[发明专利]一种基于贝叶斯NAS的惯性导航方法

说明书

本发明提供一种基于贝叶斯NAS的惯性导航方法，采用惯性/里程计组合导航的方式，引入贝叶斯优化对神经架构搜索，辅助组合导航系统在卫星拒止环境下进一步提升导航精度、抗干扰能力和稳定性，为了在低成本设备上实现该方案，将贝叶斯优化提取到上位机完成，同时对系统的延迟、计算能力、FLAH和SRAM资源等进行了动态优化，本方法精度高、可靠性高，主要应用于地面行进车辆、智能机器人等资源有限的惯性导航系统，具有深度学习的能力，在低成本设备上实现高效算法，降低了使用深度学习的设备成本，下位机可以只进行常规运算，大量卷积类运算移交给上位机进行，同时，一台上位机可以同时支持几台导航设备，甚至可以使用云计算的模式进一步提升能力。

技术领域

本发明涉及测量测试技术领域，具体涉及一种基于贝叶斯NAS的惯性导航方法。

背景技术

惯性/里程计的组合导航系统在卫星拒止环境下得到广泛使用，与基于航迹推算的组合导航方法相比，基于神经网络深度学习的组合导航系统具有更高的精度、分辨率和稳定性。然而，现有的神经网络惯性/里程计组合导航构架对硬件资源的要求很高，不适合在低资源、低成本的设备上应用。

目前国内对于采用深度学习神经网络在惯性导航系统上的应用主要是BPNN，没有搜索到采用贝叶斯神经构架的先例。通常情况下，后者的绝大部分预测值相比前者更为接近真实值，预测效果更好。如：《基于BP神经网络的惯性导航室内定位方法》[专利]发明专利CN201910067512.2、《一种基于bp神经网络改善的室内惯性导航方法》[专利]发明专利CN201611020582.5、《基于LSTM神经网络模型的MEMS惯性导航系统定位增强方法》[专利]发明专利CN202110798898.1等。

目前的基于深度学习的惯性导航系统往往都需要配备强大硬件资源的计算机，无法广泛应用于低成本、小型化设备，或需要进行后处理，无法满足实时性要求。如：《基于神经网络模型的车辆轨迹推算方法及装置》[专利]发明专利CN202110597498.4。

以《一种基于bp神经网络改善的室内惯性导航方法》专利为例，提出了一种利用人体行进步长与惯性系统进行组合的方法。只针对行人的部分行进特点且易受干扰，稳定性差。

因此亟需一种精度和可靠性都高的导航方法。

发明内容

本发明是为了解决导航精度和可靠性的问题，提出了一种基于贝叶斯NAS的惯性导航方法，采用惯性/里程计组合导航的方式，引入贝叶斯优化对神经架构搜索，辅助组合导航系统在卫星拒止环境下进一步提升导航精度、抗干扰能力和稳定性，为了在低成本设备上实现该方案，将贝叶斯优化提取到上位机完成，同时对系统的延迟、计算能力、FLAH和SRAM资源等进行了动态优化，本方法精度高、可靠性高，主要应用于地面行进车辆、智能机器人等，也可以在此基础上进一步研究行人、动物、空中和水下航行器等的导航方法，并开发相应的低成本产品。

本发明提供一种基于贝叶斯NAS的惯性导航方法，包括以下步骤：

S1、信号采集：惯性/里程计组合导航模块将测量得到的角速度信号、加速度信号和里程脉冲信号同时输出至导航计算机、上位机；

S2、基础姿态解算：导航计算机包括电连接的姿态解算模块、导航计算机神经网络模块和控制模块，姿态解算模块根据角速度信号、加速度信号和里程脉冲信号进行基础姿态解算并得到姿态信息和运动元数据输出至导航计算机神经网络模块，运动元数据用于通过判断惯性/里程计组合导航模块的运动状态进行噪声消除，运动状态包括加速、减速、匀速和静止，运动元数据包括速度增量，噪声包括惯性/里程计组合导航模块的漂移和异常值干扰；

S3、神经架构搜索：上位机使用贝叶斯神经架构搜索寻找提高导航计算机硬件SRAM和FLASH的使用率以及减少延迟的最优神经网络，并输出控制命令、修正信息和硬件模型至控制模块；