Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions

要約

慣性センシングは、スマートフォンなどの日常的なデバイスから自動運転車などの非常に複雑なデバイスに至るまで、多くのアプリケーションやプラットフォームで使用されています。
近年、慣性センシングとセンサーフュージョンの分野で機械学習と深層学習技術の開発が大幅に増加しています。
これは、効率的なコンピューティング ハードウェアの開発と、公的に入手可能なセンサー データへのアクセスのしやすさによるものです。
これらのデータ駆動型アプローチは主に、モデルベースの慣性センシング アルゴリズムを強化することを目的としています。
ディープラーニングと慣性ナビゲーションおよびフュージョンの統合に関するさらなる研究を促進し、その機能を活用するために、このホワイトペーパーでは、慣性センシングおよびセンサーフュージョンのためのディープラーニング手法の詳細なレビューを提供します。
キャリブレーションとノイズ除去のための学習方法と、純粋な慣性ナビゲーションとセンサー フュージョンを改善するためのアプローチについて説明します。
後者は、フュージョン フィルター パラメーターの一部を学習することによって行われます。
レビューされたアプローチは、車両が動作する環境 (陸、空、海) によって分類されています。
さらに、深層学習ベースのナビゲーションの傾向と将来の方向性を分析し、一般的に使用されるアプローチに関する統計データを提供します。

要約(オリジナル)

Inertial sensing is used in many applications and platforms, ranging from day-to-day devices such as smartphones to very complex ones such as autonomous vehicles. In recent years, the development of machine learning and deep learning techniques has increased significantly in the field of inertial sensing and sensor fusion. This is due to the development of efficient computing hardware and the accessibility of publicly available sensor data. These data-driven approaches mainly aim to empower model-based inertial sensing algorithms. To encourage further research in integrating deep learning with inertial navigation and fusion and to leverage their capabilities, this paper provides an in-depth review of deep learning methods for inertial sensing and sensor fusion. We discuss learning methods for calibration and denoising as well as approaches for improving pure inertial navigation and sensor fusion. The latter is done by learning some of the fusion filter parameters. The reviewed approaches are classified by the environment in which the vehicles operate: land, air, and sea. In addition, we analyze trends and future directions in deep learning-based navigation and provide statistical data on commonly used approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google