10.13695/j.cnki.12-1222/o3.2022.05.002
基于深度学习与运动状态识别的车辆惯性导航方法
微机电惯性测量单元(MEMS IMU)因成本低、体积小以及功耗低等优势受到广泛关注,但由于MEMS IMU误差大且复杂,基于MEMS IMU的捷联惯性导航系统精度还远远不能满足移动机器人、无人驾驶等各个领域的广泛需求.针对此问题,提出了一种基于深度学习与运动状态识别的车辆导航方法.首先,针对MEMS IMU误差具有非线性、时变性的特点,基于改进后的膨胀卷积网络对MEMS IMU陀螺仪漂移进行标定补偿.其次,利用时间卷积神经网络动态检测车辆的运动状态,并将特定运动状态的约束信息作为观测量,基于不变扩展卡尔曼滤波进行信息融合.所提出方法在公开数据集进行了验证,与未对陀螺误差进行标定补偿的基于深度学习的运动状态检测与约束方法进行了比较,所提出方法将车辆水平位置的绝对轨迹误差和相对轨迹误差平均值分别降低了30.9%和24.7%,证明了所提出方法的有效性.
标定、惯性导航、深度学习、车辆、不变扩展卡尔曼滤波器
30
U666.1(船舶工程)
国家自然科学基金61973333
2022-12-20(万方平台首次上网日期,不代表论文的发表时间)
共7页
569-575