姿态计算方法、装置、电子设备以及存储介质制造方法及图纸

本发明专利技术公开了一种姿态计算方法、装置、电子设备以及存储介质，包括分别获取原始姿态和实际姿态，将所述原始姿态输入到神经网络中，输出估计姿态，根据所述实际姿态与所述估计姿态计算损失函数；通过计算所述损失函数的最小值，获得隐藏层的最优参数，根据所述最优参数优化所述神经网络中的隐藏层；将所述原始姿态输入到优化后的所述神经网络中，通过优化后的所述隐藏层输出优化姿态。本发明专利技术实施例可以在保证精度的同时降低计算量，提升实时性能。

Attitude calculation methods, devices, electronic devices and storage media

【技术实现步骤摘要】
姿态计算方法、装置、电子设备以及存储介质
本专利技术涉及机器学习
，特别是指一种姿态计算方法、装置、电子设备以及存储介质。
技术介绍
在虚拟现实等领域需要对用户的头部姿态进行估计，而头部姿态的估计精度是至关重要的，直接关系到用户的体验效果。一般来说，需要根据获得的头部姿态，相应地改变虚拟现实设备中的场景变换，使用户感觉在真实世界。因此，头部姿态决定了场景变换是否真实，如果姿态预测与用户的实际姿态存在较大差距，那么场景变换必然与人眼在真实世界中所感受到的不同，非常容易产生眩晕感。而且，人眼非常敏感，尤其是对于旋转、船摇等现象，因此对头部姿态估计的精度要求非常高。目前，已经有很多成熟的头部姿态估计方法，例如基于IMU(Inertialmeasurementunit，惯性测量单元)的姿态估计、SLAM(simultaneouslocalizationandmapping，同步定位与建图)、人脸检测等姿态算法，虽然这些算法的精度均已达到较高水平，但是距离真实姿态仍有一定差距，而且这种差距很难通过某些具体的算法或优化方法来解决。另外，基于IMU的姿态估计、slam、人脸检测等算法，在达到本文档来自技高网...

【技术保护点】
1.一种姿态计算方法，其特征在于，包括以下步骤：分别获取原始姿态和实际姿态，将所述原始姿态输入到神经网络中，输出估计姿态，根据所述实际姿态与所述估计姿态计算损失函数；通过计算所述损失函数的最小值，获得隐藏层的最优参数，根据所述最优参数优化所述神经网络中的隐藏层；将所述原始姿态输入到优化后的所述神经网络中，通过优化后的所述隐藏层输出优化姿态。

【技术特征摘要】
1.一种姿态计算方法，其特征在于，包括以下步骤：分别获取原始姿态和实际姿态，将所述原始姿态输入到神经网络中，输出估计姿态，根据所述实际姿态与所述估计姿态计算损失函数；通过计算所述损失函数的最小值，获得隐藏层的最优参数，根据所述最优参数优化所述神经网络中的隐藏层；将所述原始姿态输入到优化后的所述神经网络中，通过优化后的所述隐藏层输出优化姿态。2.根据权利要求1所述的姿态计算方法，其特征在于，将所述原始姿态输入到神经网络中之前，还包括：计算所述原始姿态与所述实际姿态之间的位姿误差；根据所述位姿误差将所述实际姿态转换至机体坐标系中。3.根据权利要求2所述的姿态计算方法，其特征在于，根据所述实际姿态与所述估计姿态计算损失函数之前，还包括：通过六自由度设备测量得到实际姿态；通过惯性器件测量得到角速度值和加速度值，基于姿态算法以及所述角速度值和加速度值计算得到原始姿态。4.根据权利要求1所述的姿态计算方法，其特征在于，根据所述实际姿态与所述估计姿态计算损失函数，包括：将所述实际姿态、所述估计姿态分别转换至欧拉角形式；计算欧拉角形式的实际姿态与欧拉角形式的估计姿态之间的损失函数。5.根据权利要求4所述的姿态计算方法，其特征在于，计算欧拉角形式的实际姿态与欧拉角形式的估计姿态之间的损失函数，包括：根据以下公式计算损失函数：其中，θi、γi、φi分别为实际姿态的俯仰角、偏航角、翻滚角，分别为估计姿态的俯仰角、偏航角、翻滚角，n为样本个数。6.根据权利要求1所述的姿态计算方法，其特征在于，通过计算所述损失函数的最小值，获得隐藏层的最优参数，包括：利用梯度下降和反向传播算法，使所述损失函数取最小值，获得隐藏层的最优参数。7.一种姿态计算装置，其特征在于，包括：函数计算模块，被配置为分别获取原始姿态和实际姿态，将所述原始姿态输入到神经网络中，输出估计姿态，根据所述实际姿态与所述估计姿态计算损...

【专利技术属性】
技术研发人员：董泽华，薛鸿臻，陈丽莉，张浩，楚明磊，马福强，赵晨曦，张硕，闫桂新，孙建康，刘小磊，王云奇，
申请(专利权)人：京东方科技集团股份有限公司，北京京东方光电科技有限公司，
类型：发明
国别省市：北京,11