[发明专利]一种MIMU整体动态智能标定补偿方法

说明书

本发明公开了一种MIMU整体动态智能标定补偿方法。该方法为：通过工装将MEMS‑IMU固定在测试设备上，采集保存IMU以及测试设备的输出；基于DeepAR递归神经网络建立误差补偿模型，确定神经网络输入输出结构、隐含层数目以及神经元数目；将采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练；利用训练完成的神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型。本发明标定精度高，适应性强。

技术领域

本发明涉及惯性导航技术领域，特别是一种MIMU整体动态智能标定补偿方法。

背景技术

随着半导体技术的发展，MEMS-IMU的精度在逐步提高，已经可以满足战术级制导武器的需求。同时，由于其具有成本低、体积小、功耗低等优点，在军用以及民用等各个领域得到了广泛的应用。

随着MEMS-IMU的广泛应用以及其自身输出误差受温度环境以及运动状态影响明显，所以在使用前对MEMS-IMU进行标定对于提高其精度非常有必要。由于传统的标定方法通常是采用静态的数据对标定参数进行解算，但是IMU的工作环境通常是在动态环境下，这会造成通过传统标定方法得到的标定参数不能再IMU使用中达到理想的效果。另外，由于一般的标定方法大多采用线性误差模型以及多项式误差模型来对惯导进行标定补偿，但是惯导的误差参数通常是非线性的并且是多因素耦合的状态，所以一般的误差模型不能够对惯导输出误差进行充分准确的补偿。

发明内容

本发明的目的在于提供一种精度高、适应性强的MIMU整体动态智能标定补偿方法。

实现本发明目的的技术解决方案为：一种MIMU整体动态智能标定补偿方法，包括以下步骤：

步骤1、采集数据阶段，通过工装将MEMS-IMU固定在转台、离心机这些测试设备上，采集保存IMU的输出以及测试设备的输出；

步骤2、基于DeepAR递归神经网络建立MEMS-IMU误差补偿模型，确定神经网络输入输出结构、隐含层数目以及神经元数目；

步骤3、将在步骤1采集到惯性测量单元实测数据作为神经网络的输入，测试设备的数据与惯性测量单元的实际输出的差值分别作为神经网络模型的输出，建立训练集与测试集，利用训练集对神经网络模型进行训练；

步骤4、利用训练完成的DeepAR递归神经网络模型结合测试集输入得到模型的输出数据，将输出数据与测试集输出数据进行对比，评价模型性能并对模型参数进行调整优化，进而得到最终的补偿模型。

进一步地，步骤1所述的采集数据阶段，通过工装将MEMS-IMU固定在转台、离心机这些测试设备上，采集保存IMU的输出以及测试设备的输出，具体如下：

将惯导固定在三轴温箱转台上先分别测试单轴的MIMU的角速率输出，控制三轴转台每个轴的角速率在-400°/s-400°/s之间均匀变化，变化速率为1°/s，通过分别对单轴采集数据能够学习到单轴的标定补偿模型；进而将三轴设置不同的角加速度从而获得三轴不同角速度的误差耦合数据；转动形式设定为依次从逆时针转动，逐渐减为零，再逐渐顺时针加速转动；对三轴施加不同的角加速度从而实现对各轴在不同的角速度下的耦合误差进行采集；控制温箱的温度设定为从最高温度到常温再到最低温度循环往复，同时保持上述的转动形式，采集4小时的数据；

为了激励惯导加速度计的高阶误差项，通过工装将惯导安装在离心机上，将输入轴安装在离心机工作半径的正方向，测试向心加速度从0g-10g变化，变化速度为10min/g，重新将输入轴安装在离心机工作半径的负方向，测试向心加速度从0g-10g变化，变化速度为10min/g；改变惯导在离心机夹具的安装方位，分别对三轴加速度计进行激励，通过上述数据能够对加速度计的高阶误差模型进行学习；