无人机加速度计误差校正方法、系统、设备及存储介质

技术领域

本发明涉及加速度计技术领域，特别涉及一种无人机加速度计误差校正方法、系统、设备及存储介质。

背景技术

加速度计是无人机最重要的惯性传感器，也是导航系统进行算法融合的基础，在实际的工程应用中，存在着各种误差，比如，安装误差、非线性误差等，这些误差严重影响了加速度计输出数据的准确性。

对于安装误差，现有技术中，主要着重于标度偏差校正以及零位偏差校正，通过获取经过标度偏差校正以及零位偏差校正的加速度，构建加速度校正模型，虽对安装误差的校正起到了一定的作用，但却忽略了安装误差中的其他细小误差，因此，校正模型精度有待进一步提高。

为此，如何提供一种能够充分考虑安装误差中的其他细小误差，对安装误差进行校正，进一步提高加速度计输出数据的准确性的无人机加速度计误差校正方法、系统、设备及存储介质是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提出了一种无人机加速度计误差校正方法、系统、设备及存储介质。

为了实现上述目的，本发明采用如下技术方案：

一种无人机加速度计误差校正方法，包括：

步骤(1)：获取无人机在不同倾斜角度下的实测加速度以及标准加速度，以实测加速度作为输入，标准加速度作为输出，训练得到基于神经网络的加速度计安装误差校正模型；

步骤(2)：输入待校正加速度至加速度计安装误差校正模型，得到第一误差校正加速度；

步骤(3)：采用Allan方差法对加速度计的非线性误差项进行权重分析，并筛选得到大于预设权重阈值的待校正误差项，基于待校正误差项，采用小波函数对第一误差校正加速度进行校正处理，得到第二误差校正加速度。

可选的，步骤(1)中，不同倾斜角度下的实测加速度为在不同倾斜角度下对实测加速度进行多次测量的均值。

可选的，步骤(1)中，不同倾斜角度下的标准加速度，获取方式如下：

A

其中，A

其中，θ

可选的，步骤(3)中，采用Allan方差法对加速度计的非线性误差项进行权重分析，具体为：

获取C组加速度计数据，并计算每一组数据的平均值；

根据平均值结合方差公式计算加速度计中每个非线性误差项的Allan标准差以及误差项之和；

对每个非线性误差项的Allan标准差以及误差项之和进行方差分析，得到每个非线性误差项的占比权重。

可选的，方差公式，如下：

其中，C

可选的，基于待校正误差项，采用小波函数对第一误差校正加速度进行校正处理，得到第二误差校正加速度，具体为：

其中，G为待校正误差项的长度；σ

σ

其中，j为尺度因子。

本发明还提供一种无人机加速度计误差校正系统，包括：

模型训练模块：用于获取无人机在不同倾斜角度下的实测加速度以及标准加速度，以实测加速度作为输入，标准加速度作为输出，训练得到基于神经网络的加速度计安装误差校正模型；

第一误差校正模块：用于输入待校正加速度至加速度计安装误差校正模型，得到第一误差校正加速度；

第二误差校正模块：用于采用Allan方差法对加速度计的非线性误差项进行权重分析，并筛选得到大于预设权重阈值的待校正误差项，基于待校正误差项，采用小波函数对第一误差校正加速度进行校正处理，得到第二误差校正加速度。

本发明还提供一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上所述的一种无人机加速度计误差校正方法的步骤。

本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所述的一种无人机加速度计误差校正方法的步骤。

经由上述的技术方案可知，与现有技术相比，本发明提出了一种无人机加速度计误差校正方法、系统、设备及存储介质。通过基于当地的重力加速度，直接获取不同倾斜角度α时无人机加速度计的标准加速度，所获取的标准加速度相对于倾斜角度α下实测加速度的校正包含了安装误差中的其他细小误差，并以此构建训练集，采用具有超强学习能力的神经网络进行校正模型构建，能够充分学习到安装误差中的其他细小误差，进一步提高了加速度计输出数据的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明的方法流程示意图。

图2为本发明的系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

本发明实施例1公开了一种无人机加速度计误差校正方法，如图1所示，包括：

步骤(1)：获取无人机在不同倾斜角度下的实测加速度以及标准加速度，不同倾斜角度下的实测加速度为在不同倾斜角度下对实测加速度进行多次测量的均值，不同倾斜角度下的标准加速度，获取方式如下：

A

其中，A

其中，θ

以实测加速度作为输入，标准加速度作为输出，训练得到基于神经网络的加速度计安装误差校正模型；

基于当地的重力加速度，直接获取不同倾斜角度α时无人机加速度计的标准加速度的方式，本质上区别于传统的获取经过标度偏差校正以及零位偏差校正的加速度的方式，基于当地重力加速度以及倾斜角度α所获得的标准加速度相对于倾斜角度α下实测加速度的校正包含了安装误差中的其他细小误差(由倾斜角度α下的实测加速度与基于当地重力加速度以及倾斜角度α所获得的标准加速度构建训练集)，基于此，采用具有超强学习能力的神经网络进行校正模型构建，能够充分学习到安装误差中的其他细小误差，进一步提高加速度计输出数据的准确性。

步骤(2)：输入待校正加速度至加速度计安装误差校正模型，得到第一误差校正加速度。

步骤(3)：采用Allan方差法对加速度计的非线性误差项(包括，但不仅限于零偏稳定、速度及速率随机游走等)进行权重分析，具体为：

获取C组加速度计数据，并计算每一组数据的平均值；

根据平均值结合方差公式计算加速度计中每个非线性误差项的Allan标准差以及误差项之和；

方差公式，如下：

其中，C

对每个非线性误差项的Allan标准差以及误差项之和进行方差分析，得到每个非线性误差项的占比权重；

筛选得到大于预设权重阈值的待校正误差项，基于待校正误差项，采用小波函数对第一误差校正加速度进行校正处理，得到第二误差校正加速度，具体为：

其中，G为待校正误差项的长度；σ

σ

其中，j为尺度因子；

进一步地，采用小波函数对经过安装误差校正获得的第一误差校正加速度进行占比权重大于预设权重阈值的非线性误差项的对应校正，获得具有更高精确性的第二误差校正加速度。

实施例2：

本发明实施例2公开了一种无人机加速度计误差校正系统，如图2所示，包括：

模型训练模块：用于获取无人机在不同倾斜角度下的实测加速度以及标准加速度，以实测加速度作为输入，标准加速度作为输出，训练得到基于神经网络的加速度计安装误差校正模型；

第一误差校正模块：用于输入待校正加速度至加速度计安装误差校正模型，得到第一误差校正加速度；

第二误差校正模块：用于采用Allan方差法对加速度计的非线性误差项进行权重分析，并筛选得到大于预设权重阈值的待校正误差项，基于待校正误差项，采用小波函数对第一误差校正加速度进行校正处理，得到第二误差校正加速度。

实施例3：

本发明实施例3公开了一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如实施例1所述的一种无人机加速度计误差校正方法的步骤。

实施例4：

本发明实施例4公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如实施例1所述的一种无人机加速度计误差校正方法的步骤。

本发明实施例公开了一种无人机加速度计误差校正方法、系统、设备及存储介质。通过基于当地的重力加速度，直接获取不同倾斜角度α时无人机加速度计的标准加速度，所获取的标准加速度相对于倾斜角度α下实测加速度的校正包含了安装误差中的其他细小误差，并以此构建训练集，采用具有超强学习能力的神经网络进行校正模型构建，能够充分学习到安装误差中的其他细小误差，进一步提高了加速度计输出数据的准确性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。