Quadrotor Neural Dead Reckoning in Periodic Trajectories

要約

現実世界のシナリオでは、環境またはハードウェアの制約により、象限は屋内または屋外で動作している間、純粋な慣性ナビゲーションモードでナビゲートすることを余儀なくされています。
慣性ドリフトを緩和するために、四肢装置の周期的軌跡と組み合わせたエンドツーエンドのニューラルネットワークアプローチが提案されました。
そこでは、四極距離が回帰され、慣性モデルベースの見出し推定と組み合わされて、四極位置ベクトルが推定されます。
ポジショニングパフォーマンスをさらに強化するために、このペーパーでは、周期的な軌跡を飛んでいる四肢装置の四肢神経デッドレコーンアプローチを提案します。
この場合、慣性測定値は、四角体位置ベクトルを直接推定するために、シンプルで効率的なネットワークに供給されます。
私たちのアプローチは、1つは屋内で動作し、もう1つは屋外で動作する2つの異なる四つで評価されました。
私たちのアプローチは、他の深部学習アプローチの位置決めの精度を改善し、屋外でのエラーが平均27％減少し、屋内で平均79％の削減を達成し、ソフトウェアの変更のみを必要とします。
私たちの方法によって達成されるポジショニングの精度が改善されると、四肢装置はタスクをシームレスに実行できます。

要約(オリジナル)

In real world scenarios, due to environmental or hardware constraints, the quadrotor is forced to navigate in pure inertial navigation mode while operating indoors or outdoors. To mitigate inertial drift, end-to-end neural network approaches combined with quadrotor periodic trajectories were suggested. There, the quadrotor distance is regressed and combined with inertial model-based heading estimation, the quadrotor position vector is estimated. To further enhance positioning performance, in this paper we propose a quadrotor neural dead reckoning approach for quadrotors flying on periodic trajectories. In this case, the inertial readings are fed into a simple and efficient network to directly estimate the quadrotor position vector. Our approach was evaluated on two different quadrotors, one operating indoors while the other outdoors. Our approach improves the positioning accuracy of other deep-learning approaches, achieving an average 27% reduction in error outdoors and an average 79% reduction indoors, while requiring only software modifications. With the improved positioning accuracy achieved by our method, the quadrotor can seamlessly perform its tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google