Mar, 2024

多个和无陀螺仪的惯性数据集

PDF
TL;DR研究通过整合数据驱动方法与惯性导航系统（INS），提高准确性和效率。为了填补相关领域的研究空白，设计并记录了无陀螺仪 INS（GFINS）和多惯性测量单元（MIMU）数据集，可用于定义和评估不同类型的 MIMU 和 GFINS 体系结构。数据集包含 35 小时的惯性数据和对应的准确轨迹。
inertial navigation systemdata-driven methodsgyro-free insmultiple inertial measurement unitmimu and gfins architectures
发现论文，激发创造
  • 可靠自动驾驶车辆位置估计的 GPS-IMU 传感器融合

    GPS 和 IMU 传感器融合在 GPS 无信号环境下提升自主车辆导航的可靠性和精度的方法。

    May, 2024

  • 多视惯导系统：分析、校准与估计

    通过多传感器的数据融合，本文研究了多视觉惯性系统的状态估计和校准问题，并提出了一种新型解决方案，取得了较好的准确性和收敛性。

    Aug, 2023

  • 用于评估视觉 - 惯性测距的 TUM VI 基准测试

    本文提出了新的 TUM VI 基准数据集，为不同场景下的视觉惯性 (VI) 里程计进行评估提供具有多样性的序列，其中提供了相机图像和 IMU 测量值，并使用运动捕捉系统提供了准确的姿态真值。

    Apr, 2018

  • OxIOD：深度惯性里程计数据集

    本研究提出并发布了牛津惯性里程计数据集（OxIOD），这是一种首屈一指的数据收集方式，可用于惯性里程计研究，具有地面实况标签。

    Sep, 2018

  • 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

  • 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

  • 使用惯性传感器进行位置和方向估计

    本篇论文主要介绍使用 MEMS 惯性传感器进行位置和姿态估计的信号处理方面，重点讨论了不同的建模选择和一些重要算法，包括基于优化的平滑和滤波以及计算较便宜用途的扩展卡尔曼滤波器和互补滤波器，同时使用实验和模拟数据证明了它们的估计质量。

    Apr, 2017

  • 基于 GPS/INS 的路上位置跟踪系统的安全性

    本文研究了 INS 辅助 GPS 跟踪与导航技术在道路交通系统中的安全保障问题，并通过开发和评估算法展示了对磁力计进行主动欺骗的可行性，同时实验结果表明攻击者可以达到离真实目的地 30 公里甚至更远的位置而不被检测到。

    Aug, 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

  • 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