基于深度神经网络的人体运动识别系统设计

针对狭小空间下灾难救援人员运动状态感知困难的问题,提出一种基于卷积神经网络(CNN)+长短期记忆网络(LSTM)的人体运动识别(HAR)方法,设计了一种可运行于嵌入式微控制器单元(MCU)的HAR系统。系统使用佩戴于胸口的三轴加速度计及陀螺仪传感器作为数据输入,研究了卷积核数量和LSTM细胞数量对网络的影响,构建了HAR的深度学习模型。同时,针对存储占用、计算负荷和功耗对网络进行了优化与转译,并在嵌入式设备验证。结果表明:该系统可稳定运行于微控制器单元且对人体运动状态具有良好的识别精度。

基于共轭梯度的MARG传感器姿态解算方法

针对基于惯性测量单元(IMU)的姿态解算算法噪声大、精度低且无法准确解算偏航方向上姿态角变化的问题,提出一种基于共轭梯度算法的MARG传感器系统姿态解算方法。使用加速度计和磁强计测量姿态误差,通过共轭梯度算法对陀螺仪姿态四元数进行补偿和修正,对数据加权融合求解得到飞行器姿态四元数。利用三轴转台对算法稳定性和准确性进行验证,结果表明,该算法能够有效抑制测量噪声,提高姿态角解算的精度。

深度学习下MEMS陀螺温度误差补偿方法

针对MEMS陀螺仪因材质特性,制造工艺等差异导致输出数据受温度影响的问题。本文在传统温度误差补偿的基础上,提出将深度学习与神经网络相结合,通过LSTM神经网络进行温度误差补偿,从而减小温度变化引起的陀螺的温度漂移。分析了MEMS陀螺仪的温度特性,并在RNN神经网络模型的基础上,建立多层LSTM神经网络模型,利用基于ADAM的优化算法和时间反向传播BPTT算法对LSTM网络进行训练。将训练好的网络模型植入到STM32硬件中,进而实现对MEMS陀螺仪输出的实时温度补偿。实验表明,LSTM模型与RBF温度补偿模型相比,陀螺仪补偿后的零偏稳定性、零偏不稳定性和角度随机游走等性能指标,以及MAE、MSE、RMSE三个模型评价指标提高了90%以上。

基于地磁信息的高速自旋飞行体转速测量法

针对目前制导炮弹这类高速自旋飞行体转速变化范围大,且难以实现全程转速有效测量的问题,提出了一种基于地磁时域标量归一信息的转速实时在线测量方法:首先,研究高速自旋条件下的飞行体地磁运动特征,根据初始时间窗内接收的数据确定初始归一幅值,并计算初始转速;其次,通过前一时刻得出的转速计算下一个时间窗长度,在时间窗内对接收到的数据进行动态归一处理;最后,判断地磁零点时刻,根据所得零点计算转速,并计算下一个时间窗长度,以此类推,最终实现实时运动转速计算。仿真与试验结果表明,计算得出的转速值与实际设定值相差不超过8.2%,实现了对高速自旋飞行体全程转速的有效测量。

伞降平台扫描参数测量方法研究

针对传统伞降平台扫描参数测量方法存在测量参数单一、抗干扰能力差以及测量前期准备工作复杂严苛的问题,提出采用地磁传感器与惯性传感器组合测量其扫描参数的方法。该方法以地磁解算姿态和惯性解算姿态的差值作为扩展卡尔曼滤波器的观测量,修正姿态误差,提高扫描参数解算精度。进行了无人机空投试验,结果表明该方法能够同时获得扫描角、扫描角速度等多个参数;视频处理结果进一步验证了该方法的准确性能够满足伞降平台扫描参数测量的要求。