阅读说明：本技术 一种无人机传感器振动噪声抑制方法 (Vibration noise suppression method for unmanned aerial vehicle sensor ) 是由 周翔 双丰 韩冬成 陶昶华 赖家立 何洪涛 晏正超 鲁纯 于 2020-07-30 设计创作，主要内容包括：本发明公开了一种基于时间卷积网络的小型无人机传感器的振动噪声抑制方法,首先利用外部高精度测量系统,获得无人机飞行期间姿态角及角速度的高精度测量值,并同步记录无人机内部噪声影响下飞控系统板载MEMS惯性测量单元的陀螺仪角速度测量值,经数据清洗及时间同步处理后构建训练数据集与测试集；搭建多层时间卷积网络,进行训练和测试,并在小型嵌入式系统上调用训练后的模型进行试飞验证,实验数据表明,时间卷积网络可有效保留原始信号特征,并大大降低噪声对陀螺仪测量结果的影响。(The invention discloses a vibration noise suppression method of a small unmanned aerial vehicle sensor based on a time convolution network, which comprises the steps of firstly, obtaining high-precision measured values of attitude angles and angular velocities of an unmanned aerial vehicle during flight by using an external high-precision measuring system, synchronously recording the measured values of the angular velocities of gyroscopes of on-board MEMS (micro electro mechanical systems) inertial measurement units of a flight control system under the influence of internal noise of the unmanned aerial vehicle, and constructing a training data set and a test set after data cleaning and time synchronization processing; and (3) building a multilayer time convolution network, training and testing, and calling the trained model on the small embedded system for test flight verification, wherein experimental data show that the time convolution network can effectively retain original signal characteristics and greatly reduce the influence of noise on a gyroscope measurement result.)

一种无人机传感器振动噪声抑制方法

技术领域

本发明涉及无人机系统技术领域，具体涉及无人机传感器振动噪声抑制方法。

背景技术

近年来MEMS传感器(即微机电系统)技术的快速发展，MEMS惯性测量单元凭借体积小、响应迅速及采样率高等优点，被广泛应用于小型无人机、无人车等无人系统上。

随着无人机系统小型化设计的发展，其结构愈发紧凑，载机的旋翼、电机等动力组件工作时产生的高频振动在小尺寸机身内对MEMS惯性测量单元中的陀螺仪与加速度计产生较大噪声影响，从而影响其姿态精度。

虽然现有技术低通滤波等方法一定程度上可抑制旋翼及电机工作的高频振动噪声，但极易引入相位延迟及幅值损失，从而影响操纵稳定性及飞行控制品质。

传统的噪声抑制与滤波方法由于有诸多的人为设定的超参数和基核的存在，优化方法与数据之间也往往无关，最后的分析结果受经验影响较大，很难对噪声信号特征进行有效的提取。

深度学习(Deep learning，DL)近年来在图像、音频、自然语言处理等领域取得了极大的优势，通过反向传播算法(Back-propagation，BP)能够对目标数据进行自动的参数化训练学习，往往能得到更有效的特征表达。

近年来有学者将深度信念网络(Deep belief network，DBN)、多层感知机(Multi-layer perceptron，MLP)等神经网络引入到噪声抑制与信号辨识等领域中来，取得了较好的效果。

对于时序数据特征提取问题，采用卷积网络进行视频人体运动特征的分类辨识；采用一维全卷积网络对加速度计的时序数据进行处理，辨识物体运动状态。然而深度学习中对时间序列问题最为有效的时间卷积神经网络在传感器噪声抑制及信号还原等回归类问题的应用仍处于空白。

发明内容

本发明所要解决的技术问题是：针对无人机MEMS陀螺仪传感器在角速度测量中易受到载机气动及动力系统振动噪声干扰的问题，引入时间卷积神经网络，提出一种基于时间卷积网络(TCN)的小型无人机MEMS惯性传感器姿态角测量信号降噪方法。

本发明提供的技术方案是：首先利用外部高精度进行测量，获得小型无人机飞行期间姿态角及角速度的高精度测量值，并同步记录无人机内部噪声影响下飞控系统板载MEMS惯性测量单元的陀螺仪角速度测量值，经数据清洗及时间同步处理后构建训练数据集与测试集；搭建多层时间卷积网络，进行训练和测试，并在小型嵌入式系统上调用训练后的模型进行试飞验证。

进一步的，所述小型无人机为小型共轴双旋翼飞行平台，为便于收纳，其设计相对紧凑，电机及齿轮传动系统与飞控距离较近。

进一步的，所述噪声主成分频率与旋翼工作转速接近，约100-120Hz，包含振动噪声的陀螺仪单轴角速度采样值，受振动噪声干扰较大，导致其信号微分求解困难。

进一步的，所述外部高精度测量系统为ViCON运动捕捉系统，在飞行器顶端与质心，即飞控系统安装位置，附近安装与机体坐标系固连的ViCON运动捕捉系统光学信标，完成飞行过程中的实时机身姿态角度测量。

进一步的，所述ViCON运动捕捉系统可以最高400Hz的采样频率完成精度为0.05°的机体姿态角测量，对于角度测量值，通过微分运算间接得到角速度值，作为训练网络所需逼近的目标值。

进一步的，所述角速度测量值的测量方法为安排无人机在ViCON运动捕捉系统测量区域中心附近进行悬停及简单机动飞行，采集飞行过程中的ViCON运动捕捉系统测量的机体三轴角度值时序数据，同时飞控测量并记录含振动噪声干扰的原始陀螺仪采样值时序数据；二者进行时间同步后，将ViCON运动捕捉系统测量的角度值换算为角速度作为期望输出 (y₀,...y_T)，原始陀螺仪采样值作为输入(x₀,...x_T)，完成时间卷积网络(TCN)网络训练。

进一步的，所述数据清洗方法：对于飞控系统IMU采样值，其野值类型为孤立野值，采用基于卡方检验和卡尔曼滤波的判别方法，对于k时刻采样值Z(k)，结合其前m时刻的采样值得到预测值给定阈值e_k，若则认为Z(k)是野值，并使用以k时刻为中心的前后各n个采样值进行多项式拟合后的内插值代替，具体方法：首先构建拟合多项式

误差函数取令

可求得各个系数w_i的值，代入后可得到拟合后的值f(k)作为k时刻修正值。

进一步的，所述时间同步方法：开始测试前，以上位机PC作为统一授时源，对ViCON运动捕捉系统及无人机飞控系统进行UTC时间同步校正，随后在测量阶段，上位机PC实时读取ViCON运动捕捉系统测量数据、无人机地面站反馈的飞控系统读数，各系统发送至上位机PC的数据包内均含同步后的UTC时间戳，在数据预处理阶段，相同时间戳的测量值作为同步后的数据写入训练及测试数据集。此外由于无人机飞控系统计时器精度受限，为保证不出现过大的累积计时误差，上位机PC需每隔若干秒与飞控系统进行一次时间同步校正。

进一步的，所述时间卷积网络TCN网络训练输入层为单轴传感器采样值，共设置2个CONv1D层，每个CONv1D采用因果卷积和扩张卷积操作，后接ReLU；同时，每2个相邻CONv1D层之间加入残差卷积的恒等映射，构成残差模块，最后，使用1层1DFCN全卷积层代替全连接层，后接线性映射层输出网络预测值。其简要表示：INPUT→[[T_CONV→ Padding→ReLU]＊N]＊M→[FC→ReLU]＊K→FC。其中N、M、K分别为卷积堆叠数，可根据无人机动力系统的固有模态属性，通过试验方法确定。

进一步的，对于惯导系统采样值，其信号构成为S(k)＝r(k)+n(k)，其中r(k)为信号真值，n(k)为系统噪声，所述系统噪声主要来自动力系统工作期间产生的振动，其频率分布在100-120hz区间，因此构建时间卷积网络，通过时序数据对噪声n(k)进行非线性建模使得经过网络修正后的值尽可能逼近真值r(k)。所述时间卷积网络的训练流程为：

步骤一：随机初始化各层网络内卷积核系数，构建输入数据序列，其中原始采样值为 x(k),k＝0,1,...n，真值为y(k),k＝0,1,...n；

步骤二：原始采样值及真值序列输入网络后得到预测值

及损失函数值若损失满足收敛终止条件，则转步骤四，否则转步骤三；

步骤三：通过梯度下降法计算反向传播系数及残差卷积核，更新网络内各卷积核系数，并转步骤二；

步骤四：输出预测值

对于训练后的网络，直接使用步骤四中输出的卷积核系数矩阵W，输入前k时刻的采样值可得到k+1时刻的预测值。

与现有技术相比，本发明的优点和积极效果是：本发明具有将时间卷积网络应用于小型无人机的MEMS传感器振动噪声抑制，结果表明，时间卷积网络对于基于时序数据的回归问题有较强的处理能力，通过设计合适的网络结构，使其能够提取更能反映数据本质的特征，通过地面实验及飞行测试初步验证了时间卷积网络在传感器噪声抑制能力，使测试飞行平台的飞行品质获得较大提升。

附图说明

为了更清楚地说明本发明实施例的技术方案，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，下面描述中的附图是本发明的一些实施例，对于本领域技术人员来说，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它的附图。

图1是本发明的算法流程图。

图2是卷积神经网络示意图。

图3是扩张卷积示意图。

图4是残差卷积示意图。

图5是小型共轴双旋翼无人机总体布局图。

图6是含振动噪声干扰的陀螺仪原始采样值。

图7是ViCON运动捕捉系统测量安装方案。

图8是噪声抑制TCN网络结构。

图9是噪声抑制结果对比。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本实施例涉及了一种基于时间卷积网络的小型无人机传感器的振动噪声抑制方法。针对小型无人机MEMS陀螺仪传感器在角速度测量中易受到载机气动及动力系统振动噪声干扰的问题，引入时间卷积神经网络，提出了一种基于时间卷积网络(TCN)的小型无人机MEMS 惯性传感器姿态角测量信号降噪方法。如图1所示，通过ViCON等高精度外部测量系统建立了无人机飞行过程的角速度训练数据集，采用不同深度的时间卷积网络对采样数据进行降噪抑制训练，并采用训练后的网络估计噪声抑制后的陀螺仪信号，实验结果证实了时间卷积网络在惯性传感器噪声抑制中的有效性，表明时间卷积神经网络模型在传感器数据中能更好地捕捉特定条件下的噪声特征并对测量真值加以还原，取得更好的噪声抑制效果。

卷积神经网络(CONvolutional neural network，CNN)是一种人工神经网络结构，其主要思想为多层次网络，局部连接以及权值共享，实现方式主要依靠卷积层(CONvolutional layer，CONv)、池化层(Pooling layer，Pool)、激活层(Activationlayer，AL)、全连接层 (Fully-CONnected layer，FC)以及其他一些辅助层的级联。总体结构如图2所示。

卷积层是CNN网络的核心，承担了网络大部分的计算任务，负责关联数据的特征提取，其中二维处理中的卷积层计算方式定义如下：

式中：代表卷积操作，假定卷积层有L个输出通道和K个输入通道，卷积核大小为I·J。其中X^k表示第k个输入通道的二维特征矩阵，Y^l表示第l个输出通道的二维特征矩阵，H^kl表示第k行、第l列的二维卷积核。卷积核的计算与传统的卷积运算不同，是对输入图片做滑动窗口的运算，通过参数减少和权值共享等方式，相比于传统多层感知机网络，极大减少了连接的个数与训练参数的个数，提高了网络的最大容量。

卷积层给网络带来了线性拟合能力，隐式地从训练数据进行学习，从而避免了显式地人工特征提取。为了提高网络的拟合能力，需要引入非线性层，常用的是非线性修正函数 (Rectified linear unit，ReLU)，函数表达为：

φ(u)＝max(0,u)

其在0附近具有非线性特性，而在其它位置保持线性，防止网络训练过程中的梯度消失问题。除此之外，通常会在连续的卷积层间***池化层。池化层对卷积层提取的特征进行下采样来减少特征的维度大小，以此来减少参数数量与网络计算量，防止出现对数据的过拟合。常用的池化操作为对特征的每一个通道，在空间上使用带有步长的最大池化滤波器进行下采样。

CNN最通常的结构是由卷积－激活层和池化层不断堆叠，直到提取出的特征维度达到合适的大小。构成模式为：

INPUT→[[CONV→ReLU]＊N→POOL|0]＊M→[FC→ReLU]＊K→FC

其中＊指重复堆叠，POOL|0指可选的池化层，N、M、K分别表示不同网络层的重复堆叠次数，FC表示全连接层。全连接层的主要任务有两部分：1)给网络提供全局特征，卷积层通过局部连接获得局部关联特征，而全连接层对这些特征进行全局的处理；2)进一步压缩获得的特征，以便分类器进行分类。从CNN中可以提取出两种不同的特征，一种是从全连接层得到的高维特征；另一种则是从最后一层卷积层得到的低维特征，前者适合分类等全局视觉任务，后者则更适合于图像分割等像素级的视觉任务。

时间卷积网络(Temporal CONvolutional Network，TCN)则是对上述常规CNN进行结构改造，使之适用于时间序列数据的高维特征提取问题。考虑给定的时序数据x₀,...x_t作为输入，以及与之对应的输出y₀,...y_T，假设输出序列满足因果约束，即T时刻的输出y_T仅取决于当前时刻的输入(x₀,...x_T)，则序列建模的目标是通过学习找出某一映射：

使预测序列

与真实输出序列(y₀,...y_T)之差最小。在TCN中，卷积架构是满足因果条件的，确保没有未来时刻的数据泄露至当前时刻的卷积操作，即所谓的“因果卷积”，这一操作是通过限制卷积核的移动方式实现的。此外，为了保证隐层输出序列与输入有相同的尺寸，引入一维全连接层(1DFCN)，对于缺失元素采用零补齐(zeropadding) 方式填充。因此可简单起见将TCN归结为1DFCN+因果卷积。

此外，TCN通过引入扩张卷积提升感受野。其表达式如下：

其中d为扩张系数，k为卷积核尺寸，s-d·i标识扩张所跨越的历史数据元素。扩张卷积的示意图见图3。

最后，为了提高准确率，TCN还加入了残差卷积的跳层连接，以及1×1的卷积操作，见图4。

训练过程中，TCN在前向传播时，数据依次流过不同层，得到逐层输出，最后一层的输出与目标函数比较得到损失值，根据计算得到每一层的梯度更新值，对每层的参数进行更新，从而完成一次迭代。通过反向传播不断地对各个参数进行修正，网络最后达到收敛。

所涉无人机为小型共轴双旋翼飞行平台，其设计如图5所示。

为便于收纳，其设计相对紧凑，电机及齿轮传动系统与飞控距离较近，因此飞控板载惯性测量单元在飞行过程中会持续受到较大振动噪声干扰。噪声主成分频率与旋翼工作转速接近，约100-120hz。图6为包含振动噪声的陀螺仪单轴角速度采样值，受振动噪声干扰较大，导致其信号微分求解困难，对于常规PID控制器，通常在微分运算前加入低通滤波器，过滤振动噪声干扰。但低通滤波器将引入相位延迟及幅值损失，从而影响操纵稳定性及飞行控制品质。

为构建TCN训练及测试数据集，需获取飞行过程中无噪声干扰的角速度测量值，采用基于光学运动捕捉的间接测量方法，在飞行器顶端与质心(即飞控系统安装位置)附近安装与机体坐标系固连的ViCON运动捕捉系统光学信标，完成飞行过程中的实时机身姿态角度测量，如图7所示。该系统以最高400hz的采样频率完成精度为0.05°的机体姿态角测量。对于角度测量值，通过微分运算间接得到角速度值，作为训练网络所需逼近的目标值。

测试过程为安排无人机在ViCON运动捕捉系统测量区域中心附近进行悬停及简单机动飞行，采集飞行过程中的ViCON运动捕捉系统测量的机体三轴角度值时序数据，同时飞控测量并记录含振动噪声干扰的原始陀螺仪采样值时序数据。二者进行时间同步后，将ViCON 角度值换算为角速度作为期望输出(y₀,...y_T)，原始陀螺仪采样值作为输入(x₀,...x_T)，完成TCN 网络训练，如图8所示。

进一步的，所提出的TCN网络输入层为单轴传感器采样值，共设置2个CONv1D层，每个CONv1D采用因果卷积和扩张卷积操作，后接ReLU；同时，每2个相邻CONv1D层之间加入残差卷积的恒等映射，构成残差模块，最后，使用1层1DFCN全卷积层代替全连接层，后接线性映射层输出网络预测值。其简要表示：INPUT→[[T_CONV→Padding→ReLU] ＊N]＊M→[FC→ReLU]＊K→FC。其中N、M、K分别为卷积堆叠数，可根据无人机动力系统的固有模态属性，通过试验方法确定。

本发明实验数据在载Intel E5系列8核CPU，主频2.6GHz，内存32GB，nVidia TitanGPU，运行Ubuntu16.04操作系统的工作站上进行训练，得到的模型经裁减压缩后移植到基于 STM32 F765单片机的无人机飞控终端上进行飞行测试。

本发明实验所用数据为连续的采样频率为400hz的陀螺仪x轴采样值，深度为1，长度为400，即每批次数据为1秒内的采样值。网络的每个因果-扩张卷积层的输出维度为400，与输入一致，最后一个全卷积层后接线性激活层进行回归。网络结构中，N取4，分别取M＝{1,2} 和K＝{2,3}共计4种组合进行训练，最大训练周期T＝100，学习率α＝4，并且设置学习率每 5个训练周期降为原来的0.1。训练过程中使用梯度裁剪方法，当计算出的每一层的误差更新值大于0.15时，超出的部分会被截断，防止发生梯度***。

不同M与K的组合的网络结构对比(％)实验结果如下表1：

如表1所示，在网络参数选择为M＝2，K＝3时，实验数据的时间卷积网络模型拟合结果准确率最高，其对应的回归曲线与真值以及传统低通滤波结果对比见图9。由图中可见，与传统低通滤波器相比，TCN网络因具备较强的时序特征提取能力，可较好地保留原始姿态数据。

对于网络结构的量化分析，按下式定义最大误差率：

式中Vt为t时刻真值，Vsample为t时刻滤波后的值。TCN网络与低通滤波器的滤波性能对 比见下表2：

滤波方法	最大误差率(％)	相位延迟(s)
			TCN	5.5	0.008
低通滤波(截止频率10hz)	14.8	0.035

需要说明的是，提高低通滤波器的截止频率可减少相位延迟，但噪声抑制效果变差，对于以上所述飞行试验平台，将低通滤波截止频率提升至20hz时相位延迟可降低至0.01s以下，但噪声导致的差分信号发散使系统完全无法正常工作。

对于不同网络结构，回归误差的偏差小于1.2％，表明网络对振动噪声的辨识具有一定的鲁棒性。

本发明将时间卷积网络应用于小型无人机的MEMS传感器振动噪声抑制，结果表明，时间卷积网络对于基于时序数据的回归问题有较强的处理能力，通过设计合适的网络结构，使其能够提取更能反映数据本质的特征，通过地面实验及飞行测试验证了时间卷积网络在传感器噪声抑制能力，使测试飞行平台的飞行品质获得较大提升。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。