[发明专利]基于LSTM神经网络模型的MEMS惯性导航系统定位增强方法

说明书

本发明提供基于LSTM神经网络模型的MEMS惯性导航系统定位增强方法，包括以下步骤：面向MEMS‑INS定位增强的LSTM神经网络模型包含两个模块，即去噪模块和计算模块；S2、数据集获取及预处理，以供神经网络的训练与测试；使用陆地车辆作为MEMS‑INS的载体用于数据集获取；采集足量数据后，需按照时间窗序列长度L对数据集进行分割预处理；将预处理后的数据集依照8：2的比例分为训练集和测试集，以对神经网络模型进行训练和测试。本发明提出的神经网络模型能够有效降低环境噪声、机械噪声、制造误差等多种干扰源对MEMS‑INS的影响，能够提高MEMS‑INS相对定位的准确性和鲁棒性。

技术领域

本发明属于导航系统技术领域，具体涉及一种基于LSTM神经网络模型的MEMS惯性导航系统定位增强方法。

技术背景

惯性导航系统(Inertial Navigation System,INS)是一种用于相对定位的系统，能够在已知载体初始位姿状态的前提下，利用航迹推算原理持续计算载体的位姿变化。INS主要包含惯性测量单元(Inertial Measurement Unit,IMU)模块和运算模块。其中，IMU能够通过三轴加速度计和陀螺仪对载体的加速度和角速度进行实时测量；运算模块能够根据IMU的测量值逐次积分，计算出载体的相对位姿变化。INS在实际运行过程中常伴随环境噪声、机械噪声、制造误差等干扰源，影响其定位精度。高成本INS具有精密的传感器(IMU、磁力计等)和成熟的滤波算法，能够有效抑制干扰源对其定位性能的影响。然而，昂贵的成本限制了其在多领域中的批量生产和落地应用。

微机电系统(Micro-Electro-Mechanical Systems,MEMS)传感器是依托微电子和微机械加工技术制造而成的新型传感器。与高成本INS相比，MEMS惯性导航系统(MEMS-INS)具有成本低廉、安装简便、体积小、功耗低等优点，被广泛应用于运动捕捉追踪、车辆定位导航等产研领域中。然而，MEMS-INS中配备的低成本MEMS-IMU模块在运行时易受前述干扰源的影响，其测量值通常掺杂大量噪声。另一方面，由于INS具有“自封闭”的特性，即其定位过程无需借助任何外部信息源(如卫星信号或基站)的辅助。这将导致INS定位误差随运行时间无限累积。噪声干扰问题和误差累积问题是MEMS-INS研究和应用的关键问题和瓶颈问题。因此，亟需选用合适的算法对MEMS-IMU进行去噪，并采取的合适措施减弱INS的误差累积效应，以减小多种干扰源对MEMS-INS定位性能的影响。这对MEMS-INS的性能提升和产研应用均具有重要意义和实用价值。

目前，MEMS-IMU的主流去噪方法包括离散小波变换(discrete wavelettransform,DWT)、经验模态分解(empirical mode decomposition,EMD)以及深度学习(deeplearning)等。Dong等人采用改进阈值的DWT方法，以降低MEMS-IMU中的随机噪声。然而DWT方法中设置的基函数是先验固定的且DWT方法不适用于非线性信号的处理。EMD方法能够在一定程度上克服DWT方法的缺陷，Omitaomu等人提出了基于EMD的分组重构去噪方法，以滤除IMU原始信号中的高频(或低频)噪声。但是EMD方法仍存在模态混叠的不足，模态混叠的出现不仅会导致IMU信号错假的时频分布，更使其本征模态函数失去物理意义。近年来，深度学习技术在机器视觉、自然语言处理等领域发展迅速。特别是循环神经网络(Recurrent neural network,RNN)，其对于时序信息拥有良好的建模能力，故也被应用于IMU时序信号的去噪中。Jiang，Han等学者均设计了多层长短期记忆(long short-termmemory,LSTM)RNN神经网络，对IMU原始数据进行去噪，与传统方法相比取得了更好的去噪效果。专利《一种基于循环神经网络的IMU数据去噪方法》(申请号：201910888811.2)同样设计了LSTM神经网络模型以对MEMS-IMU进行去噪。