IDOL：惯性深度朝向估计与定位
机器人学
2021-02-09 v1 计算机视觉与模式识别
机器学习
摘要
许多智能手机应用使用惯性测量单元（IMU）来感知运动，但由于这些传感器的噪声特性，将它们用于行人定位可能具有挑战性。近期数据驱动的惯性里程计方法已展现出惯性导航日益增长的可行性。然而，它们仍依赖于其假定为准确的传统智能手机朝向估计，而事实上这些朝向估计可能是显著的误差来源。为解决朝向估计不准确的问题，我们提出了一种使用商用智能手机的两阶段数据驱动流水线，先估计设备朝向，再估计设备位置。朝向模块依赖循环神经网络与扩展卡尔曼滤波器来获得朝向估计，并用于将原始 IMU 测量值旋转到合适的参考系。随后位置模块将这些测量值通过另一种循环网络架构以执行定位。我们提出的方法在我们构建的大型数据集（包含 3 栋建筑、15 名受试者的 20 小时行人运动）上，在朝向与位置误差方面均优于最先进的方法。
引用
@article{arxiv.2102.04024,
title = {IDOL: Inertial Deep Orientation-Estimation and Localization},
author = {Scott Sun and Dennis Melamed and Kris Kitani},
journal= {arXiv preprint arXiv:2102.04024},
year = {2021}
}
备注
To be published in AAAI 2021