Deep Learning Assisted Inertial Dead Reckoning and Fusion

近年来，移动平台在各种应用中的兴趣显著增加。其中一个原因是通过使用低成本传感器实现精确导航的能力。为此，惯性传感器与全球导航卫星系统（GNSS）信号融合。平台操作期间GNSS信号中断可能导致纯惯性导航，导致导航解决方案漂移。在这种情况下，建议使用专用算法的周期性轨迹来减轻漂移。通过周期性动态，惯性深度学习方法可以更准确地捕捉运动并为无人机和移动机器人提供准确的死推算法。本文提出了扩展深度学习辅助惯性传感和融合能力的方法，以适应周期性运动。首先，我们证明了周期性轨迹中GNSS和惯性传感器之间的融合相比于直线轨迹实现更高的精度。接下来，我们提出了一种增强的网络架构来准确地回归平台距离的变化。利用这个网络，我们驱动一个神经惯性融合滤波器的混合方法。最后，我们利用这种方法来处理GNSS可用的情况，并展示其优点。我们使用从移动机器人和四旋翼上安装的惯性传感器收集的337分钟数据集来评估我们的方法。

本文旨在扩展深度学习辅助惯性传感器和融合技术在周期运动中的应用能力，以解决GNSS信号中断时导致导航解决方案漂移的问题。

本文提出了一种新的深度学习辅助惯性传感器和融合技术的方法，利用周期动力学来提高运动的准确性，并提出了一种新的神经惯性融合滤波器。

本文展示了周期轨迹与直线轨迹相比，在GNSS和惯性传感器融合时能够实现更高的准确度。作者提出了一种新的网络架构来准确地回归平台距离的变化，并使用这个网络来驱动神经惯性融合滤波器的混合方法。作者使用了337分钟的数据集来评估他们的方法。

最近在这个领域中，还有一些相关的研究，例如“使用双重惯性测量单元的无人机导航”和“基于深度学习的无人机惯性导航系统”。