基于PRCNN-Attention鲁棒零速检测的行人惯性导航方法

针对零速修正的行人惯性导航方法中MEMS IMU误差大且复杂多变、复杂运动类型下传统阈值零速检测鲁棒性差的问题,提出一种基于PRCNN-Attention鲁棒零速检测的导航方法。首先,引入注意力机制,突出不同运动类型下的关键信息,设计了基于并联式循环卷积网络的深度神经网络(PRCNN-Attention)框架,实现对零速状态的鲁棒识别;然后,将零速信息作为量测信息,基于不变扩展卡尔曼滤波器实现信息融合。最后,在公开数据集以及实际场景中对所提方法进行了验证。实验结果表明,相较于固定阈值零速检测方法和自适应阈值零速检测方法,所提方法在公开数据集上的零速检测精确率分别由0.752和0.920提升到0.978,导航误差分别降低了54.1%和31.8%,在实际场景中导航误差分别降低了28.1%和13.5%,验证了所提方法的鲁棒性和有效性。

基于深度学习的视觉惯性里程计技术综述

视觉惯性里程计在很多方面可以很好地实现视觉和惯性传感器的优势互补,获得高精度的6自由度导航定位,因此应用领域极为广泛。然而,传感器自身的误差、异常视觉环境的扰动、多传感器之间的时空校准误差都会干扰导航结果,导致导航精度下降。近年来,正在迅速发展的深度学习方法凭借其强大的数据处理和预测能力,给视觉惯性里程计的发展提供了全新的发展方向。对基于深度学习的视觉惯性里程计的主要发展成果进行了回顾与总结。首先,按照两种融合策略分别概述研究方法,包括深度学习与传统模型结合的方法和基于深度学习的端到端的方法。之后,根据深度学习类型分为监督学习和无监督/自监督学习的方法,并分别阐述了这些方法的模型结构。然后,概述了系统的优化与评估方法,并比较了其中一些具有代表性的方法的性能。最后,对该领域需要解决的关键难点问题进行了总结,对未来发展进行了展望。

基于深度学习与运动状态识别的车辆惯性导航方法

微机电惯性测量单元(MEMS IMU)因成本低、体积小以及功耗低等优势受到广泛关注,但由于MEMS IMU误差大且复杂,基于MEMS IMU的捷联惯性导航系统精度还远远不能满足移动机器人、无人驾驶等各个领域的广泛需求。针对此问题,提出了一种基于深度学习与运动状态识别的车辆导航方法。首先,针对MEMS IMU误差具有非线性、时变性的特点,基于改进后的膨胀卷积网络对MEMS IMU陀螺仪漂移进行标定补偿。其次,利用时间卷积神经网络动态检测车辆的运动状态,并将特定运动状态的约束信息作为观测量,基于不变扩展卡尔曼滤波进行信息融合。所提出方法在公开数据集进行了验证,与未对陀螺误差进行标定补偿的基于深度学习的运动状态检测与约束方法进行了比较,所提出方法将车辆水平位置的绝对轨迹误差和相对轨迹误差平均值分别降低了30.9%和24.7%,证明了所提出方法的有效性。