[发明专利]基于深度神经网络的陀螺仪误差标定方法

权利要求书

1.一种基于深度神经网络的陀螺仪误差标定方法，包括如下步骤：

S1.将待标定的陀螺仪安装在静基座平台上，并分析待标定的陀螺仪的随机误差，从而建立随机误差时域模型；

S2.将待标定的陀螺仪安装在三轴转台上并进行采样，基于步骤S1获取的随机误差时域模型进行分析，得到去除随机误差后的观测值；

S3.重复步骤S1～S2若干次，得到若干组实验数据；

S4.根据步骤S3得到的若干组实验数据，以去除随机误差后的观测值作为样本，以对应的真值作为样本标签，构建陀螺仪原始输出数据集；

S5.构建陀螺仪误差标定原始模型，并采用步骤S4得到的陀螺仪原始输出数据集进行训练，得到陀螺仪误差标定模型；

S6.采用步骤S5得到的陀螺仪误差标定模型，进行实际的陀螺仪的误差标定。

2.根据权利要求1所述的基于深度神经网络的陀螺仪误差标定方法，其特征在于步骤S1所述的将待标定的陀螺仪安装在静基座平台上，并分析待标定的陀螺仪的随机误差，从而建立随机误差时域模型，具体包括如下步骤：

将待标定的陀螺仪安装在静基座平台上，使得IMU坐标系的前、右、下对准当地水平坐标系的北、东、地；

然后静止放置时间T，记录若干组观测值；

计算陀螺仪三轴静态输出的Allan方差，从而建立Allan标准差与平均时间τ的关系曲线；所述关系曲线包括五条直线：

量化噪声曲线：其中Q为量化噪声；

角度随机游走曲线：其中N为角度随机游走值；

零偏稳定性系数曲线：其中B为零偏稳定性系数；

角速率随机游走曲线：其中K为角速率随机游走值；

速率斜坡曲线：其中R为速率斜坡值；

设定各个误差源以相互独立的高斯白噪声建模，从而得到陀螺仪的随机误差时域模型V为：

V_i(τ)＝Qψ₁(τ)+Nψ₂(τ)+Kψ₃(τ)+Bψ₄(τ)+Rψ₅(τ)

式中ψ₁(τ)～ψ₅(τ)均为独立的高斯白噪声；i取值为x、y或z，并对应于陀螺仪的三轴。

3.根据权利要求2所述的基于深度神经网络的陀螺仪误差标定方法，其特征在于步骤S2所述的将待标定的陀螺仪安装在三轴转台上并进行采样，基于步骤S1获取的随机误差时域模型进行分析，得到去除随机误差后的观测值，具体为将陀螺仪安装在三轴转台上，采用六位置法进行采样，采集得到的观测值A作为卡尔曼滤波器的真实输入Z_k，将误差模型V作为卡尔曼滤波器的测量误差e_{MEA_k}，陀螺仪的理论输出M作为卡尔曼滤波器的估计值随机常数作为卡尔曼滤波器的初始估计误差e_{EST_0}，最终得到去除随机误差后的观测值A'。

4.根据权利要求3所述的基于深度神经网络的陀螺仪误差标定方法，其特征在于所述的步骤S2，具体包括如下步骤：

卡尔曼滤波器的真实输入记为Z_k，估计值记为测量误差记为e_{MEA_k}，估计误差记为e_{EST_k}；

卡尔曼滤波算法的增益系数K_k为

卡尔曼滤波算法的当前时刻估计值为

卡尔曼滤波器的估计误差e_{EST_k}的更新算式为e_{EST_k}＝(1-K_k)e_{EST_k-1}；

将观测值A作为卡尔曼滤波器的真实输入Z_k，将误差模型V作为卡尔曼滤波器的测量误差e_{MEA_k}，将陀螺仪的理论输出M作为卡尔曼滤波器的估计值随机常数作为卡尔曼滤波器的初始估计误差e_{EST_0}，经过滤波后得到去除随机误差后的观测值A'；

陀螺仪的理论输出建模为其中为陀螺仪测量值，ω为陀螺仪真实值，b为陀螺仪的零偏向量，S为陀螺仪的比例因子误差矩阵，N为陀螺仪的交轴耦合误差矩阵，ω_e为地球自转角速度，K为非线性误差。