基于神经网络模型的姿态更新方法及装置与流程

文档序号:26590088发布日期:2021-09-10 20:37阅读:193来源:国知局
基于神经网络模型的姿态更新方法及装置与流程

1.本技术涉及导航技术领域,尤其涉及一种基于神经网络模型的姿态更新方法及装置。


背景技术:

2.卫星定位模块例如gps(global positioning system,全球定位系统)定位模块具有性能好、精度高、应用广的特点。但在某些场景下,例如桥下,涵洞,隧道,密集楼宇之间等定位信号不好的位置,相关技术的卫星定位模块的定位偏差很大,甚至无法提供定位结果,从而无法提供准确地导航信息。而包含惯性测量单元(inertial measurement unit,简称imu)的惯性导航系统,可不借助外力,利用惯性测量单元的测量数据,更新导航信息。
3.惯性导航系统根据imu的加速度和角速度从上一时刻的导航信息推导本时刻的导航信息,导航信息包括姿态、速度、位置。在姿态的更新中,由于惯性导航系统通过对角速度积分等方式解算获得新的姿态,姿态更新的误差会随着时间而增大,存在较大的累积误差,达不到定位导航所需要的精度。


技术实现要素:

4.为解决或部分解决相关技术中存在的问题,本技术提供一种基于神经网络模型的姿态更新方法及装置,能够基于神经网络模型降低惯性导航系统姿态更新的累积误差,提高惯性导航系统更新姿态的精度。
5.本技术第一方面提供一种基于神经网络模型的姿态更新方法,所述方法包括:依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型;向所述待训练的角速度补偿模型输入惯性导航系统的角速度序列,以使所述待训练的角速度补偿模型依据输入的所述角速度序列输出补偿后的修正角速度序列;依据所述修正角速度序列,确定第一姿态序列;依据卫星定位模块的测量数据,确定第二姿态序列;使所述第一姿态序列向所述第二姿态序列收敛,获得训练好的角速度补偿模型,其中,所述第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的;向所述训练好的角速度补偿模型输入所述惯性导航系统的角速度,以使所述训练好的角速度补偿模型输出补偿后的修正角速度;依据所述修正角速度,更新所述惯性导航系统的姿态。
6.优选的,所述依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型,包括:对拟合补偿方程进行求解,获得所述拟合补偿方程的参数;将所述拟合补偿方程的参数代入所述拟合补偿方程,获得所述拟合补偿公式;依据所述拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型。
7.优选的,所述依据卫星定位模块的测量数据,确定第二姿态序列,包括:
融合所述惯性导航系统的测量数据和所述卫星定位模块的测量数据,确定所述第二姿态序列。
8.优选的,所述使所述第一姿态序列向所述第二姿态序列收敛,获得训练好的角速度补偿模型,包括:使所述第一姿态序列和所述第二姿态序列的误差和最小,动态调整角速度补偿模型的参数,获得训练好的角速度补偿模型。
9.优选的,所述拟合补偿公式是三阶拟合补偿公式:,式中,ω(t)是时刻t角速度ω的补偿量,a、b、c、d是三阶拟合补偿公式的参数。
10.本技术第二方面提供一种基于神经网络模型的姿态更新装置,所述装置包括:模型建立模块,用于依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型;第一输入模块,用于向所述模型建立模块建立的所述待训练的角速度补偿模型输入惯性导航系统的角速度序列,以使所述待训练的角速度补偿模型依据输入的所述角速度序列输出补偿后的修正角速度序列;姿态确定模块,用于依据所述修正角速度序列,确定第一姿态序列,依据卫星定位模块的测量数据,确定第二姿态序列;训练模块,用于使所述姿态确定模块确定的所述第一姿态序列向所述第二姿态序列收敛,获得训练好的角速度补偿模型,其中,所述第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的;第二输入模块,向所述训练好的角速度补偿模型输入所述惯性导航系统的角速度,以使所述训练好的角速度补偿模型输出补偿后的修正角速度;更新模块,用于依据所述修正角速度,更新所述惯性导航系统的姿态。
11.优选的,所述模型建立模块,还用于对拟合补偿方程进行求解,获得所述拟合补偿方程的参数,将所述拟合补偿方程的参数代入所述拟合补偿方程,获得所述拟合补偿公式。
12.优选的,所述姿态确定模块,还用于融合所述惯性导航系统的测量数据和所述卫星定位模块的测量数据,确定所述第二姿态序列。
13.优选的,所述训练模块,用于使所述姿态确定模块确定的所述第一姿态序列和所述第二姿态序列的误差和最小,动态调整角速度补偿模型的参数,获得训练好的角速度补偿模型。
14.本技术第三方面提供一种电子设备,包括:处理器;以及存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
15.本技术第四方面提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
16.本技术提供的技术方案可以包括以下有益效果:本技术的技术方案,依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型;使第一姿态序列向第二姿态序列收敛,通过动态调整拟合补偿公式的参数,能够动态调整待训练的角速度补偿模型的相关参数,能够获得训练精度更好的角速
度补偿模型,使角速度补偿模型输出的修正角速度精度更高;向训练好的角速度补偿模型输入惯性导航系统的角速度,以使训练好的角速度补偿模型输出补偿后的修正角速度;依据修正角速度,更新惯性导航系统的姿态;能够基于神经网络模型降低惯性导航系统姿态更新的累积误差,提高惯性导航系统更新姿态的精度。
17.应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本技术。
附图说明
18.通过结合附图对本技术示例性实施方式进行更详细的描述,本技术的上述以及其它目的、特征和优势将变得更加明显,其中,在本技术示例性实施方式中,相同的参考标号通常代表相同部件。
19.图1是本技术实施例示出的基于神经网络模型的姿态更新方法的流程示意图;图2是本技术实施例示出的基于神经网络模型的姿态更新方法的另一流程示意图;图3是本技术实施例示出的基于神经网络模型的姿态更新装置的结构示意图;图4是本技术实施例示出的电子设备的结构示意图。
具体实施方式
20.下面将参照附图更详细地描述本技术的实施方式。虽然附图中显示了本技术的实施方式,然而应该理解,可以以各种形式实现本技术而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本技术更加透彻和完整,并且能够将本技术的范围完整地传达给本领域的技术人员。
21.在本技术使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
22.应当理解,尽管在本技术可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本技术范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
23.本技术实施例提供一种基于神经网络模型的姿态更新方法,能够基于神经网络模型降低惯性导航系统姿态更新的累积误差,提高惯性导航系统更新姿态的精度。
24.以下结合附图详细描述本技术实施例的技术方案。
25.实施例一:图1是本技术实施例示出的基于神经网络模型的姿态更新方法的流程示意图。
26.参见图1,一种基于神经网络模型的姿态更新方法,包括:在步骤101中,依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速
度补偿模型。
27.在一种实施方式中,惯性导航系统在基于等效旋转矢量更新姿态时,通过对角速度积分可以得到角增量;通过角增量,获得姿态更新的等效旋转矢量;通过等效旋转矢量更新惯性导航系统的姿态。在更新姿态的过程中,根据角速度的拟合补偿公式,对角速度进行了补偿。依据角速度的拟合补偿公式,在神经网络模型建立待训练的角速度补偿模型。
28.在步骤102中,向待训练的角速度补偿模型输入惯性导航系统的角速度序列,以使待训练的角速度补偿模型依据输入的角速度序列输出补偿后的修正角速度序列。
29.在一种具体实施方式中,车辆上设有包括卫星定位模块和惯性导航系统的组合导航系统。惯性导航系统包括惯性测量单元,惯性测量单元包括加速度计和陀螺仪,可以通过加速度计获得加速度、陀螺仪获得角速度。卫星定位模块可以包括但不限于gps卫星模块、北斗卫星定位模块、rtk(realtimekinematic,实时动态)卫星定位模块等卫星定位模块中的至少一种。
30.在一种具体实施方式中,在车辆rtk卫星定位模块信号可用的情况下,可以获得车辆同一个时间段的rtk卫星定位模块的测量数据、惯性测量单元测得的加速度、角速度。向待训练的角速度补偿模型输入惯性测量单元测得的同一个时间段的角速度,使待训练的角速度补偿模型对同一个时间段每个时刻的角速度进行补偿,输出补偿后的修正角速度序列。
31.在步骤103中,依据修正角速度序列,确定第一姿态序列。
32.在一种具体实施方式中,惯性导航系统依据修正角速度序列每个时刻的角速度,可以基于等效旋转矢量更新每个时刻的姿态;依据每个时刻的姿态,确定车辆的第一姿态序列。
33.在步骤104中,依据卫星定位模块的测量数据,确定第二姿态序列。
34.在一种具体实施方式中,rtk卫星定位模块依据同一个时间段每个时刻的测量数据,获得同一个时间段每个时刻的定位信息,该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经度坐标、纬度坐标,姿态信息包括但不限于描述航向的航向角信息。rtk卫星定位模块可以依据同一个时间段每个时刻的姿态信息,确定车辆的第二姿态序列。
35.在步骤105中,使第一姿态序列向第二姿态序列收敛,获得训练好的角速度补偿模型,其中,第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的。
36.在一种具体实施方式中,第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的,使第一姿态序列各时刻的姿态向第二姿态序列各时刻的姿态收敛,动态调整拟合补偿公式的参数,动态调整待训练的角速度补偿模型的相关参数,获得训练好的角速度补偿模型。收敛可以是第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态重合,也可以是计算第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态的误差最小,可以根据实际需要进行设置。
37.在步骤106中,向训练好的角速度补偿模型输入惯性导航系统的角速度,以使训练好的角速度补偿模型输出补偿后的修正角速度。
38.在一种具体实施方式中,向训练好的角速度补偿模型输入惯性导航系统获得的当前时刻的角速度;训练好的角速度补偿模型对输入的当前时刻的角速度进行补偿,输出补
偿后的当前时刻的修正角速度。
39.在步骤107中,依据修正角速度,更新惯性导航系统的姿态。
40.在一种具体实施方式中,惯性导航系统依据训练好的角速度补偿模型输出的当前时刻的修正角速度,可以基于等效旋转矢量更新惯性导航系统的当前时刻的姿态。
41.本技术的实施例提供的基于神经网络模型的姿态更新方法,依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型;使第一姿态序列向第二姿态序列收敛,通过动态调整拟合补偿公式的参数,能够动态调整待训练的角速度补偿模型的相关参数,能够获得训练精度更好的角速度补偿模型,使角速度补偿模型输出的修正角速度精度更高;向训练好的角速度补偿模型输入惯性导航系统的角速度,以使训练好的角速度补偿模型输出补偿后的修正角速度;依据修正角速度,更新惯性导航系统的姿态;能够基于神经网络模型降低惯性导航系统姿态更新的累积误差,提高惯性导航系统更新姿态的精度。
42.实施例二:图2是本技术实施例示出的基于神经网络模型的姿态更新方法的另一流程示意图。图2相对于图1更详细描述了本技术的方案。
43.参见图2,一种基于神经网络模型的姿态更新方法,包括:在步骤201中,对拟合补偿方程进行求解,获得拟合补偿方程的参数。
44.在一种具体实施方式中,惯性导航系统在基于等效旋转矢量更新姿态时,通过对角速度ω积分可以得到角增量,角增量包括方向和模;通过角增量,获得等效旋转矢量;通过等效旋转矢量更新惯性导航系统的姿态。等效旋转矢量,是指从上一时刻姿态到这一时刻姿态之间是绕一个固定轴旋转一定角度产生的。等效旋转矢量的方向就是旋转所绕的轴,用表示,模表示转过的角度,用φ表示。
45.在一种具体实施方式中,在基于等效旋转矢量采用四元数更新姿态时,采用的模型包括如下:型包括如下:式中,q
k+1
为k+1时刻的四元数,q
k
为k时刻的四元数,表示k时刻和k+1时刻之间姿态变化的四元数,o表示四元数乘法,t
k
、t
k+1
表示时刻,ω(τ)表示角速度,dτ表示积分变量。等效旋转矢量除了包含角增量以外,还多了一项,多出的一项就是为了弥补不可交换误差而产生的,因此,基于等效旋转矢量采用四元数更新姿态的精度更高。
46.由上述模型可知,模型的公式是连续时间的,而惯性导航系统的惯性导航解算是
离散时间的,不可避免的会出现精度损失。为避免惯性导航解算出现精度损失,保障惯性导航解算的精度,构建角速度的拟合补偿方程。
47.在一种具体实施方式中,基于等效旋转矢量采用四元数更新姿态时,采用的模型,角速度的拟合补偿方程可以是三阶拟合补偿方程:,三阶拟合补偿方程有4个未知参数a、b、c、d,ω(t)是时刻t角速度ω的补偿量。可以通过惯性测量单元的至少4个连续时刻的角速度,采用“四子样”算法,对三阶拟合补偿方程进行求解,获得三阶拟合补偿方程的4个参数a、b、c、d。
48.在步骤202中,将拟合补偿方程的参数代入拟合补偿方程,获得拟合补偿公式。
49.在一种具体实施方式中,将获得的4个参数a、b、c、d代入三阶拟合补偿方程,获得已知4个参数a、b、c、d的三阶拟合补偿公式:。
50.在步骤203中,依据拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型。
51.在一种具体实施方式中,惯性导航系统在基于等效旋转矢量以四元数的形式更新姿态时,通过对角速度积分可以得到角增量;通过角增量,获得姿态更新的等效旋转矢量;通过等效旋转矢量更新惯性导航系统的姿态。在更新姿态的过程中,根据角速度的三阶拟合补偿公式,对角速度进行了补偿。依据角速度的三阶拟合补偿公式,在神经网络模型建立待训练的角速度补偿模型。
52.在步骤204中,向待训练的角速度补偿模型输入惯性导航系统的角速度序列,以使待训练的角速度补偿模型依据输入的角速度序列输出补偿后的修正角速度序列。
53.在一种具体实施方式中,车辆上设有包括卫星定位模块和惯性导航系统的组合导航系统。惯性导航系统包括惯性测量单元,惯性测量单元包括加速度计和陀螺仪,可以通过加速度计获得加速度、陀螺仪获得角速度。卫星定位模块可以包括但不限于gps卫星模块、北斗卫星定位模块、rtk卫星定位模块等卫星定位模块中的至少一种。
54.在一种具体实施方式中,在车辆rtk卫星定位模块信号可用的情况下,可以获得车辆同一个时间段的rtk卫星定位模块的测量数据、惯性测量单元测得的加速度、角速度。向待训练的角速度补偿模型输入惯性测量单元测得的同一个时间段的角速度,使待训练的角速度补偿模型对同一个时间段每个时刻的角速度进行补偿,输出补偿后的修正角速度序列。
55.在步骤205中,依据修正角速度序列,确定第一姿态序列。
56.在一种具体实施方式中,惯性导航系统对修正角速度序列每个时刻的角速度进行积分,获得每个时刻的角增量;依据每个时刻的角增量,获得每个时刻之间的等效旋转矢量;依据每个时刻之间的等效旋转矢量,可以采用四元数的形式更新每个时刻的姿态;依据每个时刻的姿态,确定车辆的第一姿态序列。
57.在步骤206中,确定第二姿态序列。
58.在一种具体实施方式中,依据卫星定位模块的测量数据,确定车辆的第二姿态序列。rtk卫星定位模块依据同一个时间段每个时刻的测量数据,获得同一个时间段每个时刻的定位信息,该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经度坐标、纬度坐标,姿态信息包括但不限于描述航向的航向角信息。
依据同一个时间段每个时刻的姿态信息,确定车辆的的第二姿态序列。
59.在一种具体实施方式中,可以融合惯性导航系统的测量数据和卫星定位模块的测量数据,确定车辆的第二姿态序列。包括卫星定位模块和惯性导航系统的组合导航系统,可以基于卡尔曼滤波器融合惯性导航系统的测量数据和rtk卫星定位模块的测量数据,获得精度更高的车辆的第二姿态序列。
60.在步骤207中,使第一姿态序列向第二姿态序列收敛,获得训练好的角速度补偿模型,其中,第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的。
61.在一种具体实施方式中,第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的,使第一姿态序列各时刻的姿态向第二姿态序列各时刻的姿态收敛,动态调整拟合补偿公式的参数,动态调整待训练的角速度补偿模型的相关参数,获得训练好的角速度补偿模型。收敛可以是第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态重合,也可以是计算第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态的误差最小,可以根据实际需要进行设置。
62.可以理解的是,姿态序列包括多个时刻的姿态,重合的可能性比较小,因此,本技术实施例中采用误差和的方式,将与第二姿态序列误差和最小的第一姿态序列作为最优的姿态序列,动态调整三阶拟合补偿公式的4个参数a、b、c、d,使第一姿态序列和第二姿态序列的误差和最小,动态调整待训练的角速度补偿模型的相关参数,获得训练好的角速度补偿模型。
63.本技术实例中,可以通过动态迭代循环调整三阶拟合补偿公式的4个参数a、b、c、d,动态迭代循环调整待训练的角速度补偿模型的相关参数,目的是获得精度更高的训练好的角速度补偿模型,使待训练的角速度补偿模型输出的角速度更加接近真实角速度。
64.在步骤208中,向训练好的角速度补偿模型输入惯性导航系统的角速度,以使训练好的角速度补偿模型输出补偿后的修正角速度。
65.在一种具体实施方式中,向训练好的角速度补偿模型输入惯性导航系统获得的当前时刻的角速度;训练好的角速度补偿模型对输入的当前时刻的角速度进行补偿,输出补偿后的当前时刻的修正角速度。
66.在步骤209中,依据修正角速度,更新惯性导航系统的姿态。
67.在一种具体实施方式中,惯性导航系统依据训练好的角速度补偿模型输出的当前时刻的修正角速度,可以基于等效旋转矢量采用四元数的形式更新惯性导航系统的当前时刻的姿态。采用四元数表示姿态,表征方式简洁,没有奇异点,四元数的更新计算简单,能够节省计算量。
68.本技术的实施例提供的基于神经网络模型的姿态更新方法,依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型;使第一姿态序列向第二姿态序列收敛,通过动态调整拟合补偿公式的参数,能够动态调整待训练的角速度补偿模型的相关参数,能够获得训练精度更好的角速度补偿模型,使角速度补偿模型输出的修正角速度精度更高;向训练好的角速度补偿模型输入惯性导航系统的角速度,以使训练好的角速度补偿模型输出补偿后的修正角速度;依据修正角速度,更新惯性导航系统的姿态;能够基于神经网络模型降低惯性导航系统姿态更新的累积误差,提高惯性导航系统更新姿态的精度。
69.进一步地,本技术的实施例提供的基于神经网络模型的姿态更新方法,拟合补偿方程是三阶拟合补偿方程,能够提高角速度补偿模型输出的修正角速度的精度。有效地降低惯性导航系统姿态更新的累积误差,提高惯性导航系统更新姿态的精度。
70.实施例三:与前述应用功能实现方法实施例相对应,本技术还提供了一种基于神经网络模型的姿态更新装置、电子设备及相应的实施例。
71.图3是本技术实施例示出的基于神经网络模型的姿态更新装置的结构示意图。
72.参见图3,一种基于神经网络模型的姿态更新装置,包括模型建立模块301、第一输入模块302、姿态确定模块303、训练模块304、第二输入模块305、更新模块306。
73.模型建立模块301,用于依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型。
74.在一种实施方式中,惯性导航系统在基于等效旋转矢量更新姿态时,通过对角速度积分可以得到角增量;通过角增量,获得姿态更新的等效旋转矢量;通过等效旋转矢量更新惯性导航系统的姿态。在更新姿态的过程中,根据角速度的拟合补偿公式,对角速度进行了补偿。模型建立模块301依据角速度的拟合补偿公式,在神经网络模型建立待训练的角速度补偿模型。
75.第一输入模块302,用于向模型建立模块301建立的待训练的角速度补偿模型输入惯性导航系统的角速度序列,以使待训练的角速度补偿模型依据输入的角速度序列输出补偿后的修正角速度序列。
76.在一种具体实施方式中,车辆上设有包括卫星定位模块和惯性导航系统的组合导航系统。惯性导航系统包括惯性测量单元,惯性测量单元包括加速度计和陀螺仪,第一输入模块302可以通过加速度计获得加速度、陀螺仪获得角速度。卫星定位模块可以包括但不限于gps卫星模块、北斗卫星定位模块、rtk卫星定位模块等卫星定位模块中的至少一种。
77.在一种具体实施方式中,在车辆rtk卫星定位模块信号可用的情况下,第一输入模块302可以获得车辆同一个时间段的rtk卫星定位模块的测量数据、惯性测量单元测得的加速度、角速度。第一输入模块302向待训练的角速度补偿模型输入惯性测量单元测得的同一个时间段的角速度,使待训练的角速度补偿模型对同一个时间段每个时刻的角速度进行补偿,输出补偿后的修正角速度序列。
78.姿态确定模块303,用于依据修正角速度序列,确定第一姿态序列,依据卫星定位模块的测量数据,确定第二姿态序列。
79.在一种具体实施方式中,姿态确定模块303依据修正角速度序列每个时刻的角速度,可以基于等效旋转矢量更新每个时刻的姿态;依据每个时刻的姿态,确定车辆的第一姿态序列。
80.在一种具体实施方式中,姿态确定模块303依据同一个时间段每个时刻的测量数据,获得同一个时间段每个时刻的定位信息,该定位信息可以包括但不限于位置信息、速度信息和姿态信息。位置信息包括但不限于描述位置的经度坐标、纬度坐标,姿态信息包括但不限于描述航向的航向角信息。姿态确定模块303可以依据同一个时间段每个时刻的姿态信息,确车辆的第二姿态序列。
81.训练模块304,用于使姿态确定模块303确定的第一姿态序列向第二姿态序列收
敛,获得训练好的角速度补偿模型,其中,第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的。
82.在一种具体实施方式中,姿态确定模块303确定的第一姿态序列和第二姿态序列各时刻的姿态在时间上是对齐的,训练模块304使第一姿态序列各时刻的姿态向第二姿态序列各时刻的姿态收敛,动态调整拟合补偿公式的参数,动态调整待训练的角速度补偿模型的相关参数,获得训练好的角速度补偿模型。收敛可以是第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态重合,也可以是计算第一姿态序列每一相同时刻的姿态与第二姿态序列每一相同时刻的姿态的误差最小,可以根据实际需要进行设置。
83.第二输入模块305,向训练好的角速度补偿模型输入惯性导航系统的角速度,以使训练好的角速度补偿模型输出补偿后的修正角速度。
84.在一种具体实施方式中,第二输入模块305向训练好的角速度补偿模型输入惯性导航系统获得的当前时刻的角速度;训练好的角速度补偿模型对输入的当前时刻的角速度进行补偿,输出补偿后的当前时刻的修正角速度。
85.更新模块306,用于依据修正角速度,更新惯性导航系统的姿态。
86.在一种具体实施方式中,更新模块306依据训练好的角速度补偿模型输出的当前时刻的修正角速度,可以基于等效旋转矢量更新惯性导航系统的当前时刻的姿态。
87.本技术的实施例提供的技术方案,依据角速度的拟合补偿公式,基于神经网络模型建立待训练的角速度补偿模型;使第一姿态序列向第二姿态序列收敛,通过动态调整拟合补偿公式的参数,能够动态调整待训练的角速度补偿模型的相关参数,能够获得训练精度更好的角速度补偿模型,使角速度补偿模型输出的修正角速度精度更高;向训练好的角速度补偿模型输入惯性导航系统的角速度,以使训练好的角速度补偿模型输出补偿后的修正角速度;依据修正角速度,更新惯性导航系统的姿态;能够基于神经网络模型降低惯性导航系统姿态更新的累积误差,提高惯性导航系统更新姿态的精度。
88.关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
89.图4是本技术实施例示出的电子设备的结构示意图。
90.参见图4,电子设备40包括存储器401和处理器402。
91.处理器402可以是中央处理单元(central processing unit,cpu),还可以是其他通用处理器、数字信号处理器 (digital signal processor,dsp)、专用集成电路 (application specific integrated circuit,asic)、现场可编程门阵列 (field

programmable gate array,fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
92.存储器401可以包括各种类型的存储单元,例如系统内存、只读存储器(rom),和永久存储装置。其中,rom可以存储处理器402或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者
易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器401可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(dram,sram,sdram,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器401可以包括可读和/或写的可移除的存储设备,例如激光唱片(cd)、只读数字多功能光盘(例如dvd

rom,双层dvd

rom)、只读蓝光光盘、超密度光盘、闪存卡(例如sd卡、min sd卡、micro

sd卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
93.存储器401上存储有可执行代码,当可执行代码被处理器402处理时,可以使处理器402执行上文述及的方法中的部分或全部。
94.此外,根据本技术的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本技术的上述方法中部分或全部步骤的计算机程序代码指令。
95.或者,本技术还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使处理器执行根据本技术的上述方法的各个步骤的部分或全部。
96.以上已经描述了本技术的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1