一种无人机传感器振动噪声抑制方法技术

本发明专利技术公开了一种基于时间卷积网络的小型无人机传感器的振动噪声抑制方法，首先利用外部高精度测量系统，获得无人机飞行期间姿态角及角速度的高精度测量值，并同步记录无人机内部噪声影响下飞控系统板载MEMS惯性测量单元的陀螺仪角速度测量值，经数据清洗及时间同步处理后构建训练数据集与测试集；搭建多层时间卷积网络，进行训练和测试，并在小型嵌入式系统上调用训练后的模型进行试飞验证，实验数据表明，时间卷积网络可有效保留原始信号特征，并大大降低噪声对陀螺仪测量结果的影响。

【技术实现步骤摘要】
一种无人机传感器振动噪声抑制方法
本专利技术涉及无人机系统
，具体涉及无人机传感器振动噪声抑制方法。
技术介绍
近年来MEMS传感器(即微机电系统)技术的快速发展，MEMS惯性测量单元凭借体积小、响应迅速及采样率高等优点，被广泛应用于小型无人机、无人车等无人系统上。随着无人机系统小型化设计的发展，其结构愈发紧凑，载机的旋翼、电机等动力组件工作时产生的高频振动在小尺寸机身内对MEMS惯性测量单元中的陀螺仪与加速度计产生较大噪声影响，从而影响其姿态精度。虽然现有技术低通滤波等方法一定程度上可抑制旋翼及电机工作的高频振动噪声，但极易引入相位延迟及幅值损失，从而影响操纵稳定性及飞行控制品质。传统的噪声抑制与滤波方法由于有诸多的人为设定的超参数和基核的存在，优化方法与数据之间也往往无关，最后的分析结果受经验影响较大，很难对噪声信号特征进行有效的提取。深度学习(Deeplearning，DL)近年来在图像、音频、自然语言处理等领域取得了极大的优势，通过反向传播算法(Back-propagation，BP)能够对目标数据进行自动的参数化训练学习，往往能得到更有效的特征表达。近年来有学者将深度信念网络(Deepbeliefnetwork，DBN)、多层感知机(Multi-layerperceptron，MLP)等神经网络引入到噪声抑制与信号辨识等领域中来，取得了较好的效果。对于时序数据特征提取问题，采用卷积网络进行视频人体运动特征的分类辨识；采用一维全卷积网络对加速度计的时序数据进行处理，辨识物体运动状态。然而深度学习中对时间序列问题最为有效的时间卷积神经网络在传感器噪声抑制及信号还原等回归类问题的应用仍处于空白。
技术实现思路
本专利技术所要解决的技术问题是：针对无人机MEMS陀螺仪传感器在角速度测量中易受到载机气动及动力系统振动噪声干扰的问题，引入时间卷积神经网络，提出一种基于时间卷积网络(TCN)的小型无人机MEMS惯性传感器姿态角测量信号降噪方法。本专利技术提供的技术方案是：首先利用外部高精度进行测量，获得小型无人机飞行期间姿态角及角速度的高精度测量值，并同步记录无人机内部噪声影响下飞控系统板载MEMS惯性测量单元的陀螺仪角速度测量值，经数据清洗及时间同步处理后构建训练数据集与测试集；搭建多层时间卷积网络，进行训练和测试，并在小型嵌入式系统上调用训练后的模型进行试飞验证。进一步的，所述小型无人机为小型共轴双旋翼飞行平台，为便于收纳，其设计相对紧凑，电机及齿轮传动系统与飞控距离较近。进一步的，所述噪声主成分频率与旋翼工作转速接近，约100-120Hz，包含振动噪声的陀螺仪单轴角速度采样值，受振动噪声干扰较大，导致其信号微分求解困难。进一步的，所述外部高精度测量系统为ViCON运动捕捉系统，在飞行器顶端与质心，即飞控系统安装位置，附近安装与机体坐标系固连的ViCON运动捕捉系统光学信标，完成飞行过程中的实时机身姿态角度测量。进一步的，所述ViCON运动捕捉系统可以最高400Hz的采样频率完成精度为0.05°的机体姿态角测量，对于角度测量值，通过微分运算间接得到角速度值，作为训练网络所需逼近的目标值。进一步的，所述角速度测量值的测量方法为安排无人机在ViCON运动捕捉系统测量区域中心附近进行悬停及简单机动飞行，采集飞行过程中的ViCON运动捕捉系统测量的机体三轴角度值时序数据，同时飞控测量并记录含振动噪声干扰的原始陀螺仪采样值时序数据；二者进行时间同步后，将ViCON运动捕捉系统测量的角度值换算为角速度作为期望输出(y0,...yT)，原始陀螺仪采样值作为输入(x0,...xT)，完成时间卷积网络(TCN)网络训练。进一步的，所述数据清洗方法：对于飞控系统IMU采样值，其野值类型为孤立野值，采用基于卡方检验和卡尔曼滤波的判别方法，对于k时刻采样值Z(k)，结合其前m时刻的采样值得到预测值给定阈值ek，若则认为Z(k)是野值，并使用以k时刻为中心的前后各n个采样值进行多项式拟合后的内插值代替，具体方法：首先构建拟合多项式误差函数取令可求得各个系数wi的值，代入后可得到拟合后的值f(k)作为k时刻修正值。进一步的，所述时间同步方法：开始测试前，以上位机PC作为统一授时源，对ViCON运动捕捉系统及无人机飞控系统进行UTC时间同步校正，随后在测量阶段，上位机PC实时读取ViCON运动捕捉系统测量数据、无人机地面站反馈的飞控系统读数，各系统发送至上位机PC的数据包内均含同步后的UTC时间戳，在数据预处理阶段，相同时间戳的测量值作为同步后的数据写入训练及测试数据集。此外由于无人机飞控系统计时器精度受限，为保证不出现过大的累积计时误差，上位机PC需每隔若干秒与飞控系统进行一次时间同步校正。进一步的，所述时间卷积网络TCN网络训练输入层为单轴传感器采样值，共设置2个CONv1D层，每个CONv1D采用因果卷积和扩张卷积操作，后接ReLU；同时，每2个相邻CONv1D层之间加入残差卷积的恒等映射，构成残差模块，最后，使用1层1DFCN全卷积层代替全连接层，后接线性映射层输出网络预测值。其简要表示：INPUT→[[T_CONV→Padding→ReLU]＊N]＊M→[FC→ReLU]＊K→FC。其中N、M、K分别为卷积堆叠数，可根据无人机动力系统的固有模态属性，通过试验方法确定。进一步的，对于惯导系统采样值，其信号构成为S(k)＝r(k)+n(k)，其中r(k)为信号真值，n(k)为系统噪声，所述系统噪声主要来自动力系统工作期间产生的振动，其频率分布在100-120hz区间，因此构建时间卷积网络，通过时序数据对噪声n(k)进行非线性建模使得经过网络修正后的值尽可能逼近真值r(k)。所述时间卷积网络的训练流程为：步骤一：随机初始化各层网络内卷积核系数，构建输入数据序列，其中原始采样值为x(k),k＝0,1,...n，真值为y(k),k＝0,1,...n；步骤二：原始采样值及真值序列输入网络后得到预测值及损失函数值若损失满足收敛终止条件，则转步骤四，否则转步骤三；步骤三：通过梯度下降法计算反向传播系数及残差卷积核，更新网络内各卷积核系数，并转步骤二；步骤四：输出预测值对于训练后的网络，直接使用步骤四中输出的卷积核系数矩阵W，输入前k时刻的采样值可得到k+1时刻的预测值。与现有技术相比，本专利技术的优点和积极效果是：本专利技术具有将时间卷积网络应用于小型无人机的MEMS传感器振动噪声抑制，结果表明，时间卷积网络对于基于时序数据的回归问题有较强的处理能力，通过设计合适的网络结构，使其能够提取更能反映数据本质的特征，通过地面实验及飞行测试初步验证了时间卷积网络在传感器噪声抑制能力，使测试飞行平台的飞行品质获得较大提升。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域技术人员来说，本文档来自技高网...

【技术保护点】
1.一种无人机传感器振动噪声抑制方法，其特征在于，所述噪声抑制方法包括以下步骤：/n步骤一：利用外部高精度系统，获得无人机飞行期间姿态角及角速度的高精度测量值，并同步记录无人机内部噪声影响下飞控系统板载MEMS惯性测量单元的陀螺仪角速度测量值；/n步骤二：经时间同步方法及数据清洗方法处理后构建训练数据集与测试集；/n步骤三：搭建多层时间卷积网络，进行训练和测试；/n步骤四：在小型嵌入式系统上调用训练后的模型进行试飞验证。/n

【技术特征摘要】
1.一种无人机传感器振动噪声抑制方法，其特征在于，所述噪声抑制方法包括以下步骤：
步骤一：利用外部高精度系统，获得无人机飞行期间姿态角及角速度的高精度测量值，并同步记录无人机内部噪声影响下飞控系统板载MEMS惯性测量单元的陀螺仪角速度测量值；
步骤二：经时间同步方法及数据清洗方法处理后构建训练数据集与测试集；
步骤三：搭建多层时间卷积网络，进行训练和测试；
步骤四：在小型嵌入式系统上调用训练后的模型进行试飞验证。


2.根据权利要求1所述的噪声抑制方法，所述时间同步方法为：开始测试前，以上位机PC作为统一授时源，对外部高精度测量系统及无人机飞控系统进行UTC时间同步校正，随后在测量阶段，上位机PC实时读取外部高精度测量系统测量数据、无人机地面站反馈的飞控系统读数，各系统发送至上位机PC的数据包内均含同步后的UTC时间戳，在数据预处理阶段，相同时间戳的测量值作为同步后的数据写入训练及测试数据集；上位机PC每隔若干秒与飞控系统进行一次时间同步校正。


3.根据权利要求1所述的噪声抑制方法，所述数据清洗方法为：飞控系统IMU采样值的野值类型为孤立野值，采用基于卡方检验和卡尔曼滤波的判别方法，对于k时刻采样值，结合其前m时刻的采样值得到预测值，给定阈值，若判别是野值，则使用以k时刻为中心的前后各n个采样值进行多项式拟合后的内插值代替。


4.根据权利要求1所述的噪声抑制方法，所述多层时间卷积网络的训练流程为：
步骤一：随机初始化各层网络内卷积核系数，构建输入数据序列，得到原始采样值和真值；
步骤二：原始采样值及真值序列输入网络后得到预测值及损失函数值，若损失满足收敛终止条件，则转步骤四，否则转步骤三；
步骤三：通过梯度下降法计算反向传播系数及残差卷积核，更新网络内各卷积核系数，并转步骤二；
步骤四：输出预测值；
训练后的网络，直接使用步骤四中输出的卷积核系数矩阵，输入前k时刻的采样值可...

【专利技术属性】
技术研发人员：周翔，双丰，韩冬成，陶昶华，赖家立，何洪涛，晏正超，鲁纯，
申请(专利权)人：长沙神弓信息科技有限公司，
类型：发明
国别省市：湖南;43