典型文献
基于深度学习与运动状态识别的车辆惯性导航方法
文献摘要：
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.
文献关键词：
标定;惯性导航;深度学习;车辆;不变扩展卡尔曼滤波器
中图分类号：
作者姓名：
黄凤荣;羿博珩;王旭;刘庆璘;王文森
作者机构：
河北工业大学 机械工程学院,天津 300401;中国人民解放军93756部队,天津 300131
文献出处：
引用格式：
[1]黄凤荣;羿博珩;王旭;刘庆璘;王文森-.基于深度学习与运动状态识别的车辆惯性导航方法)[J].中国惯性技术学报,2022(05):569-575
A类：
不变扩展卡尔曼滤波器
B类：
运动状态,状态识别,导航方法,微机电惯性测量单元,MEMS,IMU,体积小,功耗,捷联惯性导航系统,系统精度,移动机器人,无人驾驶,车辆导航,时变性,膨胀卷积网络,陀螺仪,漂移,时间卷积神经网络,网络动态,动态检测,检测车,约束信息,信息融合,公开数据集,状态检测,约束方法
AB值：
0.276886
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
