基于LSTM框架增量学习的姿态估计传感器融合方法
信号处理
2021-08-09 v1 人工智能
系统与控制
系统与控制
摘要
本文提出了一种通过对长短期记忆（Long-Short Term Memory, LSTM）网络进行增量学习来实现三维空间中物体姿态估计的新方法。陀螺仪、加速度计和磁力计是姿态估计应用中几种广泛使用的传感器。传统上，采用扩展卡尔曼滤波和互补滤波等多传感器融合方法来融合这些传感器的测量值。然而，这些方法在应对现实世界中运动的不确定性、不可预测性和动态特性方面存在局限。本文中，惯性传感器数据被输入LSTM网络，并在运行时进行增量更新以纳入运动中发生的动态变化。所提框架的鲁棒性和效率在来自商用惯性测量单元的数据集上得到了验证。与传统方法相比，即使在高度动态环境下，所提框架也能显著改善结果。基于LSTM框架的姿态估计方法可部署在标准AI支持的处理模块上用于实时应用。
引用
@article{arxiv.2108.03173,
title = {Incremental learning of LSTM framework for sensor fusion in attitude estimation},
author = {Parag Narkhede and Rahee Walambe and Shashi Poddar and Ketan Kotecha},
journal= {arXiv preprint arXiv:2108.03173},
year = {2021}
}