基于惯性传感器且具有性能保证的朝向估计强化学习
机器人学
2021-06-11 v2 机器学习
摘要
本文提出一种深度强化学习（DRL）算法，用于结合磁力计的惯性传感器朝向估计。采用控制论中的 Lyapunov 方法证明朝向估计误差的收敛性。基于理论结果，估计器增益与 Lyapunov 函数由深度神经网络参数化并从样本中学习。该 DRL 估计器在数值仿真和使用市售传感器收集的真实数据集上与三种知名朝向估计方法进行比较。结果表明，所提算法对于任意估计初始化均更优，并能适应其他算法难以适用的极大角速度。据我们所知，这是首个具有估计误差有界性保证的基于 DRL 的朝向估计方法。
引用
@article{arxiv.2103.02357,
title = {Reinforcement Learning for Orientation Estimation Using Inertial Sensors with Performance Guarantee},
author = {Liang Hu and Yujie Tang and Zhipeng Zhou and Wei Pan},
journal= {arXiv preprint arXiv:2103.02357},
year = {2021}
}
备注
This paper has been accepted by ICRA 2021