所要求保護的發(fā)明一般涉及導(dǎo)航和慣性測量單元（imu），還涉及用于提供定位和導(dǎo)航信息和位置的方法和系統(tǒng)。更具體地，所要求保護的發(fā)明涉及利用微機電系統(tǒng)（mems）或其他imu數(shù)據(jù)來提供定位解決方案的方法和系統(tǒng)。

背景技術(shù)：

低成本的基于mems的慣性測量單元，諸如imucc-300crossbow）和類似設(shè)備，作為用于車輛導(dǎo)航的解決方案的一部分，并且也在包括智能電話的移動設(shè)備中，正變得越來越流行，而且通常與全球定位系統(tǒng)（gps）集成。這些基于mems的設(shè)備還用于gps-拒絕的環(huán)境中的室內(nèi)定位系統(tǒng)中。然而，基于mems的慣性傳感器具有可能對整體導(dǎo)航解決方案的精度造成負面影響的顯著誤差。挑戰(zhàn)是減少噪聲污染并提高基于mems的系統(tǒng)的準(zhǔn)確性，以接近更昂貴的戰(zhàn)術(shù)級和導(dǎo)航級imu。

諸如高斯-馬爾可夫建模、小波降噪和快速正交搜索的各種技術(shù)已被用于去除基于mems的慣性傳感器誤差。不幸的是，仍然缺乏快速技術(shù)來增強基于mems的加速度計和陀螺儀信號，并且因此提供具有接近成本更高的戰(zhàn)術(shù)和導(dǎo)航級imu的精度的低成本基于mems的設(shè)備。因此，期望的是有一種系統(tǒng)和方法，由此基于mems的測量可以被采用和被變換，以達到更高成本的設(shè)備的精度。此外，期望這樣的系統(tǒng)和方法能夠?qū)崟r地變換基于mems的測量。

附圖說明

圖1a說明了用于本發(fā)明的實施例中的并行級聯(lián)模型。

圖1b是概述并行級聯(lián)識別（pci）過程的一個實施例的步驟的流程圖。

圖2a說明了基于mems的加速度信號的一部分（y分量），與圖2b的信號一起使用的該訓(xùn)練輸入說明了所要求保護的發(fā)明的一個實施例。

圖2b說明了用于與圖2a的信號一起使用的加速度y分量的期望的輸出信號的對應(yīng)部分，以說明在所要求保護的發(fā)明的實施例中用于識別并行級聯(lián)模型的訓(xùn)練輸入/輸出數(shù)據(jù)。

圖2c說明了當(dāng)圖2a的訓(xùn)練輸入是所識別的并行級聯(lián)模型的輸入時的模型輸出。

圖3a說明了基于mems的加速度信號的一部分（y分量），其在圖2中的訓(xùn)練數(shù)據(jù)結(jié)束之后大約43分鐘開始被記錄。

圖3b說明了從圖2的訓(xùn)練數(shù)據(jù)通過所述被識別的模型饋送圖3a的信號產(chǎn)生的改善的加速度信號（y分量）。

圖3c說明了實際的戰(zhàn)術(shù)級加速度信號（y分量），其應(yīng)該與圖3b進行比較。

圖4a說明了基于mems的加速度信號的一部分（y分量），其在收集圖2a，b中的訓(xùn)練數(shù)據(jù)一天之后的不同軌跡的末端附近被記錄。

圖4b說明了從圖2a，b的訓(xùn)練數(shù)據(jù)通過所述被識別的模型饋送圖4a的信號產(chǎn)生的改善的加速度信號（y分量）。

圖4c說明了實際戰(zhàn)術(shù)級加速度信號（y分量），其應(yīng)該與圖3b進行比較。

圖5a說明了基于mems的陀螺儀角旋轉(zhuǎn)信號的一部分（z分量），訓(xùn)練輸入與圖5b的信號一起使用，以說明所要求保護的發(fā)明的一個實施例。

圖5b說明了與圖5a的信號一起使用的陀螺儀角旋轉(zhuǎn)信號的期望的輸出信號的對應(yīng)部分（z分量），以說明在所要求保護的發(fā)明的實施例中用于識別并行級聯(lián)模型的訓(xùn)練輸入/輸出數(shù)據(jù)。

圖5c說明了基于mems的陀螺儀角旋轉(zhuǎn)信號的一部分（z分量），其在圖5a，b中的訓(xùn)練數(shù)據(jù)結(jié)束之后大約43分鐘開始被記錄。

圖5d說明了從圖5a，b的訓(xùn)練數(shù)據(jù)通過所述被識別的模型饋送圖5c的信號產(chǎn)生的改善的陀螺儀角旋轉(zhuǎn)信號（z分量）。

圖5e說明了實際的戰(zhàn)術(shù)級陀螺儀角旋轉(zhuǎn)信號（z分量），其應(yīng)該與圖5d進行比較。

圖6a說明了基于mems的陀螺儀角旋轉(zhuǎn)信號的一部分（z分量）,其在收集圖5a，b中的訓(xùn)練數(shù)據(jù)之后一天在不同軌跡的末端附近被記錄。

圖6b說明了從圖5a，b的訓(xùn)練數(shù)據(jù)通過所述被識別的模型饋送圖6a的信號產(chǎn)生的改善的陀螺儀角旋轉(zhuǎn)信號（z分量）。

圖6c說明了實際的戰(zhàn)術(shù)級陀螺儀角旋轉(zhuǎn)信號（z分量），其應(yīng)該與圖6b進行比較。

圖7a示出了延伸軌跡，其一部分對應(yīng)于圖4a，6a，如與ｇｐｓ集成緊密耦合的高端戰(zhàn)術(shù)級imu緊密耦合所指示的那樣。

圖7b示出了當(dāng)戰(zhàn)術(shù)級imu信號被由模型改善的mems加速度計和陀螺儀信號替代時所指示的對應(yīng)軌跡，根據(jù)所要求保護的發(fā)明的實施例，所述mems加速度計和陀螺儀信號再次與gps集成緊密耦合。

圖7c示出了當(dāng)戰(zhàn)術(shù)級imu信號被來自mems加速度計和陀螺儀的原始信號替代時所指示的對應(yīng)軌跡，所述mems加速度計和陀螺儀再次與gps集成緊密耦合。

具體實施方式

低成本的基于mems的慣性測量單元（imu）包含測量加速度的加速度計和測量角旋轉(zhuǎn)的陀螺儀，但是基于mems的信號是眾所周知的噪聲較大。本發(fā)明已經(jīng)被設(shè)計成把來自基于mems的儀器的信號轉(zhuǎn)換成接近來自高成本的戰(zhàn)術(shù)級和導(dǎo)航級儀器的信號的精度，并且還改善其他imu的精度。使用非線性系統(tǒng)識別和時間系列分析技術(shù)（諸如并行級聯(lián)識別（pci）和快速正交搜索（fos）算法）來處理從memsimu導(dǎo)出的數(shù)據(jù)。pci和fos算法都是本領(lǐng)域中已知的。例如，對于pci，參見m.j.kolnberg，1991，“parallelcascadeidentificationandkernelestimationfornonlinearsystems”，annalsofbiomedicalengineering，第19卷，第429-455頁。

對于fos，參見m.j.konnberg，1989，“arobustorthogonalalgorithmforsystemidentificationandtime-seriesanalysis”，biologicalcyber??netics，第60卷，第267-276頁。當(dāng)fos用于頻譜分析時，它不假定周期性，并且在離散傅里葉變換上提供改善的頻譜分辨率。fos也可用于鑒定未知結(jié)構(gòu)的系統(tǒng)。

圖1a說明了在本發(fā)明的實施例中使用的并行級聯(lián)模型，其中獨立變量n表示離散時間。這里，相同的模型輸入acc(n)（表示加速度的x、y或z分量信號之一）或者gyr(n)（表示陀螺儀的x、y或z分量信號之一）饋送到k個并行級聯(lián)，其中k≥1。每個級聯(lián)均包括動態(tài)線性元素l和靜態(tài)非線性元素n的串聯(lián)連接。在第一級聯(lián)路徑中，例如，模型輸入被饋送到動態(tài)線性元素li，并且所得到的li的輸出ui被隨后輸入到靜態(tài)非線性元素ni，其輸出為vi。在本發(fā)明的一個實施例中，使用眾所周知的卷積求和從模型輸入獲得li的輸出ui，如korenberg1991（上文引用）中所討論的那樣。其他實施例可以使用自回歸移動平均（arma）或其他模型來表示一些或所有線性元素l。在本發(fā)明的一個實施例中，第一級聯(lián)的輸出vi被通過信號ui的多項式函數(shù)獲得。其他級聯(lián)的信號和輸出以類似的方式被編號。

并行級聯(lián)模型的一個關(guān)鍵優(yōu)點是存儲器駐留在動態(tài)線性元素中，而非線性被限制為靜態(tài)元素。這導(dǎo)致用于為了接近系統(tǒng)而查找平行級聯(lián)模型的非?？焖俚姆桨?，僅給定系統(tǒng)輸入acc(n)或gyr(n)和所得到的系統(tǒng)輸出（korenberg，1991，上文引用）。例如，級聯(lián)可以被一次識別。

圖1b是用于概述并行級聯(lián)識別（pci）過程的一個實施例的步驟的流程圖，其可以被用于根據(jù)本文公開的一些實施例來產(chǎn)生模型。為了開始該過程，在步驟6處，系統(tǒng)輸入信號和期望的系統(tǒng)輸出信號被接收。在本發(fā)明中，系統(tǒng)輸入通常是來自mems設(shè)備或其他更低級設(shè)備的導(dǎo)航信號，并且期望的系統(tǒng)輸出曾是導(dǎo)致更精確的導(dǎo)航解決方案的更高級別設(shè)備的對應(yīng)信號。這些信號被同時記錄在相同軌跡上。

然后，在步驟8期間，識別第一級聯(lián)以接近給定系統(tǒng)。第一線性系統(tǒng)li可以由離散時間單位脈沖響應(yīng)表示，其可以使用輸入與輸出的一階互相關(guān)或者二階或更高階的、與在對角線值上增加或減去的加權(quán)離散脈沖函數(shù)的互相關(guān)切片來定義（korenberg1991，上文引用）。可以隨機地或使用確定性系列來進行切片的選擇，同時測試添加給定候選級聯(lián)的益處，如下文和在korenberg（1991，上文引用）中所述。一旦已經(jīng)獲得脈沖響應(yīng)，就可以使用卷積和來計算li的輸出ui。接下來，具有輸入ui的多項式在最小二乘意義上可以被最佳地擬合到系統(tǒng)輸出。

一旦識別出第一級聯(lián)，就計算其輸出，然后被從系統(tǒng)輸出中減去，以產(chǎn)生第一殘差。如果期望，則可以類似地識別第二級聯(lián)，其中第一殘差替代步驟8中的系統(tǒng)輸出，以此類推。在所開發(fā)的模型中常常僅需要幾個級聯(lián)，以使模型輸出足夠接近期望的系統(tǒng)輸出。

在步驟10、12和14處，當(dāng)滿足以下預(yù)定義條件中的至少一個時，可以停止pci過程。首先，已經(jīng)實現(xiàn)了可接受的小均方誤差（mse），即殘差的均方足夠小。其次，當(dāng)已經(jīng)擬合了一定數(shù)量的級聯(lián)時，搜索也可以停止。第三，當(dāng)沒有剩余的候選級聯(lián)可以產(chǎn)生足夠的mse減少值的益處時，搜索可以停止。作為非限制性示例，這樣的實施例中的一個標(biāo)準(zhǔn)將表示不具有任何候選級聯(lián)，其將產(chǎn)生比如果殘差是白色高斯噪聲的情況下預(yù)期的更大的mse減少值。此標(biāo)準(zhǔn)有助于避免添加僅僅是擬合噪聲的級聯(lián)。

回想其他級聯(lián)的信號和輸出被類似地編號，并類似地獲得。在步驟16中，并行級聯(lián)輸出w是k個級聯(lián)輸出vi...，vk的和：，

其中w和vi...，vk具有圖1a中所示的含義。

圖1中的結(jié)構(gòu)的優(yōu)點在于其使得所識別的并行級聯(lián)模型能夠非?？焖俚厣善漭敵觯⑶覍τ诋?dāng)前應(yīng)用，可以在現(xiàn)代數(shù)字信號處理器上實時地執(zhí)行輸出生成。圖1中所示的并行級聯(lián)模型結(jié)構(gòu)被用于產(chǎn)生本專利中所示的結(jié)果。然而，可以使用更復(fù)雜的并行級聯(lián)模型，例如其中一些或全部級聯(lián)涉及另外的交替的動態(tài)線性和靜態(tài)非線性元素。此外，雖然下面的系統(tǒng)識別技術(shù)在一些實施例中使用pci，但是本發(fā)明的其他實施例可以使用其他系統(tǒng)識別技術(shù)，包括作為非限制性示例的快速正交搜索、正交搜索方法、通過術(shù)語集搜索的方法、最小角度回歸、volterra內(nèi)核識別和人工神經(jīng)網(wǎng)絡(luò)。

關(guān)于系統(tǒng)識別的進一步細節(jié)

為了找到pci模型，通常設(shè)置某些參數(shù)的試驗值，諸如開始級聯(lián)的動態(tài)線性元素的存儲器長度、跟隨的多項式的次數(shù)（如果假定靜態(tài)非線性是多項式）、模型中允許的級聯(lián)數(shù)最大值、關(guān)于在給定候選級聯(lián)可以被允許進入模型之前mse的減少的閾值，以及被測試的候選級聯(lián)的數(shù)量。這些參數(shù)將取決于系統(tǒng)輸入和期望的系統(tǒng)輸出，其反過來又取決于要改善的imu信號以及用于改善導(dǎo)航的期望信號。一種找到良好參數(shù)設(shè)置的方法是通過測試所識別的模型的結(jié)果能力，對于各種試驗參數(shù)值，來預(yù)測與未用于找到模型的數(shù)據(jù)相比所期望的系統(tǒng)輸出。

深度學(xué)習(xí)的一種形式也可以與并行級聯(lián)識別（pci）和快速正交搜索（fos）一起使用。例如，我們可以對許多可選的fos和/或pci模型應(yīng)用粒子濾波。這特別適合于pci，因為該算法在被測試的候選級聯(lián)的形成中具有內(nèi)置的隨機元素，為相同的訓(xùn)練數(shù)據(jù)產(chǎn)生許多可能的模型。該方法是僅使用一些輸入/輸出訓(xùn)練數(shù)據(jù)來找到許多可能的fos和/或pci模型。例如，不同的fos模型將取決于被搜索的候選函數(shù)，這將對應(yīng)于輸入和輸出中的不同的假定最大延遲或互相關(guān)乘積項的次數(shù)。類似地，如果pci模型包括級聯(lián)之和，其中每個級聯(lián)均包括動態(tài)線性元素，其后跟隨有靜態(tài)非線性多項式，則可以使用一階或更高階的輸入與當(dāng)前殘差的二階互相關(guān)的多項式的隨機選擇的片來定義每個動態(tài)線性元素，加權(quán)離散增量函數(shù)在對角線值上被加上或減去。此外，動態(tài)線性元素的不同的假定存儲器長度，和靜態(tài)非線性的多項式次數(shù)，和模型中級聯(lián)的最大數(shù)量，以及用于接受級聯(lián)的閾值可以得到許多可能的模型。

例如，假設(shè)有1000個這樣的模型。然后，將進一步的訓(xùn)練輸入值傳遞到每個模型中，并且將所得到的模型輸出與實際訓(xùn)練輸出值進行比較。對于給定的模型，其輸出值越接近實際輸出值，模型有效的概率越高（并且更重要）。然后通過重要性（重要性抽樣）選擇模型，由此附加到模型的概率越大，選擇該模型的可能性就越大。一種確保這一點的方法是與附加到模型的有效概率成比例地增加每個模型的數(shù)目，假設(shè)總共得到10,000個模型。然后隨機選擇1000個這些模型。

通過每個模型傳遞另外的訓(xùn)練輸入值，把產(chǎn)生模型輸出值與相應(yīng)的實際訓(xùn)練輸出值做比較，并繼續(xù)。以這種方式，這些模型變得越來越可能是有效的模型。然后，為了預(yù)測對應(yīng)于新輸入值的輸出，對模型的相應(yīng)輸出求平均。我們可以繼續(xù)添加一些另外的模型，每次評估它們預(yù)測未用于找到這些模型的期望輸出值的能力。這也可以使用混合物顆粒過濾來完成。例如，我們可以添加另外的模型，其重要性將通過它們預(yù)測最近期望的輸出值的能力而被加權(quán)，以及對更新近的數(shù)據(jù)訓(xùn)練的模型來加權(quán)。這有助于調(diào)整系統(tǒng)輸入和所期望的系統(tǒng)輸出之間的變化關(guān)系。

在該過程中，pci和/或fos模型是“粒子”，它們的重要性由它們各自預(yù)測在未被用于查找模型的數(shù)據(jù)上期望的輸出的能力來確定。該過程使得容易地組合許多類型的模型，并且有利地創(chuàng)建用于許多不同的試驗參數(shù)設(shè)置的模型，而不需要有效值的先驗知識。

圖2a示出了來自crossbowmems級imu（crossbowtechnologies，sanjose，ca，usa）的基于mems的加速度信號的一部分（y分量，有時被稱為前向加速度計信號）。在說明所要求保護的發(fā)明的一個實施例中，顯示非常嘈雜的信號的前15,000個點被用作訓(xùn)練輸入。圖2a中的數(shù)據(jù)和下面的數(shù)所有數(shù)據(jù)是以100hz的采樣率（即100個樣本/秒）獲得的。

圖2b示出的信號的前15,000個點說明了來自hg-1700戰(zhàn)術(shù)級imu（霍尼韋爾）的用于加速度y分量的相應(yīng)的訓(xùn)練期望的輸出信號，其比crossbowmems級imu更昂貴并且產(chǎn)生更精確的導(dǎo)航解決方案。這個期望的輸出信號具有比圖2a的輸入信號小得多的噪聲。雖然這里使用戰(zhàn)術(shù)級信號來形成期望的輸出信號，但是其他實施例可以使用其他方式來形成期望的輸出信號，例如，可以使用導(dǎo)航級imu。此外，如下所述，不必具有比用于形成所述訓(xùn)練輸入更精確的imu，該訓(xùn)練輸入可用于形成訓(xùn)練期望輸出。

圖2a，b的信號被用于說明在所要求保護的發(fā)明的實施例中用于識別用于改善基于mems的加速度y分量信號的并行級聯(lián)模型的訓(xùn)練輸入/輸出數(shù)據(jù)。盡管這里使用15,000個輸入/輸出對，但是為了訓(xùn)練其他實施例可以使用更少或更多數(shù)目的對。在korenberg，1991（上文引用）中描述的pci方法用于識別平行級聯(lián)模型。當(dāng)該模型被饋送以圖2a的輸入信號時，所得到的模型輸出信號（圖2c）非常接近圖2b的期望輸出：當(dāng)被表示為相對于期望的輸出信號的方差時，均方誤差（mse）約為4.62%。與圖2b的期望的輸出信號相比，當(dāng)兩個mse值被相對于圖2b的期望的輸出信號的方差表示時，約4.62%的模型輸出信號（圖2c）的mse遠小于約34.22%的mems信號期望的mse。

然而，關(guān)鍵問題是所識別的模型如何良好地保持其對新輸入數(shù)據(jù)（即未用于查找模型的新穎的mems輸入信號）的準(zhǔn)確性。下面的圖說明了所識別的模型保持其對新輸入數(shù)據(jù)的準(zhǔn)確性。

例如，圖3a示出了基于mems的加速度信號的一部分（y分量），其在被用于找到平行級聯(lián)模型的圖2a，b所示的訓(xùn)練數(shù)據(jù)結(jié)束之后大約43分鐘開始被記錄。圖3b示出了通過所述模型饋送圖3a的mems信號的結(jié)果，以將其轉(zhuǎn)換成接近來自更昂貴的戰(zhàn)術(shù)級imu的信號的信號（圖3c）。與圖3c的期望信號相比，如圖3c所示，當(dāng)兩個mse值都被表示為相對于圖3c的期望信號的方差時，由模型改善的信號的mse（圖3b）約為1.6%，相比之下該mems信號的mse（圖3a）約為26.5%。

類似地，圖4a說明了基于mems的加速度信號的一部分（y分量），其是在收集已被用于找到模型的圖2a，b中的訓(xùn)練數(shù)據(jù)的之后一天的不同軌跡圖4b示出了通過所述模型饋送圖4a的mems信號的結(jié)果，以將其轉(zhuǎn)換為接近來自更昂貴的戰(zhàn)術(shù)級imu的信號的信號（圖4c所示）。與圖4c的期望信號相比，當(dāng)兩個mse值都被表示為相對于圖4c的期望信號的方差時，由模型改善的信號的mse（圖4b）約為0.733%，相比之下該mems信號的mse（圖4a）約為25.56%。這說明了所識別的模型的顯著的持續(xù)可靠性，因為已經(jīng)認(rèn)為基于mems的設(shè)備在被每次接通時都改變它們的噪聲特性。然而，在這個測試中，第二天打開基于mems的設(shè)備并且在新的軌跡上使用它當(dāng)然不會使先前識別的模型過時。相反，模型保持得很好（mse=0.733%），雖然它已經(jīng)被從前一天的不同數(shù)據(jù)獲得。這表明可以從廉價的基于mems的傳感器的進行輸出、迅速處理它，并將其轉(zhuǎn)換成非常接近的更昂貴（而且更大）的儀器的輸出，并且用于改善mems信號的模型從一天/一個軌跡保持到下一個。

圖5和6涉及陀螺儀角旋轉(zhuǎn)信號，以及提高其精度的方法。

圖5a說明了來自crossbowmems級imu（crossbowtechnologies，sanjose，ca，usa）的基于mems的陀螺儀信號的一部分（z分量，有時被稱為垂直陀螺儀信號）。在說明所要求保護的發(fā)明的一個實施例中，明顯有噪聲的信號的前15000個點被用作訓(xùn)練輸入。

圖5b所示的信號的前15,000個點說明了來自hg-1700戰(zhàn)術(shù)級imu（霍尼韋爾）的用于陀螺儀z分量的相應(yīng)的訓(xùn)練期望的輸出信號，其比crossbowmems級imu更昂貴并且產(chǎn)生更精確的導(dǎo)航解決方案。該期望的輸出信號具有比圖5a的輸入信號更小的噪聲，盡管這里使用戰(zhàn)術(shù)級信號來形成期望的輸出信號，但是其他實施例可以使用其他方式來形成期望的輸出信號，例如，可以使用導(dǎo)航級imu。此外，如下所述，不必具有比用于形成訓(xùn)練輸入的更精確的imu，可用于形成訓(xùn)練期望輸出。

圖5a，b的信號說明在所要求保護的發(fā)明的實施例中被用于識別用于改善基于mems的陀螺儀z分量信號的并行級聯(lián)模型的訓(xùn)練輸入/輸出數(shù)據(jù)。這些訓(xùn)練數(shù)據(jù)與圖2a，b中的訓(xùn)練數(shù)據(jù)同時被收集。盡管這里使用了15,000個輸入/輸出對，但是其他實施例可以使用更少或更多數(shù)目的對用于訓(xùn)練。在korenberg，1991（上文引用）中描述的pci方法識別并行級聯(lián)模型，當(dāng)圖5a的輸入信號被饋送時，產(chǎn)生非常接近圖5b的期望輸出的模型輸出信號：當(dāng)相對于期望的輸出信號的方差表示時，均方誤差（mse）約為0.724%。

此外，關(guān)鍵問題是所識別的模型如何良好地保持其對于新穎的輸入數(shù)據(jù)的精確度，即未用于查找所述模型的新穎的mems輸入信號。下面的圖說明了用于改善mems陀螺儀z分量信號保持其相對于新型輸入數(shù)據(jù)的精確度的所識別的模型。

例如，圖5c示出了基于mems的角旋轉(zhuǎn)信號的一部分（z分量），其在圖5a，b中所示的訓(xùn)練數(shù)據(jù)結(jié)束后大約43分鐘開始被記錄。5a，b，用于找到平行級聯(lián)模型。圖5d示出了通過所述模型饋送圖5c的mems信號的結(jié)果，以將其轉(zhuǎn)換成非常接近來自更昂貴的戰(zhàn)術(shù)級imu的信號的信號（圖5e）。與圖5e的期望信號相比，當(dāng)兩個mse值相對于圖5e的期望信號的方差表示時，由模型改善的信號（圖5d）的mse約為0.728%，相比之下mems信號的mse約為1.356%（圖5c）。

類似地，圖6a說明了基于mems的角旋轉(zhuǎn)信號的一部分（z分量），其是在圖5a，b中收集訓(xùn)練數(shù)據(jù)一天后在不同軌跡的末端附近被記錄的。圖6b示出了通過所述模型饋送圖6a的mems信號的結(jié)果，以將其轉(zhuǎn)換為接近來自更昂貴的戰(zhàn)術(shù)級imu的信號的信號（圖6c）。與圖6c的期望信號相比，當(dāng)兩個mse值相對于圖6c的期望信號的方差表示時，由模型改善的信號（圖6b）的mse約為0.355%，相比之下mems信號的mse約為1.335%（圖6a）。此外，這說明所識別的模型的顯著的持續(xù)可靠性，因為該模型保持得非常好（mse=0.355%），盡管它是從前一天的不同數(shù)據(jù)獲得的。這表明，可以從廉價的基于mems的傳感器的輸出，快速處理它，并將其轉(zhuǎn)換成非常接近的更昂貴的儀器的輸出，而且用于改善mems信號的模型從一天/軌跡到下一個保持良好。

圖7a，b，c涉及所要求保護的發(fā)明的實施例的延伸測試。首先，使用同時收集的15,000個點的訓(xùn)練數(shù)據(jù)和在圖2a，5a中的訓(xùn)練數(shù)據(jù)那樣的軌跡，為mems（crossbow）陀螺儀和加速度計x-、y-、z-分量中的每一個查找到單獨的模型（濾波器），總共六個模型。然后，所獲得的模型被在第二天采集的不同軌跡上測試，與圖4a，6a相對應(yīng)但這次超過390,078個點（超過1小時）。圖7a示出了由與gps集成緊密耦合的高端戰(zhàn)術(shù)級imu（hg1700）指示的延伸軌跡。圖7a中的軌跡是參考，其應(yīng)該與圖7b（由模型改善的mems）和圖7c（原始mems）相比較。

圖7b示出了當(dāng)戰(zhàn)術(shù)級imu信號被由模型改善的、再次與gps整合緊密耦合的mems加速度計和陀螺儀信號替代時所指示的那樣的相應(yīng)軌跡。圖7b的軌跡與圖7a的軌跡良好地對應(yīng)。

圖7c示出了當(dāng)戰(zhàn)術(shù)級imu信號被原始的、再次與gps整合緊密耦合的mems信號替代時所指示的那樣的相應(yīng)軌跡。在圖7c和圖7a的軌跡之間有很小的相似性。所要求保護的發(fā)明的模型的效果是把圖7b的均方根（rms）水平誤差減小到小于圖7c的軌跡的1/73（約1.4%）。

盡管來自戰(zhàn)術(shù)級imu的信號在這里已用于說明用于訓(xùn)練模型的期望輸出信號，但是不需要獲得這樣的更昂貴的imu。例如，已經(jīng)證明：針對導(dǎo)航目的，某些方法（諸如fos和小波去噪）改善了基于mems的和基于戰(zhàn)術(shù)級的信號。參見，例如，a.nureldin，j.armstrong，a.el-shafie，t.karamat，d.mcgaughey，m.konnberg和a.hussain，2012，“accuracyenhancementofinertialsensorsutilizinghighresolutionspectralanalysis”，sensors，第12卷，第11638-11660頁；doi：10.3390/sl20811638。在這篇傳感器文章中，基于mems的信號的頻譜fos處理能夠改善車輛水平定位，在9個gps停機上平均提高約24%，在停機上的最佳改善超過74%。原始的基于mems的信號可以被用于定義訓(xùn)練輸入信號，而相應(yīng)的頻譜fos改善的信號可以被用于定義訓(xùn)練期望的輸出信號，然后用于改善基于mems的信號的模型就可以從這些訓(xùn)練數(shù)據(jù)被識別。

存在可以形成訓(xùn)練期望的輸出信號而無需訪問昂貴的imu設(shè)備的其他方式。作為非限制性示例，當(dāng)全球?qū)Ш叫l(wèi)星系統(tǒng)（gnss）接收器（例如全球定位系統(tǒng)（gps）接收器）可用時，其可用于獲得x、y和z方向上的速度。然后，可以對這些速度信號求微分以獲得相應(yīng)的加速度信號，并因此形成訓(xùn)練期望的輸出信號。例如，頻譜fos可以被用于獲得速度信號的噪聲減小的正弦或指數(shù)衰減的正弦曲線系列模型，然后可以無噪聲地對這些信號進行微分以獲得對應(yīng)的期望加速度信號的估計。這些期望的輸出信號之后就可被用于查找模型和更新路線上的模型，以改善基于mems的加速度信號。類似地，利用可從gps信號獲得的詳細定位信息，本領(lǐng)域技術(shù)人員可以計算角旋轉(zhuǎn)速率的估計以形成訓(xùn)練期望的輸出信號。然后，這些期望的輸出信號就可以被用于查找模型和更新路線上的模型，以改善基于mems的陀螺儀角旋轉(zhuǎn)信號?？商鎿Q地，可以使用車載里程表來測量前向方向上的速度（y分量），其可以隨后被微分以更新期望的y加速度信號。

當(dāng)戰(zhàn)術(shù)級imu可用時，則可以識別模型以使基于mems的信號的精度改善，甚至超過戰(zhàn)術(shù)級。上述同樣的傳感器，上面引用的2012年的文章已經(jīng)顯示：光譜fos可以將戰(zhàn)術(shù)級平均水平位置誤差降低高達43%。因此，基于mems的信號可以再次被用于定義訓(xùn)練輸入信號，而戰(zhàn)術(shù)級信號的對應(yīng)譜fos改善可以被用于定義訓(xùn)練期望的輸出信號，然后用于改善基于mems的模型可以從這些訓(xùn)練數(shù)據(jù)中識別信號。所得到的模型就可以使基于mems的信號改善，甚至超過戰(zhàn)術(shù)級的精度。此外，原始戰(zhàn)術(shù)級信號可以被用于定義訓(xùn)練輸入信號，而戰(zhàn)術(shù)級信號的相應(yīng)譜fos改善可以用于定義訓(xùn)練期望的輸出信號，然后用于改善戰(zhàn)術(shù)級信號的模型就可以從這些訓(xùn)練數(shù)據(jù)中識別戰(zhàn)術(shù)等級信號。在這種情況下，模型可以將戰(zhàn)術(shù)級信號提高到更接近導(dǎo)航級精度。

盡管上述示例已經(jīng)說明了如何找到模型以改善加速度y分量和陀螺儀z分量信號，但是這些是非限制性的示例，并且可以獲得其他模型以改善來自加速度計和陀螺儀的所有分量信號，以及磁力計和氣壓信號，以及用于導(dǎo)航的任何其他信號。

雖然上述用于改善imu的輸出的模型是單輸入單輸出形式，但是其他實施例可以使用多變量模型形式，例如，多輸入單輸出和多輸入多輸出模型形式。例如，六個訓(xùn)練輸入可以是來自加速度計和陀螺儀的基于mems的x、y和z分量，并且相應(yīng)的六個訓(xùn)練期望輸出可以是來自加速度計和陀螺儀的導(dǎo)航級x-、y-，和z-分量。然后可以使用korenberg，1991（上文引用）中描述的方法找到六輸入、六輸出pci模型。可替換地，可以使用例如快速正交算法（m.konnberg，1988，“identifyingnonlineardifferenceequationandfunctionalexpansionrepresentation：thefastorthogonalalgorithm”，annalsofbiomedicalengineering，第16卷，第123-142頁）識別六輸入、六輸出volterra系列模型，或可以找到多輸入多輸出人工神經(jīng)網(wǎng)絡(luò)，或其他多輸入多輸出系統(tǒng)識別技術(shù)可以被用來查找模型。所得到的六輸入六輸出模型就可以被用于同時改善新穎的基于mems的加速度計和陀螺儀x-、y-和z-分量信號。

在所要求保護的發(fā)明中公開的相同方法可以被用于構(gòu)建可以補償由溫度變化引起的基于mems的陀螺儀和加速度計中的短期和長期漂移的模型。

由此已經(jīng)描述了所要求保護的發(fā)明的若干實施例，對于本領(lǐng)域技術(shù)人員將是顯而易見的是，前述詳細公開內(nèi)容僅旨在通過示例而不是限制的方式被呈現(xiàn)。本文已經(jīng)討論了用于改善慣性測量單元傳感器信號的方法和系統(tǒng)的許多優(yōu)點。各種改變、改進和修改將出現(xiàn)并且旨在面向本領(lǐng)域技術(shù)人員，盡管在本文中沒有明確說明。這些改變、改善和修改旨在由此被提出，并且在所要求保護的本發(fā)明的精神和范圍內(nèi)。另外，處理元素或系列的陳述順序，或者數(shù)字、字母或其他指定的使用因此不旨在將所要求保護的處理限于任何順序，除非可以在權(quán)利要求中指定。因此，所要求保護的發(fā)明僅由所附權(quán)利要求及其等同物限制。

權(quán)利要求書(按照條約第19條的修改)

1.一種在計算機處理器上構(gòu)造用于改善慣性測量單元（imu）數(shù)據(jù)的模型的方法，包括步驟：

a）使用imu數(shù)據(jù)以定義輸入信號；

b）使用比imu數(shù)據(jù)精確度更高的導(dǎo)航數(shù)據(jù)源來定義與輸入信號相對應(yīng)的期望的輸出信號，以便于使用期望的輸出信號導(dǎo)致更精確的導(dǎo)航，其中期望的輸出信號基本上不等于輸入信號的擾動版本；以及

c）開發(fā)所述模型以將所述輸入信號近似地轉(zhuǎn)換為期望的輸出信號。

2.根據(jù)權(quán)利要求1所述的方法，其中所述imu包括微機電系統(tǒng)（mems）、戰(zhàn)術(shù)級imu和導(dǎo)航級imu中的至少一個。

3.根據(jù)權(quán)利要求1所述的方法，其中，開發(fā)所述模型的步驟包括使用系統(tǒng)識別技術(shù)。

4.根據(jù)權(quán)利要求3所述的方法，其中所述系統(tǒng)識別技術(shù)包括并行級聯(lián)識別、快速正交搜索、通過一組候選項搜索的方法、最小角度回歸、volterra內(nèi)核識別和包括使用深度學(xué)習(xí)所開發(fā)的網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)中的至少一個。

5.一種改善用于導(dǎo)航的來自傳感器組件的惰性測量單元（imu）數(shù)據(jù)的方法，包括步驟：

a）使用imu數(shù)據(jù)來定義輸入信號；以及

b）將所述輸入信號饋送到被編程為使用能夠?qū)τ趯?dǎo)航解決方案產(chǎn)生更精確信號的模型的處理器中，其中所述模型不簡單地是所述處理組件中的隨機誤差的向前一步預(yù)測器模型，且其中所述模型不需要來自全球?qū)Ш叫l(wèi)星系統(tǒng)（gnss）的更新來在導(dǎo)航期間產(chǎn)生更精確的信號，所述模型還包括以下中的至少一個：

（i）包括動態(tài)線性元素和靜態(tài)非線性元素的串聯(lián)連接的級聯(lián)結(jié)構(gòu)；

（ii）volterra系列；以及

（iii）包括使用深度學(xué)習(xí)所開發(fā)的網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)。

6.根據(jù)權(quán)利要求5所述的方法，其中，所述輸入信號被同時饋送到多個級聯(lián)結(jié)構(gòu)中，并且其中通過來自所述級聯(lián)結(jié)構(gòu)的輸出的線性組合來獲得模型輸出。

7.根據(jù)權(quán)利要求1所述的方法，其中在定義所述期望的輸出信號時使用全球?qū)Ш叫l(wèi)星系統(tǒng)（gnss）接收器。

8.根據(jù)權(quán)利要求7所述的方法，其中所述gnss接收器是全球定位系統(tǒng)（gps）接收器。

9.一種用于與移動平臺一起使用的導(dǎo)航模塊，所述模塊包括能夠獲得與導(dǎo)航信息相關(guān)的讀數(shù)并產(chǎn)生指示該讀數(shù)的輸出的傳感器組件，至少一個與所述傳感器組件耦合以接收傳感器組件的信號的處理器，且處理器包含用于處理傳感器組件的信號以產(chǎn)生用于導(dǎo)航解決方案的更精確信號的模型，其中所述模型不簡單地是所述處理組件中的隨機誤差的向前一步預(yù)測器模型，且其中所述模型不需要來自全球?qū)Ш叫l(wèi)星系統(tǒng)（gnss）的更新來在導(dǎo)航期間產(chǎn)生更精確的信號。

10.根據(jù)權(quán)利要求9所述的導(dǎo)航模塊，其中所述傳感器組件包括至少一個加速度計和一個陀螺儀。

11.根據(jù)權(quán)利要求9所述的模塊的使用，其中所述移動平臺是車輛。

12.根據(jù)權(quán)利要求9所述的模塊的使用，其中所述移動平臺是無人駕駛飛行器。

13.根據(jù)權(quán)利要求9所述的導(dǎo)航模塊，還包括：

（i）接收器，用于從外部源接收絕對導(dǎo)航信息；以及

（ii）模型建立和更新裝置，其耦合到所述接收器、所述傳感器組件和所述至少一個處理器，并且可操作以創(chuàng)建和更新所述模型，用于處理所述傳感器組件信號，以產(chǎn)生與導(dǎo)航信息相關(guān)的改善信號。

14.根據(jù)權(quán)利要求13所述的導(dǎo)航模塊，其中，用于接收絕對導(dǎo)航信息的接收器是gnss接收器。

15.根據(jù)權(quán)利要求14所述的導(dǎo)航模塊，其中所述gnss接收器是全球定位系統(tǒng)（gps）接收器。

16.根據(jù)權(quán)利要求13所述的導(dǎo)航模塊，其中所述傳感器組件包括至少一個加速度計和一個陀螺儀。

17.根據(jù)權(quán)利要求13所述的導(dǎo)航模塊，其中所述建模和更新包括：

（i）使用來自所述傳感器組件的數(shù)據(jù)來定義輸入信號；

（ii）使用來自所述接收器的數(shù)據(jù)來定義對應(yīng)于所述輸入信號的期望的輸出信號；以及

（iii）開發(fā)所述模型以將所述輸入信號近似地轉(zhuǎn)換為期望的輸出信號。

18.根據(jù)權(quán)利要求13所述的導(dǎo)航模塊，還包括用于獲得速度信息并產(chǎn)生指示所述速度信息的輸出的裝置，其中所述模型建立和更新裝置還耦合到用于生成速度信息的裝置，并且可操作以使用所述速度信息來更新所述模型。

19.如權(quán)利要求18所述的導(dǎo)航模塊，其中，用于獲得速度信息的裝置是里程表。

20.一種用于改善導(dǎo)航數(shù)據(jù)的、增加在計算機處理器上的模型的新穎數(shù)據(jù)的預(yù)測能力的方法，包括以下步驟：

（i）使用系統(tǒng)輸入/期望系統(tǒng)輸出數(shù)據(jù)的訓(xùn)練值，以獲得對應(yīng)于不同參數(shù)設(shè)置的多個模型；

（ii）測量所獲得的模型來預(yù)測未用于獲得所述模型的期望輸出值的能力；

（iii）通過根據(jù)已測量的預(yù)測能力優(yōu)先選擇的方式選擇模型的子集；以及

（iv）在新穎數(shù)據(jù)上平均所選模型的輸出。

21.根據(jù)權(quán)利要求20所述的方法，包括改善fos、pci、volterra系列或人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力。