基于注意力机制与Res2Net模块的深度学习惯性里程计用于行人跟踪
机器人学
2022-06-09 v2
摘要
由于低成本惯性传感器误差累积，行人航位推算是一项具有挑战性的任务。近期研究表明，深度学习方法在处理该问题时可取得令人印象深刻的性能。在本通讯中，我们提出使用基于深度学习的速度估计方法的惯性里程计。基于Res2Net模块与两个卷积块注意力模块的深层神经网络被用于恢复水平速度向量与智能手机原始惯性数据之间的潜在联系。我们的网络仅使用公开惯性里程计数据集（RoNIN）百分之五十的数据进行训练，随后在RoNIN测试数据集与另一公开惯性里程计数据集（OXIOD）上验证。与传统基于步长与航向系统的算法相比，我们的方法将绝对平移误差（ATE）降低了76%–86%。此外，与最先进的深度学习方法（RoNIN）相比，我们的方法将其ATE提升了6%–31.4%。
引用
@article{arxiv.2205.10031,
title = {Deep Learning-based Inertial Odometry for Pedestrian Tracking using Attention Mechanism and Res2Net Module},
author = {Boxuan Chen and Ruifeng Zhang and Shaochu Wang and Liqiang Zhang and Yu Liu},
journal= {arXiv preprint arXiv:2205.10031},
year = {2022}
}