DoorINet：基于惯性深度学习的门朝向预测

惯性传感器广泛应用于各种应用。一个常见任务是方向估计。为了解决这一任务，应用了姿态和航向参考系统算法。依靠陀螺仪读数，加速度计测量用于更新姿态角，磁力计测量用于更新航向角。在室内环境中，磁力计受到干扰，导致其性能下降，从而产生较差的航向角估计。因此，估计移动物体（如行走的行人、壁橱和冰箱）航向角的应用容易出错。为了避免这种情况，我们提出了DoorINet，一个端到端的深度学习框架，用于从安装在门上的低成本惯性传感器计算航向角，而不使用磁力计。为了评估我们的方法，我们记录了一个独特的数据集，包含391分钟的加速度计和陀螺仪测量值以及相应的地面真实航向角。我们表明，我们提出的方法优于常用的基于模型的方法和数据驱动方法。