专利汇可以提供基于捷联式惯性导航系统的空间轨迹重建方法及装置专利检索,专利查询,专利分析的服务。并且本 发明 提供一种基于捷联式惯性 导航系统 的空间轨迹重建方法及装置。该基于捷联式惯性导航系统的空间轨迹重建方法包括:获得t时刻b系的 角 速度 和t时刻b系的 加速 度;根据t时刻b系的角速度和t时刻b系的加速度,得到t时刻n系的角速度和t时刻n系的加速度;根据t时刻n系的角速度和t时刻n系的加速度构建预测样本;将预测样本输入已构建的 卷积神经网络 模型中进行 深度学习 ,得到t时刻增量量化值;根据t时刻n系的加速度和t时刻增量量化值,计算矫正后的t时刻n系的加速度;根据矫正后的t时刻n系的加速度构建空间轨迹,可以极大提升重建得到的空间轨迹的 精度 。,下面是基于捷联式惯性导航系统的空间轨迹重建方法及装置专利的具体信息内容。
1.一种基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,包括:
获得t时刻b系的角速度和t时刻b系的加速度,其中,b系为载体坐标系,t≥4;
根据所述t时刻b系的角速度和所述t时刻b系的加速度,得到t时刻n系的角速度和t时刻n系的加速度,其中,n系为惯性导航坐标系;
根据所述t时刻n系的角速度和所述t时刻n系的加速度构建预测样本;
将所述预测样本输入已构建的卷积神经网络模型中进行深度学习,得到t时刻增量量化值;
根据所述t时刻n系的加速度和所述t时刻增量量化值,计算矫正后的t时刻n系的加速度;
根据所述矫正后的t时刻n系的加速度构建空间轨迹;
所述根据所述t时刻b系的角速度和所述t时刻b系的加速度,得到t时刻n系的角速度和t时刻n系的加速度,包括:
根据t-1时刻从b系到n系的惯性旋转四元数和t时刻b系的角速度,计算t时刻从b系到n系的角速度旋转四元数;
根据所述t-1时刻从b系到n系的惯性旋转四元数、t-1时刻标准步长和t-1时刻增量参数,计算t时刻从b系到n系的加速度旋转四元数;
根据所述t时刻从b系到n系的角速度旋转四元数和所述t时刻从b系到n系的加速度旋转四元数,计算t时刻从b系到n系的惯性旋转四元数;
根据所述t时刻从b系到n系的惯性旋转四元数,计算t时刻从b系到n系的姿态矩阵;
根据所述t时刻b系的角速度和所述t时刻从b系到n系的姿态矩阵,计算t时刻n系的角速度;
根据所述t时刻b系的加速度和所述t时刻从b系到n系的姿态矩阵,计算t时刻n系的加速度。
2.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t时刻从b系到n系的角速度旋转四元数:
其中, 为t时刻从b系到n系的角速度旋转四元数, 为t-1时刻从b系到n系的惯性旋转四元数,bωt为t时刻b系的角速度, 为四元数的Hamilton乘积。
3.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t时刻从b系到n系的加速度旋转四元数:
其中, 为t时刻从b系到n系的加速度旋转四元数, 为t-1时刻从b系到n系的惯性旋转四元数,αt-1为t-1时刻标准步长,pt-1为t-1时刻增量参数。
4.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,所述t-1时刻增量参数按照如下方式确定:
根据t-2时刻从b系到n系的加速度旋转四元数和t-3时刻从b系到n系的加速度旋转四元数,计算t-1时刻对称正定矩阵;
根据所述t-1时刻对称正定矩阵和t-1时刻从b系到n系的加速度旋转四元数,计算所述t-1时刻增量参数。
5.根据权利要求4所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,所述t-1时刻标准步长按照如下方式确定:
执行迭代处理:根据所述t-1时刻从b系到n系的惯性旋转四元数和所述t-1时刻增量参数,判断t-2时刻标准步长是否满足预设条件;当所述t-2时刻标准步长满足所述预设条件时,将所述t-2时刻标准步长设置为所述t-1时刻标准步长;当所述t-2时刻标准步长不满足所述预设条件时,将所述t-2时刻标准步长乘以预设常数得到t-2时刻第j+1个标准步长,将所述t-2时刻标准步长设置为所述t-2时刻第j+1个标准步长,j为迭代次数。
6.根据权利要求5所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t-1时刻对称正定矩阵:
其中, 为t-1时刻对称正定矩阵, 为t-2时刻对称正定矩阵, 为yt-2的转置矩阵, 为st-2的转置矩阵,I为单位矩阵;
yt-2如下:
其中, 为t-2时刻从b系到n系的加速度旋转四元数, 为t-3时刻从b系到n系的加速度旋转四元数, 为t-2时刻从b系到n系的加速度旋转四元数的梯度,为t-3时刻从b系到n系的加速度旋转四元数的梯度;
st-2如下:
7.根据权利要求6所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算所述t-1时刻增量参数:
其中,pt-1为t-1时刻增量参数, 为t-1时刻从b系到n系的加速度旋转四元数,为 的梯度。
8.根据权利要求7所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,所述预设条件如下:
其中, 为t-1时刻从b系到n系的惯性旋转四元数,αt-2为t-2时刻标准步长,pt-1为t-1时刻增量参数,ng为n系的重力场,bat-1为t-1时刻b系的加速度,c为预设参数,0<c<0.5,为pt-1的转置矩阵, 为 的梯度;
如下:
如下:
为四元数的Hamilton乘积。
9.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t时刻从b系到n系的惯性旋转四元数:
其中, 为t时刻从b系到n系的惯性旋转四元数, 为t时刻从b系到n系的角速度旋转四元数, 为t时刻从b系到n系的加速度旋转四元数;
λt如下:
其中, 为t-1时刻从b系到n系的加速度旋转四元数, 为t-1时刻从b系到n系的角速度旋转四元数。
10.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t时刻从b系到n系的姿态矩阵:
其中, 为t时刻从b系到n系的姿态矩阵, 为t时刻从b系到n系的惯性旋转四元数。
11.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t时刻n系的角速度:
其中,nωt为t时刻n系的角速度, 为t时刻从b系到n系的姿态矩阵,bωt为t时刻b系的角速度。
12.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t时刻n系的加速度:
其中,nat为t时刻n系的加速度, 为t时刻从b系到n系的姿态矩阵,bat为t时刻b系的加速度。
13.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,所述已构建的卷积神经网络模型按照如下方式构建:
构建训练样本和验证样本,所述训练样本和验证样本均包括t’时刻n系的角速度、t’时刻n系的加速度和t’时刻增量量化值;
根据所述训练样本对卷积神经网络模型进行训练,得到经过训练的卷积神经网络模型;
根据所述验证样本对所述经过训练的卷积神经网络模型进行验证,若所述经过训练的卷积神经网络模型符合预设标准,则所述经过训练的卷积神经网络模型为已构建的卷积神经网络模型;若不符合,则利用所述训练样本对所述经过训练的卷积神经网络模型进行重新训练,直至所述经过训练的卷积神经网络模型符合预设标准为止。
14.根据权利要求13所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,所述t’时刻增量量化值按照如下方式确定:
根据t’时刻n系的金标准加速度,t’时刻n系的加速度和量化精度,计算t’时刻增量量化值。
15.根据权利要求14所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,所述t’时刻增量量化值按照如下公式确定:
其中,yt'为t’时刻增量量化值, 为t’时刻n系的金标准加速度,nat'为t’时刻n系的加速度,K为量化精度,κ为金标准与测量值的界限。
16.根据权利要求13所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,所述卷积神经网络包括:
多个第一卷积层、多个第二卷积层和全连接层;
所述第一卷积层采用1×wl维卷积窗,所述第二卷积层采用3×wl维卷积窗,所述全连接层有K+1个端口,其中,wl为第一卷积层的卷积窗宽度,K为量化精度。
17.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算矫正后的t时刻n系的加速度:
n
其中, 为矫正后的t时刻n系的加速度,at为t时刻n系的加速度,yt为t时刻增量量化值,K为量化精度,κ为金标准与测量值的界限。
18.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,所述根据所述矫正后的t时刻n系的加速度构建空间轨迹,包括:
根据所述矫正后的t时刻n系的加速度计算t时刻n系的速度;
根据所述t时刻n系的速度计算t时刻n系的位移;
根据所述t时刻n系的位移构建空间轨迹。
19.根据权利要求18所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t时刻n系的速度:
其中,nvt为t时刻n系的速度, 为矫正后的t时刻n系的加速度。
20.根据权利要求18所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,通过如下公式计算t时刻n系的位移:
其中,nst为t时刻n系的位移,nvt为t时刻n系的速度,nvt-1为t-1时刻n系的速度。
21.根据权利要求1所述的基于捷联式惯性导航系统的空间轨迹重建方法,其特征在于,还包括:
根据所述t时刻从b系到n系的姿态矩阵计算t时刻从b系到n系的姿态逆矩阵;
根据矫正后的t时刻n系的加速度和所述t时刻从b系到n系的姿态逆矩阵计算矫正后的t时刻b系的加速度;
根据矫正后的t时刻b系的加速度和所述t时刻b系的加速度计算加速度预测偏差;
根据所述t时刻b系的加速度和所述加速度预测偏差计算t+1时刻b系的加速度。
22.一种基于捷联式惯性导航系统的空间轨迹重建装置,其特征在于,包括:
获得模块,用于获得t时刻b系的角速度和t时刻b系的加速度,其中,b系为载体坐标系,t≥4;
角速度和加速度计算模块,用于根据所述t时刻b系的角速度和所述t时刻b系的加速度,得到t时刻n系的角速度和t时刻n系的加速度,其中,n系为惯性导航坐标系;
预测样本构建模块,用于根据所述t时刻n系的角速度和所述t时刻n系的加速度构建预测样本;
增量量化值模块,用于将所述预测样本输入已构建的卷积神经网络模型中进行深度学习,得到t时刻增量量化值;
n系加速度矫正模块,用于根据所述t时刻n系的加速度和所述t时刻增量量化值,计算矫正后的t时刻n系的加速度;
空间轨迹构建模块,用于根据所述矫正后的t时刻n系的加速度构建空间轨迹;
所述角速度和加速度计算模块具体包括:
角速度旋转四元数单元,用于根据t-1时刻从b系到n系的惯性旋转四元数和t时刻b系的角速度,计算t时刻从b系到n系的角速度旋转四元数;
加速度旋转四元数单元,用于根据所述t-1时刻从b系到n系的惯性旋转四元数、t-1时刻标准步长和t-1时刻增量参数,计算t时刻从b系到n系的加速度旋转四元数;
惯性旋转四元数单元,用于根据所述t时刻从b系到n系的角速度旋转四元数和所述t时刻从b系到n系的加速度旋转四元数,计算t时刻从b系到n系的惯性旋转四元数;
姿态矩阵单元,用于根据所述t时刻从b系到n系的惯性旋转四元数,计算t时刻从b系到n系的姿态矩阵;
角速度单元,用于根据所述t时刻b系的角速度和所述t时刻从b系到n系的姿态矩阵,计算t时刻n系的角速度;
加速度单元,用于根据所述t时刻b系的加速度和所述t时刻从b系到n系的姿态矩阵,计算t时刻n系的加速度。
23.根据权利要求22所述的基于捷联式惯性导航系统的空间轨迹重建装置,其特征在于,所述加速度旋转四元数单元具体用于:
根据t-2时刻从b系到n系的加速度旋转四元数和t-3时刻从b系到n系的加速度旋转四元数,计算t-1时刻对称正定矩阵;
根据所述t-1时刻对称正定矩阵和t-1时刻从b系到n系的加速度旋转四元数,计算所述t-1时刻增量参数。
24.根据权利要求23所述的基于捷联式惯性导航系统的空间轨迹重建装置,其特征在于,所述加速度旋转四元数单元具体用于:
执行迭代处理:根据所述t-1时刻从b系到n系的惯性旋转四元数和所述t-1时刻增量参数,判断t-2时刻标准步长是否满足预设条件;当所述t-2时刻标准步长满足所述预设条件时,将所述t-2时刻标准步长设置为所述t-1时刻标准步长;当所述t-2时刻标准步长不满足所述预设条件时,将所述t-2时刻标准步长乘以预设常数得到t-2时刻第j+1个标准步长,将所述t-2时刻标准步长设置为所述t-2时刻第j+1个标准步长,j为迭代次数。
25.根据权利要求22所述的基于捷联式惯性导航系统的空间轨迹重建装置,其特征在于,还包括:
训练样本和验证样本构建模块,用于构建训练样本和验证样本,所述训练样本和验证样本均包括t’时刻n系的角速度、t’时刻n系的加速度和t’时刻增量量化值;
训练和验证模块,用于根据所述训练样本对卷积神经网络模型进行训练,得到经过训练的卷积神经网络模型;根据所述验证样本对所述经过训练的卷积神经网络模型进行验证,若所述经过训练的卷积神经网络模型符合预设标准,则所述经过训练的卷积神经网络模型为已构建的卷积神经网络模型;若不符合,则利用所述训练样本对所述经过训练的卷积神经网络模型进行重新训练,直至所述经过训练的卷积神经网络模型符合预设标准为止。
26.根据权利要求25所述的基于捷联式惯性导航系统的空间轨迹重建装置,其特征在于,还包括:
增量量化值计算模块,用于根据t’时刻n系的金标准加速度,t’时刻n系的加速度和量化精度,计算t’时刻增量量化值。
27.根据权利要求25所述的基于捷联式惯性导航系统的空间轨迹重建装置,其特征在于,所述卷积神经网络包括:
多个第一卷积层、多个第二卷积层和全连接层;
所述第一卷积层采用1×wl维卷积窗,所述第二卷积层采用3×wl维卷积窗,所述全连接层有K+1个端口,其中,wl为第一卷积层的卷积窗宽度,K为量化精度。
28.根据权利要求22所述的基于捷联式惯性导航系统的空间轨迹重建装置,其特征在于,所述空间轨迹构建模块具体包括:
速度单元,用于根据所述矫正后的t时刻n系的加速度计算t时刻n系的速度;
位移单元,用于根据所述t时刻n系的速度计算t时刻n系的位移;
空间轨迹单元,用于根据所述t时刻n系的位移构建空间轨迹。
29.根据权利要求22所述的基于捷联式惯性导航系统的空间轨迹重建装置,其特征在于,还包括:
姿态逆矩阵模块,用于根据所述t时刻从b系到n系的姿态矩阵计算t时刻从b系到n系的姿态逆矩阵;
b系加速度矫正模块,用于根据矫正后的t时刻n系的加速度和所述t时刻从b系到n系的姿态逆矩阵计算矫正后的t时刻b系的加速度;
加速度预测偏差模块,用于根据矫正后的t时刻b系的加速度和所述t时刻b系的加速度计算加速度预测偏差;
加速度预测模块,用于根据所述t时刻b系的加速度和所述加速度预测偏差计算t+1时刻b系的加速度。
30.一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获得t时刻b系的角速度和t时刻b系的加速度,其中,b系为载体坐标系,t≥4;
根据所述t时刻b系的角速度和所述t时刻b系的加速度,得到t时刻n系的角速度和t时刻n系的加速度,其中,n系为惯性导航坐标系;
根据所述t时刻n系的角速度和所述t时刻n系的加速度构建预测样本;
将所述预测样本输入已构建的卷积神经网络模型中进行深度学习,得到t时刻增量量化值;
根据所述t时刻n系的加速度和所述t时刻增量量化值,计算矫正后的t时刻n系的加速度;
根据所述矫正后的t时刻n系的加速度构建空间轨迹;
所述根据所述t时刻b系的角速度和所述t时刻b系的加速度,得到t时刻n系的角速度和t时刻n系的加速度,包括:
根据t-1时刻从b系到n系的惯性旋转四元数和t时刻b系的角速度,计算t时刻从b系到n系的角速度旋转四元数;
根据所述t-1时刻从b系到n系的惯性旋转四元数、t-1时刻标准步长和t-1时刻增量参数,计算t时刻从b系到n系的加速度旋转四元数;
根据所述t时刻从b系到n系的角速度旋转四元数和所述t时刻从b系到n系的加速度旋转四元数,计算t时刻从b系到n系的惯性旋转四元数;
根据所述t时刻从b系到n系的惯性旋转四元数,计算t时刻从b系到n系的姿态矩阵;
根据所述t时刻b系的角速度和所述t时刻从b系到n系的姿态矩阵,计算t时刻n系的角速度;
根据所述t时刻b系的加速度和所述t时刻从b系到n系的姿态矩阵,计算t时刻n系的加速度。
31.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
获得t时刻b系的角速度和t时刻b系的加速度,其中,b系为载体坐标系,t≥4;
根据所述t时刻b系的角速度和所述t时刻b系的加速度,得到t时刻n系的角速度和t时刻n系的加速度,其中,n系为惯性导航坐标系;
根据所述t时刻n系的角速度和所述t时刻n系的加速度构建预测样本;
将所述预测样本输入已构建的卷积神经网络模型中进行深度学习,得到t时刻增量量化值;
根据所述t时刻n系的加速度和所述t时刻增量量化值,计算矫正后的t时刻n系的加速度;
根据所述矫正后的t时刻n系的加速度构建空间轨迹;
所述根据所述t时刻b系的角速度和所述t时刻b系的加速度,得到t时刻n系的角速度和t时刻n系的加速度,包括:
根据t-1时刻从b系到n系的惯性旋转四元数和t时刻b系的角速度,计算t时刻从b系到n系的角速度旋转四元数;
根据所述t-1时刻从b系到n系的惯性旋转四元数、t-1时刻标准步长和t-1时刻增量参数,计算t时刻从b系到n系的加速度旋转四元数;
根据所述t时刻从b系到n系的角速度旋转四元数和所述t时刻从b系到n系的加速度旋转四元数,计算t时刻从b系到n系的惯性旋转四元数;
根据所述t时刻从b系到n系的惯性旋转四元数,计算t时刻从b系到n系的姿态矩阵;
根据所述t时刻b系的角速度和所述t时刻从b系到n系的姿态矩阵,计算t时刻n系的角速度;
根据所述t时刻b系的加速度和所述t时刻从b系到n系的姿态矩阵,计算t时刻n系的加速度。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于学习的稀疏表示的超分辨率图像重建方法 | 2020-05-11 | 851 |
基于非凸非光滑二阶正则项和稀疏保真项的优化方法 | 2020-05-12 | 514 |
作业型飞行机器人的四自由度机械臂遥操作系统及方法 | 2020-05-13 | 644 |
成像信号提取装置及其使用方法 | 2020-05-12 | 185 |
保持锐利特征的三维重建方法及系统 | 2020-05-11 | 988 |
3D面部模型重建装置和方法 | 2020-05-11 | 75 |
一种基于人脸三维重建的改进PCA算法 | 2020-05-12 | 738 |
一种基于稀疏变换的低剂量CT图像重建方法 | 2020-05-08 | 649 |
一种图像超分辨率的方法、装置、电子设备及存储介质 | 2020-05-08 | 584 |
基于自样例增强的超分辨率图像重建方法 | 2020-05-08 | 276 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。