Deep Learning Powered Estimate of The Extrinsic Parameters on Unmanned Surface Vehicles

该论文介绍了一种新的深度学习架构，利用时间序列广义回归神经网络（GRNN）和欧拉角作为输入，预测无人船动态浮心的变化，并实时优化传感器的外参参数。传统的校准方法在海洋环境下存在缺陷，而该方法通过Unity3D的模拟数据进行了稳健的训练和测试，实验结果表明，时间序列GRNN的均方误差（MSE）损失最低，优于传统神经网络。该方法显著增强了USV传感器的校准，有望在复杂的海上环境中提高数据准确性。未来的工作将进一步完善该网络，并使用真实数据进行验证。

本论文旨在解决无人表面船只（USVs）在动态海洋环境下传感器准确性受到影响的问题，提出了一种基于深度学习的方法来实时预测USVs动态水心高度的变化并精确校准传感器的外参参数。

论文提出了一种基于时间序列广义回归神经网络（GRNN）的方法，使用欧拉角作为输入，通过Unity3D模拟数据进行训练和测试，实现了USVs传感器的实时校准，相比传统神经网络，该方法具有更低的均方误差损失。

论文的实验设计使用了Unity3D模拟数据进行训练和测试，并在实验中取得了良好的结果。该方法可以显著提高USVs传感器的准确性，具有重要的应用价值。未来的研究方向是进一步改进网络并使用真实数据验证结果。

在最近的研究中，也有一些关于USVs传感器校准的相关工作，例如：《A Machine Learning Approach to Sensor Calibration for Autonomous Surface Vehicles》。