买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利面向低精度SINS的深度学习辅助变分贝叶斯李群滤波自对准方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119958606B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510067749.6，技术领域涉及：G01C25/00；该发明授权面向低精度SINS的深度学习辅助变分贝叶斯李群滤波自对准方法是由裴福俊;李昊洋设计研发完成，并于2025-01-16向国家知识产权局提交的专利申请。

本面向低精度SINS的深度学习辅助变分贝叶斯李群滤波自对准方法在说明书摘要公布了：本发明公开了面向低精度SINS的深度学习辅助变分贝叶斯李群滤波自对准方法，首先，利用传感器测量的原理和特性，将低精度SINS获得的陀螺仪数据视为时间序列。设计了一个采用门控循环单元GRU的神经网络模型，用于校准和补偿低精度SINS的测量误差。其次，开发了一种新颖的变分贝叶斯李群滤波方法，以处理李群对准模型中的各种误差，尤其是状态依赖噪声。将变分贝叶斯方法扩展到李群空间，以实时且自适应地估计测量噪声协方差矩阵。最后，在转台设备上进行实验，以验证和测试所提出方法的性能和优势。实验结果表明，所提出的初始自对准方法在对准精度和时间方面均显著优于现有方法。该方法完全满足实际应用中的实时性要求，无需额外设备和成本。

本发明授权面向低精度SINS的深度学习辅助变分贝叶斯李群滤波自对准方法在权利要求书中公布了：1.面向低精度SINS的深度学习辅助变分贝叶斯李群滤波自对准方法，其特征在于，该方法通过下述步骤实现： 步骤1：SINS捷联惯性导航系统进行系统预热准备，启动系统，获得载体所在位置的经度、纬度、当地重力加速度在导航系下的投影基本信息，采集惯性测量单元IMU中陀螺仪输出的载体系相对于惯性系的旋转角速率信息在载体系的投影和加速度计输出的载体系加速度信息； 步骤2：使用滑动窗口技术将陀螺仪测量数据划分为时序数据集，利用基于GRU的神经网络模型对陀螺仪测量数据进行误差补偿； 基于GRU设计一个端到端的神经网络模型，以陀螺仪的原始测量数据作为输入，输出误差补偿之后的数据；神经网络模型由数据预处理、神经网络模型、以及损失函数三大核心部分组成； 步骤3：对误差补偿后的数据进行预处理，基于李群微分方程，建立基于李群描述的线性对准系统模型； 步骤4：为解决低精度SINS初始对准过程中面临的误差，状态相关噪声，提出一种基于变分贝叶斯的李群滤波方法； 步骤5：求解导航系统所需的姿态矩阵，从而完成晃动状态下对准过程； 根据之前步骤中求解得到的姿态变化矩阵、和信息，求解导航姿态矩阵，完成晃动状态下低精度SINS的对准； 未知变量的估计实际是对后验分布的近似逼近，当非线性后验分布难以获取时，变分贝叶斯方法能够通过构建简单的变分分布实现对的近似逼近；KL散度用于衡量两个概率模型之间的差异： 25， 其中，表示近似的后验分布； 26， 令公式26的等号后面的第二项为： 27， 两个概率模型之间的KL散度最小，等价于最大，接下来以为目标函数；同时，测量噪声协方差矩阵具有非负性、对称性的空间结构，应用流形的概念处理测量噪声协方差矩阵特定的几何结构，推导关于变分参数的自然梯度； 自然梯度是考虑了参数空间几何结构的一种梯度，变分参数的自然梯度为： 28， 其中，表示标准梯度，Fisher信息矩阵描述变分参数的局部几何结构，定义为： 29， 接下来分别推导尺度矩阵U和自由度参数μ的自然梯度；首先，目标函数的梯度为： 30， 其中， 31， 分别对变分分布中的参数求偏导： 32， 其中，， 33， 分别计算拟尺度矩阵U和自由度参数μ的自然梯度为： 34， 35， 参数的更新过程为： 36， 37， 表示从向量空间到流形空间的映射，确保更新后的值仍然保持在流形上，具体计算为： 38， 根据IW分布的性质，如果，当时： 39， 则测量噪声协方差矩阵的更新值表示为： 40， 综上，能够实时自适应地估计测量噪声协方差矩阵；滤波增益矩阵为： 41， 姿态估计的更新方程为： 42， 姿态估计的协方差矩阵为： 43， 在滤波的每一步中将作为的估计值并结合5、6和7，即可得到每一离散时刻对姿态矩阵的最优估计。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。