磁异常干扰下基于长短期记忆网络的MEMSIMU姿态解算方法技术

本发明专利技术公开了一种磁异常干扰下基于长短期记忆网络的MEMS IMU姿态解算方法，包括以下步骤：步骤一、在无磁异常环境下采集数据，训练模型；步骤二、利用训练好的模型进行姿态解算；步骤三、利用磁倾角检测磁异常；步骤四、试验结果对比。发明专利技术极大地简化了姿态解算复杂的计算过程，通过训练网络模型建立MEMS IMU采集的原始姿态数据与姿态角之间的映射关系，使得网络模型在得到新的一组姿态数据时能快速准确的得到相对应的姿态角。得到相对应的姿态角。得到相对应的姿态角。

【技术实现步骤摘要】
磁异常干扰下基于长短期记忆网络的MEMS IMU姿态解算方法


[0001]本专利技术涉及姿态解算法
，具体为一种磁异常干扰下基于长短期记忆网络的MEMS IMU姿态解算方法。

技术介绍

[0002]随着微电子机械系统(MEMS)技术的快速发展，低成本、集成度高的传感器在科学和工程领域得到了广泛的应用。其中，由三轴陀螺仪、三轴加速度计、三轴磁强计集成的惯性测量单元(IMU)在机器人控制、导航系统、无人机等领域得到了广泛应用。然而在使用低成本的MEMS IMU对航行器进行姿态估计时，会出现一些相应的问题，例如加速度计容易受到航行器本身抖动的影响，磁力计容易受到周围环境以及航行器自身的电磁扰动的影响，长期使用陀螺仪则又会由于其本身的漂移特性会产生误差累积。
[0003]针对上述的问题，学者们探索了许多的办法，其中融合三轴加速度数据、三轴角速度数据、三轴磁场数据来获得目标姿态的是目前姿态解算的一个重要方向。常见的数据融合的方法有互补滤波法、梯度下降法和扩展卡尔曼滤波算法及其衍生的一系列算法。互补滤波和梯度下降算法的计算过程相对简单，但是精度较低，扩展卡尔曼滤波存在建模时的状态向量与观测量之间的平衡问题，在原有的扩展卡尔曼滤波基础上衍生出的新的算法在提高姿态解算精度的同时，也大大增加了运算过程的复杂化度，大多伴随着求解雅各比矩阵等复杂运算，对于处理器的性能提出了比较高的要求。
[0004]传统的姿态解算算法在数据融合过程中往往伴随着一些参数调整或初始误差的设定比如扩展卡尔曼滤波的误差协方差矩阵，这使得在不同的环境或者不同的运动状态下，姿态解算算法的效果不尽相同，甚至失效。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种磁异常干扰下基于长短期记忆网络的MEMS IMU姿态解算方法，解决当前姿态解算算法的运算过程复杂，对于不同行驶环境和运动状态的适应程度不同以及环境中的存在异常磁场干扰的问题。
[0006]为实现以上目的，本专利技术通过以下技术方案予以实现：一种磁异常干扰下基于长短期记忆网络的MEMS IMU姿态解算方法，包括以下步骤：步骤一、在无磁异常环境下采集数据，训练模型；步骤二、利用训练好的模型进行姿态解算；步骤三、利用磁倾角检测磁异常；步骤四、试验结果对比。
[0007]优选地，步骤一中，MEMS IMU采集原始姿态数据，将对应的信息输入到三组LSTM模型当中，三组LSTM的姿态解算同步进行。
[0008]优选地，：步骤二中，正常情况下使用LSTM1解出的水平姿态角和LSTM2解算出的航向角作为航行器的姿态角输出，同时使用LSTM1和LSTM2输出的姿态角与对应时刻的MEMS IMU输出的磁场数据实时计算磁倾角。
[0009]优选地，步骤三中，当计算出的磁倾角与当地磁倾角严重不符时，采用LSTM1输出
的水平姿态角和LSTM3输出的航向角作为航行器的姿态角输出。
[0010]优选地，步骤四中，实验结果与扩展卡尔曼滤波姿态解算算法作比较。
[0011]本专利技术的有益效果是：本专利技术极大地简化了姿态解算复杂的计算过程，通过训练网络模型建立MEMS IMU采集的原始姿态数据与姿态角之间的映射关系，使得网络模型在得到新的一组姿态数据时能快速准确的得到相对应的姿态角，同时本专利技术可以有效避开环境当中存在的异常磁场对于姿态解算精度的影响，通过加入一个磁倾角检测器来判断当前环境当中是否存在异常磁场，当检测出磁异常时，不再使用磁力计数据来对航向角进行解算。
附图说明
[0012]图1为LSTM框架图；
[0013]图2a为LSTM1训练过程拟合图；
[0014]图2b为LSTM2训练过程拟合图；
[0015]图2c为LSTM3训练过程拟合图；
[0016]图3为LSTM姿态解算流程示意图；
[0017]图4为进行姿态解算时实时检测出的磁倾角示意图；
[0018]图5a为俯仰角对比图；
[0019]图5b为横滚角对比图；
[0020]图5c为航向角对比图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0022]结合附图对本专利技术作进一步的描述。
[0023]一种磁异常干扰下基于长短期记忆网络的MEMS IMU姿态解算方法，包括以下步骤：
[0024](1)在无磁异常环境下采集数据，训练模型。
[0025]图1为本次专利技术所设计的LSTM框架图，图2为设计三个的LSTM训练过程示意图，分别使用平均绝对误差MAE和R方拟合度来对模型拟合度作评价，同时在训练过程中也记录模型的损失函数LOSS来用来估量模型的输出与真实值之间的差距，给模型的优化指引方向，LOSS的值越接近0说明模型拟合度越高。
[0026]平均绝对误差MAE的基本形式如下：
[0027][0028]其中y
i
为真实值，为预测值，N为样本数量,它表示预测值和观测值之间绝对误差的平均值，MAE越接近0说明训练效果越好。
[0029]R方衡量的是预测值对于真值的拟合好坏程度，基本形式如下：
[0030][0031]其中为样本均值，R方的值越接近1，说明拟合程度越好。
[0032]其中图(a)为LSTM1训练过程示意图，输入为过去20个时刻和当前时刻的加速度计、陀螺仪信息，输出为当前时刻的水平姿态角(俯仰角和横滚角)，由图中可以看出，当训练到70个epoch的时候训练集和测试集的三个模型评价指标都达到了相当高的水平，说明模型训练效果极好；图(b)为LSTM2的训练过程拟合图，输入为过去20个时刻和当前时刻的磁力计、陀螺仪信息，输出为当前时刻的航向角信息，由图可知当训练进行到70个epoch的时候，训练集和测试集的三个评价指标都达到了最高水平，说明模型的拟合度最高；图(c)为LSTM3的训练过程拟合图输入为过去20个时刻的陀螺仪数据和航向角，输出为当前时刻的航向角，由图可知，当进行到70个epoch的时候，训练集和测试集的模型评价指标都达到了极高的水平，说明模型的拟合程度高。
[0033](2)利用训练好的模型进行姿态解算。
[0034]图2为姿态解算总的流程图，首先由MEMS IMU采集姿态原始数据，将采集的数据输入到(1)中已经训练好的LSTM模型当中，由LSTM1解算水平姿态角，由LSTM2和LSTM3解算航向角。
[0035](3)利用磁倾角检测磁异常。
[0036]当输出(2)所解算出的磁倾角时，由LSTM1和LSTM2解算出的姿态角结合当前时刻MEMS IMU磁力计所输出的磁场数据实时计算磁倾角，因为MEMS IMU所输出的磁场数值数值为载体坐标系下的数值，所以应先将磁场数据转换到导航坐标系下：
[0037][0038][0039]其中M为导航坐标系下三个轴向的磁场分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磁异常干扰下基于长短期记忆网络的MEMSIMU姿态解算方法，其特征在于：包括以下步骤：步骤一、在无磁异常环境下采集数据，训练模型；步骤二、利用训练好的模型进行姿态解算；步骤三、利用磁倾角检测磁异常；步骤四、试验结果对比。2.根据权利要求1所述的磁异常干扰下基于长短期记忆网络的MEMSIMU姿态解算方法，其特征在于：步骤一中，MEMSIMU采集原始姿态数据，将对应的信息输入到三组LSTM模型当中，三组LSTM的姿态解算同步进行。3.根据权利要求1所述的磁异常干扰下基于长短期记忆网络的MEMSIMU姿态解算方法，其特征在于：步骤二中，正常情况下使用L...

【专利技术属性】
技术研发人员：李慧，常帅，万程程，张大龙，刘嘉雯，闫令，王凯旋，
申请(专利权)人：天津大学，
类型：发明
国别省市：