0. Resumen
La deriva de temperatura es un error de línea de tendencia y su influencia se puede revertir ajustando los datos. La esencia del calentamiento y el tónico es la identificación del sistema.
Cuando introdujimos la calibración anteriormente, también dijimos una oración similar "la esencia de la calibración es la identificación de parámetros". Hay similitudes y diferencias entre los dos. La identificación de parámetros se refiere a conocer el modelo de error para estimar el valor real de cada cantidad de error, y la identificación del sistema necesita identificar el modelo antes de identificar los parámetros, porque se desconoce el modelo de desviación del dispositivo que cambia con la temperatura. no sé en qué orden está el modelo, este asunto no se vuelve tan simple.
De acuerdo con la rutina de dedicarse a la tecnología, cuanto más complicadas sean las cosas, más métodos aparecerán en la industria.Veámoslos uno por uno.
1. Método de compensación de temperatura
1.1 Método de ajuste de polinomios
El método más simple y más violento es realizar directamente un ajuste polinomial en la curva de "desviación-temperatura".
Para hacer esto, necesita un termostato, primero abra la puerta del termostato, luego coloque la IMU y finalmente cierre la puerta del termostato. Opere el termostato para elevarlo a la temperatura establecida y recopile datos de la IMU durante el proceso.
Dado que el modelo es desconocido, primero debemos asumir varios modelos y elegir el modelo más adecuado ajustando la varianza. Por ejemplo, primero puede asumir un modelo como este
Al realizar el ajuste, es posible que encuentre que la coincidencia de la curva no es buena y que el orden de la fórmula es un poco bajo, así que cámbielo a un modelo de tercer orden.
De hecho, cuanto mayor sea el orden, mejor será la coincidencia de ajuste, pero si el orden es demasiado alto, obviamente se sobreajustará, y generalmente no es un gran problema controlarlo en el tercer orden.
Después de calentar, cuando esperaba usarlo, encontré que la precisión no era tan alta, así que tuve que volver a hacerlo para ver si cometí un error la última vez. Así que abrí la puerta de la incubadora, puse la IMU y cerré la puerta de la incubadora. Opere el termostato para elevarlo a la temperatura establecida y recopile datos de la IMU durante el proceso. Esta vez estaba un poco ansioso, por lo que la temperatura subió más rápido.
Usando los mismos parámetros de ajuste del modelo la última vez, descubrí que el grado de coincidencia es muy malo esta vez. Verifiqué los datos repetidamente y no hubo errores dos veces. ¿Cuál es el problema?
Dado que la única diferencia entre los dos tiempos es la velocidad de aumento de la temperatura, ¿eso significa que el sesgo no solo está relacionado con la temperatura, sino también con la tasa de cambio de temperatura? Así que prueba un modelo como este.
donde dT es la tasa de cambio de temperatura.
Parece que el grado de coincidencia ha mejorado, y los datos recopilados dos veces se pueden ajustar con el mismo modelo. Recopile algunos conjuntos de datos más, pruebe diferentes velocidades de calentamiento y enfriamiento y descubra que algunas partes no son buenas. ¿Hay algo otro modelo? intentar
Parecía ser mejor, así que seguí abriendo la puerta del termostato, puse la IMU, cerré la puerta del termostato y seguí probando nuevos modelos. Después de unos días o incluso semanas, se selecciona un modelo, no porque se haya encontrado el más preciso, sino porque es realmente aburrido, así que eso es todo, está casi terminado.
1.2 Método basado en el ajuste por partes
La razón por la que lo intenté repetidamente, pero aún no estaba muy satisfecho al final, es que las curvas de "desviación-temperatura" son todas curvas de formas extrañas. Si el orden es alto, se ajustará demasiado, y si el el orden es bajo, el grado de coincidencia no será suficiente. Entonces, es natural pensar que está bien encajar la curva en varios segmentos. El conjunto es irregular, pero se puede dividir en varias curvas regulares.
Este es un método factible, y el método de segmentación se puede ver en todas partes en varios documentos. Por supuesto, al publicar un documento, si solo se divide en secciones, no será lo suficientemente convincente y, en teoría, debe ser de alto nivel. Por lo tanto, a menudo verá segmentos que introducen varias lógicas. Por ejemplo, en la unión de segmentos, ¿debe preferir usar el modelo del segmento izquierdo o el segmento derecho? Para resolver este problema, se puede integrar un segmento borroso, y la unión pertenece al modelo izquierdo con cierto peso, y también pertenece al modelo derecho con cierto peso.
1.3 Ajuste basado en red neuronal
Como ciencia destacada, el aprendizaje profundo lo ha dominado todo, y ningún campo es inmune. Completa directamente la identificación del modelo y la identificación de parámetros en un solo paso, eliminando el problema de asumir el modelo.
Aunque la penetración del aprendizaje profundo en algunos campos ha sido controvertida, creo que no es toda una alquimia sin sentido usarla aquí.
En primer lugar, antes de este incendio de aprendizaje profundo, la red neuronal se ha utilizado en la compensación de temperatura del dispositivo IMU. Debido a la complejidad del modelo de compensación de temperatura, tiene un requisito tan claro.
En segundo lugar, los campos que excluyen la penetración del aprendizaje profundo son en su mayoría campos con modelos físicos extremadamente claros. Por ejemplo, cuando veo el método de usar el aprendizaje profundo para resolver poses de navegación inercial, me siento muy disgustado, porque el modelo de error de la navegación inercial Ha sido tan transparente que ya no puede ser transparente. En cuanto a las cosas que necesitan ser identificadas por el modelo de calentamiento, parece que no está mal usar la red neuronal de "extremo a extremo". Por supuesto, se deben usar más datos, de lo contrario, el sobreajuste será grave. .
1.4 Ajuste basado en máquina de vectores de soporte (SVM)
La idea principal de SVM es asignar los datos a un espacio de alta dimensión para su ajuste. Dado que la curva de "desviación-temperatura" no es fácil de ajustar en un espacio bidimensional, entonces mapéela a un espacio de alta dimensión De esa manera, la linealidad de los datos El grado será más fuerte y la reconocibilidad será mayor.
2. Resumen y reflexión
1. ¿Por qué los modelos relacionados con la temperatura son tan complicados?
En esencia, el cambio de desviación del dispositivo con la temperatura es causado por la deformación del material del dispositivo causada por la temperatura.El dispositivo no es una partícula ideal, sino un bloque de material, por lo que su temperatura no es un punto de temperatura, sino un campo de temperatura.
Sin embargo, para nuestra medición, solo se puede medir la temperatura de un punto y no se puede predecir el cambio de temperatura real de otros puntos. Aunque existe una correlación entre las temperaturas de cada punto y la conducción de calor mutua, podemos modelar el campo de temperatura para eliminar parte de la influencia, pero a medida que cambia el entorno externo complejo, es completamente imposible confiar en un modelo para realizar la predicción. de todos los puntos de temperatura imposible. Para empeorar las cosas, la predicción de la temperatura es solo el primer paso. La relación entre la deformación del material y el cambio de temperatura, y la relación entre la desviación del dispositivo y la deformación del material son extremadamente complicadas.
Ante este tipo de problemas, nos es imposible encontrar el modelo "correcto", aunque está ahí, simplemente no podemos conseguirlo. Esto me recuerda un dicho famoso en el campo técnico "Todos los modelos están equivocados, pero algunos son útiles".Si no puede encontrar el "correcto", busque uno aproximado, siempre que funcione.
2. ¿Cómo elegir el aproximado?
Con tantos métodos, cómo elegir es una pregunta que debe responderse.
La selección, de hecho, consiste en hacer coincidir las ventajas y desventajas del método con las necesidades reales. El método de ajuste polinomial es obviamente el más técnico, requiere la menor cantidad de cálculo, el significado físico más claro y la desventaja es obvia, es decir, el grado de ajuste no es tan alto. Para el método basado en redes neuronales o SVM, el grado de ajuste puede mejorarse en teoría, pero tendrá una gran demanda de volumen de datos y, en el uso real, consumirá muchos cálculos.
Por lo tanto, si la precisión del propio dispositivo IMU no es particularmente alta, el ajuste polinomial es suficiente. Si desea ir más alto, puede configurar una división o aumentar el nivel de manera adecuada. Si tiene que luchar con el residual, entonces no es imposible construir una red neuronal. Este método no solo se usa en documentos, de hecho se usa en proyectos reales, pero debe abrir y cerrar la puerta del termostato varias veces, y requiere un poco más de esfuerzo.
3. ¿Cómo diseñar datos de muestra?
Sabemos que el ajuste es un proceso de resolución de ecuaciones. Al construir una ecuación, los coeficientes de cada incógnita deben proporcionar cambios suficientes, para que la ecuación se pueda resolver y resolver bien, o en otras palabras, se pueda identificar correctamente.
Si hay factores de tasa de cambio de temperatura en el modelo que construimos, y solo proporcionamos un conjunto de datos de aumento de temperatura durante el ajuste, entonces nos estamos jugando a nosotros mismos, porque en los datos que proporcionamos, cada punto de temperatura corresponde a una sola tasa de cambio de temperatura. . Por lo tanto, es un buen dato de muestra para subir y bajar repetidamente la temperatura, y usar diferentes velocidades de calentamiento y enfriamiento para proporcionar datos ricos y variados.