基于深度学习的行人惯性导航：方法、数据集与端侧推理
机器人学
2020-01-14 v1 机器学习
摘要
现代惯性测量单元（IMUs）体积小、成本低、能耗低，并广泛应用于智能设备与移动机器人。利用惯性数据实现准确可靠的行人导航支持，是新兴物联网应用与服务的关键组成部分。近来，将深度神经网络（DNNs）应用于运动感知与位置估计的兴趣日益增长。然而，缺乏充足的标注数据用于训练与架构基准评估，限制了DNNs在基于IMU任务中的采用。本文中，我们提出并发布Oxford Inertial Odometry Dataset（OxIOD），这是首个面向基于深度学习的惯性导航研究的公开数据集，所有序列均带有细粒度真值。此外，为在边缘端实现更高效推理，我们提出一种新颖轻量框架，从原始IMU数据学习并重建行人轨迹。大量实验表明，我们的数据集与方法在资源受限设备上实现准确数据驱动行人惯性导航的有效性。
引用
@article{arxiv.2001.04061,
title = {Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference},
author = {Changhao Chen and Peijun Zhao and Chris Xiaoxuan Lu and Wei Wang and Andrew Markham and Niki Trigoni},
journal= {arXiv preprint arXiv:2001.04061},
year = {2020}
}
备注
Accepted to IEEE Internet of Things Journal