Mar, 2017

手持智能手机上的惯性测距

PDF
TL;DR本文介绍了一种基于双积分旋转加速度的概率方法，能够通过解决推断问题，结合零速度更新、气压高度校正和伪更新约束瞬时速度等三种数据，以轻量级的方式实时跟踪智能手机的位置、速度和姿态，以构建完整的惯性导航系统。此方法证明可以通过现有的 iPad、iPhone 等智能设备实现。
inertial navigationsmartphonesprobabilistic approachodometrykalman filter
发现论文，激发创造
  • IDOL：惯性深度方向估计和定位

    本论文提出了一种基于数据驱动的二阶段流程，首先估计设备的朝向，然后估计设备的位置。该流程使用普通智能手机，并依赖于循环神经网络和扩展卡尔曼滤波器来获得朝向实现定位。研究表明，我们提出的方法在定位和朝向误差方面优于现有方法。

    Feb, 2021

  • 稳健的 IMU 双重积分算法

    本文提出了一种新颖且数据驱动的方法，利用智能手机中的惯性测量单元（IMU）学习估算自然人类运动轨迹。通过回归速率向量，通过历史线性加速度和角速度，纠正低频偏差，对估算位置进行两次积分，从而实现了人体运动的准确估算。此外，文中还展示了该算法与视觉惯性导航的可比性，并公开了代码和数据以便进一步研究。

    Dec, 2017

  • 基于深度学习的智能手机强制作用下捷联惯性导航速度估计

    我们使用基于深度学习的 CNN 模型，通过附加非线性状态估计约束惯性测距问题，利用一个窗口的 IMU 采样来推断短暂速度，从而提高计算机设备惯性测距的精确度。

    Aug, 2018

  • IONet: 学习解决惯性测距中的漂移问题

    该研究旨在解决低成本惯性传感器的误差问题，提出了一种基于分段优化的方法，使用深度循环神经网络可以更准确地估计位移。实验结果表明，所提出的 IONet 方法可以广泛适用于各种测试和附件，尤其可以用于非周期运动的轨迹估计，如购物车或婴儿车，超越了现有技术。

    Jan, 2018

  • 使用惯性传感器进行位置和方向估计

    本篇论文主要介绍使用 MEMS 惯性传感器进行位置和姿态估计的信号处理方面，重点讨论了不同的建模选择和一些重要算法，包括基于优化的平滑和滤波以及计算较便宜用途的扩展卡尔曼滤波器和互补滤波器，同时使用实验和模拟数据证明了它们的估计质量。

    Apr, 2017

  • TLIO：紧密学习的惯性测距

    本文提出了一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络来回归三维位移估计和其不确定性，进而在滤波器中实现测量更新步骤，从而解决姿态、速度和传感器偏差问题。与速度积分和 AHRS 姿态滤波器方法相比，本文的系统在位置和姿态估计方面表现更好，且该网络可用于步行者数据的统计一致的测量和不确定性。

    Jul, 2020

  • AI-IMU 死 reckoning

    本文提出了一种新的基于惯性测量单元（IMU）的死推方法，关键组件为卡尔曼滤波器和深度神经网络，该方法在 KITTI 测距数据集上得到了测试，能够准确地估计车辆的 3D 位置、速度和方向，并自校准 IMU 偏差。

    Apr, 2019

  • 可靠自动驾驶车辆位置估计的 GPS-IMU 传感器融合

    GPS 和 IMU 传感器融合在 GPS 无信号环境下提升自主车辆导航的可靠性和精度的方法。

    May, 2024

  • 无形地图：基于标志物的视觉惯性 SLAM 技术用于智能手机室内导航

    使用智能手机创建建筑规模、易于导航的 3D 地图系统；以图形 SLAM 方式构建 3D 地图问题，并推断建筑地标和环境中可导航路径的位置；通过精心选择映射超参数和调整算法适应新环境的新技术来提高地图准确性。

    Oct, 2023

  • 利用惯性测量单元从车辆振动中学习位置

    本文提出一种新颖的车辆定位方法，其中不依赖于全球卫星导航系统，而是通过学习来自惯性测量单元（IMU）传感器的加速度计和陀螺仪测量值的道路特征标志，分别基于卷积神经网络和集成随机森林的手工特征方法学习道路特征，并提出一种实时推导车辆位置的算法。

    Mar, 2023