OxIOD：用于深度惯性里程计的数据集
机器人学
2018-09-21 v1 计算机视觉与模式识别
机器学习
摘要
微机电（MEMS）技术的进步使惯性测量单元（IMU）体积小、成本低、能耗低，并广泛应用于智能手机、机器人和无人机。利用惯性数据进行准确可靠的导航与定位已引起显著的研究与产业兴趣，因为IMU测量完全是自我中心的且通常与环境无关。近期研究表明，臭名昭著的漂移问题可通过深度神经网络（DNN）显著缓解，例如IONet。然而，缺乏足够的带标签数据来训练和测试各种架构，限制了DNN在基于IMU任务中的普及。本文提出并发布了牛津惯性里程计数据集（OxIOD），这是首个面向惯性里程计研究的数据集，所有序列均含真值标签。我们的数据集包含158个序列，总距离超过42公里，远大于以往的惯性数据集。该数据集的另一显著特征在于其多样性，可反映手机IMU在各种日常使用中的复杂运动。测量数据通过四种不同佩戴方式（手持、口袋中、手提包中、推车上）、四种运动模式（静止、慢走、正常行走、跑步）、五位不同用户、四类市售消费手机以及办公楼大规模定位采集。我们进行了深度惯性跟踪实验，以展示该数据集在训练深度神经网络模型中的有效性，并评估基于学习和基于模型的算法。OxIOD数据集可从以下网址获取：http://deepio.cs.ox.ac.uk
引用
@article{arxiv.1809.07491,
title = {OxIOD: The Dataset for Deep Inertial Odometry},
author = {Changhao Chen and Peijun Zhao and Chris Xiaoxuan Lu and Wei Wang and Andrew Markham and Niki Trigoni},
journal= {arXiv preprint arXiv:1809.07491},
year = {2018}
}