一种基于θ-增量学习的视觉-惯性融合导航系统及方法技术方案

本发明专利技术公开了一种基于θ‑增量学习的视觉‑惯性融合导航系统及方法，为实现对运动目标的时序变量θ(位置或姿态)进行快速精确估计，本发明专利技术提出了一种基于级联网络的θ‑增量学习方法，该方法采用级联网络以共享参数的方式对时序变量θ的增量进行估计。利用该θ‑增量学习方法，本发明专利技术构建了用于视觉‑惯性融合导航的姿态数据增量估计的级联网络及位置数据增量估计的嵌套级联网络，并利用训练的网络实现高精度、高频率和强稳定性的导航。本发明专利技术采用视觉导航作为主导，以确保较高的导航精度，惯性导航作为辅助，不仅有助于弥补视觉导航频率较低的缺陷，同时能解决由遮挡引起的视觉导航不稳定的问题。

A Visual-Inertial Fusion Navigation System and Method Based on Theta-Incremental Learning

The invention discloses a visual-inertial fusion navigation system and method based on theta incremental learning. In order to quickly and accurately estimate the time series variable theta (position or attitude) of a moving target, the invention proposes a theta incremental learning method based on cascade network, which uses cascade network to estimate the increment of time series variable theta by sharing parameters. By using the theta incremental learning method, the cascade network and the nested cascade network for the incremental estimation of attitude data and position data for visual inertial fusion navigation are constructed, and the high precision, high frequency and strong stability navigation are realized by using the training network. The invention adopts visual navigation as the leading factor to ensure high navigation accuracy and inertial navigation as the auxiliary, which not only helps to make up for the defect of low frequency of visual navigation, but also solves the problem of unstable visual navigation caused by occlusion.

【技术实现步骤摘要】
一种基于θ-增量学习的视觉-惯性融合导航系统及方法
本专利技术属于导航
，涉及一种视觉-惯性融合导航系统及方法，特别涉及一种利用深度学习技术，构建基于θ-增量学习的级联网络实现高精度、高频率和强稳定性的融合导航系统及方法。
技术介绍
导航技术可以用于引导运动目标，安全、准确地沿着选定的路线到达目的地，该技术是移动机器人、自动驾驶、航空航天等领域的关键技术之一。在增强现实领域，快速精确的导航亦是联系现实场景与虚拟场景，提供沉浸式交互体验的重要环节。尤其是对实时性及精确度要求均较高的视触觉交互应用，高精度、高频率和强稳定性的导航至关重要。然而，在现有的技术中，相关研究采用的导航方法[文献1-4]难以准确、快速、稳定地捕获运动目标的微小变化，从而影响触觉交互体验。Berkelman等人[文献1-2]采用6自由度(DOF)OptotrakCertus光学运动跟踪器(NorthernDigitalInc.)为磁悬浮触觉平台实时提供位置和方向信息，无线连接的红外LED安装在操作杆的尾部。然而，当操作杆以大角度倾斜时，红外LED将彼此遮挡，导致位置信息丢失，从而影响视触觉反馈信息的精确产生。本文档来自技高网...

【技术保护点】
1.一种基于θ‑增量学习的视觉‑惯性融合导航系统，其特征在于：包括视觉导航模块、惯性导航模块、AI服务器；所述视觉导航模块，包括双目摄像头和视觉控制单元；双目摄像头，其设置位置需要确保双目摄像头的视野足以覆盖运动目标的运动空间，以便稳定地跟踪运动目标上的有色标记点；视觉控制单元设置于视觉‑惯性融合导航系统的控制器内，用于获取运动目标的位置数据；所述惯性导航模块，包括惯性采集单元和惯性控制单元；惯性采集单元固定设置于运动目标上，用于获取运动目标的惯性数据；惯性控制单元设置于视觉‑惯性融合导航系统的控制器内，惯性控制单元中的高精度数字运动处理器用于获取运动目标的姿态数据；所述AI服务器，根据是否获...

【技术特征摘要】
1.一种基于θ-增量学习的视觉-惯性融合导航系统，其特征在于：包括视觉导航模块、惯性导航模块、AI服务器；所述视觉导航模块，包括双目摄像头和视觉控制单元；双目摄像头，其设置位置需要确保双目摄像头的视野足以覆盖运动目标的运动空间，以便稳定地跟踪运动目标上的有色标记点；视觉控制单元设置于视觉-惯性融合导航系统的控制器内，用于获取运动目标的位置数据；所述惯性导航模块，包括惯性采集单元和惯性控制单元；惯性采集单元固定设置于运动目标上，用于获取运动目标的惯性数据；惯性控制单元设置于视觉-惯性融合导航系统的控制器内，惯性控制单元中的高精度数字运动处理器用于获取运动目标的姿态数据；所述AI服务器，根据是否获取到惯性数据、位置数据及姿态数据，对位置数据和姿态数据的增量进行估计，并对运动目标的位置数据和姿态数据进行更新，实现对运动目标的快速、精确导航。2.一种基于θ-增量学习的视觉-惯性融合导航方法，其特征在于，包括以下步骤：步骤1：构建用于姿态数据增量估计的级联网络OCasNet；步骤2：构建用于位置数据增量估计的嵌套级联网络PCasNet；步骤3：使用惯性采集单元，获取运动目标的惯性数据，包括加速度和角速度数据；与此同时，使用视觉导航模块获取运动目标的位置数据，惯性控制单元中的高精度数字运动处理器获取运动目标的姿态数据；步骤4：对步骤3中获取的惯性数据、位置数据和姿态数据执行格式化与归一化预处理，预处理后的惯性数据作为输入，位置数据和姿态数据作为标签完成OCasNet和PCasNet的线下训练；步骤5：设置运动目标的初始位置和姿态，惯性采集单元实时获取运动目标的惯性数据，同时视觉导航模块获取运动目标的位置数据，惯性控制单元中的高精度数字运动处理器获取运动目标的姿态数据，上述数据实时发送给AI服务器；步骤6：位置数据和姿态数据的增量估计；a)若未收到姿态数据的真实值，AI服务器对惯性数据进行格式化和归一化，并利用步骤4中训练完成的OCasNet估计姿态数据的增量；b)若未收到位置数据的真实值，AI服务器对惯性数据及位置数据进行格式化和归一化，并利用步骤4中训练完成的PCasNet估计位置数据的增量；步骤7：位置数据和姿态数据的更新；a)若收到位置数据和姿态数据的真实值，则采用该真实值对运动目标当前时刻的位置数据和姿态数据进行更新；b)若未收到位置数据和姿态数据的真实值，则将运动目标前一时刻的位置数据和姿态数据加上步骤6中估计的增量，对运动目标当前时刻的位置数据和姿态数据进行更新。3.根据权利要求2所述的基于θ-增量学习的视觉-惯性融合导航方法，其特征在于，步骤1的具体实现包括以下子步骤：步骤1.1：定义用于估计时序变量θ的输入变量为X＝(x1,x2,…,xN)，xi(i∈[1,N])为惯性采集单元在一个时间序列的时间步i∈[1,N]处获取的运动目标的加速度与角速度；定义与X相应的标签为ΔY，ΔY为时序变量θ在时段T内的总增量；所述时序变量θ指运动目标的姿态变量；其中，N是输入变量X所包含时间步的数目；T＝nt，即T是t的n倍，也即输入变量X的频率是标签频率的n倍，t是每一个时间步的时长，n＞1；步骤1.2：根据步骤1.1的定义，构建基于θ-增量学习的级联网络OCasNet，用于姿态数据的增量估计，OCasNet级联n个循环神经网络单元；其中，基于θ-增量学习的级联网络OCasNet中，n个循环神经网络单元共享网络参数，步骤1.1中定义的X为OCasNet的输入，ΔY为OCasNet的标签；步骤1.3：根据时序变量...

【专利技术属性】
技术研发人员：袁志勇，童倩倩，李潇洒，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42