OxIOD:深度惯性里程计数据集
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
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
本文提出了新的 TUM VI 基准数据集,为不同场景下的视觉惯性 (VI) 里程计进行评估提供具有多样性的序列,其中提供了相机图像和 IMU 测量值,并使用运动捕捉系统提供了准确的姿态真值。
Apr, 2018
通过提供高质量的真实世界数据和多种原始传感器数据,具有六自由度地面真值的计算机视觉基准集,比较 Google Tango、ARCore 和 Apple ARKit 的视觉惯性跟踪与两种学术方法。
Jul, 2018
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
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
本文描述了牛津多动态数据集,该数据集提供了许多复杂的多动态估计问题,包括挑战现有算法的复杂问题以及支持算法开发的简化问题。数据集包含来自静态和动态传感器的观测、多个移动体的不同 3D 运动的数据以及旋转和遮挡等多个问题的实验。它还提供了 110 分钟的数据包括立体和 RGB-D 摄像头图像、IMU 数据和 Vicon 地面真值轨迹,是多动态估计研究的一个有价值的资源。
Jan, 2019
通过使用摄像头和惯性测量单元(IMU)传感器,Visual Inertial Odometry(VIO)算法可以准确估计相机轨迹。我们引入了 Amirkabir 校园数据集(AUT-VI)来解决动态环境下的问题,改善导航系统。AUT-VI 是一个新颖而超级具有挑战性的数据集,包含 17 个不同位置的 126 个多样的序列,涵盖了所有极端导航场景。我们还发布了安卓应用程序用于数据捕获,以支持研究人员定制自己的 VIO 数据集变体,并在我们的数据集上评估了最先进的 Visual Inertial Odometry(VIO)和 Visual Odometry(VO)方法,强调了这个具有挑战性数据集的重要性。
Jan, 2024
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
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