Deep Learning Assisted Inertial Dead Reckoning and Fusion

要約

近年、さまざまなアプリケーションにわたるモバイル プラットフォームへの関心が大幅に高まっています。
その理由の 1 つは、低コストのセンサーを使用して正確なナビゲーションを実現できることです。
この目的を達成するために、慣性センサーが全地球測位衛星システム (GNSS) 信号と融合されます。
プラットフォームの動作中に GNSS が停止すると、純粋な慣性ナビゲーションが行われ、ナビゲーション ソリューションがドリフトする可能性があります。
このような状況では、ドリフトを軽減するために、専用のアルゴリズムを使用した周期的な軌道が提案されました。
周期的なダイナミクスを使用することで、慣性深層学習アプローチは動きをより正確に捕捉し、ドローンやモバイル ロボットに正確な推測航法を提供できます。
この論文では、深層学習を利用した周期運動中の慣性センシングおよび融合機能を拡張するアプローチを提案します。
まず、周期的な軌道における GNSS と慣性センサーの融合により、直線軌道に比べて精度が向上することを実証します。
次に、プラットフォームの距離の変化を正確に回帰するための強化されたネットワーク アーキテクチャを提案します。
このネットワークを利用して、神経慣性融合フィルターのハイブリッド アプローチを推進します。
最後に、GNSS が利用可能な状況でこのアプローチを利用し、その利点を示します。
移動ロボットとクアローターに搭載された慣性センサーから収集された 337 分のデータセットを使用して、アプローチを評価します。

要約(オリジナル)

The interest in mobile platforms across a variety of applications has increased significantly in recent years. One of the reasons is the ability to achieve accurate navigation by using low-cost sensors. To this end, inertial sensors are fused with global navigation satellite systems (GNSS) signals. GNSS outages during platform operation can result in pure inertial navigation, causing the navigation solution to drift. In such situations, periodic trajectories with dedicated algorithms were suggested to mitigate the drift. With periodic dynamics, inertial deep learning approaches can capture the motion more accurately and provide accurate dead-reckoning for drones and mobile robots. In this paper, we propose approaches to extend deep learning-assisted inertial sensing and fusion capabilities during periodic motion. We begin by demonstrating that fusion between GNSS and inertial sensors in periodic trajectories achieves better accuracy compared to straight-line trajectories. Next, we propose an empowered network architecture to accurately regress the change in distance of the platform. Utilizing this network, we drive a hybrid approach for a neural-inertial fusion filter. Finally, we utilize this approach for situations when GNSS is available and show its benefits. A dataset of 337 minutes of data collected from inertial sensors mounted on a mobile robot and a quadrotor is used to evaluate our approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google