一种基于深度学习的虚拟陀螺仪构建方法技术

本发明专利技术的基于深度学习的虚拟陀螺仪构建方法，利用高旋体的磁阻传感器获取高旋体坐标系上的地磁矢量；利用高旋体的加速度计获取所述高旋体坐标系上的加速度矢量；将所述高旋体坐标系上的当前时刻和上一时刻的地磁矢量，以及加速度矢量输入到BILSTM网络中，得到所述高旋体姿态变化四元参数；根据所述高旋体的旋转矢量和所述高旋体姿态变化四元参数的转换关系得到所述高旋体的角速率。能够实现陀螺仪失效后高旋体角速率的稳定感知。效后高旋体角速率的稳定感知。效后高旋体角速率的稳定感知。

【技术实现步骤摘要】
一种基于深度学习的虚拟陀螺仪构建方法


[0001]本专利技术属于复杂高动态、强干扰环境下的角速率获取
，特别涉及一种基于深度学习的虚拟陀螺仪构建方法。

技术介绍

[0002]高动态、强干扰等复杂战场环境，要求高旋体具备实时精准定位、智能自主决策和灵活运动控制的能力，单一导航系统难以满足要求。因此，往往采用多传感器组合导航策略，即同时搭载多种传感器，通过多模态组合，实现高精度导航。高旋体的运动感知主要利用陀螺仪、加速度计和磁阻传感器进行角速率、加速度和地磁信息的测量。高旋体的高速自旋(≥10r/s)会引起陀螺仪量程饱和，导致无法准确获取高旋体的角速率信息；高旋体的高过载(≥10000g)容易导致陀螺仪在工作过程中失效，无法保证陀螺仪能在高旋体飞行中正常运行；弹性振动的存在又会对捷联于高旋体的传感器产生高频振动噪声，从而降低高旋体角速率测量精度。因此，在复杂环境下如何确保高旋体角速率测量的连续、可靠、稳健、可用已经成为刻不容缓的技术需求。
[0003]目前关于高旋体的角速率感知技术，主要有多加速度计组合方案、磁阻传感器信号分析方案以及磁阻传感器和加速度计组合感知方案。对于多加速度计组合方案，一方面需要有特定的几何分布，对加速度计的安装要求高，另一方面对于诸如炮弹这类自旋速率过高的高旋体，角速率解算过程中存在复杂的交叉耦合项会造成角速率解算精度下降。磁阻传感器信号分析方案是利用捷联于高旋体上的磁阻传感器随着高旋体高速旋转使其输出信号呈正余弦波形，并对该波形进行信号分析。该方案可有效精确的获取滚转角速率，但对于俯仰角速率和偏航角速率无法获取，在陀螺仪完全失效时依旧无法准确获取高旋体全角速率。对于磁阻传感器和加速度计组合感知方案，法德圣路易斯研究所的Bernerd等人针对转速高达170r/s的高旋飞行体，采用该方案精确获取了飞行体转速和加速度信息。Fiot等人同样用加速度和地磁传感器的组合方案进行高旋飞行体的运动信息测量。该方法尽管可以获取高旋体全部角速率信息，但依赖于精确的运动学方程，在实际应用中不易获取运动学方程中的参数，从而导致角速率估计误差。
[0004]与此同时，信息科学的迅猛发展使得机器学习、模式识别、神经网络等智能计算技术得到了广泛的应用。在这些技术的推进下，深度学习辅助载体运动感知作为一种重要辅助手段应运而生，并渗透到运动感知测量的各个环节，广泛应用于INS/GNSS导航定位领域。大多数现代深度学习模型建立在人工神经网络的几种基本结构上，即多层感知器(Multilayer Perceptron，MLP)、卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network,RNN)、图神经网络(Graph Neural Network,GNN)。RNN可以有效的处理INS输出的时间序列，长短时记忆网络(Long Short
‑
Term Memory,LSTM)的内部单元结构相比于RNN进行了改进，增加了遗忘机制和保存机制，目前也已应用于INS/GNSS组合导航领域。此外，LSTM的两种变体：门控循环单元(Gated Recurrent Unit，GRU)和双向长短时记忆网络(Bi
‑
directional LSTM，BILSTM)也已经成为较为广泛应
用的深度学习模型。因此，本文将BILSTM应用到高旋体角速率预测领域，设计虚拟陀螺仪，为高旋体导航制导提供稳定可靠的角速率信息。

技术实现思路

[0005]本专利技术克服了现有技术的不足之一，提供了一种基于深度学习的虚拟陀螺仪构建方法，实现陀螺仪失效后高旋体角速率的稳定感知。
[0006]根据本公开的一方面，本专利技术提供一种基于深度学习的虚拟陀螺仪构建方法，所述方法包括：
[0007]利用高旋体的磁阻传感器获取高旋体坐标系上的地磁矢量；
[0008]利用高旋体的加速度计获取所述高旋体坐标系上的加速度矢量；
[0009]将所述高旋体坐标系上的当前时刻和上一时刻的地磁矢量，以及加速度矢量输入到BILSTM网络中，得到所述高旋体姿态变化四元参数；
[0010]根据所述高旋体的旋转矢量和所述高旋体姿态变化四元参数的转换关系得到所述高旋体的角速率。
[0011]在一种可能的实现方式中，所述利用高旋体的磁阻传感器获取高旋体坐标系上的地磁矢量之后，包括：
[0012]根据所述高旋体坐标系和地理坐标系的姿态转换矩阵，得到所述高旋体的地磁矢量在高旋体坐标系上的三轴分量与地理坐标系上的三轴分量之间的转换关系；
[0013]根据所述地磁矢量在高旋体坐标系上的三轴分量与地理坐标系上的三轴分量之间的转换关系和链式法则，得到高旋体坐标系上的当前时刻的地磁矢量和上一时刻的地磁矢量的关系。
[0014]在一种可能的实现方式中，所述利用高旋体的加速度计获取所述高旋体坐标系上的加速度矢量之后，还包括：
[0015]根据加速度计的速度微分方程得到所述高旋体的加速度在高旋体坐标系上的分量和地理坐标系上的分量之间的转换关系；
[0016]根据所述加速度在高旋体坐标系上的分量和地理坐标系上的分量之间的转换关系和链式法则，得到高旋体坐标系上的当前时刻的加速度矢量和上一时刻的加速度矢量的关系。
[0017]在一种可能的实现方式中，所述将所述高旋体坐标系上的当前时刻和上一时刻的地磁矢量，以及加速度矢量输入到BILSTM网络中，得到所述高旋体姿态变化四元参数，包括：
[0018]联立高旋体坐标系上的当前时刻和上一时刻的地磁矢量转换关系，和所述高旋体坐标系上的当前时刻和上一时刻的加速度矢量转换关系，根据高旋体坐标系上的转移矩阵求解得到高旋体姿态变化四元参数。
[0019]在一种可能的实现方式中，所述根据所述高旋体的旋转矢量和所述高旋体姿态变化四元参数的转换关系得到所述高旋体的角速率，包括：
[0020]根据所述高旋体的旋转矢量和所述高旋体姿态变化四元参数的转换关系得到高旋体的角增量；
[0021]根据角增量单子样提取方法对所述高旋体的角增量进行提取，得到高旋体的角速
率。
[0022]本专利技术的基于深度学习的虚拟陀螺仪构建方法，利用高旋体的磁阻传感器获取高旋体坐标系上的地磁矢量；利用高旋体的加速度计获取所述高旋体坐标系上的加速度矢量；将所述高旋体坐标系上的当前时刻和上一时刻的地磁矢量，以及加速度矢量输入到BILSTM网络中，得到所述高旋体姿态变化四元参数；根据所述高旋体的旋转矢量和所述高旋体姿态变化四元参数的转换关系得到所述高旋体的角速率。能够实现陀螺仪失效后高旋体角速率的稳定感知。
附图说明
[0023]附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
[0024]图1示出了根据本公开一实施例的基于深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的虚拟陀螺仪构建方法，其特征在于，所述方法包括：利用高旋体的磁阻传感器获取高旋体坐标系上的地磁矢量；利用高旋体的加速度计获取所述高旋体坐标系上的加速度矢量；将所述高旋体坐标系上的当前时刻和上一时刻的地磁矢量，以及加速度矢量输入到BILSTM网络中，得到所述高旋体姿态变化四元参数；根据所述高旋体的旋转矢量和所述高旋体姿态变化四元参数的转换关系得到所述高旋体的角速率。2.根据权利要求1所述的虚拟陀螺仪构建方法，其特征在于，所述利用高旋体的磁阻传感器获取高旋体坐标系上的地磁矢量之后，包括：根据所述高旋体坐标系和地理坐标系的姿态转换矩阵，得到所述高旋体的地磁矢量在高旋体坐标系上的三轴分量与地理坐标系上的三轴分量之间的转换关系；根据所述地磁矢量在高旋体坐标系上的三轴分量与地理坐标系上的三轴分量之间的转换关系和链式法则，得到高旋体坐标系上的当前时刻的地磁矢量和上一时刻的地磁矢量的关系。3.根据权利要求2所述的虚拟陀螺仪构建方法，其特征在于，所述利用高旋体的加速度计获取所述高旋体坐标系上的加速度矢量之后，还包括：根据加速...

【专利技术属性】
技术研发人员：邓志红，汪进文，苗志豪，董捷飔，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：