一种基于KF和LSTM融合的IMU姿态估计方法

技术领域

本发明涉及人体运动姿态估计领域，具体涉及一种基于KF和LSTM融合的姿态估计方法。

背景技术

目前，随着传感器和人工智能等技术的发展，人体姿态估计在体育训练、虚拟现实、人机协作等领域的广泛应用。根据实际应用的需要，大量的科技技术被用于估计人体运动姿态，包括视觉传感器、机械装置、惯性传感器等。

惯性传感器作为人体运动姿态信息捕捉领域的一种重要传感器设备，以其低成本、实时性、尺寸多样等优点成为人体运动姿态估计领域的研究重点之一。在姿态估计中，传统的姿态估计方法一般使用重力加速度计算翻滚角和俯仰角，利用地磁场计算偏航角。然而由于人体的自由运动和环境中的磁场干扰，加速计的测量变成重力加速度和外部加速两部分构成，无法简单的区分测量中的重力加速度。此外，人体常处于室内环境，佩戴在人身体上的磁力计易受室内复杂的磁场影响，所以测得磁场往往包含外部磁场扰动。在人体姿态估计中，外部加速度和地磁场容易影响姿态估计估计的精度，为了减小扰动对姿态估计的影响，融合加速度计、陀螺仪和磁力计的滤波方法常被使用，但传统卡尔曼滤波主要应用于线性系统，并且在滤波中常用扰动协方差统计特性来反映扰动的大小，这导致扰动的自适应能力弱，协方差无法自适应的匹配扰动的大小，将影响姿态估计的精度。较差的估计精度将会作为下一时刻的初始值，随着滤波的迭代不断地降低滤波的估计精度。神经网络的出现可以很好的来解决这个问题，通过已知的惯性传感器数据训练网络模型，拟合出姿态的估计值，但是神经网络容易出现局部最小值，容易引起网络的误差。因此，结合卡尔曼滤波和神经网络的优势，使用Attention网络作为两个姿态输出的权重选择机制，来提高姿态估计的精度。

发明内容

在通过IMU数据对人体姿态进行估计时，为了在克服外界环境因素变化影响的同时，达到对人体运动过程中非线性系统的有效估计，本发明提供一种基于KF和LSTM融合的IMU姿态估计方法，采用Attention网络调整卡尔曼滤波和LSTM网络的输出权重，提高多信息融合的精确度。

本发明的技术方案如下：

一种基于KF和LSTM融合的IMU姿态估计方法，包括以下步骤：

步骤1)建立IMU的离散时间定位估计系统模型。

步骤2)训练模型。将IMU测得的姿态信息作为神经网络的输入值，经过前馈过程到达输出层。通过OptiTrack视觉传感器获得姿态信息标签值，计算损失函数，进行反向传播，训练模型，优化网络参数。

步骤3)利用搭建的神经网络预测惯性测量单元姿态。得到k时刻姿态信息预测值

步骤4)利用卡尔曼滤波算法估计惯性测量单元姿态。初始化系统姿态信息预测值x

步骤5)通过IMU测得的其姿态信息z

步骤6)通过注意力机制，依据查询向量q，计算注意力打分函数s(x

重复执行步骤3)-6)，得到全部k时刻的姿态估计。

进一步，步骤1)所述离散时间定位估计系统模型，包括运动学和量测模型。

步骤1)建立IMU的离散时间定位估计系统模型：

x

z

其中，F

更进一步，所述步骤2)中，IMU测得的姿态信息包括在其坐标系下，加速度计、磁力计、陀螺仪分别测得的X、Y、Z轴上的加速度、磁场和角速度。

所述步骤2)中，所述神经网络为双层单向LSTM神经网络。

所述步骤2)中，损失函数采用均方误差MSE计算。

进一步，所述步骤3)中，所述网络训练完成后，此时可将信息输入到网络中以得到预测信息。

进一步，所述步骤4)中系统姿态信息预测值x

x

K

x

P

其中，Q

更进一步，所述步骤5)中，所述的残差e

步骤5)中所述的残差δ

δ

其协方差矩阵具体公式为：

N

其中，R

更进一步，所述步骤6)中，可将所述融合后的预测值X

步骤6)中，将经过注意力机制融合后的预测值X

其中，q为一给定的查询向量，s(x

本发明的有益效果主要表现在：提出了一种基于KF和LSTM融合的IMU姿态估计方法。该方法通过引入神经网络，一定程度减少了外部扰动对姿态预测精度的影响，对传统卡尔曼滤波在非线性系统中的预测偏差进行修正，有效提高了姿态估计准确性的问题。

附图说明

图1是卡尔曼滤波和LSTM网络融合的姿态估计流程图；

图2是所述LSTM神经网络模型结构；

图3是卡尔曼滤波和LSTM网络融合的姿态估计框图；

图4是所述注意力机制结构图。

具体实施方式

下面结合附图对本发明做进一步描述。

参照图1、图2、图3和图4，一种基于KF和LSTM融合的IMU姿态估计方法，所述方法包括以下步骤：

步骤1)建立IMU的离散时间定位估计系统模型。

下述模型中，x

x

z

其中，F

步骤2)训练模型。将IMU测得的姿态信息作为神经网络的输入值，经过前馈过程到达输出层。通过3D视觉传感器测得姿态信息标签值，计算损失函数，进行反向传播，训练模型，优化网络参数。

步骤3)利用搭建的神经网络预测惯性测量单元姿态。得到k时刻姿态信息预测值

步骤4)利用卡尔曼滤波算法估计惯性测量单元姿态。初始化系统姿态信息预测值x

步骤5)通过IMU测得的其姿态信息z

步骤6)参照图4建立注意力机制。通过注意力机制，得到两种姿态估计预测值融合后的预测值X

重复执行步骤3)-6)，得到全部k时刻的姿态估计。

如图2所示，建立LSTM网络模型。

将IMU测量的得到的训练集加速度计、磁力计、陀螺仪数据，具体表示为z

通过计算标签值与模型输出y

对IMU状态估计采用卡尔曼滤波方法。首先，初始化系统姿态信息预测值x

x

K

x

P

残差δ

δ

以及其协方差矩阵为：

N

其中，Q

数据融合。通过注意力机制得到其注意力分布α

其中，q为一给定的查询向量。s(x

重复执行，至得到全部k时刻的姿态估计。

本发明利用注意力机制将卡尔曼滤波和LSTM网络的输出结果进行权重再分配，克服了传统滤波对于扰动干扰的自适应能力弱而导致估计精度较差的问题。同时，基于卡尔曼滤波框架下的网络模型能有效避免LSTM网络容易陷入局部最小值的缺点，减小网络引起的误差。该方法通过将注意力机制作为卡尔曼滤波方法和神经网络方法两个姿态输出的权重选择机制，为姿态估计提供了一种精确度高，鲁棒性强的解算方法。