惯性导航遇上深度学习:当前趋势与未来发展的综述
本综述论文系统地总结了目前应用于自主导航中的端到端深度学习框架,包括障碍物检测、场景感知、路径规划和控制,并分析了最新的研究状况和评估深度学习方法的实施和测试。该论文强调了导航对于机动机器人、自动驾驶车辆和无人机的重要性,并讨论了深度学习方法在自主导航中存在的局限性、挑战和潜在增长领域。该综述为在自主导航和深度学习领域工作的研究人员和实践者提供了有价值的参考资源。
Feb, 2023
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
本研究对以深度学习为基础的定位和建图方法进行全面调查和分类,讨论了目前模型的局限性,并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图(SLAM)等广泛的话题,探讨了利用车载传感器来感知自我动作和场景理解的问题,并展示了如何将这些模块集成到 SMIS 中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作,并为未来研究者提供指南,应用深度学习来解决定位和绘图问题。
Jun, 2020
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
本文提出了一种新颖的基于特征融合的多传感器融合技术,结合仿真学习实现端到端自动驾驶导航。论文的重点在于 Lidar 和 RGB 信息的融合技术,同时提出基于惩罚的仿真学习方法,以加强模型对交通规则的遵守,并统一仿真学习和自动驾驶指标的目标。
Mar, 2023
该论文着眼于深度学习在相机 - LiDAR 融合数据处理中的应用,对深度补全、物体检测、语义分割、跟踪和在线跨传感器校准等方面的方法进行了深入评估和比较。该研究提出了当前学术研究与实际应用之间存在的差距和未被重视的挑战,并提出了有前途的研究方向。
Apr, 2020
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