Apr, 2023

基于多核相关熵的 IMU 定位估计：梯度下降方法

PDF
TL;DR本研究提出了基于经验熵的逐步下降法和分离方向估计的两种计算高效的惯性测量单元（IMU）方向估计算法，并证明了多核心经验熵损失（MKCL）作为一种最大似然估计（MLE）的最优目标函数，适用于一种重尾分布的噪声。使用 MKCL 替换标准的 MSE 代价函数，开发了 CGD 和 CDOE 算法，并通过实验结果表明，这些算法比现有算法在各种情况下都表现优异。
inertial measurement unitsorientation estimationcorrentropy-based algorithmsmaximum likelihood estimationcomputational efficiency
发现论文，激发创造
  • 使用动态边缘化的直接稀疏视觉惯性测程

    本研究提出 VI-DSO，一种同时估计相机姿态和稀疏场景几何的视觉惯性测量新方法，通过最小化组合能量函数中的光度和 IMU 测量误差来进行优化，在 EuRoC 数据集上得到了比现有技术更好的效果。

    Apr, 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

  • 使用深度学习去噪 IMU 陀螺仪用于开环姿态估计

    提出了一种使用地面真实数据学习陀螺仪去噪、实时估计机器人导航（定位）方向的方法，基于扩张卷积神经网络，通过识别高频惯性数据的关键点以及在方向增量上采用适当的损失函数的方式，该算法超越了现有技术在看不见的测试数据上的性能表现。此策略为惯性测量单位上的学习法提供了新思路。

    Feb, 2020

  • 多峰分布模拟的轮廓随机梯度 Langevin 动力学算法

    本论文提出了一种称为轮廓随机梯度 Langevin 动力学（CSGLD）的自适应加权随机梯度 Langevin 动力学算法，用于 Bayesian 学习在大数据的统计学中。该算法在多模态分布的模拟中具有很大的优势，并测试了 CIFAR10 和 CIFAR100 的性能。

    Oct, 2020

  • 数据驱动的目标定位：基于 Cramér-Rao 边界的梯度下降性能评估

    通过提出一种数据驱动的神经网络方法，本研究展示了在雷达系统中准确目标定位的潜力，优于传统技术的目标方位与速度估计精度，为繁杂和动态环境中更准确的定位铺平了道路。

    Jan, 2024

  • 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

  • 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

  • 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

  • 使用理论最优滑动窗口方法追踪动态高斯密度

    通过理论上的特征分类，我们提供了一个原则性指南，以选择最优的权重序列，从而改善卡尔曼滤波器在动态密度估计中的追踪效果。

    Mar, 2024

  • LSG-CPD：基于局部表面几何的相干点漂移点云配准

    本文提出了一种新的方法：基于局部表面几何结构的连贯点漂移（LSG-CPD），该方法通过自适应地根据本地表面的平整程度在点对点惩罚的基础上添加不同级别的点对平面惩罚，构建具有各向异性协方差的高斯混合模型，并以最大似然估计问题的形式予以解决。该方法在各种数据集上的精度和鲁棒性方面优于现有算法，并且比 CPD 的现代实现更快。

    Mar, 2021