Oct, 2019

基于数据驱动的鞋载惯性导航零速检测算法

PDF
TL;DR本文提出了两种新的技术来检测零速度事件，以改善足部惯性导航，第一种技术通过引入一个自适应地更新检测器阈值参数的运动分类器扩展了传统零速度检测器，第二种技术使用了一种长时间短期记忆 (LSTM) 递归神经网络来从原始惯性数据中分类零速度事件，并且我们证明了我们提出的两种检测器在包括步行、奔跑和爬楼梯运动的轨迹中都能获得比现有检测器更高的精度。此外，本文还提出了一种简单的数据增强方法，可以扩展 LSTM 模型到不同的惯性传感器，并且不需要收集新的训练数据。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 非完整地面车辆的事件驱动视觉里程计

    基于事件的运动估计在提取和跟踪稳定特征方面仍然存在困难，因此通常认为与其他传感器的融合是必需的。在本研究中，我们利用 Ackermann 转向平台的约束非完整运动模型，实现了可靠的纯事件型视觉测距。通过将常规帧摄像机的单特征非线性扩展到准时间连续事件轨迹，并通过变量程度泰勒展开实现多项式形式，我们通过直方图投票轻松实现对多个事件轨迹的鲁棒平均值。在模拟和真实数据上的实验表明，我们的算法实现了准确而稳健的车辆瞬时旋转速度估计，从而在正常条件下与基于帧传感器获得的增量旋转相当。此外，我们在具有挑战性的照明场景中明显优于传统的替代方法。代码可在 https://github.com/gowanting/NHEVO 上获取。

    Jan, 2024

  • 事件与惯性测量的紧密融合用于直接速度估计

    我们提出了一种在一级运动学水平上进行紧密视觉惯性融合的新颖解决方案，通过使用动态视觉传感器而不是普通相机，通过利用三焦几何来建立与事件和相机速度直接相关的关联关系，并展示了如何在高度动态的情况下在短时间间隔内获得速度估计。噪声和异常值使用嵌套的两层 RANSAC 方法处理，通过与预积分惯性信号进行紧密融合并使用滑动窗口优化器获得平滑速度信号。对模拟和真实数据的实验证明，所提出的紧密事件惯性融合可以在高度动态的情景中连续且可靠地估计速度，与绝对坐标无关。此外，在极端情况下，它比传统的基于点位置的视觉惯性测距法实现了更稳定和更准确的运动学估计。

    Jan, 2024

  • 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

  • 一种新颖的深度神经网络在自动驾驶车辆轨迹预测中的应用：基于速度向量场

    综合数据驱动的学习法和从流体流动动力学概念中生成的速度矢量场，本文提出了一种新的轨迹预测技术，将矢量场作为卷积 - 递归深度神经网络的附加输入，帮助预测基于俯视图场景的未来轨迹。该方法在 HighD 数据集上与最先进的方法进行了比较，展示了在短期和长期（5 秒）时间范围内，速度矢量场的引入提高了预测准确性，并且准确性随着观测窗口的减小而保持一致，缓解了对准确轨迹预测所需的过去观测历史的要求。

    Sep, 2023

  • 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

  • 使用惯性传感器学习汽车速度以进行惯性导航

    使用深度神经网络和低成本六轴惯性测量单元，估算城市车辆行驶速度，并提出了简化的辅助航位推算方案，该方法具有较高的精度和位置测量能力。

    May, 2022