AAAIJan, 2018

IONet: 学习解决惯性测距中的漂移问题

PDF
TL;DR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。
发现论文，激发创造
  • RIOT: 低成本 IMU 测量本地化的递归惯性里程计变换器

    本研究提出一种深度学习的惯性里程计方法，将传统的状态估计递归方法引入到深度学习领域。该方法结合了真实位置先验知识，使用自我注意力来捕捉惯性数据中的空间特征和长程相关性，并能学习运动特征和系统误差偏差漂移，成功实现无需外部观察者的自主运动估计。

    Mar, 2023

  • 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

  • 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

  • VINet: 视觉惯性里程计作为序列到序列学习问题

    本研究提出了一个基于流形的序列到序列学习方法，用于使用视觉和惯性传感器进行运动估计。该方法具有许多优点，特别是它无需手动同步相机和 IMU，也无需手动校准 IMU 和相机。当具有准确的校准数据时，我们的方法与传统方法有竞争力，并且在校准和同步误差存在的情况下可以训练超越它们。

    Jan, 2017

  • 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

  • OxIOD：深度惯性里程计数据集

    本研究提出并发布了牛津惯性里程计数据集（OxIOD），这是一种首屈一指的数据收集方式，可用于惯性里程计研究，具有地面实况标签。

    Sep, 2018

  • 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

  • AirIMU：学习惯性里程计的不确定性传播

    准确的不确定性估计是实现多传感器系统（如视觉或激光雷达惯性测距）中获得最佳信息融合的基础。本研究基于学习方法，以数据驱动的方式构建与传播协方差，减小了惯性测距在漂移速率上的误差，为惯性测距领域的先进发展奠定了基础。

    Oct, 2023

  • 使用在线误差纠正的无监督深度网络进行视觉辅助的绝对轨迹估计

    本研究介绍了一种无监督深度神经网络方法，用于融合 RGB-D 图像和惯性测量进行绝对轨迹估计。我们的网络在没有 IMU 固有参数或 IMU 与相机之间的外部校准的情况下进行学习，学习整合 IMU 测量并生成假设轨迹，然后根据空间像素坐标的缩放图像投影误差的雅可比矩阵进行在线更正。在 KITTI Odometry 数据集上与最先进的视觉惯性测距，视觉测距和视觉同时定位和地图构建（VSLAM）方法进行了比较，表现出有竞争力的测距性能。

    Mar, 2018

  • 使用 Velodyne LiDAR 辅助 IMU 的 CNN 里程计估计

    本文介绍了一种使用卷积神经网络从 3D LiDAR 扫描中进行测距估计的新方法。使用 IMU 传感器支持和备用 CNN 模型实现了高质量的测距估计和 LiDAR 数据注册。该方法可以用于取代轮式编码器进行测距估计或补充缺失的 GPS 数据，为室内映射提供实时性和精度。

    Dec, 2017