基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法.pdf
《基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法.pdf》由会员分享,可在线阅读,更多相关《基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、第32卷第3期 中国惯性技术学报 Vol.32 No.3 2024 年 03 月 Journal of Chinese Inertial Technology Mar.2024 收稿日期:收稿日期:2023-09-05;修回日期:修回日期:2024-01-12 基金项目:基金项目:国家自然科学基金(62273091)作者简介:作者简介:程向红(1963),女,博士生导师,从事导航、制导与控制方面研究。文章编号:文章编号:1005-6734(2024)03-0213-06 doi.10.13695/ki.12-1222/o3.2024.03.001 基于改进基于改进 LSTM 网络的无人机网络的
2、无人机 MEMS-IMU 零偏在线标定方法零偏在线标定方法 程向红1,2,吴昕怡1,2,刘丰宇1,2,钟志伟1,2(1.微惯性仪表与先进导航技术教育部重点实验室,南京 210096;2.东南大学 仪器科学与工程学院,南京 210096)摘要:摘要:针对在卫星信号拒止、视觉系统退化场景中无人机 MEMS-IMU 零偏无法准确估计并补偿导致导航误差迅速发散的问题,提出一种基于改进长短时记忆(LSTM)网络的零偏在线标定方法。首先,为解决 MEMS-IMU 零偏数据非线性强、传统循环时间网络训练效果差的问题,设计序列到序列的LSTM 神经网络结构,引入教师强迫机制,提高了网络特征学习能力。然后,在导
3、航过程中使用训练后的网络对 MEMS-IMU 零偏在线标定,补偿后的 IMU 量测与视觉信息联合优化,保证了导航定位精度。实验结果表明,在纯惯性导航实验中,所提方法的绝对位置误差比传统 LSTM 方法减小了 6.5%;在 EUROC 数据集下进行的视觉惯性组合导航实验中,所提方法的平均绝对位置误差比传统 LSTM 方法减小了 15%。关 键 词:关 键 词:无人机导航定位;微惯性测量单元;在线标定;长短时记忆神经网络 中图分类号:中图分类号:V249 文献标志码:文献标志码:A An improved LSTM neural network online calibration method
4、of MEMS-IMU bias for UAV CHENG Xianghong1,2,WU Xinyi1,2,LIU Fengyu1,2,ZHONG Zhiwei1,2(1.Key Laboratory of Micro-inertial Instrument and Advanced Navigation Technology,Ministry of Education,Southeast University,Nanjing 210096,China;2.School of Instrument Science&Engineering,Southeast University,Nanji
5、ng 210096,China)Abstract:Aiming at the problem that the MEMS-IMU bias of unmanned aerial vehicle(UAV)cannot be accurately estimated and compensated in the scenario of satellite signal rejection and vision system degradation,which results in the rapid divergence of navigation error,a bias online cali
6、bration method based on improved long short-term memory(LSTM)network is proposed.Firstly,to solve the problem of IMU bias nonlinearity and poor training effect of traditional recurrent neural network,a sequence to sequence LSTM and teacher forcing mechanism is added to improve network feature learni
7、ng ability.Then,the trained network is used to calibrate MEMS-IMU bias online,and the compensated IMU measurement is optimized jointly with the visual information to ensure the navigation and positioning accuracy in the navigation process.The experimental results show that compared with the traditio
8、nal LSTM method,the absolute position error of the proposed method is reduced by 6.5%in the pure inertial navigation experiment.The visual inertial integrated navigation experiments is conducted under the EUROC data set subsequence,and the absolute position error of the proposed method is reduced by
9、 15%on average compared with the traditional LSTM method.Key words:unmanned aerial vehicle navigation and positioning;micro electro mechanical system-inertial measurement unit;online calibration;long short-term memory neural network 214 中国惯性技术学报 第 32 卷 微 惯 性测 量单 元(Micro Electro Mechanical System-Ine
10、rtial Measurement Unit,MEMS-IMU)具有体积小、成本低等优点,在军事、商业等多个领域得到广泛应用。无人机借助其搭载的 MEMS-IMU、视觉传感器等多种传感器,可在隧道、森林等卫星信号拒止的复杂环境中完成探测和搜救等任务1。然而在复杂的运动过程中,无人机搭载的 MEMS-IMU 零偏将随时间变化呈现出高度非线性2。离线状态下标定得到的零偏参数在实际使用时已发生变化,因此需要采用有效的在线标定方法,保证无人机导航定位的精度。无人机主要采用视觉惯性组合导航的方式,借助相机对 IMU 零偏参数进行在线标定并补偿。Xiao 等人将 IMU 误差参数加入到视觉惯性图优化框架中
11、,共同优化 IMU 误差参数以及系统状态,系统精度显著提高3。鹿珂珂等人使用离线标定所得误差参数补偿IMU 量测后,采用与视觉融合的非线性优化方法实时估计陀螺零偏,有效降低 IMU 误差4。但是,当无人机在光照不足、空间狭窄的环境中进行高动态飞行、拐弯等复杂工作时,无法提取图像的有效特征点,视觉系统将发生退化甚至失效,也无法正确估计 IMU 零偏。针对以上问题,很多研究使用神经网络对 IMU 误差参数进行标定,即将 IMU 量测作为时间序列信息,进行降噪、预测等处理。Brossard 等人设计了膨胀卷积神经网络(Dilated Convolutional Networks,DCN),利用地面真
12、值训练网络,去除陀螺仪量测中的零偏和高频噪声,提高了位姿估计精度5。黄凤荣等人设计了改进的 DCN 网络,使用 1D 卷积层估计 IMU 系统误差矩阵,同时用 DCN 网络估计时变的陀螺误差,对陀螺仪数据进行补偿,从而提高车辆导航系统的定位精度6。以上两种方法只对陀螺仪数据进行了处理,忽略了加速度计误差对系统精度造成的影响,并且无法区分误差源,可解释性差。本文针对无人机视觉惯性组合导航时,由于视觉信息失效导致无法正确估计 IMU 零偏并补偿的问题,提出了一种基于改进长短时记忆网络(Long short-term memory,LSTM)的 MEMS-IMU 零偏在线标定方法。首先对 IMU 的
13、陀螺和加速度计零偏进行在线标定并补偿,保证无人机导航定位精度;然后设计基于序列到序列(Sequence to Sequence,Seq2Seq)的 LSTM 神经网络结构,加入教师强迫训练机制提高特征学习效果;最后在纯惯性仿真数据和 EUROC 公开数据集上对本文算法进行实验验证。1 1 IMU 在线标定算法结构 在线标定算法结构 本文所提的基于改进 LSTM 网络的无人机MEMS-IMU 零偏在线标定算法框图如图 1 所示。在网络训练阶段,LSTM-Seq2Seq 网络学习 MEMS-IMU 零偏特征,并使用教师强迫机制提高训练效果。在导航过程中,网络调取训练好的参数,对每一时刻 IMU 量
14、测对应的陀螺、加速度计零偏在线标定。零偏补偿后的 IMU 量测与视觉相机进行联合优化估计,最终解算得到优化后的导航信息。MEMS-IMU视觉相机LSTM-Seq2Seq在线标定IMU量测VINS联合优化估计视觉量测位置速度姿态LSTM-Seq2Seq网络训练零偏估计网络参数教师强迫网络训练流程零偏补偿零偏状态量MEMS-IMUIMU量测 图 1 IMU 在线标定算法框图 Fig.1 Block diagram of IMU online calibration algorithm 1.1 IMU 量测以及误差模型 MEMS-IMU 包含三轴陀螺仪和三轴加速度计,分别测量无人机的角速度与加速度。
15、世界坐标系w 系采用东北天地理坐标系,载体坐标系b系采用右前上坐标系。IMU 量测模型为:00()()()()()()()()()()()abwaaawggggtttttttttttaabK aT aRgnwwbK wT wn (1)其中,()ta、()tw分别为加速度计和陀螺仪的测量值;()ta、()tw分别为载体加速度和角速度的真实值;0()atb为加速度计零偏,0()gtb为陀螺仪零偏;aK、gK分别为加速度计标度因子误差和陀螺仪标度因子误差矩阵;aT、gT分别为加速度计安装误差和陀螺仪安装误差矩阵;bwR为w系到b系的旋转矩阵,wg为w系的重力加速度;an、gn分别为加速度计和陀螺仪的
16、量测噪声,通常看作零均值高斯白噪声。在线情况下,MEMS-IMU安装误差变化相对较小,可使用离线标定所得参数进行补偿,故在线标定的量测模型变为:()()()()()()()()()abwawggtttttttttaabRgnwwbn (2)其中,0()()aaattbbK a、0()()gggttbbK w分别称为加速度计和陀螺仪的等效零偏(后文简称零偏),需使用软件算法进行在线标定。1.2 基于优化的视觉/惯性导航系统算法 视觉/惯性导航系统(Visual-Inertial Navigation System,VINS)中滑动窗口内待优化估计的状态量为:第3期 程向红等:基于改进LSTM网络
17、的无人机MEMS-IMU零偏在线标定方法 215 T0101TTTTTTT,(),(),(),(),(),0,(),()kkkbncmwwwagkbbbkkbbbccc=knXxxxxxpvqbbxpq(3)其中,相机坐标系c系采用右下前坐标系;X 为所有状态量;kx为第k帧图像时间下获取的IMU状态量,包含w系下IMU的位置kwbp、速度kwbv、姿态kwbq、加速度计零偏akb 和陀螺仪零偏gkb;bcx 为相机到IMU的变换矩阵,包含位置参数bcp和旋转参数bcq;l为第l个路标的逆深度;窗口内状态量总数为n+1,路标点总数为m+1。以式(3)作为优化向量,组合导航原理图如图2所示。图中
18、priorb为IMU初始零偏,通过VINS初始化得到;kb为第k帧图像时间下获取的加速度计零偏akb 和陀螺仪零偏gkb;kf为第k个相机帧。IMU:相机:x0 x2f0f1f2IMU和相机状态IMU量测量路标点bpriorb1b2b3b4零偏:视觉量测量IMU零偏因子LSTM-Seq2Seq预测x3x1x4零偏补偿 图 2 基于优化的视觉惯性组合导航原理 Fig.2 Principle of VINS based on optimization 采用文献7中视觉惯性联合优化方法,构建量测残差损失函数:11minjkCbkjkblk222CbppBbClk Bl,jC-+,+,XPPrH Xr
19、zXrzX(4)其中,,ppr H为边缘化先验信息;1()kkbBb,rzX为IMU量测残差;()jCCl,rzX为视觉重投影残差。其余变量定义详见文献7。2 神经网络零偏预测算法 2 神经网络零偏预测算法 2.1 零偏预测模型 将IMU零偏作为时间序列,采用神经网络和历史数据对未来时刻的零偏做出预测。定义函数F以及参数为:111():(,)(,)kkbagagbkkkkFxbbbb (5)网络的输入为b系下k时刻到1k时刻IMU量测1kkbbx以及k时刻IMU加速度计和陀螺仪零偏akb、gkb。网络的输出为1k时刻IMU加速度计和陀螺仪零偏估计值1akb、1gkb。对IMU量测进行补偿,解算
20、后得到IMU状态量1kx。2.2 循环神经网络模型 时间序列问题经常采用循环神经网络(Recurrent Neural Network,RNN)解决。RNN可以将上一时刻的信息传递至下一时刻,解决时间序列前后时刻依赖的问题8。对于长期依赖信息,随着训练时间增长,RNN网络会出现梯度爆炸和梯度消失。为解决上述问题,本文引入了LSTM网络,使用遗忘门、输入门和输出门来控制细胞状态C和隐藏状态h两个传输状态的遗忘与保留9,如图3所示。图中tx为输入数据,蓝色th为输出数据。遗忘门输入门输出门输入数据 图 3 LSTM 网络结构图 Fig.3 LSTM network structure diagra
21、m 遗忘门决定本单元保留上一时刻单元状态的数量;输入门决定本单元保留当前时刻网络输入的数量;输出门决定单元状态作为网络输出的数量10。2.3 LSTM-Seq2Seq网络设计 使用LSTM神经网络对IMU零偏进行预测时,存在两个问题:一是网络的输出之间相互独立,没有考虑到输出的序列相关性;二是网络在训练时存在误差累积的问题,无法达到良好的训练效果,因此设计了LSTM-Seq2Seq网络。考虑输出间的依赖性,加入教师强迫(Teacher Forcing)机制以提高训练效果。LSTM-Seq2Seq网络选用递归Seq2Seq模型11,输入数据经过Norm层做归一化处理,处理单元选用LSTM网络,结
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 LSTM 网络 无人机 MEMS IMU 在线 标定 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。