简介基于LSTM深度神经网络的MEMS-IMU误差模型及标定方法是一份PDF文档面向导航、机器人、自动驾驶等领域从事MEMS-IMU误差建模与标定研究的工程师和研究人员。文档系统阐述了深度神经网络与LSTM的基本概念分析了MEMS-IMU受热、力学环境影响产生的强非线性误差并提出了以角速度、加速度和温度为输入以角速度误差和加速度误差为输出的LSTM误差模型。同时给出了包含热、线运动、角运动等多维因素的综合激励训练集构建方法和标定流程并通过实验验证了模型效果相比传统多项式方法加速度和角速度补偿后的残差均值减小约70%均方差分别减小39%和64%。文件包共1个PDF文件大小1.67MB已有603人学习下载适合需要深入理解LSTM在惯性测量误差补偿中应用的技术人员参考。1. MEMS-IMU 误差建模的新思路LSTM 深度神经网络与标定方法做惯导标定的人都有一个共识MEMS-IMU 的误差比激光陀螺、光纤陀螺那套难伺候得多。传统多位置标定法基于多项式误差模型在激光陀螺上能标得很干净换到 MEMS 上却经常发现残差压不下去——温度一变、角速度一拉误差曲线跟着非线性漂移多项式那几个系数根本跟不上。这篇论文给了一条完全不同的路把标定问题从“解误差系数方程”换成“训练一个 LSTM 深度神经网络”输入三轴角速度、三轴加速度和六个温度通道共 9 维时序数据输出 6 维误差序列。结果是加速度残差均值减小约 70%角速度误差均方差减小 64%补偿后误差在零值附近波动而不是贴着一个固定偏差。方向适合三类人被 MEMS 温漂折磨的惯性标定工程师、做组合导航想压器件误差的研究人员、以及想用 LSTM 做时间序列建模但缺一个真实工业场景的算法工程师。2. 多项式模型为何压不住 MEMS-IMU 误差从公式局限到 LSTM 选型2.1 传统误差模型的四项分解与隐藏问题论文第 1 节给出了两个矩阵多项式陀螺角速度误差和加速度计误差都拆成四项加一个随机项。第一项是随机常值零偏第二项是零偏随温度的漂移第三项是比例系数矩阵与输出的乘积第四项是交叉耦合项最后剩一个随机误差。这套分解对激光陀螺成立因为激光陀螺误差特性稳定、线性度好、温度系数可以用一个低阶多项式描述但对 MEMS 器件问题就出在前四项的“确定性”假设上。MEMS 的零偏不仅随温度变化还随温度变化率变化同一温度点升温和降温时零偏不一样这在标定现场表现得非常明显——温箱回程时采集的数据和升温时对不上。多项式模型里温度项只考虑了当前温度值 T没有温度变化率 dT/dt也没有温度与角速度、加速度的交叉项。更关键的是MEMS 的误差还受安装应力、供电波动、器件老化影响这些因素随时间缓慢漂移多项式系数一旦标定完就是固定的无法自适应。论文里说“忽略隐含在多项式中的高阶耦合项忽略标定过程中模型参数的时变特性”一句话点中了要害。实际做标定时这类现象很常见转台多位置法标定完常温下补偿效果看着不错拿到高低温箱里一跑残差立刻放大一个量级。这不是标定流程不严谨而是模型本身表达能力不够确定性误差和随机误差混在一起多项式拟合不出来。要把这类误差压下去需要模型具备两个能力一是能拟合强非线性映射二是能利用时间上下文——因为温度漂移和运动耦合是随历史轨迹演变的不是只看当前时刻的输入就能算出来的。2.2 LSTM 门控机制与误差时序建模的对应关系LSTM 属于门控循环网络每个单元内部有输入门、遗忘门、输出门和一条细胞状态通道。输入门决定当前时刻的信息有多少写进记忆遗忘门决定上一时刻的记忆保留多少输出门决定当前记忆有多少对外输出。三个门的公式本质上都是 sigmoid 加权求和核心是那条细胞状态 c_t——信息沿时间轴传递时主要走这条路梯度也沿这条路反向传播所以避免了普通 RNN 里梯度连乘导致的消失或爆炸。这条特性跟 MEMS-IMU 误差的时间相关性高度吻合。温度对零偏的影响是慢变的比如温箱从常温升到 80℃ 再降到 -45℃整个过程持续几十分钟误差曲线是一条缓变的趋势项角速度激励带来的交叉耦合误差是快变的随转台转速变化而波动。慢变趋势需要长时记忆快变成分需要短时响应两类信息混在同一段序列里传统单隐层 BP 网络只能做空间映射没有记忆能力对时序特征无能为力。LSTM 的遗忘门可以自动学习“哪些历史信息对当前误差有影响、哪些该丢弃”误差建模就从静态拟合变成了动态估计。这里有一个容易被忽略的点RNN 理论上是能记任意长度序列的但实际训练时因为权值矩阵反复连乘梯度要么消失要么爆炸记忆长度非常有限。LSTM 通过门控加线性自循环的思路把这问题绕开了所以在论文的表 1 中能观察到 LSTM 结构提升带来的稳定收益而不是网络加深后反而退化。对做标定的人而言选 LSTM 不是因为“深度学习听起来高级”而是因为 IMU 数据就是时间序列误差就是时间序列问题门控机制与问题特征是对齐的。2.3 模型输入输出设计与网络结构选型论文把模型的输入定为 9 维三轴陀螺角速度、三轴陀螺温度、三轴加速度计输出输出是 6 维——三轴角速度误差和三轴加速度误差。这个输入设计值得仔细看。它把温度直接作为模型输入而不是像传统方法那样在标定后单独做温度补偿曲线相当于把温度漂移和运动耦合交给神经网络去隐式建模不需要人为预设温度项的阶次。同时输入里同时包含角速度和加速度两条支路交叉耦合项比如陀螺受加速度影响、加速度计受角速度影响也就有了建模空间。网络结构上论文做了一组隐藏层试探实验从 1 层到 6 层、节点数从 30 到 70 都测了一遍以 MSE 为衡量指标。两层 40 节点以下的结构 MSE 都在 0.6 以上三层 50 节点时降到 0.387四层 50 节点达到最低 0.342但相对三层只提升了 11%而网络参数和训练开销明显增加。最终选定的是输入层 三个隐藏层每层 50 个 LSTM 单元 输出层共 5 层结构。这个选型思路有工程参考价值多层 LSTM 在时序建模任务里不是越深越好深度增加带来的收益会快速递减但参数量和计算量线性增长嵌入式平台上的实时性压力也随之变大。论文结论里给出的一个 LSTM 单元前向周期约需 5 万次加法、9 万次乘法三个隐藏层叠加后整体算力需求是明确的结构越复杂这个数字就越难看。提示LSTM 输入输出层的量纲差异比较大角速度是 °/s加速度是 m/s²温度是 ℃。训练前对每维特征做归一化几乎是必须的否则梯度更新会被量纲大的维度主导。常见做法是 min-max 归一化或者 z-score 标准化映射到 [-1,1] 或 [0,1] 区间。3. 多维激励标定流程与训练集构建带温箱转台的完整数据采集方案3.1 标定数据采集的整体流程设计LSTM 模型要学出“输入到误差”的映射关系训练数据必须覆盖误差的所有来源。论文设计的采集流程可以概括成一句话在转台上做温度与角运动、线运动的综合激励同步记录转台基准信息和 IMU 原始输出。具体步骤拆开看是六步用专用夹具把 MEMS-IMU 固定在带温箱的转台上启动温箱温度按“常温→80℃→-45℃→常温”的规律变化温度变化期间控制转台内环转动转速在 -400°/s 到 400°/s 之间匀速变化先从逆时针加速逐渐减到零再顺时针加速内环停转控制外环以同样方式在 ±400°/s 内变速转动内环、外环同时转动转速同样在 ±400°/s 范围变化重复第二步到第四步直到温度回到常温改变 MEMS-IMU 在夹具上的安装方位把上述流程重跑一遍覆盖三个正交轴。这套流程有一个容易被忽视的关键点它不是给器件一个固定温度、固定转速然后记录而是让温度和转速同时变化。这样加速度计承受的激励是向心加速度、切向加速度和重力加速度三者的综合陀螺承受的是 ±400°/s 的宽范围角速率温度在 -45℃ 到 80℃ 之间循环三个维度同时作用高阶耦合项才会被激励出来。传统多位置法只做静态位置激励温度、角运动、线运动分开标定耦合项自然进不了模型。我在实际做这类实验时还有两个习惯可以补充到流程里一是温箱温度变化率不要设得太快论文里温度变化是持续整个采集过程的对流循环如果温变速率太快IMU 壳体和内部敏感元件之间有温度滞后采集到的温度数据和器件实际温度对不上网络学出来的温度映射就是错位的二是转台速率变化率要记录进数据文件后面对齐时间戳时要用IMU 输出频率和转台输出频率不同步论文里没有细说同步方式但常见做法是两者共用同一个秒脉冲信号做时间基准。3.2 监督信息与误差真值的构建方法LSTM 是有监督训练误差真值从哪来是这套方法能不能成立的根本。论文给出的答案是以转台实时输出的角速度和角位置作为基准用转台角位置算出理想加速度和理想角速度再与 MEMS-IMU 实际输出做差差值就是误差序列。这个思路本质上把转台当成了更高精度的参考源IMU 的输出误差是相对转台基准的偏差不需要外部光学基准或更高精度 IMU 来验证省去了基准设备引入的系统偏差。这里有一个细节值得展开加速度计的误差真值不是简单用转台角速度算向心加速度而是包含安装尺寸效应引起的向心加速度、角速率变化率引起的切向加速度和重力加速度三分量。如果传感器安装中心偏离转台旋转中心向心加速度的计算就要加上安装偏心距修正。论文数据采集时用专用夹具保证安装位置固定就是要把这个偏心距控制成常值让它作为固定偏置存在于数据里。陀螺的误差真值相对简单转台角速度直接就是参考值拿 IMU 输出减去转台角速度即可。监督信息构建完成后训练集的数据形态是一个时间上连续的序列每一时刻的样本包含 9 维输入和 6 维误差真值。这里要注意LSTM 训练不是把每个时刻独立成样本而是按固定长度切段每段作为一条序列输入。论文没有明确写时间步长的取值但按 LSTM 建模的常见做法通常在 10 到 100 步之间选择根据采样率换算成物理时间后至少要覆盖温度漂移的一个完整周期内的显著变化段。步长太短记忆效应发挥不出来步长太长训练效率下降且容易过拟合。3.3 LSTM 训练结构与优化细节论文第 2 节给出了 LSTM 训练的整体框架用的是反向传播算法分五个步骤前向计算每个神经元的输出值包括输入门、遗忘门、输出门、候选记忆和记忆单元计算网络输出误差沿时间方向反向传播误差从当前时刻往前计算每个时刻的误差项同时把误差向上一层传播计算每个权重的梯度更新权值。这套流程就是标准的 BPTTBackpropagation Through Time只是 LSTM 有两个隐藏状态 h_t 和 c_t需要分别计算两个梯度 δ_h 和 δ_c。梯度推导里有一个关键点δ_c 的反向梯度由两部分组成一部分来自下一时刻 c_{t1} 传回的梯度另一部分来自本层 h_t 传出的梯度。正是这条路径让 LSTM 能把长时序的梯度稳定传回去——因为误差项沿时间反向传播时每个时刻都乘上一个遗忘门输出值遗忘门在 0 到 1 之间连乘不会指数爆炸也不会快速衰减到零。这与普通 RNN 形成鲜明对比普通 RNN 每个时刻乘的是同一个权值矩阵连乘结果要么发散要么消失。优化器方面论文没有明确写用哪种但从公式和实验描述看用的是梯度下降法的变体。工程上复现时我一般会用 Adam 优化器初始学习率设 1e-3MSE 作为损失函数batch size 取 32 或 64序列切段后随机打乱再分批训练。学习率如果设得太大BPTT 累积梯度容易出现振荡设得太小网络收敛很慢。训练过程中要监控验证集 MSE当验证集 loss 连续若干个 epoch 不再下降时把学习率降一个量级这是深度学习时序建模的通用做法论文里虽然没提但实际跑模型时几乎一定会遇到。4. LSTM 标定踩坑记录训练不收敛与补偿失效的五类典型问题4.1 温度补偿后误差反而变大现象用训练好的 LSTM 模型做温度补偿常温下效果正常但温箱变温过程中补偿残差不降反升甚至比原始数据还差。原因温度输入数据和器件实际温度不同步。温箱设定温度和 IMU 内部敏感元件实际温度之间存在滞后升温时外壳先热、内部后热如果模型输入用的是温箱设定温度或 IMU 外壳温度而误差真值来自器件内部敏感元件的真实状态输入和真值之间就有了一个时变的时间偏移网络结构再复杂也学不出这个映射。解决把测温点尽量靠近敏感元件安装位置最好在 PCB 上直接贴片测温记录数据时要把温度通道和惯性通道打同一个时间戳采集频率保持一致。预处理阶段可以先做温度滞后相关性分析——把温度序列相对误差序列做互相关找到峰值对应的延迟步数把温度序列前移或后移对齐后再进网络。4.2 训练集 MSE 很低但测试集发散现象训练集上 MSE 降到 0.3 以下损失曲线很漂亮但用重新采集的数据做验证时补偿后残差反而比原始数据大尤其在转速接近 ±400°/s 的极限工况下。原因训练和测试数据分布不一致。论文的实验里测试集是“转台以与数据采集时相同的状态运行但温箱不工作”也就是常温工况下重新采集的数据。如果实际环境中测试的转速范围、温变范围没有覆盖训练时的激励范围LSTM 本质上是插值型映射对训练范围之外的输入没有约束能力外推结果完全不可控。解决训练数据的激励范围要覆盖全寿命期的使用工况包括最高转速、最大温变速率、最长连续工作时间。在正式训练前留出 10% 到 20% 的连续数据段不做训练作为验证集验证集必须来自独立的一段采集记录不能从训练序列里随机抽几段——时间序列相邻样本强相关随机抽样会让验证集失去意义。每次训练后先看验证集残差均值如果训练集和验证集之间差异超过 30%优先怀疑过拟合或者数据分布不一致不要急着调网络结构。4.3 网络输出恒为常数零偏项学不出来现象模型训练完成后输出值在整个测试序列上几乎不变像一个常数偏置角速度误差和加速度误差的波动特征没有被捕捉到。原因输入输出未归一化。角速度量纲是 °/s数值范围可能是 ±400加速度量纲是 m/s²数值范围只有 ±20 左右温度是 ℃范围在 -45 到 80 之间三组特征数值尺度差了一个数量级。LSTM 的梯度更新会被数值大的维度主导数值小的维度贡献的学习信号被淹没网络学不到有效的特征映射退化成只输出一个均值偏置。解决对所有输入输出特征分别做标准化惯用做法是 z-score 标准化——每个通道减均值除标准差映射到零均值单位方差。误差真值同样需要标准化但要注意保存标准化的均值方差参数推理阶段加载模型时要用同一套参数做反变换否则输出的误差补偿量是标准化的直接加到原始 IMU 输出上会出错。4.4 训练过程梯度爆炸loss 变成 NaN现象训练跑到几十个 epoch 后损失函数突然变成 NaN整个训练曲线直接失效。原因序列长度太长导致 BPTT 累积梯度过大或者学习率设置不合理。LSTM 的梯度路径虽然比普通 RNN 稳定但当输入序列包含幅度突变比如转台从静止瞬间加速到 400°/s时单个时刻的梯度值可能远超平均水平累积后溢出浮点数范围。还有一种可能是训练数据里混入了丢包导致的异常值IMU 数据采集时偶发通信错误会产生一个极大的虚假读数一次就能让梯度爆炸。解决三层防线。第一数据预处理阶段做异常值检测单通道数据突变超过阈值直接剔除或者插值替换第二设置梯度裁剪常见做法是全局范数裁剪到 5.0 左右裁剪阈值是超参数根据训练曲线调整第三使用 Adam 优化器且学习率不超过 1e-3如果前期出现爆炸就降一个量级再重启训练。4.5 单轴补偿变好耦合轴反而变差现象补偿后 X 轴陀螺残差明显减小但 Y 轴和 Z 轴残差改善不明显甚至个别轴均值增大。原因转台安装方位切换次数不够某些轴耦合关系没有被充分激励。论文采集流程里专门安排了“改变 MEMS-IMU 在夹具上的安装方位重复上述步骤”目的就是让三轴器件都在六个方向上得到充分激励。如果只在一个安装方位下采集垂直安装的那个轴激励不充分网络对它的映射能力就差。另一个可能原因是基准信息的误差分配不均——转台角位置基准本身有安装误差单轴姿态角误差会通过坐标变换耦合到其他轴。解决严格按照论文的第六条步骤至少做两个安装方位的完整采集每个方位都跑一遍温度循环和角运动激励。训练后按轴分别统计残差均值和标准差如果某一轴明显落后其他两轴检查这个轴在训练数据中的激励范围和样本量是否足够必要时补充这个轴的数据重新训练。提示这五条是我把论文方法和自己做过的高低温转台标定实验对照后总结的论文原文技能验证了模型的补偿效果但工程落地时这些坑几乎每个人都会踩到一两个提前排掉能省大量返工时间。5. 实验验证与双指标解读残差均值减 70%、方差降 39%/64% 意味着什么5.1 实验设置与对照组设计论文的验证实验分两组。第一组是常温工况下重新采集 MEMS-IMU 数据作为测试集转台运行状态和数据采集阶段相同但温箱不参与工作目的是检验 LSTM 模型在非训练工况温箱关闭下的适应能力。第二组是同一台 MEMS-IMU 用传统多位置标定法建立多项式模型用同一测试集做对照补偿。这个对照设计有一个值得肯定的地方没有任何模型用的是训练时见过的数据做测试都是重新采集的独立数据集避开了“训练集测试集同源导致评估乐观”的陷阱。需要留意的是测试工况里温箱不工作意味着测试数据没有经历训练时的宽温变化。论文里说“转台以与数据采集时相同的状态运行但温箱不工作”其实是常温状态下的转台动态测试。对最终用户来说测试集与实际飞行任务载荷环境可能有温度变化更接近的验证还需要补做但论文目标是把方法的原理和效果边界讲清楚常温动态对比足以说明 LSTM 相对多项式方法的优势。5.2 表 2 数据的逐轴解读论文的表 2 列出了原始数据、多项式模型补偿结果、LSTM 模型补偿结果三组统计量每个量都给出了平均值和标准差。把 LSTM 和多项式放在一起对比数据关系如下通道原始均值原始标准差多项式残差均值多项式残差标准差LSTM 残差均值LSTM 残差标准差X 轴加速度计 (m/s²)-0.6090.1960.1860.190-0.0300.108Y 轴加速度计 (m/s²)0.3430.1870.2030.1790.0600.114Z 轴加速度计 (m/s²)0.2270.2080.1250.1950.0190.119X 轴陀螺 (°/s)-0.2850.912-0.0950.884-0.0180.206Y 轴陀螺 (°/s)-0.3920.866-0.1040.842-0.0230.278Z 轴陀螺 (°/s)0.6770.7920.2140.753-0.0080.268均值看的是系统性偏差。X 轴加速度计原始均值是 -0.609 m/s²多项式模型补偿后是 0.186LSTM 补偿后是 -0.030。注意多项式补偿后的均值符号从负变成了正说明它过冲了——把系统偏差压过头了一截但绝对值还是不小。LSTM 补偿后均值接近零且六条通道全部收敛到 ±0.06 以内没有一条出现符号翻转。这种全局性的均值收敛能力来自 LSTM 对温度漂移和交叉耦合项的联合建模多项式模型只能逐项拟合各通道间的耦合补偿无法协同。标准差看的是随机扰动和残余波动。X 轴陀螺原始标准差 0.912°/s多项式补偿后是 0.884只下降 3%基本等于没变化LSTM 补偿后是 0.206下降 77%。加速度计的标准差改善幅度在 36% 到 42% 之间陀螺的改善在 64% 到 77% 之间。这个差异值得注意——陀螺的误差波动主要是运动耦合和温漂的时变项这部分是确定性误差里最难建模的成分多项式模型对它处理不了LSTM 利用时间序列记忆把它压下去了一大半。5.3 为什么 LSTM 对随机误差也有改善传统方法把误差拆成“确定性”和“随机性”两部分确定性部分用多项式拟合随机部分用 Allan 方差分析后用滤波处理。论文的实验结果说明一个更实际的情况所谓的随机误差里有一部分其实是对历史状态有依赖的当前时刻的误差受上一时刻甚至前几十秒的温度、角速度、加速度轨迹影响只是传统建模方法没有能力利用这些历史信息。LSTM 把这类误差中的时序成分提取出来并补偿掉了所以它的标准差改善效果显著。这也正好回应了摘要里的关键结论残差均值减小约 70%均方差分别减小 39% 和 64%。均值减少幅度大于标准差减少幅度说明 LSTM 主要吃掉了系统性偏差随机残差虽然也降了但降幅相对小。因此工程上对这套方法有一个合理预期器件零偏重复性问题大的 MEMS用 LSTM 补偿后的残差均值能压到接近零剩下没被消掉的部分是真正与历史无关的白噪声那部分只能靠滤波或者传感器融合继续处理。6. 落到工程前的最后一步实时性估算与复现验证技巧6.1 算力需求估算的工程意义论文结论部分给了一组很有工程价值的数据一个周期的 LSTM 前向计算大约需要 5 万次加法运算和 9 万次乘法运算。按当前嵌入式平台常见的 500 MIPS 算力估算计算時間可以匹配惯性传感器采样周期和导航解算周期。这说明 LSTM 误差补偿不是只能跑在 PC 上的研究工具而是可以放进嵌入式导航计算机的。估算方法很直接把网络结构参数化成计算量。三层 LSTM 每层 50 个单元每个单元有多少个权值要参与乘加运算是固定的加上输入层到第一层、第三层到输出层的全连接层总乘加次数大致就在论文给出的量级。评估自己平台的实时性时把每秒样本数乘以单次前向的乘加次数再与处理器实际算力比对余量留 50% 以上比较稳妥。如果算力不够可以考虑量化到 int8 或者剪枝掉部分无效门控单元但这些都是后话先把结构跑通。6.2 复现时建议的验证顺序论文没有提供源码复现时一般按这个顺序推进先构建带温度通道的训练数据再做归一化然后搭建三层 LSTM 结构训练最后用独立测试集评估。把论文思路落成训练骨架常见做法是这样# 常见做法按论文思路搭建 LSTM 训练骨架Keras 风格 model Sequential() model.add(LSTM(50, input_shape(seq_len, 9), return_sequencesTrue)) model.add(LSTM(50, return_sequencesTrue)) model.add(LSTM(50, return_sequencesFalse)) model.add(Dense(6)) model.compile(optimizerAdam(learning_rate1e-3), lossmse)这个骨架里 seq_len 是时间步长对应 BPTT 切段的长度输入维度 9 按照“三轴陀螺角速度、三轴陀螺温度、三轴加速度计”的顺序排列输出维度 6 对应三轴角速度误差和三轴加速度误差。三个 LSTM 层各 50 个单元对应论文选定的 L3-50 结构return_sequences 在前两层为 True 是因为需要向下一层传递完整序列最后一层改为 False 只输出最后的隐状态再接全连接层映射到 6 维输出。需要强调的是这个代码是复现用的常见写法不是论文原文代码关键是结构参数与之对齐。训练时要注意一个细节LSTM 输入的三维张量形状是 (batch_size, seq_len, 9)数据切段时要保证相邻段之间有重叠或者按时间顺序不打乱否则会破坏时间连续性。论文训练时用的监督信息是“转台角速度、角位置及对应的重力加速度”同步计算出的标准值复现时如果手里没有转台用高精度转台采集一段带温度循环的数据是唯一的正路不要尝试用静止数据或者手持数据凑合那会直接毁掉模型的耦合建模能力。6.3 一个实用的建模技巧先用多项式粗补偿再做 LSTM 残差学习这是我自己复现这类模型时的一个习惯也推荐给想把这套方法落进自己项目的人。直接让 LSTM 学习原始误差往往有难度因为原始误差序列里包含一个很大的常值零偏和一个明显的温度趋势项这两个成分占主导LSTM 的有限容量会优先拟合它们剩下来的耦合项和时变项反而学不细。如果先用传统多项式或者分段线性模型做一次粗补偿把零偏和温度主趋势消掉然后用 LSTM 去学习粗补偿后的残差序列模型的负担会小很多残差通常是零均值、幅度较小、以耦合项为主的序列LSTM 更容易学到其中的时序规律。这个技巧还带来一个附加好处——推理阶段的鲁棒性提高了。多项式粗补偿是确定性的即使 LSTM 在个别极端工况下输出异常粗补偿部分仍然在起作用误差不会完全失控。论文本身没有用这个组合思路但原理上不冲突多项式负责确定性误差的主干部分LSTM负责多项式建模能力之外的残差部分二者作用范围几乎不重叠。做标定实验最怕的就是明明模型结构没问题数据采集环节出了问题整个训练白费。从那以后我每次拿到一批新的 MEMS 器件都会强制走一遍这个流程先花半天时间把温度通道和惯性通道的时间戳对齐验证好再检查两组安装方位的激励覆盖最后才允许数据进入训练。这套流程不是论文里写的但照着论文的思路走下来你会在数据准备阶段踩到和我当年一样的坑提前排掉它们比多调十个超参数都有用。希望帮到你。本文还有配套的精品资源点击获取