使用低成本惯性传感器与循环神经网络的GPS拒止导航
信号处理
2021-09-13 v1 机器人学
系统与控制
系统与控制
摘要
无人机自主任务需要对其姿态、速度和位置进行连续且可靠的估计。传统上，这些状态通过将扩展卡尔曼滤波（EKF）应用于加速度计、陀螺仪、气压计、磁力计和GPS测量值来估计。当GPS信号丢失时，位置和速度估计会迅速恶化，在使用低成本惯性传感器时尤为如此。本文提出一种估计方法，使用循环神经网络（RNN）在无GPS信号情况下对无人机的位置和速度进行可靠估计。RNN在使用Pixhawk采集的公开数据集上进行训练。该低成本商业自动驾驶仪记录原始传感器测量值（网络输入）及对应的EKF估计值（真值输出）。该数据集包含548个不同的飞行日志，飞行时长从4分钟到32分钟不等。训练使用了465次飞行数据，共计45小时。其余83次飞行数据共计8小时，留作验证。单次飞行的误差取为RNN预测值（无GPS）与真值（带GPS的EKF）之间三维位置的最大绝对差值（MPE）。在验证集上，中位MPE为35米。使用所提方法，在5分钟的飞行中MPE可低至2.7米。90%的验证飞行中MPE均低于166米。该网络经实验测试并已实时运行。
引用
@article{arxiv.2109.04861,
title = {GPS-Denied Navigation Using Low-Cost Inertial Sensors and Recurrent Neural Networks},
author = {Ahmed AbdulMajuid and Osama Mohamady and Mohannad Draz and Gamal El-bayoumi},
journal= {arXiv preprint arXiv:2109.04861},
year = {2021}
}
备注
17 pages, 39 figures