基于深度学习的无人水面艇外参估计
机器人学
2024-06-10 v1
摘要
无人水面艇(USV)在海洋探索中至关重要，但其传感器的精度受到动态海洋环境的影响。传统标定方法在这些条件下效果不佳。本文介绍了一种深度学习架构，该架构预测USV动态稳心的变化，并使用以欧拉角为输入的时间序列广义回归神经网络(GRNN)实时优化传感器的外参。来自Unity3D的仿真数据确保了稳健的训练和测试。实验结果表明，时间序列GRNN实现了最低的均方误差(MSE)损失，优于传统神经网络。该方法显著增强了USV的传感器标定，有望在恶劣海洋条件下提高数据精度。未来工作将优化网络并使用真实数据验证结果。
引用
@article{arxiv.2406.04821,
title = {Deep Learning Powered Estimate of The Extrinsic Parameters on Unmanned Surface Vehicles},
author = {Yi Shen and Hao Liu and Chang Zhou and Wentao Wang and Zijun Gao and Qi Wang},
journal= {arXiv preprint arXiv:2406.04821},
year = {2024}
}
备注
Accepted by The 9th Asia-Pacific Conference on Intelligent Robot Systems (ACIRS 2024)