基于 LSTM 神经网络与多项式回归的实时物体位置预测
机器学习
2023-11-27 v1 机器人学
摘要
本文详述了用于预测与插值物体位置坐标系统的设计与实现。我们的方案基于通过长短期记忆（LSTM）神经网络与多项式回归处理惯性测量与全球定位系统数据。LSTM 是一种循环神经网络（RNN），特别适合处理数据序列并避免长期依赖问题。我们采用了真实世界车辆与全球定位系统（GPS）传感器的数据。开发了一个关键的预处理步骤，以解决传感器频率不同、GPS 时间步不一致及丢点问题。将基于 LSTM 的系统性能与卡尔曼滤波器进行比较。该系统经调优可低延迟、高精度实时工作。我们在多种驾驶条件下的道路上测试了系统，包括加速、转弯、减速与直行。我们测试了所提方案的精度与推理时间，表明其能够实时运行。我们的 LSTM 系统平均误差为 0.11 米，推理时间为 2 毫秒。相比传统卡尔曼滤波方法（平均误差 0.46 米，推理时间与 LSTM 系统相近），误差降低了 76%。
引用
@article{arxiv.2311.13950,
title = {Object Location Prediction in Real-time using LSTM Neural Network and Polynomial Regression},
author = {Petar Stojković and Predrag Tadić},
journal= {arXiv preprint arXiv:2311.13950},
year = {2023}
}