[发明专利]训练神经网络模型以及飞行器姿态解算的方法、装置

说明书

本发明涉及无人机技术领域，公开了一种应用于训练神经网络模型的方法、以及应用于飞行器姿态解算的方法、装置。该方法包括：接收训练数据；其中，训练数据对应有期望数据；以训练数据为神经网络模型的输入，进行神经网络模型的节点运算，输出训练结果数据，以拟合飞行器的姿态解算过程；判断训练结果数据与期望数据的误差是否小于误差阈值；若否，则调整神经网络模型中各节点之间的连接权值以及各节点的输出阈值，以使神经网络模型输出的训练结果数据逼近期望数据，直至训练结果数据与期望数据的误差小于误差阈值。通过上述方式，本发明能够降低飞行器的姿态解算算法的运算量。

技术领域

本发明涉及无人机技术领域，特别是涉及一种应用于训练神经网络模型的方法、以及应用于飞行器姿态解算的方法、装置。

背景技术

无人机姿态解算是指无人机飞控系统通过无人机上的传感器采集传感器数据，之后选择相应的姿态解算算法计算出无人机的飞行姿态。无人机姿态解算是无人机导航的基础，其重要性不言而喻，并且姿态解算算法的精度直接决定了无人机导航的精度。而目前常用的无人机姿态解算算法存在鲁棒性差，精度低，运算量大的问题。

发明内容

有鉴于此，本发明主要解决的技术问题是提供一种应用于训练神经网络模型的方法以及应用于飞行器姿态解算的方法、装置，能够降低飞行器的姿态解算算法的运算量。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种应用于训练神经网络模型的方法，该方法包括：接收训练数据；其中，训练数据对应有期望数据；以训练数据为神经网络模型的输入，进行神经网络模型的节点运算，输出训练结果数据，以拟合飞行器的姿态解算过程；判断训练结果数据与期望数据的误差是否小于误差阈值；若否，则调整神经网络模型中各节点之间的连接权值以及各节点的输出阈值，以使神经网络模型输出的训练结果数据逼近期望数据，直至训练结果数据与期望数据的误差小于误差阈值。

为解决上述技术问题，本发明采用的又一个技术方案是：提供一种应用于飞行器姿态解算的方法，该方法包括：接收飞行器的加速度计测量数据、磁力计测量数据以及陀螺仪测量数据；以加速度计测量数据、磁力计测量数据以及陀螺仪测量数据为神经网络模型的输入，进行神经网络模型的节点运算；输出飞行器的横滚角、俯仰角以及偏航角；其中，神经网络模型由上述实施例所阐述应用于训练神经网络模型的方法训练而得。

为解决上述技术问题，本发明采用的又一个技术方案是：提供一种应用于飞行器姿态解算的装置，该装置包括输入/输出电路以及处理器，输入/输出电路与处理器耦接，处理器用于实现如下动作：控制输入/输出电路接收飞行器的加速度计测量数据、磁力计测量数据以及陀螺仪测量数据；以加速度计测量数据、磁力计测量数据以及陀螺仪测量数据为神经网络模型的输入，进行神经网络模型的节点运算；控制输入/输出电路输出飞行器的横滚角、俯仰角以及偏航角；其中，神经网络模型由上述实施例所阐述应用于训练神经网络模型的方法训练而得。

本发明的有益效果是：区别于现有技术，本发明提供一种应用于训练神经网络模型的方法。该方法包括接收训练数据，并以训练数据为神经网络模型的输入数据，进行神经网络模型的节点运算，输出训练结果数据，以拟合飞行器的姿态解算过程。通过比对所输出的训练结果数据与期望数据，调整神经网络模型中各节点之间的连接权值以及各节点的输出阈值，使得神经网络模型输出的训练结果数据逼近期望数据，从而完成神经网络模型的训练工作，并利用训练后的神经网络模型拟合飞行器姿态解算的过程，避免了常规解算算法所需的大量三角函数、矩阵等高阶数学运算，能够降低飞行器的姿态解算算法的运算量，从而改善飞行器的姿态解算算法的鲁棒性。

附图说明

图1是本发明应用于训练神经网络模型的方法一实施例的流程示意图；

图2是本发明应用于训练神经网络模型的方法另一实施例的流程示意图；

图3是本发明神经网络模型一实施例的结构示意图；

图4是本发明互补滤波算法一实施例的原理示意图；