使用梯度下降从测量中学习 IMM 滤波器参数
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
该研究针对传感器技术的重要任务,提出一种利用专家知识改进的仿射变换方法,可用于软件校准、基于专家的适应以及联邦学习方法。研究通过模拟和实际数据实验评估了这个解决方案在一个有 8 个相同传感器的多传感器板上的效果,结果显示在模拟和实验数据中都有所改进。
Sep, 2023
本文提出了一种基于 intra-distillation 和自适应学习的通用方法,用于平衡所有参数的灵敏度,从而提高模型的普适性和性能表现。实验结果表明,该方法有效地提升了机器翻译、自然语言理解和零 - shot 跨语言转移等不同领域的表现。
May, 2022
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
无需训练数据、人工设计特征或离线优化的无目标外参校准算法,能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中,利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。
Nov, 2023
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
建立基于 GRU 神经网络的参数辨识模型来获取入侵导弹的 guidance law 参数和一阶横向时间常数,采用 IMMM 技术来提高模型的训练速度和辨识精度,并通过数值仿真验证了该模型的有效性。
Jan, 2022
提出了一种基于自监督学习和直接在线优化的方法,通过将三项传感器(相机,雷达和激光雷达)的物理特性和语义信息,综合校准实现无目标的校准,以实现安全可靠的自动驾驶技术。
Jun, 2022
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