[发明专利]基于卷积神经网络模型的惯性测量单元标定方法及装置

权利要求书

1.一种基于卷积神经网络模型的惯性测量单元标定方法，其特征在于，包括：

初始化卷积神经网络模型，包括：定义卷积神经网络模型的卷积核大小为N，并为每个卷积核设定参数值，其中，N为大于1的整数；

以时刻（I-1）*N+1至时刻I*N的惯性测量单元的测量数据为第I组测量数据序列，对一时间段的惯性测量单元的测量数据进行分割，获得每组包括N个测量数据的K组测量数据序列，其中，K为大于等于N的整数，I=1，2，…，K；

向卷积神经网络模型输入所述K组测量数据序列，以及定位模块的位置数据序列；

使卷积神经网络模型分别依据第I组测量数据序列输出时刻I*N的IMU估计数据，并分别依据时刻I*N的IMU估计数据推算获得时刻I*N的轨迹点推算位置，由此获得K个轨迹点推算位置；

依据每个时刻I*N的轨迹点推算位置与所述定位模块的位置数据，获得每个时刻I*N的轨迹点推算位置与所述定位模块的位置数据的第I个差值，并获得K个差值的累积和；

如果K个差值的累积和小于设定的第一阈值或者循环次数超过设定的第二阈值，停止卷积神经网络模型的训练，即完成卷积神经网络模型的训练；

获取惯性测量单元的至少一组测量数据序列；

依据所述至少一组测量数据序列、以及完成训练的卷积神经网络模型，获取与所述至少一组测量数据序列相对应的至少一个时刻的IMU估计数据。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

如果K个差值的累积和大于或等于设定的第一阈值或者循环次数超过设定的第二阈值，并且K个差值的累积和小于卷积神经网络模型的损失值，将循环次数L更新为L+1，依据设定的卷积神经网络模型的学习率修改第j个卷积核的参数值，将卷积神经网络模型的损失值更新为K个差值的累积和，其中，j为L除N的余数。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

如果K个差值的累积和大于或等于设定的第一阈值或者循环次数没有超过设定的第二阈值，并且K个差值的累积和大于或等于卷积神经网络模型的损失值，将循环次数L更新为L+1，依据设定的卷积神经网络模型的学习率修改第j-1个卷积核的参数值。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述初始化卷积神经网络模型，包括：定义卷积神经网络模型的卷积核大小为N，并为每个卷积核设定参数值，其中，N为大于1的整数，包括：

依据惯性测量单元采集测量数据的采集频率，初始化卷积神经网络模型，包括：以采集频率的约数或者倍数定义卷积神经网络模型的卷积核大小为N，并为每个卷积核设定参数值，其中，N为大于1的整数。