基于捷联式惯性导航系统的空间轨迹重建方法及装置

摘要

本发明提供一种基于捷联式惯性导航系统的空间轨迹重建方法及装置。该基于捷联式惯性导航系统的空间轨迹重建方法包括：获得t时刻b系的角速度和t时刻b系的加速度；根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度；根据t时刻n系的角速度和t时刻n系的加速度构建预测样本；将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；根据矫正后的t时刻n系的加速度构建空间轨迹，可以极大提升重建得到的空间轨迹的精度。

说明书

技术领域

本发明涉及空间轨迹重建技术领域，具体地，涉及一种基于捷联式惯性导航系统的空间轨迹重建方法及装置。

背景技术

捷联式惯性导航技术(SINT，Strapdown Inertial Navigation Technology)广泛应用于轨道检测、制导控制、机器人运动跟踪、医疗康复等领域。对于安装有捷联式惯性导航系统(SINS，Strapdown Inertial Navigation System)的载体而言，其时空轨迹重建的要点在于如何通过惯性测量单元(IMU，Inertial Measurement Unit)在载体坐标系中输出的角速度与加速度，重建出载体在惯性导航坐标系中的空间轨迹。但现有技术中重建得到的空间轨迹精度不足，严重偏离实际的空间轨迹。

发明内容

本发明实施例的主要目的在于提供一种基于捷联式惯性导航系统的空间轨迹重建方法及装置，以极大提升重建得到的空间轨迹的精度。

为了实现上述目的，本发明实施例提供一种基于捷联式惯性导航系统的空间轨迹重建方法，包括：

获得t时刻b系的角速度和t时刻b系的加速度，其中，b系为载体坐标系，t≥4；

根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度，其中，n系为惯性导航坐标系；

根据t时刻n系的角速度和t时刻n系的加速度构建预测样本；

将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；

根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；

根据矫正后的t时刻n系的加速度构建空间轨迹。

本发明实施例还提供一种基于捷联式惯性导航系统的空间轨迹重建装置，包括：

获得模块，用于获得t时刻b系的角速度和t时刻b系的加速度，其中，b系为载体坐标系，t≥4；

角速度和加速度计算模块，用于根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度，其中，n系为惯性导航坐标系；

预测样本构建模块，用于根据t时刻n系的角速度和t时刻n系的加速度构建预测样本；

增量量化值模块，用于将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；

n系加速度矫正模块，用于根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；

空间轨迹构建模块，用于根据矫正后的t时刻n系的加速度构建空间轨迹。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获得t时刻b系的角速度和t时刻b系的加速度，其中，b系为载体坐标系，t≥4；

根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度，其中，n系为惯性导航坐标系；

根据t时刻n系的角速度和t时刻n系的加速度构建预测样本；

将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；

根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；

根据矫正后的t时刻n系的加速度构建空间轨迹。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获得t时刻b系的角速度和t时刻b系的加速度，其中，b系为载体坐标系，t≥4；

根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度，其中，n系为惯性导航坐标系；

根据t时刻n系的角速度和t时刻n系的加速度构建预测样本；

将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；

根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；

根据矫正后的t时刻n系的加速度构建空间轨迹。

本发明实施例的基于捷联式惯性导航系统的空间轨迹重建方法及装置先获得t时刻b系的角速度和t时刻b系的加速度；再根据t时刻b系的角速度和t时刻b系的加速度得到t时刻n系的角速度和t时刻n系的加速度；然后根据t时刻n系的角速度和t时刻n系的加速度构建预测样本，将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；接着根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；最后根据矫正后的t时刻n系的加速度构建空间轨迹，可以极大提升重建得到的空间轨迹的精度。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例中基于捷联式惯性导航系统的空间轨迹重建方法的流程图；

图2是本发明实施例中S102的具体流程图；

图3是本发明实施例卷积神经网络模型的构建流程图；

图4是本发明实施例中S106的具体流程图；

图5是本发明实施例中矫正b系加速度的具体流程图；

图6是本发明实施例中卷积神经网络的结构图；

图7是计算机视觉系统测得的空间轨迹、未经过深度学习矫正重建的空间轨迹与本发明实施例重建的空间轨迹在x轴方向上的对比示意图；

图8是计算机视觉系统测得的空间轨迹、未经过深度学习矫正重建的空间轨迹与本发明实施例重建的空间轨迹在y轴方向上的对比示意图；

图9是计算机视觉系统测得的空间轨迹、未经过深度学习矫正重建的空间轨迹与本发明实施例重建的空间轨迹在z轴方向上的对比示意图；

图10是计算机视觉系统测得的空间轨迹、未经过深度学习矫正重建的空间轨迹与本发明实施例重建的空间轨迹的三围对比示意图；

图11是本发明实施例中基于捷联式惯性导航系统的空间轨迹重建装置的结构框图。

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。

鉴于现有技术中重建得到的空间轨迹精度不足，严重偏离实际的空间轨迹，本发明实施例提供一种基于捷联式惯性导航系统的空间轨迹重建方法，可以极大提升重建得到的空间轨迹的精度。以下结合附图对本发明进行详细说明。

图1是本发明实施例中基于捷联式惯性导航系统的空间轨迹重建方法的流程图。如图1所示，基于捷联式惯性导航系统的空间轨迹重建方法包括：

S101：获得t时刻b系的角速度和t时刻b系的加速度，其中，b系为载体坐标系，t≥4。

S102：根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度，其中，n系为惯性导航坐标系。

S103：根据t时刻n系的角速度和t时刻n系的加速度构建预测样本。

S104：将预测样本输入已构建的卷积神经网络模型中进行深度学习(DL，DeepLearning)，得到t时刻增量量化值。

S105：根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度。

S106：根据矫正后的t时刻n系的加速度构建空间轨迹。

图1所示的基于捷联式惯性导航系统的空间轨迹重建方法的执行主体可以为计算机，可以应用于需要SINS进行测量和导航的领域，如轨道检测设备、康复辅助训练设备等。由图1所示的流程可知，本发明实施例的基于捷联式惯性导航系统的空间轨迹重建方法先获得t时刻b系的角速度和t时刻b系的加速度；再根据t时刻b系的角速度和t时刻b系的加速度得到t时刻n系的角速度和t时刻n系的加速度；然后根据t时刻n系的角速度和t时刻n系的加速度构建预测样本，将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；接着根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；最后根据矫正后的t时刻n系的加速度构建空间轨迹，可以极大提升重建得到的空间轨迹的精度。

图2是本发明实施例中S102的具体流程图。如图2所示，S102包括：

S201：根据t-1时刻从b系到n系的惯性旋转四元数和t时刻b系的角速度，计算t时刻从b系到n系的角速度旋转四元数。

S202：根据t-1时刻从b系到n系的惯性旋转四元数、t-1时刻标准步长和t-1时刻增量参数，计算t时刻从b系到n系的加速度旋转四元数。

S203：根据t时刻从b系到n系的角速度旋转四元数和t时刻从b系到n系的加速度旋转四元数，计算t时刻从b系到n系的惯性旋转四元数。

S204：根据t时刻从b系到n系的惯性旋转四元数，计算t时刻从b系到n系的姿态矩阵。

S205：根据t时刻b系的角速度和t时刻从b系到n系的姿态矩阵，计算t时刻n系的角速度。

S206：根据t时刻b系的加速度和t时刻从b系到n系的姿态矩阵，计算t时刻n系的加速度。

S201中，通过如下公式计算t时刻从b系到n系的角速度旋转四元数：

其中，为t时刻从b系到n系的角速度旋转四元数，为t-1时刻从b系到n系的惯性旋转四元数，^bω_t为t时刻b系的角速度，也是t时刻陀螺在b系下的测量值；为四元数的Hamilton乘积，定义为：

S202中，通过如下公式计算t时刻从b系到n系的加速度旋转四元数：

其中，为t时刻从b系到n系的加速度旋转四元数，为t-1时刻从b系到n系的惯性旋转四元数，α_t-1为t-1时刻标准步长，p_t-1为t-1时刻增量参数。

一实施例中，t-1时刻增量参数按照如下方式确定：

根据t-2时刻从b系到n系的加速度旋转四元数和t-3时刻从b系到n系的加速度旋转四元数，计算t-1时刻对称正定矩阵；根据t-1时刻对称正定矩阵和t-1时刻从b系到n系的加速度旋转四元数，计算t-1时刻增量参数。

具体实施时，通过如下公式计算t-1时刻对称正定矩阵：

其中，为t-1时刻对称正定矩阵，为t-2时刻对称正定矩阵，为y_t-2的转置矩阵，为s_t-2的转置矩阵，I为单位矩阵，

y_t-2如下：

其中，为t-2时刻从b系到n系的加速度旋转四元数，为t-3时刻从b系到n系的加速度旋转四元数，为t-2时刻从b系到n系的加速度旋转四元数的梯度，为t-3时刻从b系到n系的加速度旋转四元数的梯度；

s_t-2如下：

以及，通过如下公式计算t-1时刻增量参数：

其中，p_t-1为t-1时刻增量参数，为t-1时刻从b系到n系的加速度旋转四元数，为的梯度。

一实施例中，t-1时刻标准步长按照如下方式确定：

执行迭代处理：根据t-1时刻从b系到n系的惯性旋转四元数和t-1时刻增量参数，判断t-2时刻标准步长是否满足预设条件；当t-2时刻标准步长满足预设条件时，将t-2时刻标准步长设置为t-1时刻标准步长；当t-2时刻标准步长不满足预设条件时，将t-2时刻标准步长乘以预设常数得到t-2时刻第j+1个标准步长，将t-2时刻标准步长设置为t-2时刻第j+1个标准步长，j为迭代次数。

具体实施时，预设条件如下：

其中，为t-1时刻从b系到n系的惯性旋转四元数，α_t-2为t-2时刻标准步长，p_t-1为t-1时刻增量参数，ⁿg为n系的重力场，ⁿg＝[0,0,0,1]，^ba_t-1为t-1时刻b系的加速度，c为预设参数，0＜c＜0.5，为p_t-1的转置矩阵，为的梯度；

如下：

如下：

S203中，通过如下公式计算t时刻从b系到n系的惯性旋转四元数：

其中，为t时刻从b系到n系的惯性旋转四元数，为t时刻从b系到n系的角速度旋转四元数，q_a,t为t时刻从b系到n系的加速度旋转四元数；

λ_t如下：

其中，为t时刻从b系到n系的加速度旋转四元数，为t时刻从b系到n系的角速度旋转四元数。

S204中，通过如下公式计算t时刻从b系到n系的姿态矩阵：

其中，为t时刻从b系到n系的姿态矩阵，为t时刻从b系到n系的惯性旋转四元数。

S205中，通过如下公式计算t时刻n系的角速度：

其中，ⁿω_t为t时刻n系的角速度，为t时刻从b系到n系的姿态矩阵，^bω_t为t时刻b系的角速度。

S206中，通过如下公式计算t时刻n系的加速度：

其中，ⁿa_t为t时刻n系的加速度，为t时刻从b系到n系的姿态矩阵，^ba_t为t时刻b系的加速度。

图3是本发明实施例卷积神经网络模型的构建流程图。如图3所示，已构建的卷积神经网络模型按照如下方式构建：

S301：构建训练样本和验证样本，训练样本和验证样本均包括t’时刻n系的角速度、t’时刻n系的加速度和t’时刻增量量化值。

S302：根据训练样本对卷积神经网络模型进行训练，得到经过训练的卷积神经网络模型。

S303：根据验证样本对经过训练的卷积神经网络模型进行验证，若经过训练的卷积神经网络模型符合预设标准，则经过训练的卷积神经网络模型为已构建的卷积神经网络模型；若不符合，则利用训练样本对经过训练的卷积神经网络模型进行重新训练，直至经过训练的卷积神经网络模型符合预设标准为止。

在执行S301之前，需要构造训练集(X，Y)。其中，X包括t’时刻n系的角速度和t’时刻n系的加速度，Y包括t’时刻增量量化值。

一实施例中，t’时刻增量量化值按照如下方式确定：根据t’时刻n系的金标准加速度，t’时刻n系的加速度和量化精度，计算t’时刻增量量化值，公式如下：

其中，y_t'为t’时刻增量量化值，为t’时刻n系的金标准加速度，ⁿa_t'为t’时刻n系的加速度，K为量化精度，κ为金标准与测量值的界限。大多数情况下，κ可以认为等于1，否则对应的y_t'会被认为是异常数据而删除。上述公式中的和ⁿa_t'均为同一采样样本中的数据。

金标准加速度可以根据实际使用情况来生成。如果是轨道检测车等按既定路线运动的SINS，可以把检测线路的历史无故障检测样本经过惯性导航算法计算后得到的n系加速度进行统计，得到针对每一段检测线路的加速度平均值与标准差。这样，作为该段检测线路的训练集(X，Y)，当X为检测线路的历史无故障检测样本经过惯性导航算法计算后得到的n系加速度和角速度时，计算Y所需的金标准加速度为该段检测线路的加速度平均值与正负标准差之间的任意一个采样值。如果是可穿戴的SINS，可以利用其他传感器(如计算机视觉系统)测得的空间轨迹的二次差分得到金标准加速度，然后通过上述公式计算得到增量量化值作为Y。

训练集(X，Y)是由经过N次采样得到的N个样本构成，即X＝{x₁,……,x_k,……,x_N}；Y＝{y₁,……,y_k,……,y_N}。其中，x_k包括第k次采样中得到的任意时刻n系的角速度和任意时刻n系的加速度，即是一个6×T的时间序列，一共有T个采样时间；为第k次采样中t’时刻n系的加速度，为第k次采样中t’时刻n系的三轴角速度，t’为任意时刻。y_k包括第k次采样中的任意时刻增量量化值，与和对应。将训练集(X，Y)中90％的样本作为训练样本，10％的样本作为训练样本验证样本。

图6是本发明实施例中卷积神经网络的结构图。如图6所示，卷积神经网络包括：多个第一卷积层、多个第二卷积层和全连接层。第一卷积层采用1×w_l维卷积窗，可以避免输入端各通道互相影响。即，n系三个方向(x方向，y方向，z方向)的角速度(ⁿω_x，ⁿω_y，ⁿω_z)互不影响，n系三个方向(x方向，y方向，z方向)的加速度(ⁿa_x，ⁿa_y，ⁿa_z)互不影响。第二卷积层采用3×w_l维卷积窗，纵向步长为3，可以融合提取n系三个方向的角速度，融合提取n系三个方向的加速度，但角速度和加速度互不影响。全连接层有K+1个端口，可以对上一层的各数据进行融合。其中，w_l为第一卷积层的卷积窗宽度，K为量化精度。卷积神经网络的其他部分，如池化层(pooling)等可以根据实际情况添加，各个卷积层与全连接层的实际层数也可以根据实际情况添加。

S105中，通过如下公式计算矫正后的t时刻n系的加速度：

其中，为矫正后的t时刻n系的加速度，ⁿa_t为t时刻n系的加速度，y_t为t时刻增量量化值，K为量化精度，κ为金标准与测量值的界限。

图4是本发明实施例中S106的具体流程图。如图4所示，S106包括：

S401：根据矫正后的t时刻n系的加速度计算t时刻n系的速度。

S402：根据t时刻n系的速度计算t时刻n系的位移。

S403：根据t时刻n系的位移构建空间轨迹。

S401中，通过如下公式计算t时刻n系的速度：

其中，ⁿv_t为t时刻n系的速度，为矫正后的t时刻n系的加速度。

S402中，通过如下公式计算t时刻n系的位移：

其中，ⁿs_t为t时刻n系的位移，ⁿv_t为t时刻n系的速度，ⁿv_t-1为t-1时刻n系的速度。

图5是本发明实施例中矫正b系加速度的具体流程图。如图5所示，包括：

S501：根据t时刻从b系到n系的姿态矩阵计算t时刻从b系到n系的姿态逆矩阵。

S502：根据矫正后的t时刻n系的加速度和t时刻从b系到n系的姿态逆矩阵计算矫正后的t时刻b系的加速度。

S503：根据矫正后的t时刻b系的加速度和t时刻b系的加速度计算加速度预测偏差。

S504：根据t时刻b系的加速度和加速度预测偏差计算t+1时刻b系的加速度。

具体实施时，可以先将矫正后的t时刻b系的加速度与t时刻b系的加速度相减，得到加速度预测偏差。然后将t时刻b系的加速度与加速度预测偏差相减，得到t+1时刻b系的加速度，可以对b系下一时刻的加速度值进行反馈校正。

本发明的实施方案的流程如下：

1、根据某一历史时刻数据构建卷积神经网络模型：构建训练样本和验证样本，训练样本和验证样本均包括某一历史时刻n系的角速度、某一历史时刻n系的加速度和某一历史时刻增量量化值。根据训练样本对卷积神经网络模型进行训练，根据验证样本对经过训练的卷积神经网络模型进行验证，若经过训练的卷积神经网络模型符合预设标准，则卷积神经网络模型构建成功，否则利用训练样本对卷积神经网络模型进行重新训练，直至其符合预设标准为止。

2、根据t-1时刻从b系到n系的惯性旋转四元数和t时刻b系的角速度，计算t时刻从b系到n系的角速度旋转四元数。

3、根据t-2时刻从b系到n系的加速度旋转四元数和t-3时刻从b系到n系的加速度旋转四元数，计算t-1时刻对称正定矩阵；根据t-1时刻对称正定矩阵和t-1时刻从b系到n系的加速度旋转四元数，计算t-1时刻增量参数。

4、执行迭代处理：根据t-1时刻从b系到n系的惯性旋转四元数和t-1时刻增量参数，判断t-2时刻标准步长是否满足预设条件；当t-2时刻标准步长满足预设条件时，将t-2时刻标准步长设置为t-1时刻标准步长。

5、根据t-1时刻从b系到n系的惯性旋转四元数、t-1时刻标准步长和t-1时刻增量参数，计算t时刻从b系到n系的加速度旋转四元数。

6、根据t时刻从b系到n系的角速度旋转四元数和t时刻从b系到n系的加速度旋转四元数，计算t时刻从b系到n系的姿态矩阵。

7、根据t时刻b系的角速度和t时刻从b系到n系的姿态矩阵，计算t时刻n系的角速度。根据t时刻b系的加速度和t时刻从b系到n系的姿态矩阵，计算t时刻n系的加速度。

8、根据t时刻n系的角速度和t时刻n系的加速度构建预测样本，将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值。根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度。

9、根据矫正后的t时刻n系的加速度构建空间轨迹。

10、根据t时刻从b系到n系的姿态矩阵计算t时刻从b系到n系的姿态逆矩阵，根据矫正后的t时刻n系的加速度和t时刻从b系到n系的姿态逆矩阵计算矫正后的t时刻b系的加速度。

11、根据矫正后的t时刻b系的加速度和t时刻b系的加速度计算加速度预测偏差，根据t时刻b系的加速度和加速度预测偏差计算t+1时刻b系的加速度。

图7是计算机视觉系统测得的空间轨迹、未经过深度学习矫正重建的空间轨迹与本发明实施例重建的空间轨迹在x轴方向上的对比示意图。图8是计算机视觉系统测得的空间轨迹、未经过深度学习矫正重建的空间轨迹与本发明实施例重建的空间轨迹在y轴方向上的对比示意图。图9是计算机视觉系统测得的空间轨迹、未经过深度学习矫正重建的空间轨迹与本发明实施例重建的空间轨迹在z轴方向上的对比示意图。图10是计算机视觉系统测得的空间轨迹、未经过深度学习矫正重建的空间轨迹与本发明实施例重建的空间轨迹的三围对比示意图。图7至图9中的横轴均为时间，单位为秒(s)，纵轴均为空间轨迹，单位为毫米(mm)，上图均为计算机视觉系统测得的空间轨迹，中图均为未经过深度学习矫正重建的空间轨迹，下图均为本发明实施例重建的空间轨迹。图10中的左图为计算机视觉系统测得的空间轨迹的三围示意图，中图为未经过深度学习矫正重建的空间轨迹的三围示意图，右图为本发明实施例重建的空间轨迹的三围示意图。图10中的坐标系的纵轴为z轴，符合右手坐标系，还可以转化为“北东下”(NED)即X-北，Y-东，Z-下，单位为毫米(mm)。如图7至图10所示，采用本发明的方法，把SINS(MPU9250)固定于手腕，对喝水动作进行轨迹重建，并分别与未经过深度学习矫正重建的空间轨迹和计算机视觉系统(CV)测得的空间轨迹进行比较，发现未经过深度学习矫正重建的空间轨迹与计算机视觉系统测得的空间轨迹有较大的偏差，而本发明实施例重建的空间轨迹与计算机视觉系统测得的空间轨迹较为相似，即采用本发明能较好地重建出喝水这种复杂的运动的空间轨迹。

综上，本发明实施例的基于捷联式惯性导航系统的空间轨迹重建方法先获得t时刻b系的角速度和t时刻b系的加速度；再根据t时刻b系的角速度和t时刻b系的加速度得到t时刻n系的角速度和t时刻n系的加速度；然后根据t时刻n系的角速度和t时刻n系的加速度构建预测样本，将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；接着根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；最后根据矫正后的t时刻n系的加速度构建空间轨迹，可以极大提升重建得到的空间轨迹的精度。

基于同一发明构思，本发明实施例还提供了一种基于捷联式惯性导航系统的空间轨迹重建装置，由于该装置解决问题的原理与基于捷联式惯性导航系统的空间轨迹重建方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

图11是本发明实施例中基于捷联式惯性导航系统的空间轨迹重建装置的结构框图。如图11所示，基于捷联式惯性导航系统的空间轨迹重建装置包括：

获得模块，用于获得t时刻b系的角速度和t时刻b系的加速度，其中，b系为载体坐标系，t≥4；

角速度和加速度计算模块，用于根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度，其中，n系为惯性导航坐标系；

预测样本构建模块，用于根据t时刻n系的角速度和t时刻n系的加速度构建预测样本；

增量量化值模块，用于将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；

n系加速度矫正模块，用于根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；

空间轨迹构建模块，用于根据矫正后的t时刻n系的加速度构建空间轨迹。

在其中一种实施例中，角速度和加速度计算模块具体包括：

角速度旋转四元数单元，用于根据t-1时刻从b系到n系的惯性旋转四元数和t时刻b系的角速度，计算t时刻从b系到n系的角速度旋转四元数；

加速度旋转四元数单元，用于根据t-1时刻从b系到n系的惯性旋转四元数、t-1时刻标准步长和t-1时刻增量参数，计算t时刻从b系到n系的加速度旋转四元数；

惯性旋转四元数单元，用于根据t时刻从b系到n系的角速度旋转四元数和t时刻从b系到n系的加速度旋转四元数，计算t时刻从b系到n系的惯性旋转四元数；

姿态矩阵单元，用于根据t时刻从b系到n系的惯性旋转四元数，计算t时刻从b系到n系的姿态矩阵；

角速度单元，用于根据t时刻b系的角速度和t时刻从b系到n系的姿态矩阵，计算t时刻n系的角速度；

加速度单元，用于根据t时刻b系的加速度和t时刻从b系到n系的姿态矩阵，计算t时刻n系的加速度。

在其中一种实施例中，加速度旋转四元数单元具体用于：

根据t-2时刻从b系到n系的加速度旋转四元数和t-3时刻从b系到n系的加速度旋转四元数，计算t-1时刻对称正定矩阵；

根据t-1时刻对称正定矩阵和t-1时刻从b系到n系的加速度旋转四元数，计算t-1时刻增量参数。

在其中一种实施例中，加速度旋转四元数单元具体用于：

执行迭代处理：根据t-1时刻从b系到n系的惯性旋转四元数和t-1时刻增量参数，判断t-2时刻标准步长是否满足预设条件；当t-2时刻标准步长满足预设条件时，将t-2时刻标准步长设置为t-1时刻标准步长；当t-2时刻标准步长不满足预设条件时，将t-2时刻标准步长乘以预设常数得到t-2时刻第j+1个标准步长，将t-2时刻标准步长设置为t-2时刻第j+1个标准步长，j为迭代次数。

在其中一种实施例中，还包括：

训练样本和验证样本构建模块，用于构建训练样本和验证样本，训练样本和验证样本均包括t’时刻n系的角速度、t’时刻n系的加速度和t’时刻增量量化值；

训练和验证模块，用于根据训练样本对卷积神经网络模型进行训练，得到经过训练的卷积神经网络模型；根据验证样本对经过训练的卷积神经网络模型进行验证，若经过训练的卷积神经网络模型符合预设标准，则经过训练的卷积神经网络模型为已构建的卷积神经网络模型；若不符合，则利用训练样本对经过训练的卷积神经网络模型进行重新训练，直至经过训练的卷积神经网络模型符合预设标准为止。

在其中一种实施例中，还包括：

增量量化值计算模块，用于根据t’时刻n系的金标准加速度，t’时刻n系的加速度和量化精度，计算t’时刻增量量化值。

在其中一种实施例中，卷积神经网络包括：

多个第一卷积层、多个第二卷积层和全连接层；

第一卷积层采用1×w_l维卷积窗，第二卷积层采用3×w_l维卷积窗，全连接层有K+1个端口，其中，w_l为第一卷积层的卷积窗宽度，K为量化精度。

在其中一种实施例中，空间轨迹构建模块具体包括：

速度单元，用于根据矫正后的t时刻n系的加速度计算t时刻n系的速度；

位移单元，用于根据t时刻n系的速度计算t时刻n系的位移；

空间轨迹单元，用于根据t时刻n系的位移构建空间轨迹。

在其中一种实施例中，还包括：

姿态逆矩阵模块，用于根据t时刻从b系到n系的姿态矩阵计算t时刻从b系到n系的姿态逆矩阵；

b系加速度矫正模块，用于根据矫正后的t时刻n系的加速度和t时刻从b系到n系的姿态逆矩阵计算矫正后的t时刻b系的加速度；

加速度预测偏差模块，用于根据矫正后的t时刻b系的加速度和t时刻b系的加速度计算加速度预测偏差；

加速度预测模块，用于根据t时刻b系的加速度和加速度预测偏差计算t+1时刻b系的加速度。

综上，本发明实施例的基于捷联式惯性导航系统的空间轨迹重建装置先获得t时刻b系的角速度和t时刻b系的加速度；再根据t时刻b系的角速度和t时刻b系的加速度得到t时刻n系的角速度和t时刻n系的加速度；然后根据t时刻n系的角速度和t时刻n系的加速度构建预测样本，将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；接着根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；最后根据矫正后的t时刻n系的加速度构建空间轨迹，可以极大提升重建得到的空间轨迹的精度。

本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获得t时刻b系的角速度和t时刻b系的加速度，其中，b系为载体坐标系，t≥4；

根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度，其中，n系为惯性导航坐标系；

根据t时刻n系的角速度和t时刻n系的加速度构建预测样本；

将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；

根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；

根据矫正后的t时刻n系的加速度构建空间轨迹。

综上，本发明实施例的计算机设备先获得t时刻b系的角速度和t时刻b系的加速度；再根据t时刻b系的角速度和t时刻b系的加速度得到t时刻n系的角速度和t时刻n系的加速度；然后根据t时刻n系的角速度和t时刻n系的加速度构建预测样本，将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；接着根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；最后根据矫正后的t时刻n系的加速度构建空间轨迹，可以极大提升重建得到的空间轨迹的精度。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获得t时刻b系的角速度和t时刻b系的加速度，其中，b系为载体坐标系，t≥4；

根据t时刻b系的角速度和t时刻b系的加速度，得到t时刻n系的角速度和t时刻n系的加速度，其中，n系为惯性导航坐标系；

根据t时刻n系的角速度和t时刻n系的加速度构建预测样本；

将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；

根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；

根据矫正后的t时刻n系的加速度构建空间轨迹。

综上，本发明实施例的计算机可读存储介质先获得t时刻b系的角速度和t时刻b系的加速度；再根据t时刻b系的角速度和t时刻b系的加速度得到t时刻n系的角速度和t时刻n系的加速度；然后根据t时刻n系的角速度和t时刻n系的加速度构建预测样本，将预测样本输入已构建的卷积神经网络模型中进行深度学习，得到t时刻增量量化值；接着根据t时刻n系的加速度和t时刻增量量化值，计算矫正后的t时刻n系的加速度；最后根据矫正后的t时刻n系的加速度构建空间轨迹，可以极大提升重建得到的空间轨迹的精度。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。