基于多IMU阵列相对约束的智能导航方法及系统与流程

本发明涉及惯性导航，更具体地说，本发明涉及基于多imu阵列相对约束的智能导航方法及系统。

背景技术：

1、惯性导航系统（ins）凭借其自主性强、不受外界信号干扰等优势，在无人系统、机器人、车辆及可穿戴设备等领域得到了广泛应用。然而，传统的单imu导航方案受限于传感器固有误差累积，难以长时间维持高精度。为此，多imu阵列技术被提出，通过冗余配置和数据融合来提升整体导航性能。现有方法通常假设阵列中各imu之间的相对位姿保持刚性固定，并利用该刚性约束进行联合解算。但在实际应用中，载体在运动过程中往往伴随结构振动、热变形或柔性连接件的弯曲扭转，导致imu节点间的相对几何关系发生时变微小形变，若仍采用刚性假设，将引入不可忽略的约束误差，严重制约融合精度的提升。

2、针对柔性基座下的多imu阵列导航问题，已有研究尝试引入应变传感器或光学测量单元来实时监测结构形变，并通过滤波器对形变进行补偿。然而，这些方法通常将形变量作为状态量进行离线标定或在线估计，忽略了形变测量本身的噪声特性与环境工况（如振动强度、机动剧烈程度）之间的强耦合关系。此外，现有形变补偿策略多为被动校正，缺乏对形变动态的前馈预测能力，当载体处于高机动或强振工况时，形变估计的滞后性会导致约束信息不一致，甚至滤波发散。同时，传统因子图优化中的约束权重往往依赖经验设定，无法根据实时可信度自适应调整，限制了多源数据融合的鲁棒性。

3、因此，如何实现柔性载体上多imu阵列间时变相对约束的高精度实时感知，并根据工况动态评估约束可信度，同时结合深度预测模型进行前馈补偿，是当前惯性导航领域亟需解决的技术难题。本发明针对上述需求，提出一种基于多imu阵列相对约束的智能导航方法及系统，通过分布式微形变感知单元获取高精度形变测量，结合动态可信度评估与因子图联合优化，并引入时序深度网络进行形变前馈补偿，从而有效提升复杂动态环境下多imu阵列导航的精度与稳定性。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供基于多imu阵列相对约束的智能导航方法及系统。

2、为实现上述目的，本发明提供如下技术方案：

3、基于多imu阵列相对约束的智能导航方法，包括如下过程：

4、将多个imu安装于载体，在相邻imu间集成形变感知单元，实时测量连接臂的微平移和微旋转增量并进行温漂补偿，同步采集imu数据；

5、基于初始标定值，结合滤波后的形变测量构建时变平移和旋转约束，执行一致性检验并在线估计约束不确定性；

6、通过各imu捷联惯导解算提取新息及振动特征，引入工况自适应动态系数，生成可信度因子并得到等效协方差矩阵；

7、构建滑动窗口因子图，加入imu预积分因子和相对约束因子，根据可信度因子动态惩罚低置信约束，迭代优化得后验状态；

8、运行深度时序预测网络，利用预测残差前馈补偿约束先验均值，并将残差反馈修正可信度因子，在线更新网络。

9、具体的，所述形变感知单元包括：

10、在连接臂一端以正三角形布局安装三个非接触式微型激光位移计，出光方向平行于连接臂轴线并投射于基准漫反射靶面；

11、在连接臂另一端安装由柔性铰链式应变梁和全桥应变片构成的六维应变组合传感器；

12、通过三个位移计读数的差值及几何关系解算微平移增量，通过应变传感器输出的弯曲曲率和扭转角率积分获得微旋转增量，并经指数映射得到旋转矩阵。

13、具体的，时变平移约束为初始标定的相对平移常向量与经二阶巴特沃斯低通滤波后的平移增量之和，时变旋转约束为初始标定的相对旋转常矩阵与经滤波后的旋转增量之积；所述低通滤波器的截止频率根据阵列所有imu的三轴平均角速度模自适应调整：截止频率等于基频与比例系数乘以平均角速度模之和，基频为5hz，比例系数为0.05秒。

14、具体的，所述一致性检验包括：

15、利用两个imu的陀螺仪输出在预设时段内通过预积分得到相对姿态变化，利用加速度计输出扣除向心和科氏加速度后双重积分得到相对位置变化；

16、分别将相对姿态变化和相对位置变化与经滤波后的形变测量值进行比较，计算姿态不一致量和位置不一致量；

17、当姿态不一致量超过三倍测量噪声标准差或位置不一致量超过2毫米时，触发重校准预警，并将对应时段的形变测量值标记为异常模式，加入训练样本库。

18、具体的，振动异常系数根据10—200hz频带能量占总能量的比值计算：

19、取比值与0.3的差值除以0.7并与0比较取最大值；

20、非高斯惩罚系数根据加速度信号的峭度值计算：取峭度绝对值与3.5的差值除以2并与0比较取最大值；

21、工况系数由所有imu三轴角速度模的平均值和宽频振动能量占比经双曲正切映射得到，使工况系数在平稳工况下趋近于0，在剧烈机动或强振动工况下趋近于1；

22、动态系数在预设的平稳工况参数集与高振动工况参数集之间通过工况系数线性插值获得。

23、具体的，动态惩罚系数随可信度因子降低从1平滑增至最大值，呈二次曲线关系：

24、当可信度因子等于弱约束阈值0.25时惩罚系数为1，当可信度因子降至可信度下限0.1时惩罚系数达到最大值10；

25、将约束因子的信息矩阵替换为惩罚系数与等效协方差矩阵乘积的逆；仍保留因子边以保证图拓扑稳定，避免重新线性化带来的计算开销。

26、具体的，所述深度时序预测网络采用两层长短期记忆结构，每层隐藏单元数为128，最后接全连接层输出6×k维向量，k为约束对数；

27、网络输入包括所有约束在时间窗内的形变增量序列、所有imu的三轴加速度和角速度、以及振动特征；

28、时间窗长度取40个历元，预测步长为5毫秒；

29、预测残差用于修正下一时刻因子图优化前的约束先验均值，使进入优化的约束更贴近真实空间状态。

30、具体的，所述预测异常指标由平移预测残差模长与位置残差标准差之比加上旋转预测残差模长与姿态残差标准差之比构成；

31、将预测异常指标作为附加项，对可信度因子进行指数压缩，压缩后的可信度因子再送入一阶低通滤波器平滑；网络在线训练策略为：初始化时载入预训练模型，运行过程中每100个历元利用累积的预测残差进行一次小批量学习，损失函数为均方误差，仅更新全连接层和最后lstm层参数。

32、基于多imu阵列相对约束的智能导航系统，模块如下：

33、多源数据同步采集模块，用于实现多个imu节点与分布式微形变感知单元的硬件同步触发采集，通过gnss秒脉冲为时间基准，对位移计和应变传感器进行温漂补偿，输出同步后的imu数据和形变测量值；

34、柔性相对约束解算模块，用于接收形变测量值，经自适应低通滤波后生成时变平移约束和旋转约束，执行基于imu的一致性检验，并在线估计约束的不确定性矩阵；

35、可信度动态评估与加权模块，用于基于各imu的捷联惯导解算结果计算新息，结合振动频谱、峭度等特征，利用工况自适应的动态系数生成可信度因子，并输出等效协方差矩阵；

36、因子图联合优化模块，用于构建滑动窗口因子图，包含imu预积分因子和柔性相对约束因子，根据可信度因子对低置信约束进行动态惩罚扩展，采用levenberg-marquardt算法迭代优化，输出各imu的后验状态估计；

37、形变前馈智能补偿模块，用于运行深度时序预测网络，输出未来形变增量预测值，计算预测残差并对约束先验均值进行前馈修正，同时将预测异常指标反馈至可信度评估模块。

38、本发明的技术效果和优点：

39、本发明通过在多imu阵列的相邻节点间集成由激光位移计和六维应变传感器构成的分布式微形变感知单元，能够实时高精度测量连接臂的微平移和微旋转增量，并结合自适应低通滤波与在线协方差估计，构建时变柔性相对约束。在此基础上，利用各imu的捷联惯导解算结果提取新息及振动频谱特征，引入工况自适应动态系数生成可信度因子，实现了对约束权重的动态评估与调整。该方法有效克服了传统刚性假设在柔性载体下引入的约束误差，同时避免了固定经验系数在不同工况下的局限性，显著提升了复杂动态环境下多源数据融合的鲁棒性。

40、本发明进一步采用基于lstm的深度时序预测网络，对形变增量进行前馈预测，并利用预测残差修正约束先验均值，同时将预测异常指标反馈至可信度评估模块，形成闭环智能补偿机制。通过构建滑动窗口因子图，将imu预积分因子与柔性相对约束因子联合优化，并根据可信度因子对低置信约束实施动态惩罚扩展，确保在结构振动、高机动等恶劣工况下导航系统的稳定性与精度。此外，系统支持深度网络的在线增量学习，能够自适应更新模型参数，进一步提升形变预测的准确性。相比现有技术，本发明在保持自主导航能力的同时，大幅提高了多imu阵列的融合精度和环境适应能力。