[发明专利]一种基于深度学习的高精度惯性导航设备误差补偿方法

说明书

本发明提供一种基于深度学习的高精度惯性导航设备误差补偿方法，包括输入惯性导航系统误差，还包括以下步骤：通过特定算法生成变化的惯性器件误差和温度补偿模型参数误差；将所述器件误差和所述温度补偿模型参数误差导入到高精度惯性导航设备中；高精度转台按照设定轨迹进行运动；根据运动轨迹和惯导导航输出获得导航误差；把从步骤1‑4中得到的数据作为深度学习模型训练样本对深度学习模型进行训练；对所述深度学习模型的正确性进行实测验证。本发明中的深度学习采用多隐层逐一训练的方式进行预训练，然后再针对整个网络进行微调，可在保证系统在线更新实时性的基础之上，不损失模型精度。

技术领域

本发明涉及惯性导航的技术领域，特别是一种基于深度学习的高精度惯性导航设备误差补偿方法。

背景技术

惯性导航设备(Inertial Navigation System,INS)由于具有短时精度高、自主性好、信息全面、更新频率高等优势，一般作为多信息源导航系统中的核心单元。惯性导航设备具有诸多优势的同时，也具有导航误差随时间发散的固有缺陷。GPS(Global PositionSystem)、BDS(BeiDou System)和GLONASS(Global Navigation Satellite System)等卫星导航系统具有精度高、误差不随时间发散、全天候等优势，但同时也有信号容易被干扰和遮挡的缺陷。

惯性/卫星组合导航系统可以融合惯性和卫星系统各自特点，实现优势互补，协同超越，是应用最为广泛的一种导航设备数据融合技术。按照数据融合层次不同，惯性/卫星组合导航系统可分为松(浅)组合、紧组合和超紧(深)组合。

另外，视觉导航、天文导航、里程计作为常用的传感器，输出数据也具有不同的误差特性，惯性/视觉、惯性/天文、惯性/里程计组合同样可以实现优势互补的效果。

目前所有的组合导航算法(惯性/卫星、惯性/视觉、惯性/天文、惯性/里程计组合导航)都是通过kalman滤波器实现的，均采用对系统误差进行建模的方式，通过状态估计算法，实现对误差的估计。该类型方法可以在一定程度上实现对误差的可靠估计，但是不可避免的存在模型非线性近似误差，并且该误差在极端运动环境下会明显变大。同时，系统为了保证在线更新的实时性，一般只选取主要的误差进行建模，并且会对误差模型关系进行进一步近似，减小计算量，这无疑降低误差估计精度。

公开号为CN104121930A的发明申请公开了一种基于加表耦合的MEMS陀螺漂移误差的补偿方法，该方法包括下述步骤：(1)根据加表实时测得的载体加速度信息获得陀螺漂移误差量Δω(t)；(2)建立误差调节模型ωC(t)＝ΔωP+ΔωI；根据公式ΔωP＝K P*Δω(t)和ΔωI＝ΔωI+KI*dt*Δω(t)以及所述陀螺漂移误差量Δω(t)获得第一误差调节控制量ΔωP和第二误差调节控制量ΔωI；将第一误差调节控制量ΔωP和第二误差调节控制量ΔωI代入误差调节模型中获得陀螺漂移误差补偿量ωC(t)；(3)根据所述陀螺漂移误差补偿量对陀螺数据进行误差补偿并获得补偿后的陀螺信息。该方法采集当前可以测量到的信息，根据经验建立测量信息与系统误差之间的关系，通过测量信息推算出系统误差，并不能保证每台设备都能够准确无误的使用。

公开号为CN104977021A的发明申请公开了一种星光导航环境误差补偿方法，该方法包括以下步骤：步骤一：数据采集，误差补偿所需的各种数据由星敏感器与惯导所组成的组合导航系统采集获得；步骤二：误差计算：计算得到需补偿的误差值；步骤三：误差补偿，用步骤二得到的误差值进行补偿。方法采集当前可以测量到的信息，根据经验建立测量信息与系统误差之间的关系，通过测量信息推算出系统误差，没有对产品进行单独的训练步骤。

发明内容

为了解决上述的技术问题，本发明提出了一种在智能驾驶中基于视觉图像和激光雷达信号的深度学习方法，以深度学习模型代替传统的误差模型，通过非线性神经网络，实现对系统误差的实时、精确估计。