Sep, 2022

SmartFPS：基于神经网络的无线惯性融合定位系统

PDF
TL;DR本文提出了一种基于深度学习的融合定位系统，并提出了用于不同分布样本神经网络模型性能改进的迁移学习策略，结果表明在整个楼层场景下，融合网络的平均定位精度为 0.506m。实验结果表明，惯性导航定位步长和不同行人旋转角度的估计精度可平均提高 53.3％，不同设备的蓝牙定位精度可提高 33.4％，融合可提高 31.6％。
fusion positioningdeep learningtransfer learningneural network modelspositioning accuracy
发现论文，激发创造
  • 室内定位系统：传感器读数的智能融合

    通过结合多种最先进的传感器的数据，我们提出了一个多功能的测量系统，对其进行比较和融合，展示了单一数据融合技术在应对情境转换时的可行性和鲁棒性。特别是，在结合射频（RF）定位技术和惯性测量单元（IMU）时，这种方法在解决定位问题上具有极高的鲁棒性和可靠性。

    May, 2021

  • TransPose: 具有六个惯性传感器的实时三维人体翻译和姿态估计

    本文提出了一种基于深度神经网络的新方法 TransPose，旨在通过仅 6 个惯性测量单元（IMUs）的运动数据，实现全身动作的捕捉，包括全局平移和身体姿势，并展示了其在准确性和效率方面优于目前的学习和优化方法。

    May, 2021

  • 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

  • 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

  • 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

  • 基于 CSI 的多天线和多点室内定位使用概率融合

    本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道，通过从一个或多个不同步接入点（AP）获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位，达到厘米级中位距离误差的性能优化。

    Sep, 2020

  • 分布式粒子滤波的去中心化传感器融合

    本文介绍了一种可扩展的贝叶斯技术，用于在动态环境中从多个平台进行去中心化状态估计。通过严格分散的方法并通过互动通信协议促进信息流，实现仅在附近平台之间交换信息和在分布式监视方案的上下文下进行评估，其结果展示了对大型车队的前所未有的可扩展能力。

    Oct, 2012

  • 多传感器全局位姿估计的通用基于优化的框架

    本文提出了一种传感器融合框架，通过姿态图优化来将现有的本地估计融合到全球传感器中，实现了本地准确和全球无漂移的姿态估计。

    Jan, 2019

  • 超惯性姿态：基于稀疏惯性传感器和超宽频测距的可扩展动作捕捉和跟踪

    通过利用惯性传感器，记录人体动作的摄像机捕捉系统以稳定为标准，但基于稀疏可穿戴传感器的基于学习的追踪系统越来越受欢迎。文章提出了一种新颖的三维全身姿势估计方法，通过用于测距的超宽带无线电技术对传感器之间的距离进行约束，从而限制了惯性追踪中的漂移和抖动。我们的方法通过轻量级嵌入式追踪器，将这些传感器之间的距离与每个传感器估计的三维状态进行融合，并使用基于图的机器学习模型处理这些三维状态和距离，从而估计人体的三维全身姿势和平移。实验证明，我们的方法在位置误差和抖动方面具有领先的性能。

    Apr, 2024

  • 高通量视觉纳米无人机相对定位的基于机载全卷积神经网络的方法

    基于低分辨率相机和超低功耗车载 SoC 的垂直集成系统，通过全卷积神经网络（FCNN）在纳米无人机之间背对背的相对姿态估计方面取得了显著改进。

    Feb, 2024