陸喆俊，孫憲坤，陶 鵬

（上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院，上海 201620）

0 引言

近年來，無人機(jī)憑借其結(jié)構(gòu)簡(jiǎn)單、便于操作、穩(wěn)定性強(qiáng)、機(jī)動(dòng)靈活、視野廣闊、功能全面等優(yōu)點(diǎn)越來越廣泛地應(yīng)用到各大領(lǐng)域，在救災(zāi)領(lǐng)域更是起著無比重要的作用，如：重大災(zāi)難中對(duì)災(zāi)區(qū)進(jìn)行勘察，快速掌握災(zāi)情；災(zāi)難搜救中搭載傳感器進(jìn)行人員搜救，定點(diǎn)投放物資；災(zāi)后進(jìn)行消毒，防止病毒擴(kuò)散；疫情期間，監(jiān)控巡邏，減少人員接觸等[1]。

在無人機(jī)的應(yīng)用中，準(zhǔn)確的姿態(tài)估計(jì)對(duì)控制精度有著很大的影響，起決定性作用[2]。隨著微機(jī)電系統(tǒng)（microelectron mechanical systems, MEMS）的發(fā)展，同時(shí)出于成本控制的考慮，無人機(jī)通常搭載低成本的MEMS 陀螺儀、MEMS 加速度計(jì)和MEMS 磁力計(jì)進(jìn)行姿態(tài)估計(jì)，但外部噪聲以及傳感器自身零位漂移等問題，在一定程度上影響了MEMS 傳感器的測(cè)量結(jié)果[3]。針對(duì)該問題，前人嘗試通過融合傳感器數(shù)據(jù)以獲得最優(yōu)的姿態(tài)估計(jì)結(jié)果，并對(duì)此展開了大量研究工作。文獻(xiàn)[4-5]提出了目前較為廣泛使用的互補(bǔ)濾波法以及擴(kuò)展卡爾曼濾波法姿態(tài)估計(jì)，以上兩種方法分別從頻率分析以及隨機(jī)信號(hào)兩個(gè)方面進(jìn)行傳感器融合研究，后續(xù)學(xué)者在此基礎(chǔ)上，對(duì)上述方法存在的問題進(jìn)行多方面的改進(jìn)。文獻(xiàn)[6]在互補(bǔ)濾波算法的基礎(chǔ)上，對(duì)陀螺儀數(shù)據(jù)進(jìn)行一階差分?jǐn)?shù)據(jù)處理，在判斷陀螺儀輸出序列是否可靠的基礎(chǔ)上，對(duì)不可靠數(shù)據(jù)進(jìn)行校正處理，進(jìn)而將校正后的陀螺儀數(shù)據(jù)送入互補(bǔ)濾波器中進(jìn)行姿態(tài)估計(jì)；文獻(xiàn)[7]在互補(bǔ)濾波算法的基礎(chǔ)上，通過引入損失函數(shù)實(shí)時(shí)判斷姿態(tài)誤差，當(dāng)誤差超過一定閾值后，利用粒子群優(yōu)化算法對(duì)比例積分參數(shù)進(jìn)行優(yōu)化，以應(yīng)對(duì)不同運(yùn)動(dòng)狀態(tài)下的姿態(tài)估計(jì)；文獻(xiàn)[8]利用隨機(jī)加權(quán)遞推最小二乘法對(duì)陀螺儀去噪，同時(shí)在運(yùn)用加速度計(jì)輸出判斷運(yùn)動(dòng)狀況的基礎(chǔ)上，自適應(yīng)調(diào)整互補(bǔ)濾波器的比例積分參數(shù)，實(shí)現(xiàn)高精度姿態(tài)估計(jì)。這些工作從傳感器去噪以及算法參數(shù)優(yōu)化兩個(gè)方面，提升互補(bǔ)濾波算法的精度，但也大大增加了計(jì)算的復(fù)雜度，需要進(jìn)行多次迭代。文獻(xiàn)[9]在擴(kuò)展卡爾曼濾波的基礎(chǔ)上，結(jié)合互補(bǔ)濾波進(jìn)行姿態(tài)解算，計(jì)算加速度計(jì)和磁力計(jì)收集到的信號(hào)以獲取初始姿態(tài)角，進(jìn)而利用陀螺儀數(shù)據(jù)對(duì)姿態(tài)角進(jìn)行互補(bǔ)濾波，將互補(bǔ)濾波所得姿態(tài)角作為擴(kuò)展卡爾曼濾波框架的量測(cè)值，其余部分保持原有框架不變；文獻(xiàn)[10]在擴(kuò)展卡爾曼濾波的基礎(chǔ)上引入自適應(yīng)機(jī)制，通過實(shí)時(shí)估計(jì)系統(tǒng)和測(cè)量噪聲的協(xié)方差矩陣來監(jiān)測(cè)新息序列的變化，并調(diào)整濾波器中的噪聲模型，同時(shí)為了防止濾波器發(fā)散，引入衰減因子來衰減原有的測(cè)量新息，達(dá)到有效約束系統(tǒng)模型誤差的目的。這些工作從更改濾波器框架及跟蹤噪聲統(tǒng)計(jì)特性變化角度，在原有的擴(kuò)展卡爾曼濾波器的基礎(chǔ)上進(jìn)行改進(jìn)，提高了算法精度，但同時(shí)也對(duì)處理器的運(yùn)算性能提出了更高的要求。

傳統(tǒng)姿態(tài)融合算法需要合理選擇融合權(quán)重或定義權(quán)重調(diào)整方式，不同參數(shù)對(duì)于不同類型的運(yùn)動(dòng)以及擾動(dòng)表現(xiàn)效果不同，同時(shí)在姿態(tài)估計(jì)過程中，準(zhǔn)確的誤差補(bǔ)償模型也在一定程度上影響著姿態(tài)估計(jì)的準(zhǔn)確度。針對(duì)上述問題，本文提出了一種將長(zhǎng)短期記憶（long short-term memory, LSTM）神經(jīng)網(wǎng)絡(luò)用于無人機(jī)姿態(tài)估計(jì)的方法，利用LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列的非線性映射能力，在不考慮復(fù)雜傳感器模型的基礎(chǔ)上，僅利用傳感器數(shù)據(jù)與姿態(tài)角間的映射關(guān)系進(jìn)行無人機(jī)的姿態(tài)估計(jì)。通過分析傳感器輸出與歐拉角之間的關(guān)系，本文選擇使用兩個(gè)LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行姿態(tài)估計(jì)，其中第一個(gè)神經(jīng)網(wǎng)絡(luò)用于進(jìn)行水平姿態(tài)角的估計(jì)，其輸入特征為當(dāng)前時(shí)刻的陀螺儀輸出、加速度計(jì)輸出以及前10 個(gè)時(shí)刻的滾轉(zhuǎn)角和俯仰角，輸出特征為當(dāng)前時(shí)刻的滾轉(zhuǎn)角和俯仰角；第二個(gè)LSTM 神經(jīng)網(wǎng)絡(luò)用于垂直姿態(tài)角的估計(jì)，其輸入特征為當(dāng)前時(shí)刻的陀螺儀輸出、磁力計(jì)輸出、當(dāng)前時(shí)刻陀螺儀的二范數(shù)以及前20 個(gè)時(shí)刻的偏航角，輸出特征為當(dāng)前時(shí)刻的偏航角。實(shí)驗(yàn)結(jié)果表明，本文所提出的姿態(tài)估計(jì)算法更接近于無人機(jī)實(shí)際姿態(tài)，其精度較傳統(tǒng)算法提高了至少一個(gè)數(shù)量級(jí)。

1 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks, RNN）是一種深度學(xué)習(xí)方法，具有很強(qiáng)大的學(xué)習(xí)能力，能夠發(fā)現(xiàn)大數(shù)據(jù)中隱藏的相關(guān)性。其結(jié)構(gòu)如圖1（a）所示，包含輸入層、隱藏層和輸出層，其中隱藏層能夠執(zhí)行記憶功能，實(shí)現(xiàn)網(wǎng)絡(luò)的輸出ht由當(dāng)前時(shí)刻的輸入Xt與之前時(shí)刻的輸出ht-1共同決定，該網(wǎng)絡(luò)被廣泛應(yīng)用于自然語(yǔ)言處理、語(yǔ)音轉(zhuǎn)換、語(yǔ)音翻譯等。但普通的 RNN，在應(yīng)用中存在長(zhǎng)程依賴問題，容易出現(xiàn)梯度消失或梯度爆炸現(xiàn)象[11]。

LSTM 神經(jīng)網(wǎng)絡(luò)是一種特殊的RNN，其結(jié)構(gòu)及功能與RNN 相似，相對(duì)于RNN 的結(jié)構(gòu)，其結(jié)構(gòu)如圖1（b）所示，LSTM 網(wǎng)絡(luò)在隱藏層中增加了遺忘門、輸入門和輸出門，其中遺忘門和輸出門是LSTM 的關(guān)鍵。遺忘門和輸入門根據(jù)當(dāng)前時(shí)刻的輸入Xt、上一時(shí)刻的細(xì)胞狀態(tài)Ct-1以及上一時(shí)刻的輸出ht選擇性地丟棄或增加信息，同時(shí)更新當(dāng)前時(shí)刻的細(xì)胞狀態(tài)Ct-1；輸出門根據(jù)當(dāng)前時(shí)刻的細(xì)胞狀態(tài)Ct、當(dāng)前時(shí)刻的輸入Xt以及上一時(shí)刻的輸出ht-1更新當(dāng)前時(shí)刻的輸出ht[12]。通過以上三個(gè)門控單元的相互作用，反復(fù)訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)權(quán)值。

圖1 RNN 和LSTM 網(wǎng)絡(luò)結(jié)構(gòu)

2 基于LSTM 神經(jīng)網(wǎng)絡(luò)的姿態(tài)估計(jì)

2.1 整體描述

無人機(jī)傳感器輸出是一系列時(shí)間序列，對(duì)該時(shí)間序列進(jìn)行適當(dāng)?shù)奶幚砑纯傻玫綄?duì)應(yīng)時(shí)刻的姿態(tài)角。無人機(jī)在空間中的姿態(tài)變化是連續(xù)的，當(dāng)前時(shí)刻的姿態(tài)是前n個(gè)時(shí)刻姿態(tài)緩慢變化的結(jié)果，從姿態(tài)變化的趨勢(shì)中能夠估計(jì)當(dāng)前時(shí)刻的無人機(jī)姿態(tài)，同時(shí)姿態(tài)信息中也隱藏著傳感器輸出的相關(guān)信息。

本文提出利用LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行姿態(tài)估計(jì)，其整體結(jié)構(gòu)如圖2 所示。

圖2 基于LSTM 神經(jīng)網(wǎng)絡(luò)的姿態(tài)估計(jì)結(jié)構(gòu)

該方案將姿態(tài)角分為水平姿態(tài)角與偏航角，利用一個(gè)LSTM 神經(jīng)網(wǎng)絡(luò)將陀螺儀輸出、加速度計(jì)輸出以及前n個(gè)時(shí)刻的水平姿態(tài)角作為輸入來求解當(dāng)前時(shí)刻的水平姿態(tài)角，同時(shí)利用另一個(gè)LSTM神經(jīng)網(wǎng)絡(luò)將陀螺儀輸出、磁力計(jì)輸出以及前n個(gè)時(shí)刻的偏航角作為輸入來求解當(dāng)前時(shí)刻的偏航角，最終實(shí)現(xiàn)全姿態(tài)估計(jì)的目的。

2.2 LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建

基于LSTM 的姿態(tài)估計(jì)框架分為三層，包括輸入層、隱藏層和輸出層，如圖3 所示。圖3 中：Adam（adaptive moment estimation）為適應(yīng)性動(dòng)量估計(jì)器。

圖3 基于LSTM 神經(jīng)網(wǎng)絡(luò)的姿態(tài)估計(jì)框架

輸入層用于重構(gòu)時(shí)間序列的輸入輸出特征，并劃分訓(xùn)練集與測(cè)試集，同時(shí)對(duì)數(shù)據(jù)集進(jìn)行歸一化處理，將數(shù)據(jù)映射到0～1 的范圍內(nèi)。

隱藏層包含若干LSTM 單元，主要用于學(xué)習(xí)輸入特征與輸出特征間特殊的映射關(guān)系。該層可根據(jù)訓(xùn)練效果進(jìn)行合理調(diào)整。

輸出層用于輸出最終的結(jié)果，根據(jù)前向傳播的計(jì)算方法得到輸出值，并將該值反向傳播送入訓(xùn)練網(wǎng)絡(luò)用于更新權(quán)值并將更新后的權(quán)值送入隱藏層更新模型，依次迭代直至權(quán)重收斂。最后將預(yù)測(cè)結(jié)果反歸一化處理，得到最終的姿態(tài)估計(jì)結(jié)果。

2.3 損失函數(shù)及評(píng)價(jià)指標(biāo)

損失函數(shù)用于表示估計(jì)值與真實(shí)值之間的累積誤差，為了防止出現(xiàn)異常值，本文選用的損失函數(shù)為smooth-l1-loss，該損失函數(shù)相對(duì)于均方誤差更不容易出現(xiàn)異常值[13]，計(jì)算公式如式（1）所示。優(yōu)化器選用目前應(yīng)用廣泛的適應(yīng)性動(dòng)量估計(jì)器（Adam）。數(shù)據(jù)經(jīng)過上述單元反復(fù)迭代、更新權(quán)值以實(shí)現(xiàn)降低損失函數(shù)，使損失函數(shù)達(dá)到最小的最終目標(biāo)，即

模糊綜合評(píng)價(jià)指標(biāo)體系是進(jìn)行綜合評(píng)價(jià)的前提，窖泥評(píng)價(jià)指標(biāo)的選取是否適宜，將直接影響評(píng)價(jià)的準(zhǔn)確性。為了科學(xué)確定窖泥質(zhì)量評(píng)價(jià)體系，我們對(duì)四川省內(nèi)濃香型白酒主要產(chǎn)區(qū)的幾十家企業(yè)進(jìn)行調(diào)查走訪，同企業(yè)技術(shù)、經(jīng)營(yíng)、生產(chǎn)管理人員及行業(yè)專家進(jìn)行溝通、交流，并隨機(jī)采集不同質(zhì)量等級(jí)的窖泥樣品。結(jié)果見表1。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文所用數(shù)據(jù)集采集自安裝在四旋翼飛行器“佩利康（Pelican）”上的傳感器套件，并配備有維康（Vicon）捕捉系統(tǒng)，該飛行器在10 m×10 m×10m的室內(nèi)環(huán)境進(jìn)行真實(shí)飛行。該數(shù)據(jù)集中包含“1LoopDown”、“2LoopsDown”、“3LoopsDown”三個(gè)子集，分別對(duì)應(yīng)三次真實(shí)飛行，飛行時(shí)間依次遞增[14]，而其飛行過程中所涉及的姿態(tài)能夠基本滿足正常飛行過程中所涉及的姿態(tài)。

本文所用數(shù)據(jù)集中的數(shù)據(jù)主要為：1）安裝在無人機(jī)上的 MEMS 及慣性測(cè)量系統(tǒng)（inertial measurement unit, IMU）傳感器數(shù)據(jù)，分別為陀螺儀輸出、加速度計(jì)輸出以及磁力計(jì)輸出；2）Vicon系統(tǒng)輸出的無人機(jī)姿態(tài)信息。所有傳感器的輸出周期均為0.005 s。

Vicon 系統(tǒng)的組成包括室內(nèi)環(huán)境配備的8 個(gè)Vicon 攝像機(jī)，分別安裝在天花板的4 個(gè)側(cè)面；3 個(gè)安裝在四旋翼無人機(jī)上的反射標(biāo)記；一組放置在地板上的阿爾·圖爾基（ARToolki）標(biāo)記。本文將Vicon 系統(tǒng)所得姿態(tài)作為參考姿態(tài)[14]。

3.2 時(shí)間窗口以及輸入特征的選取

為了得到更為準(zhǔn)確的網(wǎng)絡(luò)模型，將數(shù)據(jù)集中最大的子集“3LoopsDown” 作為訓(xùn)練集，用“1LoopDown”數(shù)據(jù)子集中的樣本進(jìn)行預(yù)測(cè)，以此來驗(yàn)證姿態(tài)估計(jì)的精度，并進(jìn)行了如下實(shí)驗(yàn)。

實(shí)驗(yàn)方案1。僅用一個(gè)LSTM 神經(jīng)網(wǎng)絡(luò)，其輸入特征為當(dāng)前時(shí)刻k的陀螺儀輸出、加速度計(jì)輸出、磁力計(jì)輸出以及前n個(gè)時(shí)刻的姿態(tài)角，輸出特征為當(dāng)前時(shí)刻k的姿態(tài)角。

針對(duì)上述三個(gè)實(shí)驗(yàn)中涉及的前n個(gè)時(shí)刻的姿態(tài)角所對(duì)應(yīng)的是不同大小的時(shí)間窗口，每個(gè)時(shí)刻對(duì)應(yīng)一個(gè)傳感器測(cè)量周期，即0.005 s，本文選取n=10，20，30，···，200 進(jìn)行對(duì)應(yīng)實(shí)驗(yàn)。對(duì)上述實(shí)驗(yàn)結(jié)果的評(píng)價(jià)，此處選用均方根誤差作為評(píng)價(jià)指標(biāo)來對(duì)比實(shí)驗(yàn)結(jié)果，實(shí)驗(yàn)結(jié)果如圖4 所示。

圖4 各實(shí)驗(yàn)方案在不同時(shí)間窗口下的均方根誤差

本文程序的運(yùn)行環(huán)境如下：1）操作系統(tǒng)為視窗（Windows）10 ，64 位的操作系統(tǒng)；2）中央處理器（central processing unit, CPU）為英特爾·酷睿（Intel Core）i5，CPU 的主頻為1.80 GHz；3）隨機(jī)存儲(chǔ)器（random access memory, RAM）為8.00 GB?；谝陨檄h(huán)境，上述實(shí)驗(yàn)在訓(xùn)練好的模型中運(yùn)行總時(shí)長(zhǎng)均小于2 s，遠(yuǎn)小于傳感器采集數(shù)據(jù)的總時(shí)長(zhǎng)30.965 s，因此完全滿足姿態(tài)估計(jì)的實(shí)時(shí)性要求。

進(jìn)一步分析三種實(shí)驗(yàn)方案的結(jié)果可知，實(shí)驗(yàn)方案1 的均方根誤差略高于實(shí)驗(yàn)方案2，實(shí)驗(yàn)方案3的均方根誤差整體上明顯低于實(shí)驗(yàn)方案1 與實(shí)驗(yàn)方案2。由于姿態(tài)角在一定程度上與MEMS 傳感器和前n個(gè)時(shí)刻的姿態(tài)角存在非線性映射關(guān)系，MEMS慣性傳感器與MEMS 磁力計(jì)均能在一定程度上求解得到姿態(tài)角，而無人機(jī)的運(yùn)動(dòng)狀態(tài)會(huì)影響傳感器的求解精度，因此，實(shí)驗(yàn)方案2 在實(shí)驗(yàn)方案1 的基礎(chǔ)上，增加了表示無人機(jī)運(yùn)動(dòng)狀態(tài)的陀螺儀的二范數(shù)為輸入后，姿態(tài)估計(jì)精度得到略微提升。

陀螺儀可以通過積分運(yùn)算得到姿態(tài)角；加速度計(jì)可以通過將輸出與當(dāng)?shù)刂亓铀俣认蛄勘容^得到俯仰角與滾轉(zhuǎn)角；磁力計(jì)可以通過將輸出和滾轉(zhuǎn)角、俯仰角結(jié)合并與當(dāng)?shù)卮艌?chǎng)向量比較得到偏航角。根據(jù)以上分析，實(shí)驗(yàn)方案3 通過重新指定姿態(tài)估計(jì)方案，將姿態(tài)角分為水平姿態(tài)角和垂直姿態(tài)角，將磁力計(jì)對(duì)水平姿態(tài)角的影響以及加速度計(jì)對(duì)垂直姿態(tài)角的影響去除后，所得姿態(tài)估計(jì)精度得到進(jìn)一步提升。

通過以上對(duì)比與分析以及結(jié)果的比較，最終本文選擇使用兩個(gè)LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行姿態(tài)估計(jì)，其中第一個(gè)神經(jīng)網(wǎng)絡(luò)用于進(jìn)行水平姿態(tài)角的估計(jì)，其輸入特征為當(dāng)前時(shí)刻的陀螺儀輸出、加速度計(jì)輸出以及前10 個(gè)時(shí)刻的滾轉(zhuǎn)角和俯仰角，輸出特征為當(dāng)前時(shí)刻的滾轉(zhuǎn)角和俯仰角；第二個(gè)LSTM 神經(jīng)網(wǎng)絡(luò)用于垂直姿態(tài)角的估計(jì)，其輸入特征為當(dāng)前時(shí)刻的陀螺儀輸出、磁力計(jì)輸出、當(dāng)前時(shí)刻陀螺儀的二范數(shù)以及前20 個(gè)時(shí)刻的偏航角，輸出特征為當(dāng)前時(shí)刻的偏航角。

3.3 對(duì)比實(shí)驗(yàn)

將本文所使用的姿態(tài)估計(jì)方法與廣泛使用的互補(bǔ)濾波算法以及擴(kuò)展卡爾曼濾波算法比較，三種方法的姿態(tài)估計(jì)誤差如圖5 所示。

圖5 姿態(tài)估計(jì)誤差圖

由圖5 可知，廣泛應(yīng)用于姿態(tài)估計(jì)領(lǐng)域的互補(bǔ)濾波和擴(kuò)展卡爾曼濾波算法存在一定的誤差，而其誤差與本文所提方法相比更大，本文所提姿態(tài)估計(jì)算法在水平姿態(tài)角所表現(xiàn)的誤差基本為0，而在偏航角方面，由于所用數(shù)據(jù)集在18.065 s 處進(jìn)行了較大的轉(zhuǎn)向運(yùn)動(dòng)，因此三種算法均在此處出現(xiàn)了一定的誤差，而本文所提姿態(tài)估計(jì)算法所表現(xiàn)的誤差最小，且收斂速度最快。

圖 6 為上述三種算法的三軸姿態(tài)角均方根誤差。

圖6 三種姿態(tài)估計(jì)方法的均方根誤差

根據(jù)圖6 進(jìn)行定量分析可知，本文所提方法在均方根誤差方面相對(duì)于其余兩種姿態(tài)估計(jì)算法提高了至少一個(gè)數(shù)量級(jí)，遠(yuǎn)小于廣泛使用的兩種傳統(tǒng)方法。結(jié)合圖5 與圖6 的結(jié)果分析可知，本文所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)在姿態(tài)估計(jì)精度方面有著更大的優(yōu)勢(shì)。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)姿態(tài)估計(jì)算法中涉及復(fù)雜傳感器模型以及復(fù)雜調(diào)參過程，本文提出了一種將LSTM 神經(jīng)網(wǎng)絡(luò)用于無人機(jī)姿態(tài)估計(jì)的方法，構(gòu)建兩個(gè)LSTM 神經(jīng)網(wǎng)絡(luò)，分別計(jì)算水平姿態(tài)角與垂直姿態(tài)角，神經(jīng)網(wǎng)絡(luò)的輸入包括前n個(gè)時(shí)刻的姿態(tài)角數(shù)據(jù)、當(dāng)前時(shí)刻傳感器輸出以及表示無人機(jī)運(yùn)動(dòng)狀態(tài)的陀螺儀二范數(shù)。由實(shí)驗(yàn)結(jié)果可知，本文所提方法在均方根誤差方面相對(duì)傳統(tǒng)算法至少提高了一個(gè)數(shù)量級(jí)，大大提高了姿態(tài)估計(jì)精度。因此，將LSTM 神經(jīng)網(wǎng)絡(luò)應(yīng)用于姿態(tài)估計(jì)有助于提高無人機(jī)姿態(tài)估計(jì)的精度，同時(shí)降低了人工調(diào)參以及建立誤差補(bǔ)償模型過程中引入的誤差。接下來的研究會(huì)針對(duì)網(wǎng)絡(luò)輸入特征以及預(yù)測(cè)的輸出步長(zhǎng)進(jìn)行改進(jìn)，同時(shí)探索深度學(xué)習(xí)在姿態(tài)估計(jì)方面的其他應(yīng)用。