本發(fā)明涉及信號處理領域，特別是涉及一種微慣性測量信息的深度融合與實時補償的方法及系統(tǒng)

背景技術：

目前國內外所研究的微機電慣性測量設備主要是由多個微機電測量器件，如微機電系統(tǒng)(microelectromechanicalsystems，mems)、陀螺儀和加速度計通過信息融合技術組合而成。由于其低成本優(yōu)勢被廣泛應用于移動機器人、航空航天、汽車自動導航等領域。多傳感器的測量偏差會導致融合偏差增大，為了消除偏差需要對傳感器進行線下標定或者濾波處理，但是，由于傳感器的線下標定效率低，而且會引入新的誤差，常規(guī)的濾波方法并沒有對誤差進行深度融合和補償，因此現有技術中的微慣性測量精度很低。

因此，如何提高微慣性測量的精度，成為本領域技術人員亟需解決的技術問題。

技術實現要素：

本發(fā)明的目的是提供一種微慣性測量信息的深度融合與實時補償的方法，所述方法能夠提高微慣性測量的精度。

為實現上述目的，本發(fā)明提供了如下方案：

一種微慣性測量信息的深度融合與實時補償的方法，所述方法包括：

分別獲取研究對象的角速度信息、加速度信息和磁場強度信息；

采用深度學習方法分別對所述角速度信息、所述加速度信息和所述磁場強度信息進行實時補償，分別得到補償后的補償角速度信息、補償加速度信息和補償磁場強度信息；

根據所述補償角速度信息確定第一歐拉角，根據所述補償加速度信息和所述補償磁場強度信息確定第二歐拉角；

根據所述第一歐拉角的均方差和所述第二歐拉角的均方差，確定自適應增益方法的融合增益系數，并根據所述融合增益系數將所述第一歐拉角和所述第二歐拉角融合，得到融合歐拉角，以用于對所述研究對象進行微慣性測量。

可選的，所述采用深度學習方法分別對所述角速度信息、所述加速度信息和所述磁場強度信息進行實時補償具體包括：

根據傳感器誤差特性建立補償模型：wc＝a·g(t)·[wreal-b(t)]，其中，a為常數對稱矩陣，g(t)為用于測量所述角速度信息、所述加速度信息和所述磁場強度信息的各傳感器的轉移增益函數，b(t)為各所述傳感器的偏置函數，t表示各傳感器的溫度，wreal為各所述傳感器的實際輸出，wc為補償后的輸出信息；

采用深度學習方法確定所述轉移增益函數和所述偏置函數中各參數的最優(yōu)值；

根據各所述最優(yōu)值更新所述補償模型，并根據所述補償模型分別對所述角速度信息、所述加速度信息和所述磁場強度信息進行實時補償。

可選的，通過三軸陀螺儀測量所述研究對象的角速度信息，通過三軸加速度計測量所述研究對象的加速度信息，通過三軸磁強計測量所述研究對象的磁場強度信息。

可選的，所述根據所述第一歐拉角的均方差和所述第二歐拉角的均方差，確定自適應增益方法的融合增益系數，并根據所述融合增益系數將所述第一歐拉角和所述第二歐拉角融合具體包括：

根據公式：確定融合偏差的均方差，其中，mse表示均方差，dα表示偏航角的融合偏差，dβ表示俯仰角的融合偏差,dγ表示滾轉角的融合偏差，kα表示偏航融合增益系數，kβ表示俯仰融合增益系數，kγ表示滾轉融合增益系數，所述第一歐拉角包括：第一偏航角、第一俯仰角和第一滾轉角，所述第二歐拉角包括：第二偏航角、第二俯仰角和第二滾轉角，αgyro表示所述第一偏航角，βgyro表示所述第一俯仰角，γgyro表示所述第一滾轉角，αmag表示所述第二偏航角，βacc表示所述第二俯仰角，γacc表示所述第二滾轉角；

根據所述融合偏差的均方差更新所述融合增益系數；

根據公式：得到融合歐拉角，其中，所述融合歐拉角包括：融合偏航角、融合俯仰角和融合滾轉角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滾轉角。

本發(fā)明的目的還在于提供一種微慣性測量信息的深度融合與實時補償的系統(tǒng)，所述系統(tǒng)能夠提高微慣性測量的精度。

為實現上述目的，本發(fā)明提供了如下方案：

一種微慣性測量信息的深度融合與實時補償的系統(tǒng)，所述系統(tǒng)包括：

信息獲取模塊，用于分別獲取研究對象的角速度信息、加速度信息和磁場強度信息；

實時補償模塊，用于采用深度學習方法分別對所述角速度信息、所述加速度信息和所述磁場強度信息進行實時補償，分別得到補償后的補償角速度信息、補償加速度信息和補償磁場強度信息；

歐拉角解算模塊，用于根據所述補償角速度信息確定第一歐拉角，根據所述補償加速度信息和所述補償磁場強度信息確定第二歐拉角，其中，所述第一歐拉角包括：第一偏航角、第一俯仰角和第一滾轉角，所述第二歐拉角包括：第二偏航角、第二俯仰角和第二滾轉角；

融合模塊，用于根據所述第一歐拉角的均方差和所述第二歐拉角的均方差，確定自適應增益方法的融合增益系數，并根據所述融合增益系數將所述第一歐拉角和所述第二歐拉角融合，得到融合歐拉角，以用于對所述研究對象進行微慣性測量。

可選的，所述實時補償模塊具體包括：

建模單元，用于根據傳感器誤差特性建立補償模型：wc＝a·g(t)·[wreal-b(t)]，其中，a為常數對稱矩陣，g(t)為用于測量所述角速度信息、所述加速度信息和所述磁場強度信息的各傳感器的轉移增益函數，b(t)為各所述傳感器的偏置函數，t表示各傳感器的溫度，wreal為各所述傳感器的實際輸出，wc為補償后的輸出信息；

參數確定單元，用于采用深度學習方法確定所述轉移增益函數和所述偏置函數中各參數的最優(yōu)值；

補償單元，用于根據各所述最優(yōu)值更新所述補償模型，并根據所述補償模型分別對所述角速度信息、所述加速度信息和所述磁場強度信息進行實時補償。

可選的，通過三軸陀螺儀測量所述研究對象的角速度信息，通過三軸加速度計測量所述研究對象的加速度信息，通過三軸磁強計測量所述研究對象的磁場強度信息。

可選的，所述融合模塊具體包括：

融合偏差均方差單元，用于根據公式：

確定融合偏差的均方差，其中，mse表示均方差，dα表示偏航角的融合偏差，dβ表示俯仰角的融合偏差,dγ表示滾轉角的融合偏差，kα表示偏航融合增益系數，kβ表示俯仰融合增益系數，kγ表示滾轉融合增益系數，所述第一歐拉角包括：第一偏航角、第一俯仰角和第一滾轉角，所述第二歐拉角包括：第二偏航角、第二俯仰角和第二滾轉角，αgyro表示所述第一偏航角，βgyro表示所述第一俯仰角，γgyro表示所述第一滾轉角，αmag表示所述第二偏航角，βacc表示所述第二俯仰角，γacc表示所述第二滾轉角；

更新單元，用于根據所述融合偏差的均方差更新所述融合增益系數；

歐拉角融合單元，用于根據公式：得到融合歐拉角，其中，所述融合歐拉角包括：融合偏航角、融合俯仰角和融合滾轉角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滾轉角。

根據本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術效果：

本發(fā)明首先采用深度學習方法對mems傳感器所測量的信息進行實時補償，與線下標定與濾波處理相比，解決了傳感器誤差長時漂移的問題，并且具有良好的容錯性。然后根據補償后的測量信息的均方差確定自適應增益方法的融合增益系數，采用深度融合的方法可有效縮短融合時間，提高融合精度，從而提高姿態(tài)和航向角的估計精度。本發(fā)明提供的方法及系統(tǒng)可以提高微慣性測量的精度，穩(wěn)定性好和可靠性高，時效比高，響應速度快，可以為各種設備提供精確的測量信息。

附圖說明

為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其它的附圖。

圖1為本發(fā)明實施例1的流程圖；

圖2為本發(fā)明實施例1步驟12的流程圖；

圖3為本發(fā)明實施例1步驟14的流程圖；

圖4為本發(fā)明實施例2的結構框圖；

圖5為本發(fā)明實施例2實時補償模塊的結構框圖；

圖6為本發(fā)明實施例2融合模塊的結構框圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明的目的是提供一種微慣性測量信息的深度融合與實時補償的方法及系統(tǒng)，能夠提高微慣性測量的精度。

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

實施例1：

如圖1所示，微慣性測量信息的深度融合與實時補償的方法包括：

步驟11：分別獲取研究對象的角速度信息、加速度信息和磁場強度信息，本實施例中，通過三軸陀螺儀測量研究對象的角速度信息，通過三軸加速度計測量研究對象的加速度信息，通過三軸磁強計測量研究對象的磁場強度信息；

步驟12：采用深度學習方法分別對角速度信息、加速度信息和磁場強度信息進行實時補償，分別得到補償后的補償角速度信息、補償加速度信息和補償磁場強度信息；

步驟13：根據補償角速度信息確定第一歐拉角，根據補償加速度信息和補償磁場強度信息確定第二歐拉角；

步驟14：根據第一歐拉角的均方差和第二歐拉角的均方差，確定自適應增益方法的融合增益系數，并根據融合增益系數將第一歐拉角和第二歐拉角融合，得到融合歐拉角，以用于對研究對象進行微慣性測量。

如圖2所示，步驟12具體包括：

步驟121：根據傳感器誤差特性建立補償模型：wc＝a·g(t)·[wreal-b(t)]，其中，a為常數對稱矩陣，g(t)為用于測量所述角速度信息、所述加速度信息和所述磁場強度信息的各傳感器的轉移增益函數，b(t)為各所述傳感器的偏置函數，wreal為各所述傳感器的實際輸出，wc為補償后的輸出信息；

步驟122：采用深度學習方法確定所述轉移增益函數和所述偏置函數中各參數的最優(yōu)值；

步驟123：根據各所述最優(yōu)值更新所述補償模型，并根據所述補償模型分別對所述角速度信息、所述加速度信息和所述磁場強度信息進行實時補償。

如圖3所示，步驟14具體包括：

步驟141：根據公式：確定融合偏差的均方差，其中，mse表示均方差，dα表示偏航角的融合偏差，dβ表示俯仰角的融合偏差,dγ表示滾轉角的融合偏差，kα表示偏航融合增益系數，kβ表示俯仰融合增益系數，kγ表示滾轉融合增益系數，所述第一歐拉角包括：第一偏航角、第一俯仰角和第一滾轉角，所述第二歐拉角包括：第二偏航角、第二俯仰角和第二滾轉角，αgyro表示所述第一偏航角，βgyro表示所述第一俯仰角，γgyro表示所述第一滾轉角，αmag表示所述第二偏航角，βacc表示所述第二俯仰角，γacc表示所述第二滾轉角；

步驟142：根據所述融合偏差的均方差更新所述融合增益系數；

步驟143：根據公式：得到融合歐拉角，其中，所述融合歐拉角包括：融合偏航角、融合俯仰角和融合滾轉角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滾轉角。

本實施例首先利用多個mems傳感器，包括三軸陀螺儀、三軸加速度計和三軸磁強計所測量的信息建立一個誤差補償模型，然后在傳感器工作狀態(tài)下進行均方差估計，在此基礎上提出了一種自適應增益融合算法，可有效提高姿態(tài)和航向角的估計精度。采用深度學習的方法對傳感器的輸出誤差進行實時補償，避免了線下標定與濾波處理，解決了傳感器誤差長時漂移問題，并且具有良好的容錯性。

實施例2：

如圖4所示，微慣性測量信息的深度融合與實時補償的系統(tǒng)包括：

信息獲取模塊41，用于分別獲取研究對象的角速度信息、加速度信息和磁場強度信息；

實時補償模塊42，用于采用深度學習方法分別對所述角速度信息、所述加速度信息和所述磁場強度信息進行實時補償，分別得到補償后的補償角速度信息、補償加速度信息和補償磁場強度信息；

歐拉角解算模塊43，用于根據所述補償角速度信息確定第一歐拉角，根據所述補償加速度信息和所述補償磁場強度信息確定第二歐拉角，其中，所述第一歐拉角包括：第一偏航角、第一俯仰角和第一滾轉角，所述第二歐拉角包括：第二偏航角、第二俯仰角和第二滾轉角；

融合模塊44，用于根據所述第一歐拉角的均方差和所述第二歐拉角的均方差，確定自適應增益方法的融合增益系數，并根據所述融合增益系數將所述第一歐拉角和所述第二歐拉角融合，得到融合歐拉角，以用于對所述研究對象進行微慣性測量。

如圖5所示，實時補償模塊42具體包括：

建模單元421，用于根據傳感器誤差特性建立補償模型：wc＝a·g(t)·[wreal-b(t)]，其中，a為常數對稱矩陣，g(t)為用于測量角速度信息、加速度信息和磁場強度信息的各傳感器的轉移增益函數，b(t)為各傳感器的偏置函數，wreal為各傳感器的實際輸出，wc為補償后的輸出信息；

參數確定單元422，用于采用深度學習方法確定轉移增益函數和偏置函數中各參數的最優(yōu)值；

補償單元423，用于根據各最優(yōu)值更新補償模型，并根據補償模型分別對角速度信息、加速度信息和磁場強度信息進行實時補償。

如圖6所示，融合模塊44具體包括：

融合偏差均方差單元441，用于根據公式：

確定融合偏差的均方差，其中，mse表示均方差，dα表示偏航角的融合偏差，dβ表示俯仰角的融合偏差,dγ表示滾轉角的融合偏差，kα表示偏航融合增益系數，kβ表示俯仰融合增益系數，kγ表示滾轉融合增益系數，所述第一歐拉角包括：第一偏航角、第一俯仰角和第一滾轉角，所述第二歐拉角包括：第二偏航角、第二俯仰角和第二滾轉角，αgyro表示所述第一偏航角，βgyro表示所述第一俯仰角，γgyro表示所述第一滾轉角，αmag表示所述第二偏航角，βacc表示所述第二俯仰角，γacc表示所述第二滾轉角；

更新單元442，用于根據所述融合偏差的均方差更新所述融合增益系數；

歐拉角融合單元443，用于根據公式：

得到融合歐拉角，其中，所述融合歐拉角包括：融合偏航角、融合俯仰角和融合滾轉角，α表示所述融合偏航角、β表示所述融合俯仰角、γ表示所述融合滾轉角。

本發(fā)明針對現有濾波系統(tǒng)精度低，融合精度低，誤差補償效果不佳的問題，首先采用深度學習方法對傳感器輸出的信息進行實時補償，然后采用深度融合方法對補償后的信息進行估計，估計誤差采用自適應增益法進行融合，可有效提高融合精度，同時可消除穩(wěn)態(tài)需求和線下標定，可對傳感器長時漂移誤差進行有效補償，使測量系統(tǒng)的融合精度更高，穩(wěn)定性更好。

實施例3：微慣性測量信息的深度融合與實時補償的方法包括：

步驟31：分別獲取研究對象的角速度信息、加速度信息和磁場強度信息：

獲取微機電系統(tǒng)(microelectromechanicalsystems，mems)傳感器，包括三軸陀螺儀、三軸加速度計、三軸磁強計，分別輸出的角速度信息、加速度信息和磁場強度信息,傳感器的三個軸向x-y-z定義為前-右-下，歐拉角用α-yaw,β-pitch,γ-roll表示，載體姿態(tài)用滾轉角γ和俯仰角β表示，航向用偏航角α表示。

步驟32：采用深度學習方法分別對角速度信息、加速度信息和磁場強度信息進行實時補償，分別得到補償后的補償角速度信息、補償加速度信息和補償磁場強度信息；

(1)根據各傳感器的誤差特性建立補償模型：wc＝g(t)·wreal-b(t)，其中，g(t)為用于測量角速度信息、加速度信息和磁場強度信息的各傳感器的轉移增益函數，b(t)為各傳感器的偏置函數，t表示各傳感器的溫度，wreal為各傳感器的實際輸出，wc為補償后的輸出信息。

轉移增益函數g(t)和偏置函數b(t)可以表示為：

其中，n表示傳感器的采樣個數，k表示第k個采樣點,i＝x,y,z。一般系統(tǒng)中陀螺儀和加速度計每個軸向都有自己的輸出增益和偏置補償函數，傳感器的誤差漂移速度比增益快，因此將誤差函數從增益函數中隔離出來，有助于方便計算，修改后的原始輸出和補償輸出關系式為：

wc＝a·g(t)·[wreal-b(t)]，

其中，a為常數對稱矩陣，

其中，gx(t)，gy(t)，gz(t)分別表示傳感器的x軸，y軸，z軸的轉移增益函數，gx,k、gy,k、gz,k分別表示第k個采樣點的相應增益函數的參數，bx(t)，by(t)，bz(t)分別表示x軸，y軸，z軸的偏置函數，bx,k、by,k、bz,k分別表示第k個采樣點相應偏置函數的參數。

(2)通過深度學習方法確定參數gi,k，bi,k的最優(yōu)值，采用擴展梯度下降法最小化損失函數：

式中wl表示傳感器的理論輸出值，e表示實際輸出值與理論值的偏差。損失函數的梯度表示為：

其中ci,k表示補償模型中的相關系數，通過損失函數的梯度公式將wc＝a·g(t)·[wreal-b(t)]細化展開，得到：

其中，bi(t)是多項式bi當前歸一化溫度t時的值，gi(t)是多項式gi當前歸一化溫度t時的值，m＝1,2,3。通過對gi,k和bi,k求梯度，統(tǒng)計該系數的自適應學習率，最終獲取最優(yōu)參數，提高深度學習效率，有效補償傳感器的實時輸出誤差。

步驟33：根據所述補償角速度信息確定第一歐拉角，根據所述補償加速度信息和所述補償磁場強度信息確定第二歐拉角：

(1)本發(fā)明采用均方差的方法來提高估計精度，假設傳感器變量為y＝f(x1,x2,.....xn)，其均方差可近似表示為：

其中，y表示傳感器輸出，xk表示傳感器變量，n表示總的采樣點，mse表示均方差。

利用補償后的陀螺儀數據估計第一歐拉角，補償后的陀螺儀的輸出角速度用ω表示，角速度通過旋轉矩陣合成歐拉角。根據每個時刻的角速度來更新旋轉矩陣：

ru＝rupdate×r，

其中,α′表示原始偏航角，β′表示原始俯仰角，γ′表示原始滾轉角,ωx,ωy,ωz依次表示補償后的x軸、y軸和z軸的角速度矢量，δt是陀螺儀的采樣周期，mse(ωiδt)＝mse(δi)＝egyro，ru表示更新后的旋轉矩陣，rupdata表示旋轉矩陣的更新因子矩陣，r表示原始旋轉矩陣。更新后的旋轉矩陣ru的均方差mse為：

rui,k′表示矩陣ru的第i行第k′列，ri,k′表示矩陣r的第i行第k′列，mse表示均方差,其中egyro表示陀螺誤差，δ表示角度增量，i＝1，2，3，k′＝1,2,3，陀螺儀解算的第一歐拉角表示為：

αgyro＝atan2(ru2,3,ru3,3)，βgyro＝arcsin(-ru1,3)，γgyro＝atan2(ru1,2,ru1,1)，其中，αgyro表示第一偏航角，βgyro表示第一俯仰角，γgyro表示第一滾轉角。

相對應的歐拉角均方差為：

(2)利用補償后的加速度計數據估計第二滾轉角和第二俯仰角，ax,ay,az分別表示x軸、y軸和z軸輸出的加速度，根據穩(wěn)態(tài)條件下的初始對準，可以將第二滾轉角和第二俯仰角分別表示為：γacc＝atan2(-ay,-az)，所估計姿態(tài)角的均方差表示為：

(3)利用補償后的磁強計數據估計第二偏航角，x軸、與軸和z軸的磁場強度數據分別用bx,by,bz表示，需要對地磁數據進行坐標系變換，轉換到導航坐標系下，轉化關系為：

其中，r表示原始旋轉矩陣，b′x,b′y,b′z分別表示導航坐標系下的磁場強度，第二偏航角的計算公式為：

αmag＝atan2(-b′y,-b′x)，

所估計的第二偏航角的均方差表示為：

步驟34：根據第一歐拉角的均方差和所述第二歐拉角的均方差，確定自適應增益方法的融合增益系數，并根據融合增益系數將第一歐拉角和第二歐拉角融合，得到融合歐拉角，以用于對研究對象進行微慣性測量：

采用自適應增益的方法進行融合，得到融合歐拉角：

其中kα,kβ,kγ表示融合增益系數，dα,dβ,dγ表示融合偏差：

融合偏差的均方差表示為：

本實施例采用深度學習方法，即擴展梯度下降法對傳感器的輸出誤差進行實時補償，可實現在線學習，避免了線下標定與濾波處理，解決了傳感器誤差長時間漂移的問題，并且具有良好的容錯性。利用不同傳感器的獨有性能按照實現的功能，采用自適應增益方法進行功能信息的深度融合，較少冗余信息和無用信息的融合，采用均方差方法極大地提高了估計精度，從而有效縮短融合時間，提高融合精度。同時，本實施例對補償模型也進行了優(yōu)化，對模型中的相關參數進行深度學習訓練，從而獲取最優(yōu)參數，達到深度融合與補償的效果。本實施例提供的方法可以保證慣性測量的穩(wěn)定性和可靠性，時效比高，響應速度快，可以為各種設備提供精確的測量信息。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的系統(tǒng)而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發(fā)明的思想，在具體實施方式及應用范圍上均會有改變之處。綜上所述，本說明書內容不應理解為對本發(fā)明的限制。