WMINet：一种轮式挂载惯性学习方法用于移动机器人定位
机器人学
2026-03-03 v1 人工智能
机器学习
摘要
自主移动机器人广泛用于室内外的导航、运输和检查任务。在实际情况下，当卫星信号受限或照明条件不佳时，导航仅依赖于惯性传感器。在这种情况下，由于惯性测量误差，导航解会快速漂移。本文提出了WMINet（Wheel-Mounted Inertial Network），一种基于轮式挂载惯性深度学习的方法，用于仅基于其惯性传感器来估计移动机器人的定位。为此，我们合并了两种常见的实用方法来减少惯性漂移：轮式挂载方法和在周期性轨迹上驱动移动机器人。此外，我们强制执行轮距约束（wheelbase constraint）以进一步提高定位性能。为评估我们提出的方法，我们使用Rosbot-XL记录了总计190分钟的轮式挂载初始数据集，并公开提供。我们的方法在最先进方法之上实现了66%的改进。作为结果，我们的方法使机器人能够在具有挑战性的环境中进行导航，弥合了纯惯性定位的差距。这使得仅使用惯性传感器即可在短时间内实现无缝机器人导航。
引用
@article{arxiv.2503.13568,
title = {WMINet: A Wheel-Mounted Inertial Learning Approach For Mobile-Robot Positioning},
author = {Gal Versano and Itzik Klein},
journal= {arXiv preprint arXiv:2503.13568},
year = {2026}
}