本文提出了一种仅基于惯性测量单元（IMU）的自定位轮式机器人长期惯性导航的实时方法。该方法基于两个部分：1）一个稳健的检测器，使用递归深层神经网络动态检测各种感兴趣的情况，如零速度或无横向滑动；2）最先进的卡尔曼滤波器，将这些知识作为定位的伪测量值。对公开的汽车数据集的评估表明，在配备中等精度IMU（陀螺仪漂移率为10 deg/h）的情况下，对于21 km长的车辆行驶超过一小时的轨迹，拟议方案的最终精度可能达到20 m。据我们所知，这是第一篇将复杂的深度学习技术与用于轮式车辆纯惯性导航的最新过滤方法相结合的论文，因此为新型数据驱动惯性导航技术开辟了道路。此外，尽管我们的方法仅适用于基于IMU的定位，但我们的方法可作为配备更完整传感器套件的轮式机器人自定位的组件。
索引项惯性导航，深度学习，不变扩展卡尔曼滤波器，自主车辆，惯性里程计
2022-01-30 09:05:09
331KB
行业分类-电信-所有车轮中的每一个均与至少一个旋转电机相连接的车辆的制动系统的控制信号级冗余硬件结构.rar
2021-12-07 18:01:50
1.24MB
七自由度车辆模型，给车辆输入车轮制动驱动转矩，获得车辆状态,matlab源码
2021-10-30 20:50:54
21KB