义与输入信号相对应的期望的输出信号，以便于使用期望的输出信号导致更精确的导航，其中期望的输出信号基本上不等于输入信号的扰动版本；以及

c）开发所述模型以将所述输入信号近似地转换为期望的输出信号。

2.根据权利要求1所述的方法，其中所述imu包括微机电系统（mems）、战术级imu和导航级imu中的至少一个。

3.根据权利要求1所述的方法，其中，开发所述模型的步骤包括使用系统识别技术。

4.根据权利要求3所述的方法，其中所述系统识别技术包括并行级联识别、快速正交搜索、通过一组候选项搜索的方法、最小角度回归、volterra内核识别和包括使用深度学习所开发的网络的人工神经网络中的至少一个。

5.一种改善用于导航的来自传感器组件的惰性测量单元（imu）数据的方法，包括步骤：

a）使用imu数据来定义输入信号；以及

b）将所述输入信号馈送到被编程为使用能够对于导航解决方案产生更精确信号的模型的处理器中，其中所述模型不简单地是所述处理组件中的随机误差的向前一步预测器模型，且其中所述模型不需要来自全球导航卫星系统（gnss）的更新来在导航期间产生更精确的信号，所述模型还包括以下中的至少一个：

（i）包括动态线性元素和静态非线性元素的串联连接的级联结构；

（ii）volterra系列；以及

（iii）包括使用深度学习所开发的网络的人工神经网络。

6.根据权利要求5所述的方法，其中，所述输入信号被同时馈送到多个级联结构中，并且其中通过来自所述级联结构的输出的线性组合来获得模型输出。

7.根据权利要求1所述的方法，其中在定义所述期望的输出信号时使用全球导航卫星系统（gnss）接收器。

8.根据权利要求7所述的方法，其中所述gnss接收器是全球定位系统（gps）接收器。

9.一种用于与移动平台一起使用的导航模块，所述模块包括能够获得与导航信息相关的读数并产生指示该读数的输出的传感器组件，至少一个与所述传感器组件耦合以接收传感器组件的信号的处理器，且处理器包含用于处理传感器组件的信号以产生用于导航解决方案的更精确信号的模型，其中所述模型不简单地是所述处理组件中的随机误差的向前一步预测器模型，且其中所述模型不需要来自全球导航卫星系统（gnss）的更新来在导航期间产生更精确的信号。

10.根据权利要求9所述的导航模块，其中所述传感器组件包括至少一个加速度计和一个陀螺仪。

11.根据权利要求9所述的模块的使用，其中所述移动平台是车辆。

12.根据权利要求9所述的模块的使用，其中所述移动平台是无人驾驶飞行器。

13.根据权利要求9所述的导航模块，还包括：

（i）接收器，用于从外部源接收绝对导航信息；以及

（ii）模型建立和更新装置，其耦合到所述接收器、所述传感器组件和所述至少一个处理器，并且可操作以创建和更新所述模型，用于处理所述传感器组件信号，以产生与导航信息相关的改善信号。

14.根据权利要求13所述的导航模块，其中，用于接收绝对导航信息的接收器是gnss接收器。

15.根据权利要求14所述的导航模块，其中所述gnss接收器是全球定位系统（gps）接收器。

16.根据权利要求13所述的导航模块，其中所述传感器组件包括至少一个加速度计和一个陀螺仪。

17.根据权利要求13所述的导航模块，其中所述建模和更新包括：

（i）使用来自所述传感器组件的数据来定义输入信号；

（ii）使用来自所述接收器的数据来定义对应于所述输入信号的期望的输出信号；以及

（iii）开发所述模型以将所述输入信号近似地转换为期望的输出信号。

18.根据权利要求13所述的导航模块，还包括用于获得速度信息并产生指示所述速度信息的输出的装置，其中所述模型建立和更新装置还耦合到用于生成速度信息的装置，并且可操作以使用所述速度信息来更新所述模型。

19.如权利要求18所述的导航模块，其中，用于获得速度信息的装置是里程表。

20.一种用于改善导航数据的、增加在计算机处理器上的模型的新颖数据的预测能力的方法，包括以下步骤：

（i）使用系统输入/期望系统输出数据的训练值，以获得对应于不同参数设置的多个模型；

（ii）测量所获得的模型来预测未用于获得所述模型的期望输出值的能力；

（iii）通过根据已测量的预测能力优先选择的方式选择模型的子集；以及

（iv）在新颖数据上平均所选模型的输出。

21.根据权利要求20所述的方法，包括改善fos、pci、volterra系列或人工神经网络模型的预测能力。