DIDO: Deep Inertial Quadrotor Dynamical Odometry

要約

この研究では、ディープ ニューラル ネットワーク処理を備えたクアローターの内受容のみの状態推定システムを提案します。このシステムでは、クアローターのダイナミクスが慣性運動学の知覚的な補足として考慮されます。
マルチセンサー フュージョンの精度を向上させるために、実世界のクアッドローター飛行データでカスケード ネットワークをトレーニングし、IMU の運動学的特性、クアローターの動的特性、およびクアローターの運動状態をそれぞれ不確実性情報とともに学習します。
このエンコードされた情報により、センサーフュージョン中の IMU バイアス安定性、クアローターダイナミクス、およびマルチセンサーキャリブレーションの問題に対処できるようになります。
上記のマルチソース情報は、より適切な推定を行うために 2 段階の拡張カルマン フィルター (EKF) フレームワークに融合されます。
実験により、いくつかの従来の学習ベースの方法に比べて、私たちが提案した研究の利点が実証されました。

要約(オリジナル)

In this work, we propose an interoceptive-only state estimation system for a quadrotor with deep neural network processing, where the quadrotor dynamics is considered as a perceptive supplement of the inertial kinematics. To improve the precision of multi-sensor fusion, we train cascaded networks on real-world quadrotor flight data to learn IMU kinematic properties, quadrotor dynamic characteristics, and motion states of the quadrotor along with their uncertainty information, respectively. This encoded information empowers us to address the issues of IMU bias stability, quadrotor dynamics, and multi-sensor calibration during sensor fusion. The above multi-source information is fused into a two-stage Extended Kalman Filter (EKF) framework for better estimation. Experiments have demonstrated the advantages of our proposed work over several conventional and learning-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google