本發(fā)明涉及精密測量。更具體地，涉及一種基于bp神經(jīng)網(wǎng)絡的姿態(tài)動態(tài)測量方法。

背景技術(shù)：

1、隨著我國高端智能制造和大型科學工程領(lǐng)域的快速發(fā)展，以及計算機與傳感器技術(shù)水平的更新迭代，諸如大型工業(yè)裝備生產(chǎn)制造、航空航天、汽車船舶等領(lǐng)域，對姿態(tài)測量精度、動態(tài)性、實時性等方面的要求越來越高。提升姿態(tài)測量精度、動態(tài)性已經(jīng)成為姿態(tài)測量技術(shù)領(lǐng)域的重要研究方向之一。

2、目前，國內(nèi)外都有開展姿態(tài)測量技術(shù)領(lǐng)域的研究，國外對于該領(lǐng)域的研究較為領(lǐng)先，且有成熟的產(chǎn)品進行商用，其中具有代表性的主要有三家公司：德國的leica、美國的faro和api。leica公司將激光跟蹤儀和高速相機相結(jié)合構(gòu)成姿態(tài)動態(tài)測量系統(tǒng)，配合安裝在待測目標上的t-mac附件，附件上的反射棱鏡接收激光跟蹤儀發(fā)出的激光束得到被測目標的空間三位坐標，視覺測量系統(tǒng)通過識別附件上的光學特征點測得被測物體的姿態(tài)，該系統(tǒng)測量響應頻率高，測量范圍廣，具有較好的動態(tài)性能，但高速變焦相機工藝復雜且制造難度大，且存在激光跟蹤設備斷光無法跟蹤被測物姿態(tài)信息的問題。api公司使用激光跟蹤儀和配有psd(position?sensitive?detector，光電位置傳感器)傳感器和傾角儀的smarttrack附件組成的姿態(tài)測量系統(tǒng)實現(xiàn)姿態(tài)角的測量，由于傾角儀更新頻率低，系統(tǒng)動態(tài)性受到限制。faro公司搭建以激光跟蹤設備為基站配合測量附件的激光跟蹤姿態(tài)測量系統(tǒng)，該系統(tǒng)通過關(guān)節(jié)臂與編碼器測量，重復精度高且可以多機協(xié)同測量，對于隱藏點和內(nèi)部特征也能進行測量，但全程需要人工操作。國內(nèi)中國科學院微電子研究所和湖北工業(yè)大學先后研究了基于視覺和psd傳感器的激光跟蹤姿態(tài)測量系統(tǒng)，充分利用視覺測量的非接觸、高精度，psd傳感器的高分辨率，實現(xiàn)了大尺寸范圍內(nèi)物體的靜態(tài)姿態(tài)測量。為了進一步提高動態(tài)測量性能，湖北工業(yè)大學的伍楚奇等人提出了一種將視覺與imu結(jié)合的姿態(tài)測量系統(tǒng)，該系統(tǒng)使用非等周期卡爾曼濾波數(shù)據(jù)融合方法實現(xiàn)了動態(tài)姿態(tài)測量。

3、以上測量系統(tǒng)及方法在激光跟蹤設備斷光檢測、快速、高精度測量、動態(tài)測量方面并沒有得到很好的匹配。視覺傳感器和psd傳感器在使用時有通視要求，一旦激光跟蹤設備和所配合的角隅棱角斷光，被測物姿態(tài)信息將會丟失；此外當被測物運動速度增大時，姿態(tài)精度得不到保障。非等周期卡爾曼濾波數(shù)據(jù)融合方法將視覺和imu測量數(shù)據(jù)進行融合，一定程度上實現(xiàn)了姿態(tài)動態(tài)測量。但該方法對測量系統(tǒng)的同步性和各測量單元測量頻率的穩(wěn)定性要求較高，在不同的測量背景下適應性不強。

技術(shù)實現(xiàn)思路

1、針對上述姿態(tài)測量系統(tǒng)及方法在動態(tài)測量時的局限性，本發(fā)明提供一種基于bp神經(jīng)網(wǎng)絡的激光跟蹤姿態(tài)動態(tài)測量方法。

2、本發(fā)明提供的測量方法所需要的硬件組成包括：激光跟蹤測量單元、視覺測量單元、合作靶標、慣性測量單元。

3、所述激光跟蹤測量單元和所述視覺測量單元分別固定放置在預設位置，所述合作靶標固定放置在被測物上；所述合作靶標外部布置若干個不共面特征標識，采用遠近場靶標設計，其內(nèi)部裝有慣性測量單元；

4、所述激光跟蹤測量單元作為姿態(tài)動態(tài)測量系統(tǒng)的基站，提供六自由度測量系統(tǒng)所需的點坐標信息；所述第一坐標系為所述激光跟蹤測量單元的自身坐標系，原點位于激光發(fā)射頭；

5、所述視覺測量單元用于獲取所述合作靶標上的特征標識在相機像素坐標系中的二維像素坐標；定義所述視覺測量單元的自身坐標系為第二坐標系，原點位于相機光心；

6、所述慣性測量單元用于獲取所述合作靶標在第三坐標系下的動態(tài)運動數(shù)據(jù)，所述第三坐標系為所述慣性測量單元自身的坐標系，原點位于所述慣性測量單元的敏感中心；

7、所述合作靶標的自身坐標系為第四坐標系，原點位于所述合作靶標靶面幾何中心；所述第四坐標系原點與所述第三坐標系原點距離為l,三軸平行于所述第三坐標系三軸的坐標系；

8、通過標定實驗，獲取所述第一坐標系和所述第二坐標系、所述第二坐標系與所述第三坐標系、所述第三坐標系與所述第四坐標系之間的轉(zhuǎn)換關(guān)系；根據(jù)所述慣性測量單元、視覺測量單元的測量數(shù)據(jù)解算得到的旋轉(zhuǎn)矩陣，以及不同坐標系之間轉(zhuǎn)換關(guān)系，獲取所述合作靶標在所述第一坐標系下的第一姿態(tài)角、第二姿態(tài)角；通過融合，獲取所述被測物的最終姿態(tài)角；

9、進一步地，所述激光跟蹤測量單元為全站儀或激光跟蹤儀，所述視覺測量單元為ccd工業(yè)相機。

10、進一步地，所述若干個不共面特征標識由紅外led光管制成。

11、本發(fā)明提供一種基于bp神經(jīng)網(wǎng)絡的姿態(tài)動態(tài)測量方法，其方法特征在于，包括以下步驟：

12、(1)通過標定實驗確定不同坐標系之間的相對位置關(guān)系，確定相機的內(nèi)參矩陣；

13、(2)測得第四坐標系與第二坐標系，第三之間的旋轉(zhuǎn)矩陣；

14、(3)解算出第一、第二姿態(tài)角；

15、(4)確定bp神經(jīng)網(wǎng)絡結(jié)構(gòu)；

16、(5)求解融合姿態(tài)角。

17、步驟(1)所述的通過標定實驗確定各坐標系之間的相對位置關(guān)系是指在實驗開始前，通過標定外參實驗獲取所述第一坐標系與所述第二坐標系、所述第二坐標系與所述第三坐標系、所述第三坐標系和所述第四坐標系之間的平移向量；并使用張正友相機標定法獲取所述視覺測量單元的內(nèi)參矩陣。

18、步驟(2)所述的測得第四坐標系與第二坐標系之間的旋轉(zhuǎn)矩陣是指根據(jù)視覺拍攝特征點圖像，解算出所述第四坐標系在所述第二坐標系下的旋轉(zhuǎn)矩陣；測得第四坐標系與第三坐標系之間的旋轉(zhuǎn)矩陣是指根據(jù)所述慣性測量單元測得的數(shù)據(jù)，解算出所述第四坐標系在所述第三坐標系下的旋轉(zhuǎn)矩陣。

19、步驟(3)所述的解算出第一、第二姿態(tài)角是指根據(jù)步驟(2)獲取的兩個旋轉(zhuǎn)矩陣，以及步驟(1)中獲取的不同坐標系間的相對位置關(guān)系求解出兩個第四坐標系在第一坐標系下的旋轉(zhuǎn)矩陣；根據(jù)這兩個旋轉(zhuǎn)矩陣可以獲取兩組合作靶標在第一坐標系下的姿態(tài)角，即第一姿態(tài)角、第二姿態(tài)角。

20、步驟(4)所述的確定bp神經(jīng)網(wǎng)絡結(jié)構(gòu)是指將步驟(3)所述的第一姿態(tài)角、第二姿態(tài)角先進行預處理，將經(jīng)過處理的第一姿態(tài)角和第二姿態(tài)角作為bp神經(jīng)網(wǎng)絡的輸入層，將最終姿態(tài)角作為輸出層，通過仿真分析實現(xiàn)對隱藏層的結(jié)構(gòu)進行設計，并確定各層之間的權(quán)值矩陣和激活函數(shù)。

21、步驟(5)所述的求解融合姿態(tài)角指的是根據(jù)步驟(4)所述結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡對經(jīng)過預處理后的步驟(3)所獲取的第一姿態(tài)角、第二姿態(tài)角，進行數(shù)據(jù)融合，獲取被測物在基站坐標系，即第一坐標系下的最終姿態(tài)角。

22、進一步地，步驟(1)具體為：所述激光跟蹤測量單元測得所述特征標識在所述第一坐標系下的空間三維坐標，所述視覺測量單元拍攝帶有特征標識的合作靶標圖像，經(jīng)圖像處理得到所述特征標識的二維像素坐標，結(jié)合pnp思想即可求解出所述激光跟蹤測量單元與所述視覺測量單元間的旋轉(zhuǎn)矩陣，即為所述第一坐標系與所述第二坐標系間的轉(zhuǎn)換關(guān)系；使用雙矢量正交法標定出所述慣性測量單元與所述合作靶標間的旋轉(zhuǎn)矩陣，即為所述第三坐標系與所述第四坐標系間的轉(zhuǎn)換關(guān)系；結(jié)合步驟(2)中獲取的旋轉(zhuǎn)矩陣即可獲取所述第二坐標系與所述第三坐標系間的轉(zhuǎn)換關(guān)系。

23、進一步地，步驟(2)具體為：使用視覺測量單元拍攝帶有特征點的合作靶標圖像，利用圖像處理算法獲取特征點的二維像素坐標，根據(jù)pnp算法對特征點坐標進行二維到三維的匹配，獲取第四坐標系在第二坐標系下的旋轉(zhuǎn)矩陣：

24、

25、式中k為相機的內(nèi)參矩陣，t分別為第二坐標系與第四坐標系之間的旋轉(zhuǎn)矩陣、平移向量，f為相機焦距，dx、dy分別為相機像平面單個像素在u、v方向上的實際物理尺寸，(u,v)表示特征點的像素坐標，(xw,yw,zw)表示特征點在第二坐標系的坐標；慣性測量單元中陀螺儀傳感器測量合作靶標運動過程中的角速度數(shù)據(jù)，通過積分獲取角度增量，進而獲取坐標系的旋轉(zhuǎn)矢量，由旋轉(zhuǎn)矢量可計算出變化四元數(shù)，根據(jù)四元數(shù)來表示第四坐標系在第三坐標系下的旋轉(zhuǎn)矩陣。

26、假設合作靶標從位置a運動到位置b，其坐標系的變化可以如下四元數(shù)表示：

27、

28、式中，θ表示根據(jù)慣性測量單元輸出數(shù)據(jù)計算的旋轉(zhuǎn)矢量的旋轉(zhuǎn)角度，rx、ry和rz分別定義了在坐標系a的x、y和z軸上的分量，θ表示坐標系b相對于坐標系a的旋轉(zhuǎn)角度。

29、坐標系a和b之間的變換矩陣可表示為：

30、

31、由于慣性測量單元測量的為合作靶標相對于imu坐標系的旋轉(zhuǎn)，則慣性測量單元與合作靶標間的旋轉(zhuǎn)矩陣可表示為：

32、進一步地，步驟(3)具體為：為了滿足測量系統(tǒng)的六自由度測量需求，需要將解算的姿態(tài)角數(shù)據(jù)轉(zhuǎn)換到基站坐標系下，即第一坐標系。不同坐標系的轉(zhuǎn)換方法可根據(jù)：

33、

34、

35、式中，分別是由慣性測量單元、視覺測量單元測量數(shù)據(jù)求解的第四坐標系在第一坐標系下的旋轉(zhuǎn)矩陣，由步驟(1)獲取，分別表示第三坐標系與第四坐標系、第一坐標系與第二坐標系、第二坐標系與第三坐標系間的轉(zhuǎn)換矩陣。

36、根據(jù)獲取的旋轉(zhuǎn)矩陣解算姿態(tài)角，將二者表示為：

37、

38、

39、可得姿態(tài)角：

40、αimu＝arcsin(-2(q3q4-q1q2))

41、

42、

43、αc＝-arcsin(r23)

44、

45、

46、式中，αc、βc、γc是根據(jù)視覺測量單元測量結(jié)果獲取的姿態(tài)角；αimu、βimu、γimu是根據(jù)慣性測量單元測量結(jié)果獲取的姿態(tài)角。

47、進一步地，所述步驟(4)具體為：設計bp神經(jīng)網(wǎng)絡的結(jié)構(gòu)，本方法使用的bp神經(jīng)網(wǎng)絡的結(jié)構(gòu)包括一個輸入層、一個隱藏層、以及一個輸出層；各層通過權(quán)值矩陣和激活函數(shù)連接。

48、進一步地，設置神經(jīng)網(wǎng)絡的輸入向量：x＝(x1,x2,...,xn)；隱藏層輸出：y＝(y1,y2,y3,...,ym)；輸出結(jié)果：o＝(o1,o2,o3,...,ot)；期望輸出：d＝(d1,d2,d3,...,dt)；權(quán)值矩陣：v＝(v1,v2,v3,...,vm)；w＝(w1,w2,w3,...,wt)；

49、其中，輸入層到隱藏層的連接權(quán)值為v；而隱藏層到輸出層的連接權(quán)值為w；bp神經(jīng)網(wǎng)絡內(nèi)部的信號傳播存在兩個方向，信號正向傳播和誤差反向傳播，在信號正向傳播過程中，輸入層到隱含層的計算公式表示為：

50、

51、式中，fh(·)是bp神經(jīng)網(wǎng)絡輸入層與隱藏層之間的激活函數(shù)，θ為隱藏層的偏置，n表示輸入層神經(jīng)元的閾值，m表示隱藏層神經(jīng)元的閾值；

52、進一步地，隱含層到輸出層的計算公式可以表示為：

53、

54、式中，fo(·)是bp神經(jīng)網(wǎng)絡隱藏層與輸出層之間的激活函數(shù)，λ為輸出層的偏置，m表示隱藏層神經(jīng)元的閾值，t表示輸入層神經(jīng)元的閾值。

55、在誤差反向傳播過程中，由于上述正向傳播的輸出結(jié)果和預期輸出結(jié)果之間存在誤差，所以將得到的誤差反饋給隱藏層，以此調(diào)整隱藏層中各個節(jié)點的權(quán)值。最終結(jié)果與預期結(jié)果的誤差定義公式表示為：

56、

57、誤差函數(shù)從輸出層到隱含層的公式表示為：

58、

59、誤差函數(shù)展開到輸入層的公式表示為：

60、

61、進一步地，誤差反向傳導的過程是為了求解各個權(quán)值的梯度，因此根據(jù)梯度下降的策略，定義誤差信號為：

62、

63、定義隱藏層的誤差信號為：

64、

65、權(quán)值迭代更新表示為：

66、

67、

68、上述公式中負號代表梯度下降，μ為常數(shù)，范圍為(0,1)表示比例系數(shù)。

69、進一步地，輸入層接收數(shù)據(jù)特征，隱藏層進行非線性轉(zhuǎn)換和特征提取，輸出層給出網(wǎng)絡結(jié)果，代表分類或回歸數(shù)值。bp神經(jīng)網(wǎng)絡的訓練過程如下：

70、(1)初始化權(quán)重：隨機初始化所有連接的權(quán)重。

71、(2)前向傳播：從輸入層到輸出層傳遞數(shù)據(jù)，計算網(wǎng)絡輸出。

72、(3)計算損失：比較網(wǎng)絡輸出與真實標簽，計算損失函數(shù)(如均方誤差或交叉熵)。

73、(4)反向傳播：利用損失函數(shù)梯度信息，計算每個權(quán)重對損失的影響，更新權(quán)重從而減小損失。

74、(5)更新權(quán)重：使用優(yōu)化算法(如梯度下降)根據(jù)反向傳播梯度更新網(wǎng)絡權(quán)重。

75、(6)迭代訓練：重復前向傳播、損失計算、反向傳播和權(quán)重更新，直至網(wǎng)絡收斂或達到停止條件。

76、bp神經(jīng)網(wǎng)絡通過不斷地調(diào)整權(quán)重，以最小化損失函數(shù)來學習輸入數(shù)據(jù)的特征與輸出之間的映射關(guān)系。

77、進一步地，在使用bp神經(jīng)網(wǎng)絡進行數(shù)據(jù)融合之前，需要對所述第一姿態(tài)角和第二姿態(tài)角數(shù)據(jù)進行預處理；在測量過程中，慣性測量單元的數(shù)據(jù)采集頻率高，視覺測量單元的數(shù)據(jù)采集頻率底，所以需要對采集的視覺數(shù)據(jù)進行插值處理，實現(xiàn)時間對齊；

78、假設合作靶標是勻速運動，姿態(tài)角變化量和時間呈線性特征，此時采用線性插值對缺失數(shù)據(jù)進行填充；已知兩個姿態(tài)角(αvi、βvi、γvi)和(αcj、βcj、γcj)分別是視覺測量單元在ti、tj時刻采集的姿態(tài)角數(shù)據(jù)，其線性插值原理可以表示為：

79、

80、式中，(αvk、βvk、γvk)為填充的tk時刻的缺失值；在完成插值并實現(xiàn)數(shù)據(jù)對齊后，使用bp神經(jīng)網(wǎng)絡進行最終姿態(tài)角的預測；將插值后的視覺測量單元所測數(shù)據(jù)qv和慣性測量單元所測數(shù)據(jù)qi作為bp神經(jīng)網(wǎng)絡的輸入xin，可以表示為：

81、xin＝[qv?qi]

82、bp神經(jīng)網(wǎng)絡輸出融合后的姿態(tài)角yout可以表示為：

83、yout＝[αβγ]

84、在本發(fā)明所述的基于視覺測量單元與慣性測量單元的姿態(tài)信息融合系統(tǒng)中，構(gòu)建了包含一個輸入層、一個隱藏層和一個輸出層的bp神經(jīng)網(wǎng)絡；輸入層包括六個節(jié)點，分別對應步驟(3)視覺測量單元解算的三個姿態(tài)角αc、βc、γc以及慣性測量單元解算的三個姿態(tài)角αimu、βimu、γimu信息。輸出層包括三個節(jié)點，分別為最終姿態(tài)角對應的三軸姿態(tài)信息。

85、神經(jīng)網(wǎng)絡的規(guī)模由隱藏層的深度和每層神經(jīng)元數(shù)量決定，這直接影響了網(wǎng)絡的性能。因此，確定隱藏層神經(jīng)元數(shù)量對于建立訓練模型至關(guān)重要。一般而言，確定隱藏層神經(jīng)元數(shù)量的公式表示為：

86、

87、式中，countinput、countoutput代表輸入層、輸出層神經(jīng)元個數(shù)，a為0-10之間的調(diào)節(jié)參數(shù)。

88、進一步地，所述步驟(5)具體為：利用步驟(4)設計的bp神經(jīng)網(wǎng)絡進行數(shù)據(jù)融合，解算最終姿態(tài)角。

89、設定合作靶標做5°/s的單軸運動，使用鄰域搜索法確定的訓練目標值作為目標輸出值進行訓練學習。其中隱藏層輸入：

90、qinput＝w1*x+b1

91、其中x為視覺和imu測得姿態(tài)角qv和qi。隱藏層輸出：

92、qoutput＝sigmoid(qinput)

93、輸出層輸入：

94、uinput＝w2*qoutput+b2

95、輸出層輸出：

96、uoutput＝uinput

97、其中，w1和b1是輸入層到隱藏層之間的權(quán)重矩陣和偏置向量，w2和b2是隱藏層到輸出層之間的權(quán)重矩陣和偏置向量，sigmoid是激活函數(shù)。在bp神經(jīng)網(wǎng)絡訓練過程中，權(quán)重矩陣和偏置向量會被不斷地學習和調(diào)整，使模型能夠更好地擬合訓練數(shù)據(jù)。

98、在神經(jīng)網(wǎng)絡訓練過程中，數(shù)據(jù)集大小的選擇至關(guān)重要。本發(fā)明選取采樣時間為50秒、采樣頻率為100hz，得到包含5000個測試數(shù)據(jù)點的數(shù)據(jù)集。通過將整個數(shù)據(jù)集輸入神經(jīng)網(wǎng)絡，利用梯度下降算法進行迭代訓練，不斷更新權(quán)重矩陣w1、w2和偏置向量b1、b2，以最小化損失函數(shù)，優(yōu)化模型性能。確保模型充分利用全部樣本信息，在保證內(nèi)存使用的同時，提高訓練速度和模型穩(wěn)定性，訓練后的神經(jīng)網(wǎng)絡就能夠準確預測目標物體的姿態(tài)角度。通過仿真實現(xiàn)了對視覺和imu的姿態(tài)角數(shù)據(jù)進行融合處理。

99、本發(fā)明實例提供了一種基于bp神經(jīng)網(wǎng)絡的姿態(tài)動態(tài)測量方法，通過使用bp神經(jīng)網(wǎng)絡數(shù)據(jù)融合方法，綜合利用慣性測量單元的高動態(tài)性、視覺測量單元的高精度的特點，基于不同坐標系之間的轉(zhuǎn)換關(guān)系完成姿態(tài)角的測量。由于bp神經(jīng)網(wǎng)絡能夠建模復雜的非線性關(guān)系，所以在被測物進行復雜運動時，也可以實現(xiàn)對被測物的動態(tài)姿態(tài)測量，所以在絕大多數(shù)應用場景中都能利用基于bp神經(jīng)網(wǎng)絡的數(shù)據(jù)融合方法來進行姿態(tài)測量。該方法提高了激光跟蹤姿態(tài)測量系統(tǒng)的整體動態(tài)性、穩(wěn)定性、以及魯棒性，彌補了視覺測量單元視場被遮擋時測量系統(tǒng)無法測量的缺陷，改善了當被測物體運動速度增大時，測量速度、精度得不到保障的問題。相比于非等周期卡爾曼濾波數(shù)據(jù)融合方法對測量設備的測量頻率的穩(wěn)定性以及準確性的嚴格要求，基于bp神經(jīng)網(wǎng)絡的數(shù)據(jù)融合方法無需嚴格要求測量設備的測量頻率，有效提高了測量方法的適應性和泛用性。并且與非等周期卡爾曼濾波數(shù)據(jù)融合方法相比，基于bp神經(jīng)網(wǎng)絡的數(shù)據(jù)融合方法的動態(tài)測量精度也有所提高。