基于物理信息神经网络的惯性姿态估计模型OA

惯性姿态估计(inertial orientation estimation,IOE)模型是运动感知与导航中的关键基础,其精度决定了后续任务链的安全性与可靠性。针对现有模型存在参数依赖或产生非物理解导致精度与稳定性不足的问题,提出一种基于物理信息神经网络(physics-informed neural network,PINN)的IOE模型。该模型以并行架构为载体嵌入物理约束,从变量角度映射高维特征表示,拟合物理量间的内在关联并解析物理算子;在特征交互过程中施加筛选机制,进一步抑制异步采样点间的冗余信息,形成了无参数依赖、具备物理一致性的全新模型。对比8种现有模型,该模型整体姿态误差仅为2.7203°,相对误差降幅最低可达3.7%。针对数据驱动模型对条件变化的敏感性,进一步验证该模型在不同运动方向及安装姿态下的性能。结果显示,模型整体姿态误差均值为4.2853°,性能退化不超过2°,对工况变化表现出较好的适用性与稳定性。