基于RBF神经网络的MEMS惯性传感器误差补偿方法

刘 宇，付乐乐，邹新海，崔 巍，文丹丹

（重庆邮电大学 智能传感技术与微系统重庆市高校工程研究中心，重庆 400065）

随着微机电系统（micro electro mechanical system，MEMS）的迅速发展，低成本的MEMS惯性传感器具有体积小、功耗低、抗冲击强等优点［1］，在消费电子、汽车工业以及惯性导航等领域得到了广泛的应用［2－10］。微惯性测量单元（micro iner tialmeasurement unit，MIMU）是用来敏感载体自身线加速度和角速度的设备，其主要元件为MEMS加速度计和MEMS陀螺仪［3］。MEMS惯性传感器的测量误差影响着MIMU的输出精度，而MEMS惯性传感器的主要误差包括系统误差和随机误差等。因此，研究误差补偿技术对于提升MIMU的输出精度意义重大。

在MEMS惯性传感器误差补偿研究方面，通常采用多个位置翻转［4］和速率转台旋转激励［5］等标定方法，根据已知位置下的标准重力加速度、真实角速度和传感器的输出值来确定传感器误差矩阵中的系数。该方法是以影响精度的因子为基础，利用多元线性回归方法建立传感器误差的数学模型，在确定传感器误差系数时，该方案都采用在同一位置下或同一转速下对传感器的输出值取均值，所以无法充分体现惯性传感器的输出属性，而且不适用于复杂的非线性情况。与多元线性回归相比，神经网络能够拟合更加复杂的非线性函数关系［6］，在提高传感器输出精度方面也取得了显著的效果［7］。文献［8］采用BP神经网络对MEMS加速度计建立输出误差模型，以MEMS加速度计的三轴测量值作为网络的输入，真实值作为输出，补偿精度较多元线性回归提高了一个数量级；……