[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

说明书

本申请是关于一种基于卷积神经网络模型的惯性测量单元标定方法及装置。该方法包括：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、以及预先训练好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。本申请提供的方案，能够基于卷积神经网络模型降低惯性测量单元的测量误差，实现惯性测量单元的标定。

技术领域

本申请涉及导航技术领域，尤其涉及一种基于卷积神经网络模型的惯性测量单元标定方法及装置。

背景技术

相关技术的车辆导航多依赖于卫星定位模块例如GPS（Global PositioningSystem，全球定位系统）卫星定位模块。但在某些场景下，例如桥下，涵洞，隧道，密集楼宇之间等GPS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。而包含惯性测量单元（Inertial Measurement Unit，简称IMU）的惯性导航系统，可以利用惯性测量单元的测量数据，能够推算出车辆准确的速度、姿态和位置信息。

惯性导航系统利用惯性测量单元的加速度计和陀螺仪的测量数据推算车辆的速度、姿态和位置信息。然而，惯性测量单元中的加速度计和陀螺仪受各种因素影响，使用一段时间后，其参数和性能会发生变化，使得的测量数据会有所偏差，而且随着时间的推移积累较大的误差，导致利用惯性测量单元的测量数据进行定位导航的进度降低。因此必须降低惯性测量单元的测量误差，对惯性测量单元进行标定。

发明内容

为解决或部分解决相关技术中存在的问题，本申请提供一种基于卷积神经网络模型的惯性测量单元标定方法及装置，能够基于卷积神经网络模型降低惯性测量单元的测量误差，实现惯性测量单元的标定。

本申请第一方面提供一种基于卷积神经网络模型的惯性测量单元标定方法，所述方法包括：

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、以及预先训练好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。

优选的，所述卷积神经网络模型的训练步骤包括：

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。

优选的，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。