CN109099910A - 基于惯性导航单元阵列的高精度惯性导航系统及实现方法 - Google Patents
基于惯性导航单元阵列的高精度惯性导航系统及实现方法 Download PDFInfo
- Publication number
- CN109099910A CN109099910A CN201810714200.1A CN201810714200A CN109099910A CN 109099910 A CN109099910 A CN 109099910A CN 201810714200 A CN201810714200 A CN 201810714200A CN 109099910 A CN109099910 A CN 109099910A
- Authority
- CN
- China
- Prior art keywords
- imu
- inertial navigation
- array
- chip
- chips
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 16
- 238000005476 soldering Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明实施例公开了一种基于惯性导航单元阵列的高精度惯性导航系统及实现方法，所述系统包括：IMU(Inertial Measurement Unit，惯性测量单元)矩阵系统PCB板、IMU阵列、算法处理器、输出端口；所述IMU阵列、算法处理器、输出端口设置在所述IMU矩阵系统PCB板上；所述IMU阵列包括多个IMU芯片，多个IMU芯片按照设定的规则设置在所述IMU矩阵系统PCB板上；所述算法处理器设置在所述IMU矩阵系统PCB板上，与所述IMU阵列连接；所述输出端口与所述算法处理器连接。本发明利用十六个低精度的IMU芯片组成阵列，按一定规则排列的IMU阵列可以抵消一部分固有的误差项，然后应用深度学习算法训练出误差产生的规律，从而提高整体的测量精度，能够实现高精度IMU芯片的效果，同时大大降低了成本。
Description
技术领域
本发明涉及定位导航数据处理技术领域，尤其是一种基于惯性导航单元阵列的高精度惯性导航系统及实现方法。
背景技术
随着定位导航系统的广泛应用，在GPS/北斗等定位导航系统信号的缺失的情况下，以多轴方式组合了陀螺仪、加速度计、磁力计的惯性测量单元(IMU)传感器得到广泛应用，精度高的导航IMU价格十分昂贵，一般可以达到数万人民币一个；精度低的IMU价格可以接受，但精度相差太大。
目前市场上常用的消费级IMU芯片精度较差，校正困难；精度高的IMU芯片价格十分昂贵，一般要数万元人民币以上一颗，对于消费级的IMU来说，可以通过算法校正提供一定程度的精度，常用的数据去除误差项的算法有：卡尔曼滤波方法、互补滤波方法等，卡尔曼滤波方法较复杂、运算量大，需要较高的硬件性能，从而导致电量耗损大以及较高硬件成本；互补滤波方法原理简单、计算量小，但其效果难以确定。
因此，现有技术需要改进。
发明内容
本发明实施例所要解决的一个技术问题是：提供一种基于惯性导航单元阵列的高精度惯性导航系统及实现方法，以解决现有技术存在的问题，所述基于惯性导航单元阵列的高精度惯性导航系统及实现方法，所述基于惯性导航单元阵列的高精度惯性导航系统包括：
IMU矩阵系统PCB板、IMU阵列、算法处理器、输出端口；
所述IMU阵列、算法处理器、输出端口设置在所述IMU矩阵系统PCB板上；
所述IMU阵列包括多个IMU芯片，多个IMU芯片按照设定的规则设置在所述IMU矩阵系统PCB板上；
所述算法处理器设置在所述IMU矩阵系统PCB板上，与所述IMU阵列连接，用于并行读取所述IMU阵列的数据，并根据深度学习算法计算IMU阵列的真实值；
所述输出端口与所述算法处理器连接，用于输出所述算法处理器的运算结果至外部设备。
在基于本发明上述基于惯性导航单元阵列的高精度惯性导航系统的另一个实施例中，所述IMU阵列包括16块IMU芯片，所述IMU矩阵系统PCB板的上下面各设置8块IMU芯片，所述IMU芯片在同一面由两排组成，两两IMU芯片距离相差15MM，同一排四个IMU芯片的焊接角度各相差90度。
在基于本发明上述基于惯性导航单元阵列的高精度惯性导航系统的另一个实施例中，所述IMU芯片的上下面对应位置设置的IMU芯片距离为15MM，焊接角度相差180度。
在基于本发明上述基于惯性导航单元阵列的高精度惯性导航系统的另一个实施例中，所述算法处理器一次并行读取16个IMU芯片的9轴数据，所述算法处理器计算所述IMU芯片的每个轴的真实值。
在基于本发明上述基于惯性导航单元阵列的高精度惯性导航系统的另一个实施例中，所述IMU芯片为MPU9250芯片。
在基于本发明上述基于惯性导航单元阵列的高精度惯性导航系统的另一个实施例中，所述算法处理器包括FPGA芯片。
在基于本发明上述基于惯性导航单元阵列的高精度惯性导航系统的另一个实施例中，所述FPGA芯片为XC7Z020。
基于本发明的另一个实施例，公开了一种基于惯性导航单元阵列的高精度惯性导航系统的实现方法，包括：
在IMU矩阵系统PCB板的正反面放分别8个IMU芯片，IMU芯片在同一面由两排组成，两两IMU芯片距离相差15MM，同一排四个IMU芯片的焊接角度各相差90度；
算法处理器同步并行读取16个IMU芯片的9轴数据，每个IMU芯片的采样频率相同且都为50Hz；
对采集的数据进行预处理，制作深度学习模型的训练样本，对网络结构进行调整和训练，提高预测精度；
通过输出端口将计算结果输出到外部设备。
在基于本发明上述基于惯性导航单元阵列的高精度惯性导航系统的实现方法另一个实施例中，所述对采集的数据进行预处理，制作深度学习模型的训练样本，对网络结构进行调整和训练，提高预测精度包括：
将16个IMU芯片构成一个虚拟IMU阵列，取16个IMU芯片在每个时间点上采集数据的平均值作为虚拟IMU阵列的各轴的真实值，选取读数在95％置信区间的IMU芯片读数，作为深度学习模型的训练样本，选取RTK作为模型参数更新的参考值；
采取LSTM(长短期记忆网络)训练卡尔曼滤波器中的未知量，所述卡尔曼滤波器需预先设定状态模型和观测模型两个模型量，使用LSTM训练样本学习状态模型和观测模型，处理非线性的状态、观测模型和非高斯噪声；
将16个IMU芯片采集的原始数据经过处理后，得到的9轴数据作为神经网络输入，输出为虚拟IMU阵列的位置坐标，通过RTK采集的位置坐标作为标准值，更新深度学习模型的网络参数；
通过对深度学习模型的网络结构进行调整和训练，寻找LSTM的最佳参数。
在基于本发明上述基于惯性导航单元阵列的高精度惯性导航系统的实现方法另一个实施例中，所述通过对深度学习模型的网络结构进行调整和训练，寻找LSTM的最佳参数为：
序列长度为20、隐藏层神经元数量为50、隐藏层数量为2。
与现有技术相比，本发明具有以下优点：
本发明提出了一种基于惯性导航单元阵列的高精度惯性导航系统及实现方法，利用十六个低精度的IMU芯片组成阵列，按一定规则排列的IMU阵列可以抵消一部分固有的误差项，然后应用深度学习算法训练出误差产生的规律，从而提高整体的测量精度，能够实现高精度IMU芯片的效果，同时大大降低了成本。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本发明的实施例，并且连同描述一起用于解释本发明的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：
图1为本发明的基于惯性导航单元阵列的高精度惯性导航系统的一个实施例的结构示意图；
图2为本发明的基于惯性导航单元阵列的高精度惯性导航系统的实现方法的一个实施例的流程图；
图3为本发明的基于惯性导航单元阵列的高精度惯性导航系统的实现方法的另一个实施例的流程图。
图中：1IMU矩阵系统PCB板、2IMU阵列、3算法处理器、4输出端口
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
需要指出的是，本发明中的各个单元模块均为硬件模块，其中部分模块虽然带有信息处理能力，根据不同的设计需求，可能需要配合相应的软件来实现，但是，这些软件均为现有公知的软件或公知的技术。本申请中所涉及的各种电路、芯片、模块等可以采用专用集成电路及外围电路予以实现，即采用纯硬件方式实现，或者采用现有的芯片与外围电路实现，通过在芯片上加载现有软件，或者根据现有方法所实现的软件进行工作。
本发明的发明点在于各个模块、单元、器件的硬件连接关系，以及各个硬件的安装位置的变化等，以及形成特有的连接关系和相应空间关系，在采用专用集成电路时无需辅助软件也可以实现，即使具体运用中需要相应的软件，其也只是作为本发明在具体应用场景中与其他部分进行配合、协调，以便更好实现本发明在应用中的作用，与本发明的发明点无关，同时，如果采用现有芯片配合软件来工作时，其所使用的软件、处理方法均为现有软件和方法，本发明所实现的发明效果和目的地实现也不依赖于软件，而是通过硬件构造的改进来实现发明目的，并且，本发明所实现的发明效果和目的的实现也不依赖于软件，而是通过硬件构造的改进来实现发明目的，而且本发明所要求保护的范围不涉及软件本身，而仅仅是各个部分的连接关系和相对空间位置关系。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
如图1所示，所述基于惯性导航单元阵列的高精度惯性导航系统及实现方法包括：
IMU矩阵系统PCB板1、IMU阵列2、算法处理器3、输出端口4；
所述IMU阵列2、算法处理器3、输出端口4设置在所述IMU矩阵系统PCB板1上；
所述IMU阵列2包括多个IMU芯片，多个IMU芯片按照设定的规则设置在所述IMU矩阵系统PCB板1上；
所述算法处理器3设置在所述IMU矩阵系统PCB板1上，与所述IMU阵列2连接，用于并行读取所述IMU阵列2的数据，并根据深度学习算法计算IMU阵列2的真实值；
所述输出端口4与所述算法处理器3连接，用于输出所述算法处理器3的运算结果至外部设备。
所述IMU阵列2包括16块IMU芯片，所述IMU矩阵系统PCB板1的上下面各设置8块IMU芯片。
所述IMU芯片在同一面由两排组成，两两IMU芯片距离相差15MM，同一排四个IMU芯片的焊接角度各相差90度。
所述IMU芯片的上下面对应位置设置的IMU芯片距离为15MM，焊接角度相差180度。
所述算法处理器3一次并行读取16个IMU芯片的9轴数据。
所述算法处理器3计算所述IMU芯片的每个轴的真实值。
所述IMU芯片为MPU9250芯片。
所述算法处理器3包括FPGA芯片。
所述FPGA芯片为XC7Z020。
在本发明的一个具体的实施例中，所述基于惯性导航单元阵列的高精度惯性导航系统及实现方法工作流程如下：
算法处理器3并行读取16个IMU芯片的9轴数据；
算法处理器3运用深度学习算法计算IMU芯片的各轴真实值；
算法处理器3的计算结果通过输出端口4输出到外部设备。
图2为本发明的基于惯性导航单元阵列的高精度惯性导航系统的实现方法的一个实施例的流程图，如图2所示，所述基于惯性导航单元阵列的高精度惯性导航系统的实现方法，包括：
10，在IMU矩阵系统PCB板1的正反面放分别8个IMU芯片，IMU芯片在同一面由两排组成，两两IMU芯片距离相差15MM，同一排四个IMU芯片的焊接角度各相差90度；
20，算法处理器3同步并行读取16个IMU芯片的9轴数据，每个IMU芯片的采样频率相同且都为50Hz；
30，对采集的数据进行预处理，制作深度学习模型的训练样本，对网络结构进行调整和训练，提高预测精度；
40，通过输出端口4将计算结果输出到外部设备。
图3为本发明的基于惯性导航单元阵列的高精度惯性导航系统的实现方法的另一个实施例的流程图，如图3所示，所述对采集的数据进行预处理，制作深度学习模型的训练样本，对网络结构进行调整和训练，提高预测精度包括：
101，将16个IMU芯片构成一个虚拟IMU阵列2，取16个IMU芯片在每个时间点上采集数据的平均值作为虚拟IMU阵列2的各轴的真实值，选取读数在95％置信区间的IMU芯片读数，作为深度学习模型的训练样本，选取RTK作为模型参数更新的参考值；
102，采取LSTM训练卡尔曼滤波器中的未知量，所述卡尔曼滤波器需预先设定状态模型和观测模型两个模型量，使用LSTM训练样本学习状态模型和观测模型，处理非线性的状态、观测模型和非高斯噪声；
103，将16个IMU芯片采集的原始数据经过处理后，得到的9轴数据作为神经网络输入，输出为虚拟IMU阵列2的位置坐标，通过RTK采集的位置坐标作为标准值，更新深度学习模型的网络参数；
104，通过对深度学习模型的网络结构进行调整和训练，寻找LSTM的最佳参数。
所述通过对深度学习模型的网络结构进行调整和训练，寻找LSTM的最佳参数为：
序列长度为20、隐藏层神经元数量为50、隐藏层数量为2。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种基于惯性导航单元阵列的高精度惯性导航系统，其特征在于，包括：
IMU(Inertial Measurement Unit，惯性测量单元)矩阵系统PCB板、IMU阵列、算法处理器、输出端口；
所述IMU阵列、算法处理器、输出端口设置在所述IMU矩阵系统PCB板上；
所述IMU阵列包括多个IMU芯片，多个IMU芯片按照设定的规则设置在所述IMU矩阵系统PCB板上；
所述算法处理器设置在所述IMU矩阵系统PCB板上，与所述IMU阵列连接，用于并行读取所述IMU阵列的数据，并根据深度学习算法计算IMU阵列的真实值；
所述输出端口与所述算法处理器连接，用于输出所述算法处理器的运算结果至外部设备。
2.根据权利要求1所述的基于惯性导航单元阵列的高精度惯性导航系统，其特征在于，所述IMU阵列包括16块IMU芯片，所述IMU矩阵系统PCB板的上下面各设置8块IMU芯片，所述IMU芯片在同一面由两排组成，两两IMU芯片距离相差15MM，同一排四个IMU芯片的焊接角度各相差90度。
3.根据权利要求2所述的基于惯性导航单元阵列的高精度惯性导航系统，其特征在于，所述IMU芯片的上下面对应位置设置的IMU芯片距离为15MM，焊接角度相差180度。
4.根据权利要求2所述的基于惯性导航单元阵列的高精度惯性导航系统，其特征在于，所述算法处理器一次并行读取16个IMU芯片的9轴数据，所述算法处理器计算所述IMU芯片的每个轴的真实值。
5.根据权利要求2所述的基于惯性导航单元阵列的高精度惯性导航系统，其特征在于，所述IMU芯片为MPU9250芯片。
6.根据权利要求1所述的基于惯性导航单元阵列的高精度惯性导航系统，其特征在于，所述算法处理器包括FPGA芯片。
7.根据权利要求6所述的基于惯性导航单元阵列的高精度惯性导航系统，其特征在于，所述FPGA芯片为XC7Z020。
8.一种基于惯性导航单元阵列的高精度惯性导航系统的实现方法，其特征在于，包括：
在IMU矩阵系统PCB板的正反面放分别8个IMU芯片，IMU芯片在同一面由两排组成，两两IMU芯片距离相差15MM，同一排四个IMU芯片的焊接角度各相差90度；
算法处理器同步并行读取16个IMU芯片的9轴数据，每个IMU芯片的采样频率相同且都为50Hz；
对采集的数据进行预处理，制作深度学习模型的训练样本，对网络结构进行调整和训练，提高预测精度；
通过输出端口将计算结果输出到外部设备。
9.根据权利要求8所述的基于惯性导航单元阵列的高精度惯性导航系统的实现方法，其特征在于，所述对采集的数据进行预处理，制作深度学习模型的训练样本，对网络结构进行调整和训练，提高预测精度包括：
将16个IMU芯片构成一个虚拟IMU阵列，取16个IMU芯片在每个时间点上采集数据的平均值作为虚拟IMU阵列的各轴的真实值，选取读数在95％置信区间的IMU芯片读数，作为深度学习模型的训练样本，选取RTK作为模型参数更新的参考值；
采取LSTM(长短期记忆网络)训练卡尔曼滤波器中的未知量，所述卡尔曼滤波器需预先设定状态模型和观测模型两个模型量，使用LSTM训练样本学习状态模型和观测模型，处理非线性的状态、观测模型和非高斯噪声；
将16个IMU芯片采集的原始数据经过处理后，得到的9轴数据作为神经网络输入，输出为虚拟IMU阵列的位置坐标，通过RTK采集的位置坐标作为标准值，更新深度学习模型的网络参数；
通过对深度学习模型的网络结构进行调整和训练，寻找LSTM的最佳参数。
10.根据权利要求9所述的基于惯性导航单元阵列的高精度惯性导航系统的实现方法，其特征在于，所述通过对深度学习模型的网络结构进行调整和训练，寻找LSTM的最佳参数为：
序列长度为20、隐藏层神经元数量为50、隐藏层数量为2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810714200.1A CN109099910A (zh) | 2018-06-29 | 2018-06-29 | 基于惯性导航单元阵列的高精度惯性导航系统及实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810714200.1A CN109099910A (zh) | 2018-06-29 | 2018-06-29 | 基于惯性导航单元阵列的高精度惯性导航系统及实现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109099910A true CN109099910A (zh) | 2018-12-28 |
Family
ID=64845439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810714200.1A Pending CN109099910A (zh) | 2018-06-29 | 2018-06-29 | 基于惯性导航单元阵列的高精度惯性导航系统及实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109099910A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113252058A (zh) * | 2021-05-24 | 2021-08-13 | 北京航迹科技有限公司 | 一种imu数据处理方法、系统、装置及存储介质 |
| CN113447044A (zh) * | 2021-05-21 | 2021-09-28 | 上海工程技术大学 | 一种对称结构的阵列式惯性测量实验系统的设置方法 |
| CN116519013A (zh) * | 2023-03-13 | 2023-08-01 | 北京自动化控制设备研究所 | 一种基于虚拟imu预测的高精度惯导初始对准方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706347A (zh) * | 2012-05-17 | 2012-10-03 | 南京航空航天大学 | 一种惯性传感器网络节点装置及其信息融合方法 |
| US20140168009A1 (en) * | 2012-12-17 | 2014-06-19 | Trimble Navigation Ltd. | Multi-IMU INS for vehicle control |
| CN107148553A (zh) * | 2014-08-01 | 2017-09-08 | 迈克尔·科伦贝格 | 用于改善惯性测量单元传感器信号的方法和系统 |
| CN107219924A (zh) * | 2017-05-27 | 2017-09-29 | 华南理工大学 | 一种基于惯性传感器的空中手势识别方法 |
| CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
-
2018
- 2018-06-29 CN CN201810714200.1A patent/CN109099910A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706347A (zh) * | 2012-05-17 | 2012-10-03 | 南京航空航天大学 | 一种惯性传感器网络节点装置及其信息融合方法 |
| US20140168009A1 (en) * | 2012-12-17 | 2014-06-19 | Trimble Navigation Ltd. | Multi-IMU INS for vehicle control |
| CN107148553A (zh) * | 2014-08-01 | 2017-09-08 | 迈克尔·科伦贝格 | 用于改善惯性测量单元传感器信号的方法和系统 |
| CN107219924A (zh) * | 2017-05-27 | 2017-09-29 | 华南理工大学 | 一种基于惯性传感器的空中手势识别方法 |
| CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
Non-Patent Citations (3)
| Title |
|---|
| ISAAC SKOG等: "An open-source multi inertial measurement unit (MIMU) platform", 《2014 INTERNATIONAL SYMPOSIUM ON INERTIAL SENSORS AND SYSTEMS (ISISS)》 * |
| 杨其等: "LSTM网络和ARMA模型对惯性器件随机误差预测适应性分析", 《电光与控制》 * |
| 韦鹏程等: "《大数据巨量分析与机器学习的整合与开发》", 31 May 2017, 电子科技大学出版社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113447044A (zh) * | 2021-05-21 | 2021-09-28 | 上海工程技术大学 | 一种对称结构的阵列式惯性测量实验系统的设置方法 |
| CN113252058A (zh) * | 2021-05-24 | 2021-08-13 | 北京航迹科技有限公司 | 一种imu数据处理方法、系统、装置及存储介质 |
| WO2022247392A1 (zh) * | 2021-05-24 | 2022-12-01 | 北京航迹科技有限公司 | 一种imu数据处理方法、系统、装置及存储介质 |
| CN116519013A (zh) * | 2023-03-13 | 2023-08-01 | 北京自动化控制设备研究所 | 一种基于虚拟imu预测的高精度惯导初始对准方法 |
| CN116519013B (zh) * | 2023-03-13 | 2025-10-17 | 北京自动化控制设备研究所 | 一种基于虚拟imu预测的高精度惯导初始对准方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106095113B (zh) | 一种九轴传感器融合的用户姿态测算和虚拟现实随动方法 | |
| US9508146B2 (en) | Automated frame of reference calibration for augmented reality | |
| CN107024198B (zh) | 一种捷联惯导式测波方法及系统 | |
| CN109141433A (zh) | 一种机器人室内定位系统及定位方法 | |
| CN103512584A (zh) | 导航姿态信息输出方法、装置及捷联航姿参考系统 | |
| CN109099910A (zh) | 基于惯性导航单元阵列的高精度惯性导航系统及实现方法 | |
| GB2378765A (en) | Error compensation in an inertial navigation system | |
| CN109827571A (zh) | 一种无转台条件下的双加速度计标定方法 | |
| CN109669533A (zh) | 一种基于视觉和惯性的动作捕捉方法、装置及系统 | |
| CN103874904A (zh) | 偏移估计装置、偏移估计方法、偏移估计程序以及信息处理装置 | |
| CN106023192A (zh) | 一种图像采集平台的时间基准实时标定方法及系统 | |
| CN104913775B (zh) | 无人机对地高度的测量方法、无人机定位方法及装置 | |
| CN106598230B (zh) | 一种虚拟现实头盔及追踪其空间姿态信息的方法和装置 | |
| CN112683265B (zh) | 一种基于快速iss集员滤波的mimu/gps组合导航方法 | |
| CN108801250B (zh) | 基于水下机器人的实时姿态获取方法及装置 | |
| CN110631605A (zh) | 一种陀螺阵列标定方法及系统 | |
| CN117036509A (zh) | 一种联合标定方法、装置、设备及存储介质 | |
| Cui et al. | Vehicle heading enhancement based on adaptive sliding window factor graph optimization for gyroscope/magnetometer | |
| CN109902675A (zh) | 物体的位姿获取方法、场景重构的方法和装置 | |
| CN117949013A (zh) | 系统初始化方法、特征跟踪方法、终端设备以及存储介质 | |
| CN110954081A (zh) | 一种磁罗盘快速校准装置及方法 | |
| CN207586912U (zh) | 一种基于SoC的通用组合导航集成处理器架构 | |
| CN113155119B (zh) | 天文导航的振动补偿方法、装置及电子设备 | |
| CN106546237B (zh) | 一种模块化的惯性系统构建方法 | |
| Grießbach et al. | IPS–a system for real-time navigation and 3D modeling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |
|
| RJ01 | Rejection of invention patent application after publication |