[发明专利]陀螺仪零偏误差补偿方法

说明书

本申请公开了一种陀螺仪零偏误差补偿方法。其中，该方法包括：获取当前时刻待检测陀螺仪的外壳内部的第一温度；将第一温度输入至长短期记忆LSTM神经网络模型进行分析，得到待检测陀螺仪的零偏误差值，其中，零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值，其中，标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值；将零偏误差值与标准零偏值相加，得到目标补偿值。本申请解决了由于相关技术中基于神经网络模型补偿陀螺仪的零偏，造成的拟合过度或者不足，以及预测结果不准确的技术问题。

技术领域

本申请涉及陀螺仪校正领域，具体而言，涉及一种陀螺仪零偏误差补偿方法。

背景技术

现有的温度补偿方法包括两种，即常规的统计方法和人工智能方法。通过统计方法、模糊算法等手段建立陀螺的近似温度模型，如多项式模型，并应用此模型对陀螺零偏误差进行补偿。通常，热校准通过利用多项式拟合，找到适当的实验数据中的最小二乘多项式。在气候室内进行实验室测试时，多项式存在某些缺点，它适用于微机电陀螺仪校准，但不足以模拟突然变化的小范围温度间隔和传感器滞后的偏差趋势。还有一种温度补偿方法是通过PID控制算法实现陀螺仪的恒温控制，以及应用DSP硬件补偿系统将软硬件结合。随着技术的不断发展，神经网络技术、小波分析技术也得到了广泛的应用。但采用传统的方法进行温度误差补偿的过程中会产生庞大的工作量，并且在精度方面还有很大的提升空间。为了进一步对陀螺仪输出误差进行矫正，目前人工智能作为一种新兴技术，可以通过学习一种深层非线性网络结构，模拟更加复杂的函数，提高温度模型的准确性，为后续的温度误差补偿奠定了基础。但还是存在许多问题，有学者利用最小二乘法建立了一种零偏温度补偿模型,拟合出陀螺仪输出与温度之间的函数关系，并用该模型对新测的试验数据进行了预测补偿。多项式的次数越高就越精确,但系统的计算量亦会随之增大,因此需做权衡。随后针对传统的多项式模型难以精确表达零偏随温度变化的问题,有学者提出了一种基于灰色模型和RBF神经网络的MEMS陀螺温度补偿方法，用灰色模型对数据进行预处理,以减小原始数据的噪声，然后用降噪后的样本数据对RBF神经网络进行训练，并有效的进行温度补偿，另外，还可以利用BP神经网络良好的非线性建模能力来补偿陀螺仪的温度漂移，但这两种神经网络模型的泛化性能不佳，且熟练数据量较大，可能存在拟合不足和拟合过度的问题，因而造成预测结果不准确。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种陀螺仪零偏误差补偿方法，以至少解决由于相关技术中基于神经网络模型补偿陀螺仪的零偏，造成的拟合过度或者不足，以及预测结果不准确的技术问题。

根据本申请实施例的一个方面，提供了一种陀螺仪零偏误差补偿方法，包括：获取当前时刻待检测陀螺仪的外壳内部的第一温度；将第一温度输入至长短期记忆LSTM神经网络模型进行分析，得到待检测陀螺仪的零偏误差值，其中，零偏误差值为在第一温度下待检测陀螺仪的零偏值与标准零偏值的差值，标准零偏值为待检测陀螺仪在预定温度下输入信号为零时的测量值；将零偏误差值与标准零偏值相加，得到目标补偿值。

可选地，陀螺仪放置在温箱内，温箱的温度大于第一阈值且小于第二阈值，将第一温度输入至长短期记忆LSTM神经网络模型之前，方法还包括：检测陀螺仪金属外部的内部温度，在陀螺仪金属外部的内部温度达到第一阈值后，间隔第一预定时长后，每间隔第二预定时长采集内部温度的第一变化数据以及陀螺仪的第一输出值；在温箱的温度达到第二阈值后，间隔第三预定时长采集陀螺仪金属外部的内部温度的第二变化数据以及陀螺仪的第二输出值；将第一变化数据、第二变化、第一输出值以及第二输出值组成的数据集，确定为初始LSTM神经网络模型的训练集；基于训练集对初始LSTM神经网络模型进行训练得到LSTM神经网络模型。