Apr, 2017

使用惯性传感器进行位置和方向估计

PDF
TL;DR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。
mems inertial sensorssignal processingposition estimationorientation estimationkalman 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

  • 手持智能手机上的惯性测距

    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。

    Mar, 2017

  • 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

  • 利用惯性传感器进行磁强计校准

    本文提出了一种实用的、校正磁干扰和磁强计传感器误差的方法，并采用最大似然问题的解作为校准算法，并纠正磁强计和惯性传感器轴之间的误差，得出较好的结果，通过校准后的磁强计测量与惯性传感器相结合，大大提高了姿态估计的准确性。

    Jan, 2016

  • 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

  • KinectFusion 重建流程中绝对定位测量的整合

    本文介绍了如何结合低成本的 IMU 传感器的绝对定位测量结果到 KinectFusion 管道中，并展示了在 3D 重建中，这种集成可以改善运行时间、鲁棒性和质量的效果。我们使用这些方向数据来启动和规范 ICP 注册技术，并介绍了一种基于距离分布的 3D 匹配点对过滤技术。实验结果表明，与原有管道相比，我们的方法在鲁棒性、速度和跟踪质量上均有所提高。

    Feb, 2018

  • 基于端到端深度学习框架的 6 自由度 IMU 实时惯性姿态估计

    本文提出两种端到端的深度学习模型，用于实时姿态估计，基于惯性传感器测量，普适于运动模式、采集率和环境干扰的多样化情况。所提出的模型将加速计和陀螺仪读数作为输入，采集自七个公共数据集的组合。模型由卷积神经网络 (CNN) 层、双向长短时记忆 (LSTM) 和全向前神经网络 (FFNN) 组成，用于估计四元数，并在超过 120 个小时和 200 公里的 IMU 测量数据上进行了广泛和全面的评估。研究结果表明，所提出的方法在精度和稳健性方面优于最先进的方法，并且它演示了与其他方法相比，在各种运动特性和传感器采样率方面，该模型具有更好的泛化性。

    Feb, 2023

  • 惯性导航系统中使用支持向量机确定欧拉角

    本文利用机器学习方法提高基于 MEMS 传感器的惯性导航系统的精度，并基于实验数据展示了算法的优越性。

    Dec, 2022

  • 多个和无陀螺仪的惯性数据集

    研究通过整合数据驱动方法与惯性导航系统（INS），提高准确性和效率。为了填补相关领域的研究空白，设计并记录了无陀螺仪 INS（GFINS）和多惯性测量单元（MIMU）数据集，可用于定义和评估不同类型的 MIMU 和 GFINS 体系结构。数据集包含 35 小时的惯性数据和对应的准确轨迹。

    Mar, 2024

  • 基于地磁惯性导航的动态传感器匹配

    使用地球磁场作为参考坐标系，将来自多个传感器的数据转换为统一的参考坐标系，并得出关于动态环境重建质量的评估和可能用于光学多传感器环境检测的基础。

    Aug, 2022