程序员经验分享-hwhale

论文学习---Learned Inertial Odometry for Autonomous Drone Racing

2023-05-16

总结：

文章主要介绍了仅用IMU作为输入的深度学习网络来估计相对位移，估计的结果用于EKF更新，可以得到较为准确的EKF估计状态。

摘要

惯性里程计是敏捷无人机状态估计的一个具有吸引力的方案。单纯的使用IMU积分会有较大的偏移。目前基于运动先验的行人步速惯性里程计取得了显著的进展。但是无法用于无人机。本文提出了一种基于深度学习的惯性里程计用于无人机飞行任务。我们系统的核心是去耦合一个基于模型的滤波器，由惯性单元驱动，以及一个基于学习的单元来生成控制指令。结果显示我们的惯性里程计算法由于目前基于滤波和基于优化的方法。此外，结果显示我们的系统和基于视觉的已知门位置的VIO算法效果相当。

方法

请添加图片描述
神经网络将一组thrust和角速度作为输入， 输出3DoF的相对位置偏移，该偏移量作为EKF的观测，进行更新。EKF最终输出当前无人机的系统状态，包括旋转，速度，位置，bias。该方法命名为IMO。

将IMO的输出基础上，在根据检测的图像中门的角点进行融合，门的3D点位置已知。该方法命名为Gate-IO。图像中门的2D点检测通过CNN网络识别。

网络结构

采用TCN来学习相对位移，输入一组thrust和角速度，测量转到了世界坐标系下，且gyro移除了bias。训练时，采用动态捕捉系统的真实旋转。部署时， 采用EKF估计的旋转。为了增强鲁帮性，训练时，在真值旋转上增加了零均值的高斯噪声。损失函数为输入的测量时间间隔的真实相对位移和网络输出位移的MSE误差：
请添加图片描述

EKF

参考文章： A multi-state constraint kalman filter for vision-aided inertial navigation

门CNN检测

参考文章： Alphapilot: Autonomous drone racing

对比结果

请添加图片描述
可以看到，IMO的结果最优。这里的TLIO算法是SOTA的IO算法，采用残差网络，输入一组IMU数据，输出相对的IMU位移。网络的输出用于更新EKF。

TLIO 算法

参考文章： Tlio: Tight learned inertial odometry

摘要

文章提出了一种仅采用IMU的紧耦合的EKF状态估计器。

方法

请添加图片描述网络输入一组重力对齐的IMU测量数据，输出相对位移和不确定度。网络输出的结果作为EKF的观测，进行EKF更新，最终得到EKF的更新状态。

网络结构

采用ResNet18架构，输入Nx6的IMU数据。输出两个三维向量，一个是相对位移，一个是相对位移的不确定度。
训练时，网络定义了两个不同的损失函数：MSE误差和高斯最大似然误差：
请添加图片描述
请添加图片描述
优化器采用Adam优化器。

EKF

IMU积分得到预测状态和方差，网络输出的相对位移和方差进行EKF更新。
更新后，所有窗口中的状态先验被边缘化掉。边缘化采用直接删除对应的状态和方差列。滤波保留的状态依赖于两个参数： 网络训练窗口的位移，更新频率。例如，以20Hz的频率更新，滑窗1s， 则窗口中有21个历史状态。EKF的初始状态由外部提供。

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

Learned

Inertial

Odometry

for

Autonomous

论文学习---Learned Inertial Odometry for Autonomous Drone Racing 的相关文章

随机推荐

  • 多任务学习-An Overview of Multi-Task Learning in Deep Neural Networks论文笔记

    An Overview of Multi Task Learning in Deep Neural Networks论文笔记 概述 xff1a 多任务学习有很多形式 xff0c 如联合学习 xff08 Joint Learning xff0

  • 结构体

    结构体 xff1a 结构是一些值的集合 xff0c 这些值称为成员变量 xff0c 每个成员可以是不同的类型变量 结构体成员的类型 xff1a 可以是 xff1a 标量 xff0c 数组 xff0c 指针 xff0c 结构体 struct

  • 【ROS-3】ROS实现图像目标检测

    1 darknet ros下载及编译 GitHub leggedrobotics darknet ros YOLO ROS Real Time Object Detection for ROS 直接下载zip就行 xff0c 解压到ros环

  • MapReduce实现基本SQL操作的原理

    Join的实现原理 select u name o orderid from order o join user u on o uid 61 u uid 在map阶段的输出中给每个value一个tag xff0c 用于区分数据来源 xff0

  • raw、qcow2、vmdk等虚拟机的镜像格式

    云计算用一个朋友的话来说 做云计算最苦逼的就是得时时刻刻为一些可能一辈子都碰不到的事做好准备 更苦逼的就是刚以为一个问题不会遇到 xff0c 立刻就发生了 这个还真的没有办法 xff0c 谁让哥我是搞云计算的呢 xff0c 简单一个虚拟化就

  • 树莓派3b安装win10的桌面版操作系统

    https www vediotalk com p 61 1999 目录 显示 国内播放节点 视频介绍 树莓派3b可以安装win10的桌面版操作系统 xff0c 大家也想体验的下 xff0c 不妨可以安装试试 xff0c 当然这并不能代替我

  • 无人机学习笔记之遥控篇

    遥控器 以LiteRadio 2c SE为例 1 遥控器按键 2 相关参数 3 遥控器工作原理 遥控器想要达到与无人机通信的功能需要有两部分配合完成 即 xff1a 发射器与接收机 遥控器上的控制杆转为无线电波发送给接收机 xff0c 而接

  • 二分类算法

    数据来源 xff1a 选自UCI机器学习库中的 银行营销数据集 Bank Marketing Data Set 算法完成目标 xff1a 这些数据与葡萄牙银行机构的营销活动相关 这些营销活动以电话为基础 xff0c 一般 xff0c 银行的

  • 防抖，节流 js

    概念 xff1a 函数防抖 debounce xff1a 触发高频事件后n秒内函数只会执行一次 xff0c 如果n秒内高频事件再次被触发 xff0c 则重新计算时间 函数节流 throttle xff1a 高频事件触发 xff0c 但在n秒

  • 如何远程访问Docker容器中的图形界面，如:kettle

    kettle是一个免费开源的 可视化的 功能强大的ETL工具 一般为了部署方便 xff0c 通常都部署在docker容器中 xff0c 那么如何远程访问kettle的图形界面呢 xff1f 我们通常有两种方式 xff1a 1 xff09 客

  • 电子罗盘的工作原理及校准

    ST集成传感器方案实现电子罗盘功能 电子 罗盘是一种重要的导航工具 xff0c 能实时提供移动物体的航向和姿态 随着半导体工艺的进步和手机 操作系统的发展 xff0c 集成了越来越多传感器 的智能手机 变得功能强大 xff0c 很多手机上都

  • OV2SLAM vs ORBSLAM2

    框图 各个模块算法 OV2SLAMORBSLAM2对比特征点提取与匹配Fast 43 LK光流Fast 43 ORB 描述子LK光流速度快输出的实时posePnPMotion only BAMotion only BA精度高一点初始化 单目

  • 论文学习--Learning High-Speed Flight in the Wild

    文章目录 Git子文链接代码运行编译环境编译步骤 可选 1 下载源码 2 先安装Open3D 3 修改Open3D的相关路径 4 开始编译 5 报错2 6 报错3 7 运行中报错 8 配置学习环境 9 下载flighemare渲染环境 运行

  • 仿真环境中生成专家轨迹

    仿真环境中生成专家轨迹 文章目录 仿真环境中生成专家轨迹简介代码运行步骤获取输入数据Reference TrajectoryEnvironment PointcloudFull Quadrotor State 方法描述输出规划轨迹 简介 本

  • 机器学习方法简介（1）--线性回归、逻辑回归、神经网络、支持向量机

    机器学习方法就是计算机根据已有的数据 xff0c 得出某个模型 xff0c 然后利用此模型预测未来的一种方法 机器学习的一个主要目的就是把人类思考归纳经验的过程转化为计算机通过对数据的处理计算得出模型的过程 1 回归算法 回归算法包括线性回

  • 仿真数据生成工具以及现有的仿真数据集

    现有仿真数据集 TartanAir TartanAir 是一个用AirSim生成的仿真SLAM数据集 xff0c 可以用于视觉SLAM 数据集提供 xff1a 双目 RGB 图像 xff0c 深度图像 xff0c 分割 xff0c 光流 x

  • 基于深度学习的SLAM概述

    目的 本博客总结最近看的几篇关于深度学习的SLAM以及基于深度学习的稠密重建 xff0c 简要对比记录特点 对比 年份名称类型框图前端输出地图方法特点回环2022DPVOmono VOVO每一帧的pose和paches转到3D坐标系下的3D

  • Airsim中运行OpenVINS和VINS_Fusion

    Airsim中运行OpenVINS和VINS Fusion 1 简介2 参考3 步骤3 1 编译3 2 运行3 3 运行结果3 4 相机和IMU参数配置 1 简介 本文简介在Airsim中运行OpenVINS和VINS Fusion 2 参

  • Apriltag生成

    Apriltag生成 一 单个Apriltag生成 生成单个的二维码 xff0c 下面给出30cmx30cm打印大小的生成脚本 xff0c 输入路径直接用 apriltag imgs 工程的tag36h11系列的图片即可 生成结果得到587

  • 论文学习---Learned Inertial Odometry for Autonomous Drone Racing

    总结 xff1a 文章主要介绍了仅用IMU作为输入的深度学习网络来估计相对位移 xff0c 估计的结果用于EKF更新 xff0c 可以得到较为准确的EKF估计状态 摘要 惯性里程计是敏捷无人机状态估计的一个具有吸引力的方案 单纯的使用IMU

热门标签