1.本发明属于姿态传感器误差补偿技术领域，具体涉及一种基于神经网络的 九轴姿态传感器一体化智能误差补偿方法。
背景技术：2.九轴姿态传感器由三轴陀螺仪、三轴加速度计和三轴磁阻传感器组成，是 获取载体姿态的核心组件。九轴姿态传感器误差补偿技术已经成为制约载体获 取高精度姿态的关键因素之一。传统九轴姿态传感器误差补偿方法：陀螺仪敏 感载体三轴方向上的角速率。陀螺仪误差补偿的思路在于给予陀螺仪激励信号， 通过采集得到的陀螺仪输入-输出值进行误差模型辨识。陀螺仪传统误差补偿实 验通常采用转台按一定路径运动进行误差激励，并采用最小二乘法辨识误差模 型系数。加速度计敏感载体三轴方向上的加速度。在常规使用场景中以重力加 速度作为激励信号，不需要额外输入激励信号，多为多位置静态实验。除去传 统的以6位置为基础展开的12位置、24位置等多位置静态实验，结合几何约束 条件的同时考虑零偏等静态误差的因素，发展了基于椭球拟合的动态实验以及 基于三轴转台的球内接多面体的多位置静态实验。磁阻传感器敏感载体所受磁 场。常规使用场景中以地磁为激励，不需要额外激励信号，也多采用静态实验 的形式。与加速度计误差补偿类似，也有以6位置为基础的静态多位置方法， 也能够采用基于椭球拟合的办法。传统误差补偿实验需要高精度转台的支持， 标定之前需要制定详细的误差补偿路径，耗时较长。同时存在误差补偿结果难 以迁移到不同环境、每次应用前都需要依赖其他传感器或外部参考转台进行误 差补偿以及精度不高等问题。
技术实现要素：3.为解决上述问题，本发明提供了一种基于神经网络的九轴姿态传感器一体 化智能误差补偿方法，能够保证误差补偿精度的同时减少误差补偿所需时间， 提高误差补偿效率。
4.为实现上述目的，本发明技术方案为：
5.一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，所述神经 网络为bp神经网络，所述补偿方法包括以下步骤：
6.s1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种 传感器误差补偿方法及结果；
7.采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输出值 作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空间对 准和时间对准，将信号划分为神经网络的训练集和测试集；
8.s2：采用训练集训练bp神经网络，输入为低精度九轴姿态传感器输出测量 值；输出为高精度九轴姿态传感器输出测量值；
9.s3：采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标；其 中陀螺仪
x轴rmse为：
[0010][0011]
其中，指陀螺仪x轴误差补偿前后误差的rmse指标，ω
x
(i)和指陀螺仪第i次测量x轴输出的测量值和误差补偿得到的x轴输入估计值。
[0012]
其中，所述神经网络训练算法为levenberg marquardt，损失函数为meansquare error。
[0013]
其中，所述神经网络的隐藏层层数、神经元节点数以及迭代次数根据训练 集确定。
[0014]
一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，所述神经 网络为rbf神经网络；所述补偿方法包括以下步骤：
[0015]
s1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种 传感器误差补偿方法及结果；采集不同精度的九轴姿态传感器的测量输出值， 将精度高的传感器输出值作为真值，精度低的输出值作为带误差的测量值，将 两组信号分别进行空间对准和时间对准，将信号划分为神经网络的训练集和测 试集；
[0016]
s2：采用训练集训练rbf神经网络，输入为低精度九轴传感器输出测量值， 输出为九轴传感器输出测量值；
[0017]
s3：采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标。
[0018]
其中，所述神经网络的分散度参数根据训练集不同进行调整。
[0019]
有益效果
[0020]
本发明开展基于智能算法的九轴姿态传感器分立和一体化误差补偿方法研 究，引入神经网络方法，首先分别对陀螺仪、加速度计和磁阻传感器进行误差 补偿，融合三种传感器误差补偿方法及结果，再设计九轴姿态传感器一体化误 差补偿方法，实现实际应用中不需要反复误差补偿且具有高精度感知角速度、 线速度和地磁场的功能。其中神经网络的输入值为误差较大的九轴姿态传感器 的测量值，输出值为精度较高即误差较小的九轴姿态传感器的测量值。运用神 经网络的九轴姿态传感器一体化误差补偿方法，适用于无高精度转台的现场标 定环境，标定精度优于基于最小二乘法的传统标定方法，标定时间短。
附图说明
[0021]
图1为本发明提供基于神经网络的智能误差补偿的流程图。
具体实施方式
[0022]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施 例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
[0023]
本发明是基于bp神经网络的分立和一体化智能误差补偿方法，和基于rbf 神经网络的分立和一体化智能误差方法，能够提高补偿精度，减少误差补偿花 费时间。
[0024]
其中，基于bp神经网络的分立智能误差补偿方法，包括以下步骤：
[0025]
s1：采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输 出值作
为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空 间对准和时间对准，将信号按照比例划分为神经网络的训练集和测试集。
[0026]
s2：采用训练集训练bp神经网络，输入输出设置如表1所示：
[0027]
表1分立智能误差补偿bp神经网络参数设置
[0028][0029][0030]
其中，隐藏层层数、神经元节点数、迭代次数等参数根据训练集不同可进 行调整。
[0031]
s3：采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标，其 中rmse计算如式(1)所示，以计算陀螺仪x轴rmse为例：
[0032][0033]
其中，指陀螺仪x轴误差补偿前后误差的rmse指标，ω
x
(i)和指陀螺仪第i次测量x轴输出的测量值和误差补偿得到的x轴输入估计值。
[0034]
基于bp神经网络的一体化智能误差补偿方法，包括以下步骤：
[0035]
s1：采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输 出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空 间对准和时间对准，将信号按照4：1比例划分为神经网络的训练集和测试集。
[0036]
s2：采用训练集训练bp神经网络，输入输出设置如表2所示：
[0037]
表2一体化智能误差补偿bp神经网络参数设置
[0038][0039]
其中，隐藏层层数、神经元节点数、迭代次数等参数根据训练集不同可进 行调整。
[0040]
采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标。
[0041]
基于rbf神经网络的分立智能误差补偿方法，包括以下步骤：
[0042]
s1：采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输 出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空 间对准和时间对准，将信号按照4：1比例划分为神经网络的训练集和测试集。
[0043]
s2：采用训练集训练rbf神经网络，输入输出设置如表3所示：
[0044]
表3分立智能误差补偿rbf神经网络参数设置
[0045][0046]
其中，分散度参数根据训练集不同可进行调整。
[0047]
s3：采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标。
[0048]
基于rbf神经网络的一体化智能误差补偿方法，包括以下步骤：
[0049]
s1：采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输 出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空 间对准和时间对准，将信号按照4：1比例划分为神经网络的训练集和测试集。
[0050]
s2：采用训练集训练rbf神经网络，输入输出设置如表4所示：
[0051]
表4一体化智能误差补偿rbf神经网络参数设置
[0052]
[0053][0054]
其中，分散度参数根据训练集不同可进行调整。
[0055]
s3：采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标。
[0056]
参见图1，以手机九轴姿态传感器为低精度传感器，型号为mti-g-710的工 业级imu为高精度传感器，以基于rbf神经网络的一体化智能误差补偿为例， 其中包括以下步骤：
[0057]
s1：采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输 出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空 间对准和时间对准，将信号按照4:1比例划分为神经网络的训练集和测试集。
[0058]
s2：采用训练集训练rbf神经网络，输入输出设置如表5所示：
[0059]
表5一体化智能误差补偿rbf神经网络参数设置
[0060][0061]
其中，分散度参数根据训练集不同可进行调整。
[0062]
s3：采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标。
[0063]
下面对本实施例的一体化智能误差补偿具有提高补偿精度和补偿效率进行 论证。
[0064]
将采集得到的手机九轴姿态传感器的输出值和mti-g-710的输出值作为数 据集，得到传统和智能误差补偿后的误差曲线和rmse。由误差曲线得到陀螺 仪、加速度计和磁阻传感器的误差曲线最大值、平均值以及rmse表现如表5
‑ꢀ
表8所示。
[0065]
表5一体化误差补偿陀螺仪误差补偿各方法误差指标表
[0066][0067]
表6一体化误差补偿加速度计误差补偿各方法误差指标表
[0068][0069]
表7一体化误差补偿磁阻传感器误差补偿各方法误差指标表
[0070][0071]
表8一体化误差补偿各误差补偿方法精度提升表
[0072][0073]
由表5－表8可知，一体化智能误差补偿方法确实能够提高误差补偿精度。 重复记录不同模型计算预测值时间，如表9所示。
[0074]
表9不同误差补偿方式计算所需时间表
[0075][0076][0077]
由表9可知，智能误差补偿相对于传统方法确实能够减少计算时间，此次 一体化补偿中rbf神经网络提高补偿效率效果最优。
[0078]
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保 护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等， 均应包含在本发明的保护范围之内。
技术特征：1.一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，其特征在于，所述神经网络为bp神经网络，所述补偿方法包括以下步骤：s1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种传感器误差补偿方法及结果；采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空间对准和时间对准，将信号划分为神经网络的训练集和测试集；s2：采用训练集训练bp神经网络，输入为低精度九轴姿态传感器输出测量值；输出为高精度九轴姿态传感器输出测量值；s3：采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标；其中陀螺仪x轴rmse为：其中，指陀螺仪x轴误差补偿前后误差的rmse指标，ω
x
(i)和指陀螺仪第i次测量x轴输出的测量值和误差补偿得到的x轴输入估计值。2.如权利要求1所述的方法，其特征在于，所述神经网络训练算法为levenberg marquardt，损失函数为mean square error。3.如权利要求1或2所述的方法，其特征在于，所述神经网络的隐藏层层数、神经元节点数以及迭代次数根据训练集确定。4.一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，其特征在于，所述神经网络为rbf神经网络；所述补偿方法包括以下步骤：s1：首先分别对陀螺仪、加速度计和磁阻传感器进行误差补偿，融合三种传感器误差补偿方法及结果；采集不同精度的九轴姿态传感器的测量输出值，将精度高的传感器输出值作为真值，精度低的输出值作为带误差的测量值，将两组信号分别进行空间对准和时间对准，将信号划分为神经网络的训练集和测试集；s2：采用训练集训练rbf神经网络，输入为低精度九轴传感器输出测量值，输出为九轴传感器输出测量值；s3：采用误差曲线最大值和平均值以及rmse作为评价补偿效果指标。5.如权利要求3所述的方法，其特征在于，所述神经网络的分散度参数根据训练集不同进行调整。
技术总结本发明提供了一种基于神经网络的九轴姿态传感器一体化智能误差补偿方法，能够保证误差补偿精度的同时减少误差补偿所需时间，提高误差补偿效率。本发明引入神经网络建立智能误差模型，其中神经网络的输入值为误差较大的九轴姿态传感器的测量值，输出值为精度较高即误差较小的九轴姿态传感器的测量值。运用神经网络的九轴姿态传感器一体化误差补偿方法，适用于无高精度转台的现场标定环境，标定精度优于基于最小二乘法的传统标定方法，标定时间短。标定时间短。标定时间短。
技术研发人员：汪进文 董捷飔 邓志红 宋新宇
受保护的技术使用者：北京理工大学
技术研发日：2021.12.31
技术公布日：2022/7/5
