接触式传感器测量软体驱动器角度的数据融合

摘要：

现有用于软体驱动器角度测量的接触式传感器主要包括惯性传感器与曲率传感器,但惯性传感器的测量精度易受软体驱动器内嵌气道膨胀的影响,曲率传感器测量则存在迟滞和漂移等问题.为进一步提高接触式传感器测量软体驱动器角度的准确性,结合模糊推理与卡尔曼滤波结合的算法实现惯性传感器和曲率传感器数据融合.基于BP神经网络和长短时记忆网络分别融合曲率传感器和惯性传感器,减少接触式传感器测量软体驱动器角度时迟滞和气道膨胀的影响.实验结果显示,采用长短时记忆网络、BP神经网络和模糊推理与卡尔曼滤波相结合的数据融合结果均方根误差精度分别为0.51°、0.63°和1.59°,表明长短时记忆网络能够更好地提高接触式传感器对软体驱动器角度的测量精度.

关键词：软体驱动器;惯性传感器;曲率传感器;长短时记忆网络;卡尔曼滤波

所属期刊栏目：47

分类号：TP242(自动化技术及设备)

资助基金：河南省博士后基金;河南省科技创新研究团队

在线出版日期：2021-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：277-283