[发明专利]一种基于θ-增量学习的视觉-惯性融合导航系统及方法

权利要求书

1.一种基于θ-增量学习的视觉-惯性融合导航方法，采用基于θ-增量学习的视觉-惯性融合导航系统；

其特征在于：所述系统包括视觉导航模块、惯性导航模块、AI服务器；所述视觉导航模块，包括双目摄像头和视觉控制单元；双目摄像头，其设置位置需要确保双目摄像头的视野足以覆盖运动目标的运动空间，以便稳定地跟踪运动目标上的有色标记点；视觉控制单元设置于视觉-惯性融合导航系统的控制器内，用于获取运动目标的位置数据；所述惯性导航模块，包括惯性采集单元和惯性控制单元；惯性采集单元固定设置于运动目标上，用于获取运动目标的惯性数据；惯性控制单元设置于视觉-惯性融合导航系统的控制器内，惯性控制单元中的高精度数字运动处理器用于获取运动目标的姿态数据；所述AI服务器，根据是否获取到惯性数据、位置数据及姿态数据，对位置数据和姿态数据的增量进行估计，并对运动目标的位置数据和姿态数据进行更新，实现对运动目标的快速、精确导航；

所述方法包括以下步骤：

步骤1：构建用于姿态数据增量估计的级联网络OCasNet；

步骤2：构建用于位置数据增量估计的嵌套级联网络PCasNet；

步骤3：使用惯性采集单元，获取运动目标的惯性数据，包括加速度和角速度数据；与此同时，使用视觉导航模块获取运动目标的位置数据，惯性控制单元中的高精度数字运动处理器获取运动目标的姿态数据；

步骤4：对步骤3中获取的惯性数据、位置数据和姿态数据执行格式化与归一化预处理，预处理后的惯性数据作为输入，位置数据和姿态数据作为标签完成OCasNet和PCasNet的线下训练；

步骤5：设置运动目标的初始位置和姿态，惯性采集单元实时获取运动目标的惯性数据，同时视觉导航模块获取运动目标的位置数据，惯性控制单元中的高精度数字运动处理器获取运动目标的姿态数据，上述数据实时发送给AI服务器；

步骤6：位置数据和姿态数据的增量估计；

a)若未收到姿态数据的真实值，AI服务器对惯性数据进行格式化和归一化，并利用步骤4中训练完成的OCasNet估计姿态数据的增量；

b)若未收到位置数据的真实值，AI服务器对惯性数据及位置数据进行格式化和归一化，并利用步骤4中训练完成的PCasNet估计位置数据的增量；

步骤7：位置数据和姿态数据的更新；

a)若收到位置数据和姿态数据的真实值，则采用该真实值对运动目标当前时刻的位置数据和姿态数据进行更新；

b)若未收到位置数据和姿态数据的真实值，则将运动目标前一时刻的位置数据和姿态数据加上步骤6中估计的增量，对运动目标当前时刻的位置数据和姿态数据进行更新。

2.根据权利要求1所述的基于θ-增量学习的视觉-惯性融合导航方法，其特征在于，步骤1的具体实现包括以下子步骤：

步骤1.1：定义用于估计时序变量θ的输入变量为X＝(x₁,x₂,…,x_N)，x_i为惯性采集单元在一个时间序列的时间步i∈[1,N]处获取的运动目标的加速度与角速度；定义与X相应的标签为ΔY，ΔY为时序变量θ在时段T内的总增量；所述时序变量θ指运动目标的姿态变量；

其中，N是输入变量X所包含时间步的数目；T＝nt，即T是t的n倍，也即输入变量X的频率是标签频率的n倍，t是每一个时间步的时长，n＞1；

步骤1.2：根据步骤1.1的定义，构建基于θ-增量学习的级联网络OCasNet，用于姿态数据的增量估计，OCasNet级联n个循环神经网络单元；

其中，基于θ-增量学习的级联网络OCasNet中，n个循环神经网络单元共享网络参数，步骤1.1中定义的X为OCasNet的输入，ΔY为OCasNet的标签；

步骤1.3：根据时序变量θ的估计值和其真实值ΔY之间的误差，对步骤1.2构建的级联网络OCasNet进行训练，即利用最优化算法对级联网络OCasNet的参数进行更新；

步骤1.4：在实际导航应用过程中，采用步骤1.3训练完成的基于θ-增量学习的级联网络OCasNet对时序变量θ的增量进行估计。