WhONet：面向GNSS拒止环境下车辆定位的轮速里程神经网络
机器人学
2021-12-14 v2
摘要
本文提出一种深度学习方法，用于在全球导航卫星系统（GNSS）拒止环境中对轮式车辆进行精确定位。在缺乏GNSS信号时，由轮速编码器记录的车辆（或类似其他机器人）车轮速度信息，可通过将车辆线速度积分到位移来提供连续定位信息。然而，基于轮速测量的位移估计具有不确定性，可能表现为车轮打滑和/或由于湿滑泥泞路面行驶或轮胎磨损导致的轮胎尺寸或胎压变化。为此，我们利用深度学习的最新进展，提出轮速里程神经网络（WhONet）来学习轮速测量中所需用于校正与精确定位的不确定性。所提WhONet的性能首先在环形交叉口、急转弯、急刹车和湿滑路面（漂移）等多个挑战性驾驶场景中评估。随后，在30秒、60秒、120秒和180秒时长 respectively 的较长时间GNSS中断场景中，于总计493公里距离上进一步广泛评估WhONet性能。实验结果表明，所提方法能够在任意180秒行驶后将其原有对应方法的定位误差降低多达93%。WhONet的实现可在 https://github.com/onyekpeu/WhONet 获取。
引用
@article{arxiv.2104.02581,
title = {WhONet: Wheel Odometry Neural Network for Vehicular Localisation in GNSS-Deprived Environments},
author = {Uche Onyekpe and Vasile Palade and Anuradha Herath and Stratis Kanarachos and Michael E. Fitzpatrick},
journal= {arXiv preprint arXiv:2104.02581},
year = {2021}
}