DeepUKF-VIN: Adaptively-tuned Deep Unscented Kalman Filter for 3D Visual-Inertial Navigation based on IMU-Vision-Net

要約

このペーパーでは、6つの自由度（6-DOF）で3次元（3D）空間で動作する車両の方向、位置、および速度を推定するという課題に対処します。
深い学習ベースの適応メカニズム（DLAM）は、IMU-Vision-netを活用して、視覚型ナビゲーション（VIN）問題のカルマン型フィルターのノイズ共分散マトリックスを適応的に調整するために提案されています。
その後、3D VIN（DeepUKF-VIN）用の適応的に調整された深い学習の無濃縮カルマンフィルターが導入され、提案されたDLAMを利用して、方向、位置、線形速度などの主要なナビゲーションコンポーネントを堅牢に推定します。
提案されたDeepUKF-Vinは、オンボードセンサー、特にカメラから抽出された慣性測定ユニット（IMU）と視覚的特徴ポイントからのデータを統合し、GPS除去ナビゲーションに適用できます。
Quaternionベースの設計は、ナビゲーションの非線形性を効果的にキャプチャし、Euler-Angleベースのフィルターで一般的に遭遇する特異性を回避します。
Deepukf-Vinは、個別のスペースに実装されており、実用的なフィルター展開を促進します。
フィルターのパフォーマンスは、IMUから収集された実際のデータと、低サンプリングレートでステレオカメラを使用して評価されます。
結果は、フィルターの安定性と推定エラーの急速な減衰を示しており、その高い推定精度を強調しています。
さらに、2つのシナリオでの標準の無香性Kalmanフィルター（UKF）に対する比較テストは、すべてのナビゲーションコンポーネントにわたって一貫して優れたパフォーマンスを示し、それによって提案されたDeepUKF-Vinの有効性と堅牢性を検証します。
キーワード：ディープラーニング、無香料のカルマンフィルター、適応チューニング、推定、ナビゲーション、無人航空機、センサー融合。

要約(オリジナル)

This paper addresses the challenge of estimating the orientation, position, and velocity of a vehicle operating in three-dimensional (3D) space with six degrees of freedom (6-DoF). A Deep Learning-based Adaptation Mechanism (DLAM) is proposed to adaptively tune the noise covariance matrices of Kalman-type filters for the Visual-Inertial Navigation (VIN) problem, leveraging IMU-Vision-Net. Subsequently, an adaptively tuned Deep Learning Unscented Kalman Filter for 3D VIN (DeepUKF-VIN) is introduced to utilize the proposed DLAM, thereby robustly estimating key navigation components, including orientation, position, and linear velocity. The proposed DeepUKF-VIN integrates data from onboard sensors, specifically an inertial measurement unit (IMU) and visual feature points extracted from a camera, and is applicable for GPS-denied navigation. Its quaternion-based design effectively captures navigation nonlinearities and avoids the singularities commonly encountered with Euler-angle-based filters. Implemented in discrete space, the DeepUKF-VIN facilitates practical filter deployment. The filter’s performance is evaluated using real-world data collected from an IMU and a stereo camera at low sampling rates. The results demonstrate filter stability and rapid attenuation of estimation errors, highlighting its high estimation accuracy. Furthermore, comparative testing against the standard Unscented Kalman Filter (UKF) in two scenarios consistently shows superior performance across all navigation components, thereby validating the efficacy and robustness of the proposed DeepUKF-VIN. Keywords: Deep Learning, Unscented Kalman Filter, Adaptive tuning, Estimation, Navigation, Unmanned Aerial Vehicle, Sensor-fusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google