R-WhONet：基于迁移学习的车辆定位轮速里程神经网络的再校准网络
机器人学
2022-09-14 v1 信号处理
摘要
本文提出一种迁移学习方法，以再校准我们先前开发的轮速里程神经网络（WhONet），用于全球导航卫星系统（GNSS）不可用环境下的车辆定位。WhONet 已被证明具备学习能力，可学习轮速测量中所需的、用于车辆校正与精确定位的不确定性。这些不确定性可能表现为在泥泞和不平地形行驶导致的胎压变化或车轮打滑。然而，数据驱动方法（如 WhONet 模型）一个普遍令人担忧的问题通常是模型难以泛化至新车辆。在机器学习模型于特定域训练却部署于另一域的场景下，模型性能会退化。在现实场景中，从车辆动力学变化到传感器噪声的新模式分布等诸多因素会影响此退化，偏置会使测试传感器数据偏离训练数据。因此，挑战在于探索使训练好的机器学习模型自发适应新车辆域的技术。为此，我们提出再校准轮速里程神经网络（R-WhONet），将 WhONet 模型从其源域（模型初始训练所用的车辆与环境）适配至目标域（待部署训练模型的新车辆）。通过对若干 GNSS 中断场景——短期复杂驾驶场景与较长期 GNSS 中断场景——的性能评估，我们表明源域训练的模型不能很好泛化至目标域的新车辆。然而，我们展示所提新框架将 WhONet 模型在目标域新车辆上的泛化能力最高提升 32%。
引用
@article{arxiv.2209.05877,
title = {R-WhONet: Recalibrated Wheel Odometry Neural Network for Vehicular Positioning using Transfer Learning},
author = {Uche Onyekpe and Alicja Szkolnik and Vasile Palade and Stratis Kanarachos and Michael E. Fitzpatrick},
journal= {arXiv preprint arXiv:2209.05877},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2104.02581